Glossaire

Modèle de Markov caché (HMM)

Qu’est-ce que Modèle de Markov caché (HMM) ?

Un modèle de Markov caché (Hidden Markov Model, HMM) est un modèle statistique de séquences dans lequel les états réels sont cachés et ne peuvent être déduits que de signaux observables. Il décrit la probabilité qu’un état succède à un autre et qu’il produise une observation donnée. Les HMM ont longtemps été la référence en reconnaissance vocale et en étiquetage morphosyntaxique ; ils restent utilisés, par exemple, en bio-informatique et pour les séries temporelles.

Thèmes

Statistiques
Modèles de séquence
Probabilités

Essayer KI.ordo

Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.

Lancer la démo

← Tous les termes

Termes associés

Modélisation de séquences

La modélisation de séquences regroupe les méthodes qui traitent et prédisent des données ordonnées, où la position de chaque élément compte. Les séquences typiques sont le texte, la parole, les séries temporelles comme les ventes ou les mesures de capteurs, ou encore des segments d'ADN. Les applications vont de la traduction et de la génération de texte à la reconnaissance vocale et aux prévisions de ventes. On a utilisé pour cela des modèles de Markov cachés et des réseaux récurrents ; aujourd'hui, les transformers dominent pour le langage.

séquences
apprentissage profond
+1

Étiquetage morphosyntaxique (POS)

L'étiquetage morphosyntaxique (part-of-speech tagging) attribue automatiquement à chaque mot d'une phrase sa catégorie grammaticale : nom, verbe, adjectif ou préposition. Comme beaucoup de mots sont ambigus (« ferme » comme nom, adjectif ou verbe), les méthodes tiennent compte du contexte de la phrase. C'est une étape classique de prétraitement pour l'analyse syntaxique, l'extraction d'informations ou la correction orthographique, proposée par des bibliothèques comme spaCy ou NLTK.

NLP
Grammaire
+1

Réseau de neurones récurrent (RNN)

Un réseau de neurones récurrent traite les données dans l'ordre et transmet à chaque étape un état interne à la suivante, une sorte de mémoire à court terme. Il convient donc aux séquences comme le texte, la parole ou les séries temporelles, par exemple pour prédire le mot suivant ou la prochaine valeur d'un capteur. Les RNN simples oublient facilement les informations lointaines ; des variantes comme LSTM et GRU atténuent ce problème. Pour les modèles de langage, les transformers les ont largement remplacés.

réseaux de neurones
séquences
+1

Reconnaissance vocale (parole vers texte)

La reconnaissance vocale, aussi appelée ASR (Automatic Speech Recognition), convertit automatiquement la parole en texte écrit. Les systèmes modernes reposent sur des réseaux de neurones entraînés sur de grandes quantités d'enregistrements audio et gèrent assez bien les accents et les bruits de fond. On l'utilise pour la dictée, les sous-titres, les assistants vocaux ou la transcription de réunions et d'appels clients. Les termes techniques, les noms propres et un son de mauvaise qualité restent des sources d'erreur fréquentes.

ASR
audio
+1