Przeczytałem sporo ukrytych modeli Markowa i sam byłem w stanie napisać całkiem podstawową wersję.
Są jednak dwa główne sposoby, których się uczę. Jednym z nich jest przeczytanie i zaimplementowanie go w kodzie (co jest zrobione), a drugim zrozumienie, w jaki sposób ma zastosowanie w różnych sytuacjach (dzięki czemu mogę lepiej zrozumieć, w jaki sposób odnosi się do problemów, nad którymi mogę pracować). Wszystkie przykłady, które do tej pory zrobiłem, dotyczyły przewidywania DNA lub rzucania monetami.
Zastanawiam się, czy są jakieś zasoby na inne problemy Markowa (język nie ma znaczenia, ale mam nadzieję, że również z odpowiedziami, więc mogę wiedzieć, czy mam rację, czy źle)?
algorithms
markov-process
Lostsoul
źródło
źródło
Odpowiedzi:
Użyłem HMM w scenariuszu szacowania poziomu popytu / zapasów, w którym kupowaliśmy towary w wielu sklepach, które mogą nie mieć zapasów towarów. Sekwencja dziennych zapotrzebowań na te produkty zawierała więc zera, które były uzasadnione dniami zerowego zapotrzebowania, a także zerami, które były spowodowane brakiem magazynu. Można by pomyśleć, że wiesz, czy w magazynie brakowało zapasów z poziomu zapasów, ale błędy w ewidencji zapasów rozprzestrzeniają się i wcale nie jest rzadkością znalezienie sklepu, który uważa, że ma pod ręką dodatnią liczbę przedmiotów, ale w rzeczywistości nie ma; stanem ukrytym jest mniej więcej to, czy sklep rzeczywiście ma jakieś zapasy, a sygnałem jest (dzienne zapotrzebowanie, nominalny poziom zapasów). Brak referencji do tej pracy; nie mieliśmy publikować wyników ze względów konkurencyjnych.
Edycja: Dodam, że jest to szczególnie ważne, ponieważ przy zerowym zapotrzebowaniu zapasy magazynowe w magazynie nigdy się nie zmniejszają i nie przekraczają punktu zamówienia, wyzwalając zamówienie na więcej zapasów - a zatem stan zerowy pod ręką z powodu błędne zapisy inwentaryzacyjne nie są naprawiane przez długi czas, dopóki ktoś nie zauważy, że coś jest nie tak lub nie nastąpi zliczanie cykli, co może potrwać wiele miesięcy po rozpoczęciu problemu.
źródło
Prawie doświadczyłem tego samego i nie znalazłem wiele poza pogodą. Przychodzą na myśl następujące obszary: rozpoznawanie mowy, wykrywanie punktu zmiany, oznaczanie części mowy w tekście, wyrównanie nakładających się elementów / tekstu oraz rozpoznawanie języka migowego.
Jeden z przykładów, który znalazłem i dokonałem pewnych badań, znajduje się w części 8 tego wstępu , która jest jednym z odniesień do HMM w Wikipedii. (To naprawdę fajna zabawa: analiza ujawnia, że istnieją samogłoski i spółgłosek.) To także wprowadza cię do pracy z tekstem, co jest przydatne.
(Jeśli chcesz grać z generacją za pomocą HMM, możesz trenować tekst Szekspira, a następnie wygenerować faux-Szekspira.)
źródło
Większość oprogramowania do rozpoznawania mowy używa ukrytych modeli Markowa. Możesz eksperymentować z przetwarzaniem języka naturalnego, jeśli chcesz poznać aplikacje HMM.
Oto dobre źródło: probabilistyczne modele graficzne autorstwa Kollera i Friedmana .
źródło
Ukryte modele markowa są bardzo przydatne w monitorowaniu HIV. HIV dostaje się do krwioobiegu i szuka komórek odpowiedzi immunologicznej. Następnie siedzi na zawartości białka w komórce i dostaje się do rdzenia komórki i zmienia zawartość DNA w komórce i rozpoczyna proliferację wirionów, aż wytrysnie z komórek. Wszystkie te etapy są nieobserwowalne i nazywane są utajonymi. Idealny przykład dla ukrytego modelowania markowskiego.
źródło
Dla mnie bardzo miłym zastosowaniem HMM jest identyfikacja akordu w kompozycji muzycznej. Zobacz na przykład ten wykład.
źródło
Modele Markowa mogą być przydatne w analizie interakcji użytkownika ze stroną internetową - na przykład na Amazon.com, gdzie zastanawianie się, która seria interakcji prowadzi do realizacji zamówienia i dawania rekomendacji w przyszłości.
Zabawny przykład pokazujący użycie modelu Markowa to:
http://freakonometrics.blog.free.fr/index.php?post/2011/12/20/Basic-on-Markov-Chain-(for-parents )
źródło