馬可夫鏈與隱藏馬可夫鏈

馬可夫鏈基本概念

必須假設每個變數是獨立的，然而在許多情況下變數不是獨立的，而是互相依賴有關係的，例如：自然語言。
若AI要預測分析自然語言中文字之間的關係時，就必須利用到能處理「序列關係」(Sequential Relationship)演算法，而馬可夫鏈(Markov Chains)就是一個序列性的事件中，每一事件的發生概率不是隨機獨立的，而是會與其前面緊鄰的一個事件有關，但與其他更前面的事件無關，故其假設為「過去所有的序列訊息都被保存在這個最緊鄰的事件狀態下」。

隱藏馬可夫鏈

隱藏馬可夫鏈(Hidden Markov Model, HMM)指透過一種可觀序列事件(Observed Event)的現象，去預測一個觀察不到序列事件(Hidden Event)的一種統計模式。
HMM應用範圍很廣，包括語音辨識、機器翻譯、DNA基因組學，只要是有序列間關係、有隱藏與可觀察的情境的都可以使用HMM來分析與預測。

迴歸分析

1. 線性迴歸分析(Regression Analysis)
   指一種「預測」的建模技術，利用訓練樣本來分析自變數(Independent Variable)X與因變數(Dependent Variable)Y之間的關係「方向」與「強度」，其方式是透過最小化誤差的平方來找出一條最能代表觀測值X的函數，並用此函數來代表X與Y之間的關係，若關係是線性的，則稱之為線性迴歸分析(Linear Regression)。

2. 多項式迴歸分析(Polynominal)
   當X的冪大於1，非一次方線性函數時，就必須使用多項式的迴歸來表示X與Y關係。

3. 邏輯迴歸(Logistic Regression)
   紙漿事件發生的概率透過對數函數(Log)的轉換產生一個介於0~1的值，並以此來進行二分類的一種迴歸分類模型，其與前面兩種預測分析模式不同，邏輯迴歸主要是用於Yes or No 、是或否、有或沒有的二分類模型，其對於輸出的結果一般會設立一個閥值(Threshold value)來對物件做分類。

參考資料
人工智慧-概念應用與管理　林東清著