这里是 ShowMeAI 持续分享的【开源eBook】系列！内容覆盖机器学习、深度学习、数据科学、数据分析、大数据、Keras、TensorFlow、PyTorch、强化学习、数学基础等各个方向。整理自各平台的原作者公开分享（审核大大请放手） ◉ 简介：本书作者 Ricardo M. Czekster。书籍讲解了马尔可夫链及基本求解方法，包含Markov Chains、DTMC、CTMC等章节。可以在 https://github.com/czekster/markov 页面找到本书的基础材料，例如C编程代码和解决方案、MATLAB脚本、本书提供的示例的棱柱模型（CTMC/DTMC）等。 ◉ 目录： 第1章：Markov Chains（马尔科夫链） 第2章：DTMC（Discrete Time Markov Chains） 第3章：CTMC（Continuous Time Markov Chains） 第4章：More projects and models（更多项目与模型）

在本文中，我们总结了关于不变非齐次和动态平衡（DE）连续Markov随机过程的一些结果。 此外，我们讨论了一些示例，并考虑了DE过程在生存分析要素中的新应用。 这些要素与随机二次风险率模型有关，为此我们的工作1）概括了对它的理解？ 危险率驱动独立（HRDI）变量的随机常微分方程（ISODE），2）指定了危险率函数的关键特性，尤其是揭示了HRDI变量的基线值是对危险率函数的期望ISODE的DE解决方案，3）提出了实用的设置，以获得通过Gibbs采样一致而系统地重建缺失数据所必需的多维概率密度； 4）进一步开发了相应的建模方法。 在慢性阻塞性肺疾病（COPD）的临床试验框架中强调了由此产生的优势，在该框架中，我们建议使用反映气道狭窄的终点。 该端点基于相当紧凑的几何模型，该模型量化了障碍物的走向，显示了障碍物与危险率的关系，并阐明了威胁生命的原因。 这项工作还为未来的研究提出了一些方向。

使用隐马尔可夫模型预测股市（Python完整源码和数据） 隐马尔可夫模型是一种非常有趣的随机过程，在机器学习领域未得到充分利用。 它们对于分析时间序列特别有用。 这与它们将现实世界过程发出的可观察输出转换为可预测和高效模型的能力相结合，使它们成为用于股票市场分析的可行候选者。 股票市场有几个有趣的特性，使建模变得非常重要，即波动性、时间依赖性和其他类似的复杂依赖性。 HMM 适合处理这些复杂情况，因为它们生成模型所需的唯一信息是一组观察结果（在本例中为历史股市数据）。

隐马尔可夫模型 (HMM) 是一种信号预测模型，已被用于预测经济状况和股票价格。 该项目旨在实现将机器学习算法应用于股票市场的目标。 长短期记忆模型（LSTM）保证了在新的时间状态下，随着隐藏层不断叠加输入序列，之前的信息可以继续向后传播而不会消失。我们的主要目的是通过预测一只股票的涨跌 使用 HMM-LSTM。 Experiment with 4 different models: GMM-HMM XGB-HMM GMM-HMM-LSTM XGB-HMM-LSTM Compared with the results: train_set

数字图像处理可以分为确定性的分析方法和统计的方法。如果我们要采用统计的方法分析处理图像，就要对图像建立相应的数学模型。马尔可夫随机场(MRF)是以其局部特性为特征的，而图像中的各个点不是相互独立的，相邻的点也会相互影响，我们可以将这种特性作为先验知识，这种先验知识可以利用MRF进行描述。所以我们选择MRF模型。

在本文中，我们展示了如何使用潜在的马尔可夫模型来定义股票市场中的不同条件，称为市场制度。 政权变化可以用来检测金融危机，查明危机的结束并在某种程度上预测股票市场的未来发展。 该模型适用于2000年1月至2009年7月期间意大利和美国股票市场的月度价格指数变化。

马尔可夫链建模的随机时延和丢包的网络控制系统的稳定性分析

具有非齐次马尔可夫切换拓扑的分布式事件触发H∞滤波

基于半马尔可夫跳模型的TS模糊时滞系统可靠的混合H∞/被动控制

使用隐马尔科夫模型（Hidden Markov Model，HMM） 进行分词，并与基于词典的正向最大匹配算法和工业界使用的jieba分词进行对比。 采用最大似然估计的方法从带标记样本学习模型参数，并通过维特比算法进行解码。