[ES]Los Modelos de Markov Ocultos (Hidden Markov Models, HMM) son un tipo de modelo estadístico
utilizado para representar sistemas que evolucionan con el tiempo a través de una serie
de estados ocultos, donde solo se observan secuencias de símbolos o emisiones, no los estados
directamente. Un HMM se compone de dos elementos fundamentales: una cadena de Markov
subyacente que describe las transiciones entre los estados ocultos, y un conjunto de distribuciones
de probabilidad que vinculan cada estado con las observaciones visibles. Estos modelos
permiten inferir la secuencia más probable de estados ocultos a partir de las observaciones. Los
HMM son especialmente útiles en campos donde las observaciones son ruidosas o incompletas,
y los estados subyacentes deben ser inferidos, tales como el reconocimiento de voz, el análisis
genómico y el procesamiento de lenguaje natural.
El trabajo consistirá en buscar un conjunto de datos a elección del alumno y desarrollar una aplicación
web con R para implementar un HMM, aplicándolo para la clasificación de los datos o
para realizar predicciones basadas en secuencias temporales observadas. Se documentará cualquier
pre-procesamiento requerido, asegurando que los datos sean adecuados para el ajuste del
modelo, incluyendo la limpieza de la base de datos y la división en conjuntos de entrenamiento,
testeo y predicción. La aplicación permitirá la implementación de algoritmos clave para estimar
los parámetros del modelo y evaluar el rendimiento del HMM, con especial énfasis en el uso
de algoritmos de inferencia para predecir estados ocultos y observar la dinámica del sistema
modelado.
[EN]Hidden Markov Models (HMMs) are a type of statistical model used to represent systems that
evolve over time through a series of hidden states, where only sequences of symbols or emissions
are observed, not the states directly. An HMM consists of two fundamental elements:
an underlying Markov chain that describes the transitions between hidden states, and a set of
probability distributions linking each state with the visible observations. These models allow
inferring the most probable sequence of hidden states from the observations. HMMs are especially
useful in fields where observations are noisy or incomplete, and the underlying states must
be inferred, such as speech recognition, genomic analysis, and natural language processing.
The task will involve selecting a dataset of the student’s choice and developing a web application
in R to implement an HMM, applying it for data classification or to make predictions based on
observed time series sequences. Any necessary preprocessing will be documented, ensuring that
the data is suitable for model fitting, including cleaning the database and splitting it into training,
testing, and prediction sets. The application will enable the implementation of key algorithms
to estimate model parameters and evaluate the performance of the HMM, with special emphasis
on using inference algorithms to predict hidden states and observe the dynamics of the modeled
system.
