Hidden Markov Model
Ein HMM beschreibt Beobachtungsfolgen mit einem zweischichtigen Modell: Verborgene Zustände durchlaufen eine Markov-Kette, und jeder Zustand emittiert Beobachtungen gemäß Emissionswahrscheinlichkeiten.
Zweck
Die latente Struktur sequenzieller Daten modellieren, verwendet in Spracherkennung und bei biologischen Sequenzen.
Mechanismus
Parameter λ=(A,B,π): A die Übergangsmatrix, B die Emissionswahrscheinlichkeiten, π die Anfangsverteilung. Drei Probleme: Auswertung (Forward), Dekodierung (Viterbi) und Lernen (Baum-Welch).
Anwendungsfälle
- Spracherkennung
- Wortart-Tagging
- Genvorhersage