隐马尔可夫（HIdden Markov Model）1：隐马尔可夫模型（HMM）背景介绍

首先引入两个概念：1.频率派（后来逐渐发展称为统计机器学习，其核心问题就是优化问题，把他的loss function定义出来，求解）    2.贝叶斯派（后来发展为概率图模型，最终是要做推断，实际上就是求后验概率，围绕拿到后验概率怎么去求解他的期望方差等。进而把他隐身为积分问题，最重要的是一个积分问题，进行数值积分（MCMC））

个人认为接下来所表述的HMM从根本上来讲他其实是一个概率图模型。概率图模型根据其有向还是无向可以进行划分，有向的叫做贝叶斯网络，无向的叫做马尔科夫随机场也可以叫做马尔可夫网络。如果将其概率图加上时间序列的化他就叫做动态模型（意思就是我们平时所说的模型，比如说高斯混合模型GMM，假入他有n个样本分别为这些x独立同分布于一个概率分布，他可能是一个混合模型，但其内部之间没有关联是独立的同分布的，但是呢这个动态模型可以认为在普通的模型上加上了时间的序列，这个time时间可以是一个抽象的，可以是真正的时间也可以是一段话、一个句子、一个序列等）

动态模型的特点：（1）首先样本与样本之间不是独立同分布（iid）的。