Hidden Markov Model
Un HMM décrit des séquences d'observations par un modèle à deux couches : des états cachés transitent dans une chaîne de Markov et chaque état émet des observations selon des probabilités d'émission.
Objectif
Modéliser la structure latente de données séquentielles, utilisé en reconnaissance vocale et pour les séquences biologiques.
Mécanisme
Paramètres λ=(A,B,π) : A la matrice de transition, B les probabilités d'émission, π la distribution initiale. Trois problèmes : évaluation (forward), décodage (Viterbi) et apprentissage (Baum-Welch).
Cas d’usage
- Reconnaissance vocale
- Étiquetage morphosyntaxique
- Prédiction de gènes