機械学習アルゴリズムにおいて、マルコフ連鎖（マルコフ連鎖）は非常に重要な概念です。離散時間マルコフ連鎖としても知られるマルコフ連鎖は、ロシアの数学者アンドレイ マルコフ (ロシア語: Андрей Андреевич Марков) にちなんで命名されました。
マルコフ連鎖は、状態空間内のある状態から別の状態へのランダムな遷移プロセスです。
このプロセスには「記憶がない」という特性が必要です。
次の状態の確率分布は現在の状態によってのみ決定でき、時系列におけるその前のイベントはそれとは何の関係もありません。この特定の種類の「記憶喪失」はマルコフ特性と呼ばれます。
マルコフ連鎖は、実際のプロセスの統計モデルとして多くの用途があります。
マルコフ連鎖の各ステップで、システムは確率分布に従ってある状態から別の状態に変化することができ、現在の状態を維持することもできます。
状態の変化は遷移と呼ばれ、さまざまな状態変化に関連付けられた確率は遷移確率と呼ばれます。
マルコフ連鎖の数学的表現は次のとおりです。
ある瞬間における状態遷移の確率は前の状態にのみ依存するため、システム内の任意の 2 つの状態間の遷移確率のみが必要となり、このマルコフ連鎖のモデルが決定されます。
マルコフ連鎖は、
状態空間内のある状態から別の状態へのランダムな遷移プロセスです。
このプロセスには「記憶がない」という特性が必要です。
次の状態の確率分布は現在の状態によってのみ決定でき、時系列におけるその前のイベントはそれとは何の関係もありません。
隠れマルコフ モデル (HMM) は、隠れた未知のパラメーターを使用してマルコフ過程を記述するために使用される統計モデルです。
難しいのは、観察可能なパラメータからプロセスの暗黙的なパラメータを決定することです。これらのパラメーターは、パターン認識などのさらなる分析に使用されます。