版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/MrWilliamVs/article/details/89338231
隐含马尔科夫模型(hidden Markov model, HMM), 可以用于标注问题的统计学习模型，
由隐藏的马尔科夫链，随机生成观测序列的过程，属于生成模型。
关于时序的概率模型
熵，最大熵，是基础。
熵：表现了系统所处状态的不确定性程度。平均信息量（平均不确定程度）。
最大熵：保留全部的不确定性，将风险降到最小。指数函数形式，形式漂亮简单，实际实现计算复杂。
马尔科夫链：状态空间中从一个状态到另一个状态的转换的随机过程。该过程具备“无记忆”的性质，下一状态的概率分布，只由当前状态决定。这种“无记忆性”叫做马尔科夫性质。
HMM中的三个基本问题：
-
概率计算问题：给定模型(初始状态概率，状态转移矩阵，观测矩阵)，和观测序列O，计算在该模型下，观测序列O出现的概率。
-
学习问题：
-
预测问题：