El algoritmo EM alterna entre dos pasos: estimar, dados los parámetros actuales del modelo, cuál es la asignación más probable de la información no observada (paso E, de expectativa); y luego actualizar los parámetros del modelo para que se ajusten mejor a esa asignación estimada (paso M, de maximización), repitiendo este ciclo hasta que los resultados se estabilizan.
Su aplicación más conocida
Es el algoritmo estándar para entrenar modelos de mezcla gaussiana, donde no se sabe de antemano a cuál de los grupos subyacentes pertenece cada observación, y el algoritmo EM permite estimar simultáneamente esa pertenencia y los parámetros de cada grupo.