写在前面：这部分的核心内容就是概率中的联合概率、条件概率和边缘概率之间的关系、极大似然估计，机器学习的部分只是利用数据学习出服从那个分布的模型，然后进行求解预测。（比如说模型可以为Gaussion Mixture Moded的极大似然函数，求解的计算方法是EM）
学习的过程是：服从伯努利分布的混合模型利用“隐含变量（状态）”求解，从而引入了“EM”，到"高斯混合模型"利用EM去解模型，再到对状态加上时间限制，引入了“隐马尔科夫链(HMM)”,在HMM的顺序问题中（估计概率），利用“前项法”计算，逆问题（估计状态），再用EM计算。
前项法的推导在第8张图片：
EM的理论推导：
HMM e.g.
文章评论