【概述】

条件随机场（Conditional Random Field）是给定随机变量 $X$ 的条件下，随机变量 $Y$ 的马尔可夫随机场

这里仅介绍定义在线性链上的特殊的条件随机场，即线性随机场（Linear Chain Conditional Random Field），其在机器学习中常用于标注问题

【TCP/IP 模型】

ARPA 在研究 ARPAnet 时提出了 TCP/IP 模型，其由于得到广泛应用而成为事实上的国际标准

TCP/IP 模型从低到高依次为：网络接口层、网际层、传输层、应用层

【概述】

国际标准化组织 ISO 提出的网络体系结构模型称为开放系统互连参考模型（OSI/RM），通常简称为 OSI 参考模型，其有七层，从下到上依次为物理层、数据链路层、网络层、传输层、会话层、表示层、应用层

对于前三层来说，统称为通信子网，其是为了联网而附加的通信设备，用于完成数据的传输功能；对于高三层来说，统称为资源子网，其相当于计算机系统，完成数据的处理功能；传输层承上启下，将通信子网与资源子网连接起来

【概述】

对于隐马尔可夫模型的预测问题，即：已知模型 $\lambda=(A,B,\pi)$ 和观测序列 $O=(o_1,o_2,\cdots,o_T)$，求对给定观测序列条件概率 $P(I|O)$ 最大的状态序列 $I=(i_1,i_2,\cdots,i_T)$

有两种预测算法：

【概述】

对于隐马尔可夫模型的学习问题，即：已知观测序列 $O=(o_1,o_2,\cdots,o_T)$，估计模型 $\lambda(A,B,\pi)$ 的参数，使得在该模型下观测序列概率 $P(O|\lambda)$ 最大，该问题本质上是无监督学习中的概率估计问题

根据训练数据包括观测序列和对应的状态序列，还是只有观测序列，可以分别由极大似然估计和 EM 算法来实现

【概述】

对于隐马尔可夫模型的概率计算问题，即：给定隐马尔可夫模型 $\lambda=(A,B,\pi)$ 和观测序列 $O=(o_1,o_2,\cdots,o_T)$，计算在模型 $\lambda$ 下观测序列 $O$ 出现的概率 $P(O|\lambda)$

有以下两种概率计算方法：

【概述】

隐马尔可夫模型（Hidden Markov Model，HMM）是由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列，再由每个状态生成一个观测，由此产生观测的随机序列的过程

其中，随机生成的不可观测的状态随机序列被称为状态序列（State Sequence），每个状态生成一个观测，由此产生观测的随机序列被称为观测序列（Observation Sequence）

【计算机网络的层次结构】

体系结构

计算机网络各层及其协议的集合称为计算机网络的体系结构（Architecture），其是计算机网络中层次、各层协议、各层接口的集合，是网络及其所完成功能的精确定义

【速率】

速率（Speed），又称数据率或者比特率，是指连接到计算机网络上的主机在数字信道上传送数据的速率

其单位为比特/秒（b/s，bps）

【分布范围】

按照网络的分布范围，网络可分为以下四类：

• 广域网 LAN：因特网的核心，采用交换技术，提供长距离通信，覆盖范围几十千米到几千千米
• 城域网 MAN：采用以太网技术，常并入局域网的范围进行讨论，覆盖范围 5km 到 50 km
• 局域网 LAN：采用广播技术，通过高速线路连接，覆盖范围几十米到几千米
• 个人区域网 PAN：采用无线技术，覆盖范围约 10m