（本文阅读时间：3分钟） 编者按：近期，巨浪视线的《职场有意思》栏目“探店”微软，希望从办公环境、公司文化、90或00后员工的体验中发现在微软的职场有意思。现在，就跟随镜头一起走进微软吧！ 巨浪视线 ，赞 成长型思维， 能够从根本上改变每个人 一个人的潜力并非天生注定 不怕犯错，敢于创新 我们每天都可以学习新知识、新事物 微软相信每个人都有终身学习的能力 不断成长和发现“真我” 一位微软研究员分享 尽管读书时的专业与现在研究方向不完全一致 微软导师发现了她的潜力 支持她成功实现了自我的创新与转型 在研究的道路上脚踏实地不断探索 年龄不是硬指标 在微软，60、70、80、90、00 后 各个年龄段的员工 每个人身上都迸发着激情和使命感 互相学习、不断成长 年龄不是硬指标
估计有很多入门机器学习的同学在看到EM算法的时候会有种种疑惑： EM算法到底是个什么玩意？ 它能做什么？ 它的应用场景是什么？ 网上的公式推导怎么看不懂？ 下面我会从一个案例开始讲解极大似然估计，然后过渡到EM算法，讲解EM算法到底是个什么玩意儿以及它的核心的idea是什么。之后讲解EM算法的推导公式，鉴于网上很多博客文章都是直接翻译吴恩达的课程笔记内容，有很多推导步骤都是跳跃性的，我会把这些中间步骤弥补上，让大家都能看懂EM算法的推导过程。最后以一个二硬币模型作为EM算法的一个实例收尾。希望阅读本篇文章之后能对EM算法有更深的了解和认识。 极大似然和EM(Expectation Maximization)算法，与其说是一种算法，不如说是一种解决问题的思想，解决一类问题的框架，和线性回归，逻辑回归，决策树等一些具体的算法不同，极大似然和EM算法更加抽象，是很多具体算法的基础。 1. 从极大似然到EM 1.1 极大似然 1.1.1 问题描述 假设我们需要调查我们学校学生的身高分布。我们先假设学校所有学生的身高服从正态分布 注意：极大似然估计的前提一定是要假设数据总体的分布，如果不知道数据分布，是无法使用极大似然估计的 和方差 未知，
