Я прочитал довольно много скрытых марковских моделей и смог сам написать довольно простую версию.
Но есть два основных способа, которыми я, кажется, учусь. Один из них - прочитать и внедрить его в код (что и делается), а второй - понять, как он применяется в различных ситуациях (чтобы я мог лучше понять, как это относится к проблемам, над которыми я мог бы работать). Все приведенные мною примеры касались либо какого-то предсказания ДНК, либо подбрасывания монет.
Мне интересно, есть ли какие-нибудь ресурсы, чтобы получить другие проблемы Маркова (язык не имеет значения, но, надеюсь, также с ответами, чтобы я мог знать, прав я или нет)?
algorithms
markov-process
Lostsoul
источник
источник
Ответы:
Я использовал HMM в сценарии оценки уровня спроса / запаса, когда у нас были товары, купленные во многих магазинах, которые могли или не могли быть вне запасов товаров. Таким образом, последовательность ежедневных потребностей в этих товарах содержала нули, которые были законными днями с нулевым спросом, а также нули, которые были из-за отсутствия на складе. Вы могли бы подумать, что знаете, не было ли на складе запасов на уровне инвентаря, но ошибки в записях инвентаризации распространяются, и весьма обычно найти магазин, который думает, что у него есть положительное количество товаров на складе, но на самом деле не имеет ни одного; скрытое состояние в большей или меньшей степени определяет, есть ли в магазине какие-либо запасы, и сигналом является (ежедневный спрос, номинальный уровень запасов). Нет ссылок на эту работу, хотя; мы не должны были публиковать результаты по конкурентным причинам.
Изменить: Я добавлю, что это особенно важно, потому что, при нулевых требованиях, номинальный запас в магазине никогда не уменьшается и пересекает точку заказа, вызывая заказ на большее количество инвентаря - следовательно, нулевое состояние в наличии из-за ошибочные записи инвентаризации не исправляются в течение длительного времени, пока кто-то не заметит, что что-то не так, или не произойдет подсчет циклов, который может пройти через много месяцев после начала проблемы.
источник
Я в значительной степени испытал то же самое и не нашел много вне погоды. В число областей, которые приходят на ум, входят: распознавание речи, обнаружение точек изменения, маркировка частей речи в тексте, выравнивание перекрывающихся элементов / текста и распознавание языка жестов.
Один пример, который я нашел и немного изучил, был в Разделе 8 этого введения , который является одной из ссылок на HMM в Википедии. (На самом деле это довольно забавно: ваш анализ обнаруживает, что есть гласные и согласные.) Это также знакомит вас с работой с текстовым корпусом, что полезно.
(Если вы хотите поиграть в поколения с HMM, вы можете потренироваться в тексте Шекспира, а затем сгенерировать искусственного Шекспира.)
источник
Большинство программ распознавания речи использует скрытые модели Маркова. Вы можете поэкспериментировать с обработкой на естественном языке, если хотите почувствовать приложения HMM.
Вот хороший источник: вероятностные графические модели, Коллер и Фридман .
источник
Скрытые марковские модели очень полезны для мониторинга ВИЧ. ВИЧ попадает в кровоток и ищет клетки иммунного ответа. Затем он садится на содержание белка в клетке и попадает в ядро клетки, изменяет содержание ДНК в клетке и начинает пролиферацию вирионов до тех пор, пока она не вырвется из клеток. Все эти стадии ненаблюдаемы и называются скрытыми. Идеальный пример для скрытого марковского моделирования.
источник
Для меня очень хорошее применение HMM - идентификация аккордов в музыкальной композиции. Смотрите, например, эту лекцию.
источник
Модели Маркова могут быть полезны при анализе взаимодействия пользователя с веб-сайтом - например, на Amazon.com, где выясняется, какие серии взаимодействий приводят к проверке, чтобы дать рекомендации в будущем.
Интересный пример, демонстрирующий использование модели Маркова, следующий:
http://freakonometrics.blog.free.fr/index.php?post/2011/12/20/Basic-on-Markov-Chain-(for-parents )
источник