แบบจำลองมาร์คอฟซ่อนเร้น

ส่วนหนึ่งของเนื้อหา
การเรียนรู้ของเครื่อง และ การทำเหมืองข้อมูล
ปัญหา Classification Clustering Regression Anomaly detection AutoML Association rules Reinforcement learning Structured prediction Feature engineering Feature learning Online learning Semi-supervised learning Unsupervised learning Learning to rank Grammar induction
การเรียนรู้แบบมีผู้สอน การแบ่งประเภทข้อมูล โครงข่ายประสาทเทียม เพอร์เซปตรอน ต้นไม้ตัดสินใจ Ensembles Bagging Boosting Random forest k-NN Linear regression Naive Bayes regression Logistic regression Relevance vector machine (RVM) เครื่องเวกเตอร์ค้ำยัน (SVM)
การแบ่งกลุ่มข้อมูล BIRCH CURE Hierarchical k-means Expectation–maximization (EM) DBSCAN OPTICS Mean-shift
โครงข่ายประสาทเทียม การเรียนรู้เชิงลึก Autoencoder DeepDream Multilayer perceptron RNN LSTM GRU Restricted Boltzmann machine GAN SOM CNN U-Net
การลดมิติ Factor analysis CCA ICA LDA NMF PCA PGD t-SNE
Structured prediction Graphical models Bayes net Conditional random field แบบจำลองมาร์คอฟซ่อนเร้น
Anomaly detection k-NN Local outlier factor
Reinforcement learning Q-learning SARSA Temporal difference (TD)
ทฤษฎี Bias–variance dilemma Computational learning theory Empirical risk minimization Occam learning PAC learning Statistical learning VC theory
ด ค ก

แบบจำลองมาร์คอฟซ่อนเร้น (อังกฤษ: Hidden Markov model (HMM)) เป็นแบบจำลองมาร์คอฟทางสถิติโดยมีสมมติฐานว่าระบบจำลองนั้นเกิดกระบวนการมาร์คอฟกับสถานะที่ยังไม่ได้สังเกตการณ์(ซ่อนอยู่) แบบจำลองมาร์คอฟซ่อนเร้นอาจมองง่ายๆว่าเป็นเครือข่ายแบบเบย์พลวัต นักวิทยาศาสตร์ที่อยู่เบื้องหลังการพัฒนาแบบจำลองนี้คือ ลีโอนาร์ด ดี. เบาม์ นักคณิตศาสตร์ชาวอเมริกันและเพื่อนร่วมงาน แบบจำลองนี้มีความคล้ายคลึงกับปัญหาการกรองไม่เชิงเส้นที่เหมาะที่สุดของรูสลาน แอล. สตราโคโนวิช นักวิทยาศาสตร์ชาวรัสเซีย

ในแบบจำลองมาร์คอฟอย่างง่ายนั้น ผู้สังเกต (observer) จะมองเห็นสถานะ (state) ได้โดยตรง ดังนั้นตัวแปรเดียวที่มีอยู่คือความน่าจะเป็นในการเปลี่ยนสถานะ แต่ในแบบจำลองมาร์คอฟซ่อนเร้น ผู้สังเกตไม่สามารถมองเห็นสถานะได้โดยตรง แต่จะมองเห็นผลลัพธ์ (output) ได้โดยผลลัพธ์ที่ออกมานั้นขึ้นอยู่กับสถานะ แต่ละสถานะก็มีการกระจายความน่าจะเป็นของผลลัพธ์ที่ไม่เหมือนกัน ดังนั้น ลำดับของผลลัพธ์ที่ได้จากแบบจำลองก็จะทำให้เราได้ข้อมูลเกี่ยวกับลำดับของสถานะได้เช่นกัน ทั้งนี้ คำว่า 'ซ่อนเร้น' นั้นหมายถึงลำดับของสถานะที่แบบจำลองผ่านไป ไม่ใช่ตัวแปรของแบบจำลอง แบบจำลองยังถูกเรียกว่าแบบจำลองมาร์คอฟ'ซ่อนเร้น'แม้ว่าตัวแปรเหล่านี้จะทราบแน่ชัดแล้ว

แบบจำลองมาร์คอฟซ่อนเร้นถูกนำไปใช้งานบ่อยครั้งในสาขาการเรียนรู้ของเครื่อง โดยเฉพาะการรู้จำแบบที่มีเวลามาเกี่ยวข้อง ไม่ว่าจะเป็นการรู้จำเสียงพูด การรู้จำลายมือ การรู้จำท่าทาง และชีวสารสนเทศศาสตร์