O‘zbekiston Milliy universitetining ilm-fan rivoji va jamiyat taraqqiyotida tutgan o‘rni

HMM 
model containing the latent state and characters in the model is as 
follows: 
 
Figure 5. Emission probability in a hidden Markov model 
The observables in the hidden Markov models are (V1,V2), and one of them must be extracted from each case. The 
probability of emitting any character is known as the 
emission probability
, commonly denoted bjk. Mathematically, the 
probability of producing a symbol 
k 
given state
 j
is defined as: 
b_jk=p(v_k (t)|s_j (t)) 

---

The emission probability matrix is defined using an MxC matrix: 
 
(
)
Like the transition probability, the sum of the emission probabilities is 1. That is, 
∑
Various attributes/properties of Hidden Markov Model have been identified in the above comments. Prediction of 
subsequent states is the ultimate goal for any statistical model/algorithm. However, before making predictions, we need to 
solve 
two
main problems in HMM. 
Assessment problem; 
A learning problem. 
Decoding problem. 
Assessment problem 
First, we define the model (θ) as follows: 
θ→s,v,a_ik,b_jk 
Considering the model 
and the sequence of observed signs (
) 
we need to determine 
probability of the 
generation of a certain sequence of states / signs generated (determined) based on the 
model. 
There can be many {θ
1
,θ
2
…θ
n
} models. We need to find such 
𝑝
and correctly classify the sequence 
using 
Bayes rule 
. In this case, the following equality is relevant: 
| 
|
Learning problem 
In general, HMM is an unsupervised machine learning process where different types of visible characters are known. 
But the number of hidden cases is unknown. The idea behind the HMM is to try different options and require more 
computation and processing time. Therefore, HMM uses study data and a certain number of hidden states to make faster, 
better predictions. 
After determining the high-level structure of the model (the number of hidden and visible states), it is necessary to 
estimate transition (a_ij) and emission (b_jk) probabilities using training sequences. This is noted as the learning