نماذج ماركوف المخفية (HMMs) هي نوع من الخوارزمية الاحتمالية المستخدمة في العديد من التطبيقات في علوم الكمبيوتر، بما في ذلك التعرف على الكلام والمعلوماتية الحيوية. تتضمن نماذج HMMs استخدام سلسلة من التوزيعات الاحتمالية على مجموعة من حالات النتائج المحتملة لعملية ما لتحديد احتمالية كل تسلسل محتمل للأحداث أو الملاحظات.
تُستخدم HMMs عادةً في مهام التعلم الآلي والذكاء الاصطناعي. على سبيل المثال، يتم استخدامها لتحديد الأنماط في بيانات التسلسل، مثل سلاسل الكلمات في الكلام، أو النوتات الموسيقية في النوتة الموسيقية، أو العلامات البيولوجية في الحمض النووي والبروتينات. يتكون HMM من مجموعة من الحالات، تتوافق كل منها مع توزيع احتمالي معين. تتحكم احتمالات الانتقال بين الولايات في كيفية انتقال دولة إلى أخرى. يتم أخذ الملاحظات ويرتبط احتمال ملاحظة كل قيمة بدوره بالحالة الحالية للنموذج. يتم استخدام التحولات والملاحظات لاستخلاص المسار الأكثر احتمالا من خلال النموذج.
عند تطبيقها على التعرف على الكلام، يتم استخدام HMMs لاستخراج الميزات (أو النمذجة الصوتية). يتم تعلم أجهزة HMMs من أمثلة الصوت (الكلمات المكتوبة أو المنطوقة) وتستخدم لاكتشاف الأصوات في الكلام المباشر. ويتم ذلك عن طريق تدريب HMM على التسلسلات الصوتية المعروفة (الألفاظ) ثم استخدامها للتعرف على التسلسلات غير المعروفة.
تُستخدم HMMs أيضًا في المعلوماتية الحيوية. هنا، يتم استخدامها لتحليل احتمالية مراقبة تسلسلات معينة من الحمض النووي أو البروتين. ويتم ذلك غالبًا من أجل تحديد ومقارنة تسلسل الجينات، أو للكشف عن العناصر التنظيمية مثل المروجين والمعززات. تُستخدم أجهزة HMMs أيضًا لتحليل البيانات الطبية، مثل معدل ضربات القلب.
تعد HMMs أداة متعددة الاستخدامات وفعالة لمجموعة واسعة من المهام الحسابية. من خلال تحليل التسلسلات وتعلم احتمالية الانتقال من حالة إلى أخرى، يمكن لأجهزة HMMs تحديد الأنماط في البيانات ويمكن أن توفر رؤى مفيدة لمجموعة متنوعة من التخصصات.
