机器学习&数据挖掘笔记_25(PGM练习九：HMM用于分类)

机器学习&数据挖掘笔记_25(PGM练习九：HMM用于分类) 本文总结了使用隐马尔科夫模型（HMM）对 Kinect 数据进行动作分类的实验。该实验使用 EM 算法学习 HMM 模型中的参数，并使用学习好的 HMM 模型对 Kinect 数据进行分类。 机器学习知识点： 1. 隐马尔科夫模型（HMM）：HMM 是一种时序模型，能够模型化具有隐变量的序列数据。在本实验中，HMM 用于模型化 Kinect 数据中的 pose 序列，以便对动作进行分类。 2. EM 算法：EM 算法是一种常用的参数学习算法，能够学习 HMM 模型中的参数。在本实验中，EM 算法用于学习 HMM 模型中的参数，以便对 Kinect 数据进行分类。 3. 高斯混合模型（GMM）：GMM 是一种概率分布模型，能够模型化高维数据。在本实验中，GMM 用于模型化 Kinect 数据中的 pose 数据。 4. 概率图模型（PGM）：PGM 是一种模型化概率关系的框架。在本实验中，PGM 用于模型化 HMM 模型中的概率关系。 5. 动作识别：动作识别是指对人体动作的分类和识别。在本实验中，HMM 模型用于对 Kinect 数据中的动作进行分类。 IT 知识点： 1. 数据挖掘：数据挖掘是指从大规模数据中挖掘有价值的信息。在本实验中，数据挖掘技术用于从 Kinect 数据中挖掘有价值的信息。 2. 机器学习算法：机器学习算法是指使用数据训练模型，以便对未知数据进行预测。在本实验中，EM 算法和 HMM 模型是机器学习算法的应用。 3. Kinect 数据：Kinect 数据是指使用 Kinect 传感器收集的人体动作数据。在本实验中，Kinect 数据用于对人体动作进行分类。 4. 时序模型：时序模型是指模型化时序数据的模型。在本实验中，HMM 模型是时序模型的应用。 总结来说，本实验使用 HMM 模型和 EM 算法对 Kinect 数据进行分类，实现了对人体动作的识别和分类。该实验涉及到机器学习、数据挖掘、概率图模型等领域的知识点。