<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[zxqislearning的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/zxqislearning</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; zxqislearning]]></copyright><item><title><![CDATA[HMM学习3之总结]]></title><link>https://blog.youkuaiyun.com/zxqislearning/article/details/8831433</link><guid>https://blog.youkuaiyun.com/zxqislearning/article/details/8831433</guid><author>zxqislearning</author><pubDate>Sun, 21 Apr 2013 17:47:48 +0800</pubDate><description><![CDATA[1.总结
wiki上一个比较好的HMM例子
http://www.52nlp.cn/hmm-concrete-example-on-wiki
几种不同程序语言的HMM版本
http://www.52nlp.cn/several-different-programming-language-version-of-hmm
HMM学习最佳范例八：总结
http://www.52nlp.cn/]]></description><category></category></item><item><title><![CDATA[HMM学习2之前向-后向算法（转）]]></title><link>https://blog.youkuaiyun.com/zxqislearning/article/details/8831256</link><guid>https://blog.youkuaiyun.com/zxqislearning/article/details/8831256</guid><author>zxqislearning</author><pubDate>Sun, 21 Apr 2013 16:41:45 +0800</pubDate><description><![CDATA[本文转自www.52nlp.cn

前向-后向算法1

与HMM模型相关的“有用”的问题是评估（前向算法）和解码（维特比算法）——它们一个被用来测量一个模型的相对适用性，另一个被用来推测模型隐藏的部分在做什么（“到底发生了”什么）。可以看出它们都依赖于隐马尔科夫模型（HMM）参数这一先验知识——状态转移矩阵，混淆（观察）矩阵，以及pi向量（初始化概率向量）。


　　然而，在许多实际]]></description><category></category></item><item><title><![CDATA[HMM学习2之维特比算法（转）]]></title><link>https://blog.youkuaiyun.com/zxqislearning/article/details/8831246</link><guid>https://blog.youkuaiyun.com/zxqislearning/article/details/8831246</guid><author>zxqislearning</author><pubDate>Sun, 21 Apr 2013 16:32:46 +0800</pubDate><description><![CDATA[本文转自www.52nlp.cn


　　对于一个特殊的隐马尔科夫模型(HMM)及一个相应的观察序列，我们常常希望能找到生成此序列最可能的隐藏状态序列。

1.穷举搜索
　　我们使用下面这张网格图片来形象化的说明隐藏状态和观察状态之间的关系：

　　我们可以通过列出所有可能的隐藏状态序列并且计算对于每个组合相应的观察序列的概率来找到最可能的隐藏状态序列。最可能的隐藏状态序列是使下面]]></description><category></category></item><item><title><![CDATA[HMM学习2之前向算法（转）]]></title><link>https://blog.youkuaiyun.com/zxqislearning/article/details/8831226</link><guid>https://blog.youkuaiyun.com/zxqislearning/article/details/8831226</guid><author>zxqislearning</author><pubDate>Sun, 21 Apr 2013 16:27:47 +0800</pubDate><description><![CDATA[本文转自www.52nlp.cn


1.穷举搜索（ Exhaustive search for solution）
　　给定隐马尔科夫模型，也就是在模型参数（pi, A, B)已知的情况下，我们想找到观察序列的概率。还是考虑天气这个例子，我们有一个用来描述天气及与它密切相关的海藻湿度状态的隐马尔科夫模型(HMM)，另外我们还有一个海藻的湿度状态观察序列。假设连续3天海藻湿度的观察结果是（]]></description><category></category></item><item><title><![CDATA[HMM学习1之介绍（转）]]></title><link>https://blog.youkuaiyun.com/zxqislearning/article/details/8831211</link><guid>https://blog.youkuaiyun.com/zxqislearning/article/details/8831211</guid><author>zxqislearning</author><pubDate>Sun, 21 Apr 2013 16:23:17 +0800</pubDate><description><![CDATA[本文转自www.52nlp.cn

HMM学习最佳范例一：介绍


　　隐马尔科夫模型（HMM）依然是读者访问“我爱自然语言处理”的一个热门相关关键词，我曾在《HMM学习最佳范例与崔晓源的博客》中介绍过国外的一个不错的HMM学习教程，并且国内崔晓源师兄有一个相应的翻译版本，不过这个版本比较简化和粗略，有些地方只是概况性的翻译了一下，省去了一些内容，所以从今天开始计划在52nlp上系统的重]]></description><category></category></item></channel></rss>