任一时刻t的状态st是不可见的，观察者没法通过观察到一个状态序列s1, s2, ...来推测转移概率，但隐含马尔科夫模型在每个时刻t会输出符号Ot，Ot和St相关且仅和St相关。
1、给定一个模型，计算某个特定的输出序列的概率。
举例：
已知语音序列{}的转移概率P（
|
），也就是根据上一段语音
得到下一段语音
的概率；
以及语音得到文本
的生成概率P（
|
）；
可以解得：得到的文本翻译序列{}，可以计算得到有多大的概率是正确的。
（问：有多大的概率得到文本翻译序列{}？）
业界对应的算法是Forward-Backward算法，前向后向算法。
(dp取sum, dp表示各个状态下的概率)
2、给定一个模型和某个特定的输出序列，找到最可能产生这个输出的状态序列。
举例：
已知语音序列{}的转移概率P（
|
），也就是根据上一段语音
得到下一段语音
的概率；
已知以及语音时得到文本
的概率P（
|
）；
已知文本翻译序列{}
可以解得：概率最大的产生该文本翻译序列的语音序列{}。
业界对应的算法是Viterbi算法，维特比算法。
(dp取max, 同时打印解决方案, dp表示各个状态下的概率)
3、给定足够量的观测数据，如何估计隐含马尔科夫模型的参数。
举例：
已知观测数据语音序列{}，文本翻译序列{
}；
可以解得：
转移概率P（|
）
生成概率P（|
）
业界对应的算法是Baum-Welch算法，鲍姆-韦尔奇算法。
(此坑待填)