Kompleksnost skrivenih Markovljevih modela

U ovom diplomskom radu smo se bavili skrivenim Markovljevim modelima, moćnim statističkim alatom koji je namijenjen modeliranju nizova koje generira neki skriveni proces. Dali smo formalnu definiciju skrivenog Markovljevog modela, opisali varijante algoritma koje koristimo i implementirali ih u programskom jeziku Python. Na primjeru dvije nesimetrične kocke konstruirali smo Markovljev model i za procjenu parametara i povećanje vjerodostojnosti iskoristili Viterbijevo treniranje sa i bez determinističkog kaljenja. Uočili smo da nam Viterbijevo treniranje sa determinističkim kaljenjem radi bolje od treniranja bez kaljenja.This thesis is concerned with a statistical model called hidden Markov model (HMM), powerful statistical tool designed for modelling sequences generated by hidden processes. We gave a formal definition of the hidden Markov model, described various algorithms and implemented them in Python. Using the example of two asymmetric dies, we designed an HMM and used Viterbi training with and without deterministic annealing to optimize the parameters. We have noticed that Viterbi training with deterministic annealing works better than the one without annealing