লুকানো মার্কভ মডেল

একটি লুকানো মার্কভ মডেল (এইচএমএম) সময়ের সাথে সাথে লুকানো রাজ্যগুলির একটি সেটের মধ্যে একটি প্রক্রিয়া হপ করে বলে ধরে নেয়, যেখানে পরবর্তী অবস্থা শুধুমাত্র বর্তমানের (মার্কভ সম্পত্তি) উপর নির্ভর করে। আপনি সরাসরি রাজ্যগুলি পর্যবেক্ষণ করেন না; পরিবর্তে প্রতিটি রাষ্ট্র একটি নির্গমন সম্ভাবনা অনুযায়ী একটি পর্যবেক্ষণযোগ্য প্রতীক নির্গত করে। একটি এইচএমএমকে তিনটি অংশ দ্বারা সংজ্ঞায়িত করা হয়: প্রাথমিক অবস্থার সম্ভাব্যতা, রাজ্যগুলির মধ্যে একটি রূপান্তর ম্যাট্রিক্স এবং আউটপুটগুলির জন্য নির্গমন সম্ভাবনা। তিনটি ক্লাসিক সমস্যা এটির সাথে যায়: মূল্যায়ন (কতটা সম্ভব একটি পর্যবেক্ষিত ক্রম, ফরওয়ার্ড অ্যালগরিদম দ্বারা সমাধান করা হয়), ডিকোডিং (কোন লুকানো পথটি পর্যবেক্ষণগুলিকে সর্বোত্তম ব্যাখ্যা করে, ভিটারবি অ্যালগরিদম দ্বারা সমাধান করা হয়), এবং শেখা (ডাটা থেকে পরামিতি অনুমান করা, বাউম-ওয়েলচ প্রত্যাশা-ম্যাক্সিমাইজেশন অ্যালগরিদম দ্বারা সমাধান করা)। কয়েক দশক ধরে এইচএমএম স্পিচ এবং সিকোয়েন্স লেবেলিংয়ের আধিপত্য বিস্তার করেছে।