隐马尔可夫模型 是用于标注问题的生成模型。有几个参数（π，A，B）：初始状态概率向量π，状态转移矩阵A，观测概率矩阵B。称为马尔科夫模型的三要素
观测序列举例为“干燥、潮湿、湿透”。
状态序列举例为“晴天、多云、下雨”
A为第二张表展示的状态转移矩阵向量：
B为观测概率矩阵向量：
π为隐藏状态初始概率向量：
1、概率计算问题（评估问题）
概率计算问题（评估问题）：给定模型和观测序列，计算模型下观测序列输出的概率，用于评估该序列最匹配的模型。（得到观测序列概率和隐藏序列概率）
2、学习问题
学习问题：已知观测序列，估计模型参数，即用极大似然估计来估计参数。–》Baum-Welch(也就是EM算法)和极大似然估计。
即已知观测序列，找到π，A，B三个参数的最优解以达到需要某个结果的最大概率，得到模型的参数
（1）、Baum-Welch算法简述：
（2）、EM算法：
详解请点击：https://blog.csdn.net/quicmous/article/details/52154527
（3）、最大似然估计：
详解请点击：https://blog.csdn.net/quicmous/article/details/52154628
3、预测问题
预测问题：已知模型参数和观测序列，求解对应的状态序列。–》近似算法（贪心算法）和维比特算法（动态规划求最优路径）
思路整理来自：
隐马尔可夫模型求解三大问题实例剖析（大部分来自于此）：
https://blog.csdn.net/quicmous/article/details/52208302
隐马尔科夫模型，三个基本问题及相应算法：
https://blog.csdn.net/xingchenhy/article/details/72847534
