Pino Mejías, Rafael2024-12-022024-12-022024-10-22Ortega Cartelle, C. (2024). Modelos Ocultos de Markov. (Trabajo Fin de Grado Inédito). Universidad de Sevilla, Sevilla.https://hdl.handle.net/11441/165192Hidden Markov Models (HMM) are powerful probabilistic tools for analyzing sequential data where observations depend on unobservable internal states. Their flexibility allows them to model a wide range of complex phenomena across various fields, including speech recognition, bioinformatics, finance, and cognitive analysis. HMMs are particularly useful in situations where underlying processes cannot be directly measured, enabling the inference of hidden dynamics from observable data. Over time, these models have proven effective in uncovering hidden patterns, predicting future behaviors, and segmenting time series based on internal states. This work explores the fundamental principles of HMMs and their applicability, emphasizing their value in understanding and representing complex sequential systems.Los Modelos Ocultos de Markov (HMM) son herramientas probabilísticas poderosas para el análisis de secuencias temporales en las que las observaciones dependen de estados internos no observables. Su versatilidad permite modelar una amplia gama de fenómenos complejos en diversas disciplinas como el reconocimiento del habla, la bioinformática, las finanzas y el análisis cognitivo. La capacidad de los HMM para inferir dinámicas subyacentes a partir de datos observados los hace especialmente útiles en contextos donde los procesos no pueden ser medidos directamente. A lo largo del tiempo, estos modelos han demostrado su eficacia para detectar patrones ocultos y segmentar series temporales en función de sus diferentes estados internos. Este trabajo aborda los principios fundamentales de los HMM y su aplicabilidad.application/pdf107 p.spaAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/openAccess