Modelos ocultos de Markov (HMMs) s\u00e3o modelos estat\u00edsticos usados para representar sistemas que evoluem ao longo do tempo. Eles s\u00e3o frequentemente empregados em \u00e1reas como aprendizado de m\u00e1quina, reconhecimento de padr\u00f5es e biologia computacional, devido \u00e0 sua capacidade de modelar processos estoc\u00e1sticos complexos e dependentes do tempo.<\/p>\n
A estrutura te\u00f3rica dos Modelos Ocultos de Markov foi proposta pela primeira vez no final da d\u00e9cada de 1960 por Leonard E. Baum e seus colegas. Inicialmente, eles foram empregados em tecnologia de reconhecimento de fala e ganharam popularidade na d\u00e9cada de 1970, quando usados pela IBM em seus primeiros sistemas de reconhecimento de fala. Esses modelos foram adaptados e aprimorados desde ent\u00e3o, contribuindo significativamente para o desenvolvimento da intelig\u00eancia artificial e do aprendizado de m\u00e1quina.<\/p>\n
Os HMMs s\u00e3o particularmente adequados para problemas que envolvem previs\u00e3o, filtragem, suaviza\u00e7\u00e3o e localiza\u00e7\u00e3o de explica\u00e7\u00f5es para um conjunto de vari\u00e1veis observadas com base na din\u00e2mica de um conjunto de vari\u00e1veis n\u00e3o observadas ou \u201cocultas\u201d. Eles s\u00e3o um caso especial de modelos de Markov, onde o sistema que est\u00e1 sendo modelado \u00e9 assumido como um processo de Markov \u2013 isto \u00e9, um processo aleat\u00f3rio sem mem\u00f3ria \u2013 com estados inobserv\u00e1veis (\u201cocultos\u201d).<\/p>\n
Em ess\u00eancia, um HMM nos permite falar tanto sobre eventos observados (como palavras que vemos na entrada) quanto sobre eventos ocultos (como estrutura gramatical) que consideramos como fatores causais nos eventos observados.<\/p>\n
A estrutura interna de um HMM consiste em duas partes fundamentais:<\/p>\n
Um modelo oculto de Markov inclui um processo de Markov, onde o estado n\u00e3o \u00e9 diretamente vis\u00edvel, mas a sa\u00edda, dependente do estado, \u00e9 vis\u00edvel. Cada estado tem uma distribui\u00e7\u00e3o de probabilidade sobre os poss\u00edveis tokens de sa\u00edda. Assim, a sequ\u00eancia de tokens gerada por um HMM fornece algumas informa\u00e7\u00f5es sobre a sequ\u00eancia de estados, tornando-o um processo estoc\u00e1stico duplamente incorporado.<\/p>\n
As caracter\u00edsticas essenciais dos modelos ocultos de Markov s\u00e3o:<\/p>\n
Existem tr\u00eas tipos principais de modelos ocultos de Markov, diferenciados pelo tipo de distribui\u00e7\u00e3o de probabilidade de transi\u00e7\u00e3o de estado que utilizam:<\/p>\n