一、基本概念
一些引數
i是長度為t的狀態序列， o是對應的觀測序列。
a是狀態轉移概率矩陣
b是觀測概率矩陣
π 是初始狀態，其中πi
=p(i
1=qi
)
綜上，馬爾科夫模型的引數組成
λ
隱馬爾可夫模型的3個問題（最重要）
接下來就講解怎麼求概率？怎麼訓練引數？怎麼解碼？
上述直接計算方法顯然臺low了。我們可以想到，其實有好多序列的子串行都重複計算了，比如序列l1和l2, l1 i1
,i2,
...,
it−1
,it ，l2的前t-1個狀態與l1一樣，那麼就不需要計算了，拿個東西儲存一下即可。這便引入前向後向演算法（很簡單的動態規劃演算法）。
隱馬爾可夫模型HMM
隱馬爾科夫模型 hidden markov model，以下簡稱hmm 是比較經典的機器學習模型了，它在語言識別，自然語言處理，模式識別等領域得到廣泛的應用。隱馬爾可夫模型hmm 當然，隨著目前深度學習的崛起，尤其是rnn，lstm等神經網路序列模型的火熱，hmm的地位有所下降。但是作為乙個經典的模...
隱馬爾可夫模型（HMM）
概率圖模型是一類用圖來表達變數相關關係的概率模型。它以圖為表示工具，最常見的是用乙個結點表示乙個或一組隨機變數，結點之間的邊表示變數間的概率相關關係，即 變數關係圖 根據邊的性質不同，概率圖模型可大致分為兩類 第一類是使用有向無環圖表示變數間的依賴關係，稱為有向圖模型或貝葉斯網 第二類是使用無向圖表...
HMM隱馬爾可夫模型
詞性標註演算法有claws，但是計算要計算每一條路徑，所以效率很低，所有有人提出了hmm 維特比演算法 動態規劃思想 記錄區域性最優來計算詞性標註，效率提高，markov model最開始應用在語音識別，如今，在分詞 pos標註和統計機器翻譯都得到廣泛運用。描述一類重要的隨機過程，這隨機過程是隨時間...