Andrei Andreyevich Markov

 (1856 ~ 1922)

러시아 수학자. 랴잔 출생. 1878년 상트페테르부르크대학을 졸업하고, 같은 해 모교의 강사, 96년 과학아카데미 회원, 98년 모교의 교수가 되었다. 마르코프는 ＜어떤 계통의 시간적 발전의 모양이 계통의 현재 상태와 목표하는 미래의 시점만으로 확률론적으로 결정되는 확률과정＞을 도입하였다. 이것은 오늘날 ＜마르코프과정 : Markov process＞이라 불리고 있다. 저서에 《정차법(定差法, 1896)》과 《확률론(1912)》이 있다.

Markov Model : 서울대 전산언어학 연구실 : 이 유한상태 오토마타에 다시 위와 같이 확률을 붙인 것을 "확률적 유한상태 오토마타(probabilistic finite state automaton)이라고 하며, 통계학에서는 이를 Markov Chain이라고 한다. 이는 유한상태 오토마타와 같으나 각각의 원 (상태)이 취해지는 것은 확률에 의한다는 점에 차이가 있다. 따라서 각각의 상태에서 다음 상태로 가게되는 arc의 확률의 합은  반드시 1이 되어야 한다. 이런 Markov 모델은 유한상태의 오토마타에 기초하므로, 다음 상태가 마지막 상태가 되는 것은 현재 어느 상태에 있느냐에 따라 결정된다. 이 Markov Model은 다시, 어떤 상태를 지나가는지 알 수 있고 따라서 상태의 순서나 어떤 결정 함수 (deterministic function)를 알 수 있는 Visible Markov Model 과  지나가는 상태를 알지 못하고 단지 어떤 확률적인 function만을 알 수 있는 Hidden Markov Model로 구분될 수 있다. ....

마르코프 알고리즘 (Markov Algorithm)   은닉 마르코프 모델 (Hidden Markov Model)   음성인식 (Speech Recognition)   자연어처리 (Natural Language Processing)   불확실성 (Uncertainty)   확률 (Probability)

Andrei Markop : 마르코프 모델, 마르코프 체인

"Markov is particularly remembered for his study of Markov chains, sequences of random variables in which the future variable is determined by the present variable but is independent of the way in which the present state arose from its predecessors."...... University of St Andrews, Scotland

"His name is best known for the concept of the Markov chain, a series of events in which the probability of a given event occurring depends only on the immediately previous event."

"A related technique, called Hidden Markov models, allows probability to anticipate sequences. A speech recognition application, for example, knows that the sound most likely to follow "q" is "u." Along those lines, the software can also calculate the possible utterance of the word Qagga, an extinct zebra."

Hidden Markov Models Tutorial from the School of Computing, University of Leeds. "[T]he type of system we will consider in this tutorial. * First we will introduce systems which generate probabalistic patterns in time, such as the weather fluctuating between sunny and rainy. * We then look at systems where what we wish to predict is not what we observe - the underlying system is hidden. In the above example, the observed sequence would be the seaweed and the hidden system would be the actual weather. * We then look at some problems that can be solved once the system has been modeled."