如果你在 NLP 的面试或项目里被问到「HMM 的三个基本问题是什么」，脑子里只剩一个模糊的「跟分词有关」，那这门课就是补这个缺口的。它不是从头讲概率论，而是假设你已经知道什么叫条件概率、什么叫联合分布，直接进到隐马尔可夫模型本身。

先确认一下你是不是真的需要它

HMM 在今天的 NLP 里不算最热的模型，但它是很多事情的底层参照物。序列标注任务里的转移约束、CTC 里的对齐思想、甚至一些轻量级线上分词和词性标注方案，都还能看到它的影子。更实际的一点：面试官问 HMM，考的往往不是你会不会调库，而是你能不能把「观测序列」「状态序列」「状态转移」「发射概率」这几件事讲清楚，以及能不能自己推导出前向算法为什么比暴力枚举快。

如果你现在的情况是——知道 HMM 大概长什么样，但说不清两个假设各自约束了什么，或者看过 Baum-Welch 的公式但不知道它在优化什么——那这门预习课对你是对口的。反过来，如果你连贝叶斯公式和极大似然估计都还没顺过，建议先补那一块，这门课不会停下来等你。

课程实际处理的问题

课程按「定义 → 概率计算 → 学习」这条线走。第一部分把模型定义和两个假设讲透，这里容易被人跳过去，但恰恰是后面所有推导的地基：齐次性假设约束的是状态转移不依赖更早的历史，观测独立性假设约束的是当前观测只由当前状态决定。这两个假设不澄清，后面 EM 的 E 步在算什么就会变成背公式。

概率计算部分重点是前向算法和后向算法。你在这部分应该练到能自己写出递推式，并能解释为什么它把复杂度从指数级压到多项式级。再往后是 EM 与 Baum-Welch，也就是「模型学习」：在状态序列不可观测的情况下，怎么迭代地估计转移矩阵和发射矩阵。这块是整门课最需要动手的部分，光看推导很容易产生「我懂了」的错觉。

看完应该能回答的问题

HMM 的两个假设分别是什么？如果去掉其中一个，哪些推导会失效？
前向变量 α 和后向变量 β 各自的定义是什么，它们如何组合出某个时刻处于某状态的概率？
Baum-Welch 和一般的 EM 是什么关系？E 步和 M 步在这里分别对应什么量？
维特比算法和前向算法都在做递推，它们的目标有什么本质区别？
给定一个分词或词性标注场景，你怎么把问题映射成 HMM 的观测与状态？

这五个问题答得上，说明你不是背下来的，而是真的过了一遍。

配套怎么练

课程本身有案例和答疑，但建议你自己加两件事。一是用纸笔把前向算法在一个长度 3 到 4 的小例子上手算一遍，数一数每一步乘了多少次，这样复杂度对比才有体感。二是找一份带标注的中文序列数据，自己定义状态集合和发射，跑一次 Baum-Welch，观察迭代过程中对数似然是不是单调不降——如果它掉了，多半是你哪一步归一化写错了。这个调试过程比看十遍公式有用。

这门课定位是 NLP 高级班的预习，所以节奏偏快，默认你有一定的数学和编程基础。把它当成一次结构化的自查：哪一节看得顺，哪一节要停下来查资料，心里就有数了。