Der Expectation-Maximization (EM) Algorithmus löst das Problem der Sch von Parametern in statistischen Modellen, insbesondere wenn die Daten unvollständig oder latent sind. Er wird häufig in Statistik und im maschinellen Lernen verwendet, um die Maximum-Likelihood-Schätzung von Parametern zu finden, indem erativ die Erwartungs- (E-) und Maximierungs- (M-) Schritte durchführt. Der Smith-Waterman-Algorithmus hingegen löst das Problem der lokalen Sequenzanpassung in der Bioinformatik. Er wird verwendet, um Ähnlichkeiten zwischen biologischen Sequenzen (wie DNA, RNA oder Proteinen) zu identifizieren, indem er die bestmögliche lokale Übereinstimmung zwischen zwei Sequenzen findet. Dies ist besonders nützlich, um homologe Regionen zu erkennen, die durch Evolution erhalten geblieben sind.