目前比较好用的人工智能模型（人工智能之隐马尔可夫模型）

目前比较好用的人工智能模型（人工智能之隐马尔可夫模型）解码问题：寻找给定条件下概率最大的隐状态序列。例如知道骰子有几种（隐含状态数量），每种骰子是什么（转换概率），根据掷骰子掷出的结果（可见状态链），求出现概率最大的隐含状态链（例如{D6 D8 D8 D6 D4 D8 D6 D6 D4 D8}概率最大）评估问题：计算某一观测序列的概率。例如知道骰子有几种（隐含状态数量），每种骰子是什么（转换概率），根据掷骰子掷出的结果（可见状态链），求得出一串数字{1 6 3 5 2 7 3 5 2 4}概率。隐含状态转移概率矩阵：各个隐含状态之间的转移概率所构成的矩阵。例如D6的下一个状态是D4，D6，D8的概率为1/3；D4，D8的下一个状态是D4，D6，D8的转换概率为1/3观测状态转移概率矩阵：在某时刻，某隐含状态条件下可观测状态概率所构成的矩阵。例如D6产生（1，2，3，4，5，6）的输出概率为1/6初始状态概率矩阵：表示隐含状态在初始时刻t=1的

隐马尔可夫模型 (HMM)是一个统计模型，也是马尔科夫链的一种，它通过观测系列来求解隐藏在背后的状态系列概率问题。广泛应用在语音识别，词性自动标注，音字转换，概率文法等各个自然语言处理等应用领域。

隐马尔可夫模型的五个元素：

举一个例子：假设有三个不同的骰子。第一个骰子是六个面的骰子（D6），每个面（1，2，3，4，5，6）出现的概率是1/6；第二个骰子是个四面体（D4），每个面（1，2，3，4）出现的概率是1/4；第三个骰子有八个面（D8），每个面（1，2，3，4，5，6，7，8）出现的概率是1/8。现在，我们掷骰子10次，但是我们不知道是哪个骰子掷。

可观测状态：在模型中与隐含状态相关联，可通过直接观测而得到。例如掷骰子10次得到一串数字：{1 6 3 5 2 7 3 5 2 4}

隐含状态：这些状态之间满足马尔可夫性质，是马尔可夫模型中实际所隐含的状态。例如得出上面一串数字所用的骰子系列：{D6 D8 D8 D6 D4 D8 D6 D6 D4 D8}

隐含状态转移概率矩阵：各个隐含状态之间的转移概率所构成的矩阵。例如D6的下一个状态是D4，D6，D8的概率为1/3；D4，D8的下一个状态是D4，D6，D8的转换概率为1/3

观测状态转移概率矩阵：在某时刻，某隐含状态条件下可观测状态概率所构成的矩阵。例如D6产生（1，2，3，4，5，6）的输出概率为1/6

初始状态概率矩阵：表示隐含状态在初始时刻t=1的概率矩阵。例如第一次掷骰子为D6为0.5，D4为0.3，D8为0.2

HMM解决三种问题：

1. 评估问题：计算某一观测序列的概率。例如知道骰子有几种（隐含状态数量），每种骰子是什么（转换概率），根据掷骰子掷出的结果（可见状态链），求得出一串数字{1 6 3 5 2 7 3 5 2 4}概率。

2. 解码问题：寻找给定条件下概率最大的隐状态序列。例如知道骰子有几种（隐含状态数量），每种骰子是什么（转换概率），根据掷骰子掷出的结果（可见状态链），求出现概率最大的隐含状态链（例如{D6 D8 D8 D6 D4 D8 D6 D6 D4 D8}概率最大）

3. 学习问题：求满足条件的HMM模型参数。例如知道骰子有几种（隐含状态数量），不知道每种骰子是什么（转换概率），观测到很多次掷骰子的结果（可见状态链），反推出每种骰子是什么（转换概率）。

HMM模型主要应用于语音识别、文字识别等领域，我在上一篇文章《人工智能之中文分词》中提到的jieba分词工具，其算法主要来源于HMM模型中的Viterbi算法以求得最优路径。