VolgendeVolgende gids
Tensor-parallellisme voor grote modellen
Technisch
Technische GIDS
Een Hidden Markov-model beschrijft een systeem dat door verborgen toestanden beweegt die je niet direct kunt zien, en onderweg waarneembare outputs uitzendt.
Luister naar deze gidsAI-verteld · ~2 min
It powered early speech recognition, gene finding, and part-of-speech tagging.
Een Hidden Markov Model (HMM) gaat ervan uit dat een proces in de loop van de tijd tussen een reeks verborgen toestanden springt, waarbij de volgende toestand alleen afhangt van de huidige (de Markov-eigenschap). Je observeert de toestanden nooit rechtstreeks; in plaats daarvan zendt elke staat een waarneembaar symbool uit volgens een emissiewaarschijnlijkheid. Een HMM wordt gedefinieerd door drie delen: initiële toestandskansen, een overgangsmatrix tussen toestanden en emissiekansen voor outputs. Er gaan drie klassieke problemen mee gepaard: evaluatie (hoe waarschijnlijk is een waargenomen reeks, opgelost door het Forward-algoritme), decodering (welk verborgen pad de waarnemingen het beste verklaart, opgelost door het Viterbi-algoritme) en leren (parameters schatten uit gegevens, opgelost door het Baum-Welch verwachtingsmaximalisatie-algoritme). HMM's domineerden decennialang spraak- en reekslabeling.
Gedeeltelijke spraaktagging, waarbij elk woord wordt gelabeld als zelfstandig naamwoord, werkwoord of bijvoeglijk naamwoord
Gen- en eiwitsequentieanalyse in de bio-informatica
Akoestische modellering in klassieke automatische spraakherkenningssystemen
Het detecteren van regimes of segmenten in financiële en sensortijdreeksen
Terugkerende netwerken en transformatoren hebben HMM's voor spraak en taal grotendeels vervangen omdat ze niet-lineaire afhankelijkheden over lange afstand vastleggen die een Markov-keten van de eerste orde niet kan. Toch overleven HMM’s waar interpreteerbaarheid, kleine data en expliciete semantiek van belang zijn: bio-informatica, tijdreekssegmentatie, foutdetectie en financiën. Verwacht voortgezet gebruik in hybride en on-device pipelines, en als een conceptuele opstap naar rijkere latente-variabele- en state-space-modellen.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
Een Hidden Markov-model beschrijft een systeem dat door verborgen toestanden beweegt die je niet direct kunt zien, en onderweg waarneembare outputs uitzendt. Het zorgde voor vroege spraakherkenning, het vinden van genen en het taggen van delen van spraak.
Je ziet alleen uitgezonden waarnemingen; de onderliggende toestandssequentie is verborgen en moet worden afgeleid.
In een Markov-keten van de eerste orde hangt de toekomst alleen af van de huidige staat, niet van de volledige geschiedenis.
Viterbi maakt gebruik van dynamische programmering om het meest waarschijnlijke pad naar elke toestand te behouden, waardoor de beste algehele toestandsvolgorde wordt hersteld.
Een HMM wordt gedefinieerd door waar het begint, hoe staten overgaan en hoe staten observaties uitzenden.
Baum-Welch is een EM-procedure die iteratief de transitie- en emissiekansen herschat om de waarschijnlijkheid van de gegevens te maximaliseren.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
Tensor-parallellisme voor grote modellen
Technisch