piilomarkovkertymiä

Piilomarkovketjut, englanniksi hidden Markov models (HMMs), ovat tilastollisia malleja, joita käytetään kuvaamaan havaittavien tapahtumien sarjoja, jotka riippuvat taustalla olevasta tilasarjasta. Nämä taustalla olevat tilat ovat piilossa eli niitä ei voida suoraan havaita, mutta niiden voidaan olettaa seuraavan Markovin prosessia. Tämä tarkoittaa, että seuraavan tilan todennäköisyys riippuu vain nykyisestä tilasta, ei aiemmista tiloista.

HMM-mallissa on kaksi keskeistä osaa: siirtymätodennäköisyydet ja emisiotodennäköisyydet. Siirtymätodennäköisyydet kuvaavat todennäköisyyttä siirtyä tilasta toiseen. Emisiotodennäköisyydet puolestaan kuvaavat todennäköisyyttä havaita tietty tapahtuma, kun malli on tietyssä piilossa olevassa tilassa.

Piilomarkovketjuja käytetään monilla aloilla. Esimerkiksi puheentunnistuksessa piilossa olevat tilat voivat edustaa foneemeja ja havaittavat tapahtumat niitä vastaavia äänisignaaleja. Luonnollisen kielen käsittelyssä niitä voidaan käyttää esimerkiksi lauseenjäsennykseen. Biologiassa piilomarkovketjuja sovelletaan DNA-sekvenssien analysointiin ja proteiinien rakenteen ennustamiseen. Yksi tunnetuimmista algoritmeista, Baum-Welch-algoritmi, käytetään HMM-mallin parametrien estimointiin havaittujen datojen perusteella. Toinen keskeinen algoritmi, Viterbi-algoritmi, on hyödyllinen parhaan mahdollisen piilossa olevien tilojen sarjan löytämiseksi annetulle havaittujen tapahtumien sarjalle.