机器学习课件-17.HMM.pdfVIP

法律声明  本课件包括演示文稿、示例、代码、题库、视频和 声音等内容，小象学院和主讲老师拥有完全知识产 权的权利；只限于善意学习者在本课程使用，不得 在课程范围外向任何第三方散播。任何其他人或机 构不得盗版、复制、仿造其中的创意及内容，我们 保留一切通过法律手段追究违反者的权利。  课程详情请咨询  微信公众号：小象  新浪微博：ChinaHadoop 互联网新技术在线教育领航者 1/71 隐马尔科夫模型 邹博 主要内容  隐马尔科夫模型  概率计算  参数估计  模型预测  中文分词算法实践  思考：实践问题应该如何建模？ 互联网新技术在线教育领航者 3/71 中文分词 Jason Bell. Machine Learning: Hands-On for Developers and Technical Professionals. Wiley.2014 互联网新技术在线教育领航者 4/71 HMM定义  隐马尔科夫模型(HMM, Hidden Markov Model) 可用 标注问题，在语音识别、NLP 、生物信息、模式识 别等领域被实践证明是有效的算法。  HMM 是关于时序的概率模型，描述由一个隐藏的 马尔科夫链生成不可观测的状态随机序列，再由各 个状态生成观测随机序列的过程。  隐马尔科夫模型随机生成的状态随机序列，称为状 态序列；每个状态生成一个观测，由此产生的观测 随机序列，称为观测序列。  序列的每个位置可看做是一个时刻。 互联网新技术在线教育领航者 5/71 隐马尔科夫模型的贝叶斯网络  请思考：  在z1 、z2不可观察的前提下，x1 和z2独立吗？x1 和x2独立吗？ 互联网新技术在线教育领航者 6/71 HMM的确定  HMM 由初始概率分布π 、状态转移概率分布 A 以及观测概率分布B确定。  A,B, 互联网新技术在线教育领航者 7/71 HMM的参数  Q 是所有可能的状态的集合  N 是可能的状态数  V 是所有可能的观测的集合  M 是可能的观测数   Q q ,q ,q 1 2 N   V v ,v ,v 1 2 M 互联网新技术