Python W języku Python popularną biblioteką do klasycznych HMM-ów jest hmmlearn, która implementuje uczenie nienadzorowane i wnioskowanie w ukrytych modelach Markowa oraz stara się zachować interfejs zbliżony do scikit-learn. Inną biblioteką probabilistyczną jest pomegranate, która zawiera implementację HMM-ów jako modeli sekwencyjnych z rozkładami emisji i macierzą przejść.
Przykład: nieuczciwe kasyno Rozważmy model z dwoma ukrytymi stanami: – używana jest uczciwa kostka; – używana jest kostka obciążona.
Obserwacjami są wyniki rzutów W stanie każdy wynik ma prawdopodobieństwo W stanie wynik 6 może mieć prawdopodobieństwo a pozostałe wyniki po Macierz przejść określa, jak często kasyno zmienia kostkę. Na podstawie samej sekwencji wyników można próbować odtworzyć najbardziej prawdopodobną sekwencję używanych kostek za pomocą algorytmu Viterbiego albo oszacować parametry modelu algorytmem Bauma-Welcha.
Literatura Lawrence R. Rabiner, A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition, Proceedings of the IEEE, 1989. Lawrence R. Rabiner, Biing-Hwang Juang, Fundamentals of Speech Recognition, Prentice Hall, 1993. Richard Durbin, Sean R. Eddy, Anders Krogh, Graeme Mitchison, Biological Sequence Analysis. Probabilistic Models of Proteins and Nucleic Acids, Cambridge University Press, 1998.