مدل های مارکوف مخفی (HMMs)

در این مجموعه آموزش ویدئویی مدل مارکوف مخفی از رویکرد مهندسی قرار داده شده است.

در مدلهای مارکوف معمولی (Markov models)، حالت ها (States) به طور مستقیم قابل مشاهده هستند (Observable) و یک زنجیره یا فرآیند مارکوف تنها با مشخص بودن احتمالات گذار و یا نرخ های گذرا خود قابل معرفی است.

در یک مدل مارکوف مخفی (Hidden Markov Models) یا به اختصار HMMs حالت ها به طور مستقیم در دسترس نیستند و قابل مشاهده نمی باشند. آن چه که در یک مدل مارکوف مخفی قابل رویت است، یک خروجی وابسته به این حالت هاست که مشاهدات نامیده می شوند. هر حالت یک توزیع احتمال روی عناصر دنباله خروجی یامشاهدات دارد و در نتیجه سری زمانی مشاهدات می تواند اطلاعاتی در رابطه با سری زمانی حالت ها در اختیار قرار دهد. در این حالت علاوه بر احتمالات گذار و نرخ های گذرا نیاز به پارامترهای دیگری برای توصیف مدل مارکوف نیز وجود دارد.

مدل های مارکوف مخفی، مدلهایی چند منظوره برای توصیف انواع سری های زمانی و به ویژه برای سری های زمانی از نوع گسسته مقدار هستند. از نمونه کاربردهای مدل های مارکوف مخفی می توان به مدلسازی در موارد زیر اشاره کرد:

سیستم های در معرض عیب (برای تفکیک قطعات معیوب و سالم)
هواشناسی (برای مدلسازی ابری، آفتابی، بارانی یا برفی بودن هوا)
شناسایی الگو (تشخیص گفتار، تشخیص خط)

پیش نیازها: این مجموعه اموزشی نیاز به آشنایی با مفاهیم احتمالا و همچنین نیاز به تسلط بر زنجیره ها و فرآیند های مارکوف دارد. برای این منظور می توانید به مجموعه آموزشی «زنجیره ها و فرآیندهای مارکوف » در اینجا مراجعه نمائید.

جلسه اول : مقدمه

جلسه دوم : ماتریس مشاهدات

جلسه سوم : جزئیات مدل مارکوف مخفی