动态时间规整 dynamic time warping (DTW)
测量的两个变化速度不同的时间序列之间距离的方法
HMM-5-连续观测-高斯混合模型(HMM-GMM)
HMM-GMM 高斯混合密度实现连续观测序列
HMM-4-学习模型参数(Baum-Welch)
使用Baum-Welch算法学习从给定多个观测序列中HMM模型参数，同时解决机器精度造成的计算稳定性问题。
HMM-3-查找最大概率状态序列(Viterbi)
给定观测序列和模型参数时，查找最大概率状态序列
HMM-2-计算观测序列概率(forward-backward)
给定模型参数，计算给定任意观测序列的概率. forward-backward
HMM-1-简介
1960s, Baum和他的同事发布一系列论文， 1970s CMU的Baker用于实现语音处理， IBM Jelinek和他的同事用于语音处理， Hidden Markov Models 当前状态仅与上一步状态相关，与上一步之前的状态无关.
中文分词词性和序列标注之BI-LSTM-CRF-2-代码试验
使用tensorflow实现简易bi-lstm-crf序列标注（分词应用）。并使用pku语料训练和评估。
中文分词词性和序列标注之CRF-6-试验效果
CRF 条件随机场分词和序列标注效果测试.和代码试验. 使用C/C++/Python混合实现，高性能需求部分由C/C++ ublas openmp实现，文本处理用python实现。
中文分词词性和序列标注之MEMM-5-最优化算法-LBFGS-PKU效果
使用BFGS/LBFGS算法优化MEMM模型并得到pku评分.
centos6编译安装tensorflow+mkl
编译tensorflow-1.1.0启用mkl选项,适合centos6/redhat6, 适合intel 普通处理器，xeon处理器，intel xeon phi计算卡