引言
想簡單點，沒這么復雜，上一篇，我們說天氣就是馬爾可夫模型，因為明天的天氣只能今天有關，而跟之前的前天無關。
一言以蔽之
你在中國，那美國的天氣就是隱馬爾可夫模型，因為你不知道美國的天氣，可是你知道其他條件，你有朋友在美國，他要么跑步，要么購物，而他的選擇跟天氣有關，你知道他這三天是跑步，跑步，購物，好了，描述完畢。
再一個例子，你有一女朋友，她心情好時會唱歌，心情壞時會不接你電話，但是我們知道有時不接電話並不意味着她心情不好，另外女生不會說自己心情怎么樣，而且我們認為女生的心情是符合馬爾可夫模型的，即今天的心情只受昨天心情的影響，好了，這一天她對你唱歌了，接下來兩天，她都不接你電話，這就是隱馬爾可夫模型。
三大問題
上面舉了兩個例子，希望你已經理解什么是隱馬爾可夫模型了，我們再就天氣這一例子再做探討，了解隱馬爾可夫有什么用？
隱馬爾可夫模型中有三大問題需要解決，我會一一闡述。
我再把這問題詳細描述一下，你在中國，你朋友F在美國，F的作息有跑步跟購物，但這選擇跟天氣有關，具體概率如下
P(跑步| 下雨) = 0.4
P(購物| 下雨) = 0.6
P(跑步| 晴朗) = 0.7
P(購物| 晴朗) = 0.3
然后，F這三天是跑步，跑步，購物。
問題一：{跑步，跑步，購物}發現的概率是多少？
問題二：知道了{跑步，跑步，購物}，那這三天天氣又如何呢？
問題三：確定模型參數的取值，使出現{跑步，跑步，購物}的概率最大
三個問題對應了三個解決方案
問題一：前向法(forward algorithm)，是一種動態規划的方法，用來減少程序運算的復雜度
問題二：維特比算法(Viterbi algorithm)，也是一種動態規划的方法，用來找到最可能的狀態路徑
問題三：Baum-Welch算法，通過給定一個序列，不斷估算一個適合的lambda參數，使發生該序列的概率最大
I get what I want from blogs, but I a waste of a lots time. The blog which is really easy to understand is hard to find, I want to improve the quality of my blog. Finally, the blog, http://www.suzker.cn/computervision/the-hmm-model.html, is really fantastic.