একটি সম্ভাব্য গ্রাফিকাল মডেল (পিজিএম) হল যৌথ সম্ভাব্যতা বিতরণ এবং (এ) র্যান্ডম ভেরিয়েবলগুলির একটি সেটের উপর নির্ভরশীলতার সম্পর্ককে মডেলিংয়ের জন্য একটি গ্রাফ আনুষ্ঠানিকতা। অন্তর্নিহিত গ্রাফ নির্দেশিত হলে একটি পিজিএমকে বায়েসীয় নেটওয়ার্ক বলা হয় এবং মার্কোভ নেটওয়ার্ক / মার্কভ র্যান্ডম ক্ষেত্রযখন অন্তর্নিহিত গ্রাফটি পুনঃনির্দেশিত হয়। সাধারণভাবে বলতে গেলে, আপনি প্রাক্তনটিকে পরিবর্তনশীলগুলির মধ্যে সম্ভাব্য প্রভাবের মডেল হিসাবে স্পষ্ট দিকনির্দেশনা ব্যবহার করেন, অন্যথায় আপনি পরবর্তীটি ব্যবহার করেন; পিজিএম উভয় সংস্করণে, সম্পর্কিত গ্রাফগুলিতে প্রান্তের অভাব এনকোডড বিতরণগুলিতে শর্তাধীন স্বাধীনতার প্রতিনিধিত্ব করে, যদিও তাদের সঠিক শব্দার্থবিজ্ঞানের পার্থক্য রয়েছে। "মার্কভ নেটওয়ার্ক" এর "মার্কভ" বলতে পিজিএম দ্বারা এনকোড করা শর্তাধীন স্বাধীনতার জেনেরিক ধারণা বোঝায়, xA অন্যের থেকে xC "গুরুত্বপূর্ণ" ভেরিয়েবল xB এর কিছু সেট দিয়েছে (প্রযুক্তিগত নাম এটি একটি মার্কভ কম্বল ), অর্থাত্p(xA|xB,xC)=p(xA|xB) ।
একটি মার্কভ প্রক্রিয়া হ'ল কোনও স্টোকাস্টিক প্রক্রিয়া {Xt} যা মার্কভের সম্পত্তিটিকে সন্তুষ্ট করে । এখানে জোর দেওয়া হচ্ছে (স্কেলার) এলোমেলো ভেরিয়েবল X1,X2,X3,... সংগ্রহের উপর । । । সাধারণত সময়ের সাথে সূচক হিসাবে বিবেচিত, যা শর্তসাপেক্ষ স্বতন্ত্রতার একটি নির্দিষ্ট ধরণের সন্তুষ্ট করে, অর্থাত্ "ভবিষ্যত বর্তমানের অতীত থেকে স্বতন্ত্র", মোটামুটি ভাষায় বলা হয় p(xt+1|xt,xt−1,...,x1)=p(xt+1|xt) । কেবল সেট নেওয়া এই 'মার্কভ' ধারণা একটি বিশেষ ক্ষেত্রে PGMs দ্বারা সংজ্ঞায়িতA={t+1},B={t} আর লাগবেC কোন উপসেট হতে{t−1,t−2,...,1}এবং পূর্ববর্তী বিবরণ p(xA|xB,xC)=p(xA|xB) । এ থেকে আমরা দেখতে পাচ্ছি যে কোনও পরিবর্তনশীল Xt+1 এর মার্কভ কম্বলটি এটি তার পূর্বসূরি Xt ।
অতএব আপনি একটি বয়েসীয় নেটওয়ার্কের সাথে একটি মার্কভ প্রক্রিয়া উপস্থাপন করতে পারেন , সময় অনুসারে সূচিযুক্ত রৈখিক চেইন হিসাবে (সরলতার জন্য আমরা কেবল এখানে বিচ্ছিন্ন সময় / রাষ্ট্রের বিষয়টি বিবেচনা করি; বিশপের পিআরএমএল বইয়ের চিত্র):
এই ধরণের বায়েশিয়ান নেটওয়ার্ক হিসাবে পরিচিত গতিশীল বায়েশিয়ান নেটওয়ার্ক । যেহেতু এটি একটি বয়েসিয়ান নেটওয়ার্ক (অতএব একটি পিজিএম), কেউ সম্ভাব্য অনুমানের জন্য স্ট্যান্ডার্ড পিজিএম অ্যালগরিদম প্রয়োগ করতে পারেন (সমষ্টি-পণ্য অ্যালগরিদমের মতো, যার মধ্যে চ্যাপম্যান-কোলমোগোরভ সমীকরণ একটি বিশেষ ক্ষেত্রে উপস্থাপন করে) এবং পরামিতি অনুমান (যেমন সর্বোচ্চ সম্ভাবনা, যা ফুটে নিচে সহজ গণনা) চেইন উপর। এর উদাহরণ অ্যাপ্লিকেশন হ'ল এইচএমএম এবং এন-গ্রাম ভাষার মডেল।
প্রায়শই আপনি এর মতো একটি মার্কভ চেইনের ডায়াগ্রামের চিত্র দেখতে পান
p(Xt|Xt−1)Xt(X(1)t,...X(D)t)p(X(1)t,...X(D)t|X(1)t−1,...X(D)t−1)
Xtt→∞p(xt+1|xt,xt−1,...,x1)=p(xt+1|xt)