“HMM学习最佳范例”与“崔晓源的博客”本来是不搭边的，由于自己花了几乎一个晚上浏览崔师兄的博客，没有时间写文章了，所以最终决定放在这里做成大杂烩，不过我觉得这个大杂烩还是有点价值的。
先说说HMM，通过Google Analytics 发现，读者经常通过与“隐马尔科夫模型、HMM”相关的关键字访问52nlp的，因为这里曾经写了一篇简单的介绍HMM的文章。事实上，对于HMM，由于自己没有直接实践过，仅停留在“纸上得来”的程度，所以心里也虚。某天赶巧遇到了国外这个专门介绍HMM及其相关算法的主页：http://www.comp.leeds.ac.uk/roger/HiddenMarkovModels/html_dev/main.html
里面图文并茂还动感十足，写得又通俗易懂，可以说是我见到过的介绍HMM最好的范例了。读完了立即有翻译全文的冲动，这样一方面可以给有需要的读者以帮助，另一方面翻译虽然耗时，但却能仔细把握一下比较细节的地方，这也是我翻译“MIT自然语言处理”的初衷。不过Google了一下，发现已经有人把这件事做了，这个人就是崔晓源，中文译名是“隐马尔科夫模型HMM自学”。
原计划这一篇博客题目为“HMM学习最佳范例”的，准备介绍这个英文主页和崔晓源的翻译，出于尊重译者劳动的缘故，Google“隐马尔科夫模型HMM自学”，可是发现其被转载了很多，除了知道译者是“崔晓源”外，原始出处似乎被丢失了。不过最终还是找到了原始出处：
http://blogcui.spaces.live.com/blog/cns!46BDB23E24219CE9!144.entry?_c=BlogPart
其实就是崔师兄在msn spaces上的博客，仔细对比了一下原文，发现崔师兄的这个翻译是一个简化和缩略版本，有些地方只是概况性的翻译了一下，省去了一些内容，所以这个介绍HMM主页还有再翻译的必要。有可能的话，今后在52nlp上我会慢慢翻译HMM这个系列。
对比完之后，我就浏览开他的博客了，没想到，一发而不可收，主要在于他的博客多数内容都很有价值。博客最集中更新的一段时间，是在05年5月到9月份他在MSRA-NLC组实习的时候，不过可惜的是，现在几乎不更新了，但是技术博客的好处再于其有效期更长，所以许多东西仍很可以参考，读者如果对NLP，IR或者机器学习感兴趣，不妨按时间顺序读读他的日志，定会有不小收获的，这里绝非广告。他目前在MSRA工作，以下是他的“About me”：
”A man full of enthusiasm for advanced technology business, natrual language processing, IR and search engine technology. I'm finding my way. You never do a bad job only if you choose the right time. So keep your pace accordingly.“
我在上面最大的发现是这个关于机器学习的英文博客：
http://hunch.net/
注：原创文章，转载请注明出处“我爱自然语言处理”：www.52nlp.cn
本文链接地址：https://www.52nlp.cn/hmm-learn-best-practices-and-cui-johnny-blog/
不知道作者能不能看到，关于这篇文章的原始网站上那个forward的演示实例有一点小小的疑问。在计算alpha变量的时候，从状态i变换到j的时候，应该是是alpha_t_i*a_i_j，i是从1到N的变量，而一次计算的时候j是不变的，但是看了作者的这个演示系统，好像是i不动，j在变啊，就是a_i_j是行不动，列标j从0到2这样的。比如http://www.comp.leeds.ac.uk/roger/HiddenMarkovModels/html_dev/forward_algorithm/s3_pg5.html
中的天气状态转移矩阵中的{0.5, 0.375, 0.125}，他的演示有这么一步：
Alpha = (((0.37800002*0.5) + (0.0425*0.375) + (0.010000001*0.125)) * 0.15) = 0.03092813
这一点我不太明白，呵呵
[回复]
补充一下演示的网址：
http://www.comp.leeds.ac.uk/roger/HiddenMarkovModels/html_dev/forward_algorithm/s3_pg3.html
[回复]
52nlp 回复:
7 1 月, 2010 at 07:23
是有问题，我在《HMM学习最佳范例五：前向算法5》里提了一下，可以看看：
如果从原文给出的状态转移矩阵来看，第一行代表的是从前一时刻的状态“Sunny”分别到当前时刻的状态 “Sunny”，“Cloudy”，“Rainy”的概率；而第一列代表的是从前一时刻的状态“Sunny”，“Cloudy”，“Rainy”分别到当前时刻状态“Sunny”的概率。这样看来似乎原文的计算过程有误，
[回复]
想请教您一个问题：目前主流公司开发都是用C++。所以想学习下C++，可是发现C++做自然语言处理：主要是处理字符串部分非常麻烦（比如汉字编码种类,UTF-8,gb2312..）。楼主有没有什么好办法。
[回复]
52nlp 回复:
1 6 月, 2010 at 00:48
字符串处理本身就比较麻烦，尤其对于汉字来说，我也没有什么好办法，不过觉得统一到utf-8下还是比较好的。可以研究一些基于C++的优秀的自然语言处理工具，看看它们是如何处理字符串的。
[回复]
你好，我一个课题中想用HMM做预测，但遇到很多问题，希望多多指教，谢谢，QQ517766734
[回复]
52nlp 回复:
22 10 月, 2010 at 08:42
抱歉，比较忙，不方便加qq！有问题最好多Google一下，实在不行可以发邮件给我，但是不能保证能解决你的问题。
[回复]
李辉 回复:
26 10 月, 2010 at 08:47
我的问题是，每一时刻的观测值是一个参数序列，该怎么处理？
[回复]
52nlp 回复:
27 10 月, 2010 at 08:37
抱歉，不太明白。
李辉 回复:
29 10 月, 2010 at 14:36
我做机器启动过程预测，观测值为转速，状态为正常和故障，也就是说启动中的转速变化过程（60个离散点）来预测状态，怎么做？谢谢赐教
52nlp 回复:
30 10 月, 2010 at 10:15
可以参考一下如何利用HMM做词性标注来建模，你既然已经定义了观测值和状态，再找一些样本来确定或训练观察概率以及转移概率吧，具体的“怎么做”还是要你来思考和决定的。
谢谢了，有样本，训练观测概率和转移概率是不是用B-W算法？算法需不需要改动？
[回复]
52nlp 回复:
30 10 月, 2010 at 23:45
建议看一看我在词性标注中举得例子，这样可以先弄明白B-W算法应用的场景，至于算法需不需要改动，根据你自己的实际需求决定!
[回复]
你前几篇文章提到UMDHMM，是matlab工具包吗？能传给我一个吗？谢谢了，mayyoubeluck@163.com
[回复]
52nlp 回复:
13 11 月, 2010 at 10:29
UMDHMM是C语言版的，可以在这里找到链接，包括其他不同的版本：
https://www.52nlp.cn/several-different-programming-language-version-of-hmm
[回复]
您好，请给一下崔师兄的博客地址 或者主页 想拜读他的日志
[回复]
52nlp 回复:
2 7 月, 2015 at 17:30
抱歉，好多年前的，刚才google了一下，没有找到原始博客
[回复]