Yashirin Markov modellari Tegishli statistik nazariyaning ko'p qismini ishlab chiqqan rus matematigi Andrey Andreyevich Markov nomi bilan atalgan (HMMs) 1970-yillarning boshlarida kiritilgan va o'rganilgan. Ular birinchi marta nutqni aniqlashda ishlatilgan va 1980-yillarning oxiridan boshlab biologik ketma-ketliklarni tahlil qilishda muvaffaqiyatli qo'llanilgan. Hozirgi vaqtda ular Bayes nazariyasiga asoslangan dinamik Bayes tarmoqlarining o'ziga xos shakli sifatida qaraladi. HMMlar kuzatilishi mumkin bo'lgan ketma-ket belgilar (masalan, nukleotidlar ketma-ketligi) dan yashirin ma'lumotlarni olish uchun statistik modellardir. Ular ketma-ketlikni tahlil qilishda, xususan, genomik DNKdagi ekzonlar va intronlarni bashorat qilish, oqsillardagi funktsional motivlarni (domenlarni) aniqlash (HMM profili), ikkita ketma-ketlikni tekislash (juft HMM) uchun juda ko'p ilovalarga ega. HMMda modellashtirilayotgan tizim noma'lum parametrlarga ega Markov jarayoni sifatida qabul qilinadi, va qiyinchilik kuzatilishi mumkin bo'lgan parametrlardan yashirin parametrlarni aniqlashdir. Yaxshi HMM kuzatilgan real ma'lumotlarning haqiqiy dunyo manbasini aniq modellaydi va manbani simulyatsiya qilish qobiliyatiga ega. HMM-ga asoslangan Mashinani o'rganishning ko'plab usullari nutqni aniqlash, optik belgilarni aniqlash, hisoblash biologiyasi kabi muammolarga muvaffaqiyatli qo'llanildi va ular bioinformatikada asosiy vositaga aylandi: mustahkam statistik asoslari, kontseptual soddaligi va moslashuvchanligi uchun ular moslashtirilgan. Turli tasniflash muammolariga mos keladi. Hisoblash biologiyasida yashirin Markov modeli (HMM) biologik ketma-ketliklarni modellashtirish uchun tez-tez ishlatiladigan statistik yondashuvdir. Uni qo'llashda ketma-ketlik diskret stokastik jarayonning natijasi sifatida modellashtiriladi, Bu kuzatuvchidan "yashirin" bo'lgan bir qator holatlar orqali o'tadi. Har bir bunday yashirin holat modellashtirilgan ma'lumotlarning elementar birligini ifodalovchi belgini chiqaradi, masalan, oqsil ketma-ketligi, aminokislota. Keyingi bo'limlarda biz birinchi navbatda Yashirin Markov modeli tushunchalarini Bayes doirasidagi ehtimollik modelining ma'lum bir turi sifatida tanishtiramiz; so'ngra, biz biologik kontekstda foydalanishga alohida e'tibor berib, real muammolarni hal qilish uchun Yashirin Markov modellarini modellashtirishning ba'zi muhim jihatlarini tasvirlaymiz. Ushbu statistik yondashuvlarning imkoniyatlarini ko'rsatish uchun biz birinchi navbatda model arxitekturasini, so'ngra o'rganish va ishlash algoritmlarini aniqlaydigan HMM ning stoxastik modelini taqdim etamiz.