Modelos Markovianos

Son modelos matemáticos utilizados para representar sistemas que cambian de estado de manera probabilística, donde la probabilidad de transición depende únicamente del estado actual y no de los estados previos.

En el ámbito de machine learning, se aplican comúnmente en problemas relacionados con secuencias temporales, como el procesamiento del lenguaje natural, la predicción de series de tiempo o el reconocimiento de patrones.

Se basan en el supuesto denominado "propiedad de Markov", que asume que la información relevante del pasado está totalmente contenida en el estado actual del sistema.

Existen distintas variantes, como las Cadenas de Markov, los Modelos Ocultos de Markov (HMM) y sus versiones extendidas, que se emplean dependiendo de la complejidad y la naturaleza del problema a resolver.

Facilitan el modelado probabilístico de sistemas complejos al reducir la necesidad de manejar dependencias históricas extensas, haciendo más eficiente el análisis o la predicción.