马尔可夫模型（Markov Model）是一种统计模型，广泛应用在语音识别，词性自动标注，音字转换，概率文法等各个自然语言处理等应用领域。经过长期发展，尤其是在语音识别中的成功应用，使它成为一种通用的统计工具。
有时候，数学就是这么强大，数学家就是这么富于创造力。很多人觉得马尔科夫不好理解，今天先对马尔科夫模型做一个5分钟快速入门，希望对新手有帮助！
一、马尔科夫模型
包括我自己，很多人都不喜欢理论公式。可是，马尔科夫链作为数学分支随机过程的产物，理论部分这里不得不简单提一下。作为数学专业出身的我自己深知数学理论的严谨与描述事物的美妙。
随机过程最早是用于统计物理学的数学方法，研究空间粒子的随机运动。后来这门科学蓬勃发展，随机过程应用的领域越来越广。这里介绍随机过程的一种——马尔科夫链模型。
马尔科夫的无后效性：系统在t>t0时刻所处的状态与系统在t0时刻以前的状态无关，这就是马尔科夫性或者无后效性。
马尔科夫模型具体公式描述如下
有随机过程{Xn,n为整数}，对于任意n和I0,I1,In，满足条件概率：
就称为马尔科夫链。
但凡学过概率论的对这个条件概率应该都能看懂吧！
二、举例说明
下面是一个马尔科夫模型在天气预测方面的简单例子。如果第一天是雨天，第二天还是雨天的概率是0.8，是晴天的概率是0.2；如果第一天是晴天，第二天还是晴天的概率是0.6，是雨天的概率是0.4。问：如果第一天下雨了，第二天仍然是雨天的概率，第十天是晴天的概率；经过很长一段时间后雨天、晴天的概率分别是多少？
首先构建转移概率矩阵，初学者很容易构建错误：
| 雨天 |
晴天 |
|
| 0.8 |
0.4 |
雨天 |
| 0.2 |
0.6 |
晴天 |
注意：每列和为1，分别对雨天、晴天，这样构建出来的就是转移概率矩阵了。
初始状态第一天是雨天，我们记为
这里【1，0】分别对于雨天，晴天。
初始条件：第一天是雨天，第二天仍然是雨天（记为P1）的概率为：
P1 = AxP0
得到P1 = 【0.8,0.2】，正好满足雨天~雨天概率为0.8，当然这根据所给条件就是这样。
下面计算第十天（记为P9）是晴天概率：
>> A= [0.8 0.4;0.2 0.6];
>> p = [1;0];
>> for i = 1:9
p = A*p;
end
>> p
p =
0.6668
0.3332得到，第十天为雨天概率为0.6668，为晴天的概率为0.3332。
下面计算经过很长一段时间后雨天、晴天的概率，显然就是公式（1.1）
直接算A的n次方显然不行，我们知道任意一个可逆矩阵总可以化为（1.2）形式。其中，T为A的特征值对应的两个特征向量组成的矩阵，这两个特征向量分别为【2，1】、【1 -1】。D为一个对角矩阵（1.4）。
那么，我们可以这样算，就简单多了：
显然，当n趋于无穷即很长一段时间以后，Pn = 【0.67，0.33】。即雨天概率为0.67，晴天概率为0.33。并且，我们发现：初始状态如果是P0 =【0，1】，最后结果仍然是Pn = 【0.67，0.33】。这表明，马尔科夫过程与初始状态无关，跟转移矩阵有关。
下面，简单验证一下，分别求第50天，100天，1000天时，Pn的取值情况是否与理论一致：Pn = 【0.67，0.33】。
p =
0.6667
0.3333
p =
0.6667
0.3333
p =
0.6667
0.3333
可以看出第50天时与第1000天在0.00001精度下是一样的，最终结果与理论值Pn = 【0.67，0.33】一致。马尔科夫过程与初始状态无关，跟转移矩阵有关。
马尔科夫作为一种随机概率模型模型在现今在机器学习、人工智能方面用处很大，值得学习。