在了解RNN做NLP时候的原理，发现这个模型是由HMM启发而来。以下罗列一下需要用到的数学知识和计算机技能。发现这个算法，不！简！单！
不简单（来自互联网）
这个事情的链路大概是这个样子的：
NLP <- RNN <- algo(HMM) <- statistic(parameter inference) <- algo(dynamic programming) <- statistics(EM, marginalization) <- CS(programming)
HMM（来自互联网）
要搞懂HMM，又要理解透EM算法 和 概率边缘化（以及一些前序概念，链接中有）。到此为止，概率（数学工具）起到了对问题建立数学模型的作用。其实是估计了三组参数 - 状态转换概率矩阵，产生矩阵 - 隐参数生成观测实例的概率 和Pi 概率向量 - 各个状态发正在第一个位置的概率。
这三组参数已知的越少，估计的难度越大，计算量越大。我突然联想到大数定理 - 抽样越多，越逼近事实真相。在这个场景中，颇有点哲学上指导意义 - 知道的参数越少，估计起来需要的样本越多；虽然难猜，多抽样，也能猜个八九不离十，大概也是一个道理。
接下来是怎么算。牵涉到一个找到最优路径的动态规划（算法复习）问题，这才仅仅是确定了计算思路。具体的算法，又要通过概率边缘化技巧来化简。再接下来才是具体计算步骤，是个算法实现问题。
真的是环环相扣，步步惊心。一晚上能画出这个地图，着实不易啊（水并没有喝多）。
画地图，不容易（来自互联网）
已经习得的小伙伴，请随意评论。
那最后说一下，搞这个算法，到底有啥用处或者乐趣？这篇文章也给了一种答案：计算机如何理解我们的语言？NLP is fun！
