Przykłady problemów z ukrytymi modelami Markowa?

21

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)?

Lostsoul
źródło
Poradzono mi, aby zamieścić to na stronie stackoverflow.com/questions/8661941/…
Lostsoul,
Czy możesz być bardziej szczegółowy w kwestii „kodowania całkiem podstawowej wersji”? Czy symulowałeś z procesu Ukrytego Markowa, czy też kodowałeś algorytmy Viterbi, forward lub Baum – Welch? (Ostatnie trzy zostaną wykorzystane do obliczenia najbardziej prawdopodobnej sekwencji odpowiadających stanów, prawdopodobieństwa sekwencji obserwacji lub prawdopodobieństw początkowych, funkcji przejścia i funkcji obserwacji odpowiednio ukrytego modelu Markowa.)
Wayne,
Cześć Wayne, w zasadzie kodowałem wersję tej strony (arkusz kalkulacyjny) dla baum- welch : cs.jhu.edu/~jason/papers/#tnlp02 i po prostu zaimplementowałem kod strony wiki viterbi i wykonałem kilka podstawowych samouczków na ukryte modele markowa. Może to zabrzmieć głupio, ale chciałem zobaczyć inne rodzaje problemów, które mógłbym spróbować rozwiązać, aby lepiej zrozumieć, do czego zdolne są modele Markowa.
Lostsoul,
1
Nie chcę spędzać tygodni nad tym pracując, ale na przykład studium przypadku kogoś, kto używa modeli Markowa w sposób bez rzucania monetą lub prognozowania pogody, może pomóc mi zrozumieć zakres problemów, które można lepiej rozwiązać. w zasadzie chcę zbudować lepsze zrozumienie, testując, co mogą zrobić modele Markowa.
Lostsoul,
Myślę, że HMM ma również bardzo ważne zastosowania w finansach (stopy procentowe) i ekonomii (PKB).
Stary człowiek na morzu.

Odpowiedzi:

8

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.

łucznik
źródło
Uważam, że jest to znane jako problem zerowej inflacji i są dość rozpowszechnione. Potrzebujesz jednego modelu, który modeluje „zera nadmiarowe” (gdy odczyt wynosi zero, ponieważ nie może być żadnego odczytu, w przeciwieństwie do prawidłowego odczytu zerowego), a następnie modelu drugiego poziomu, który modeluje resztę. Na przykład liczba klientów w banku: czasami faktycznie ich nie ma, innym razem bank jest zamknięty, więc nie może być żadnych. Lub prędkość samochodu: czasami stoi nieruchomo z kierowcą, innym razem jest zaparkowany. Itd.
Wayne
To prawda, z punktu widzenia sygnału zapotrzebowania. Inną częścią problemu jest identyfikacja ukrytego stanu binarnego „zapas = 0 | rekord zapasów> 0”, co było właściwie ważniejsze dla klienta.
jbowman
Powinienem również zauważyć, że „nadmuchane zera” nie są wyświetlane w czasie - istnieją przebiegi, w których wszystkie zera są „dodatkowe” i biegi, w których nie ma żadnego z nich, stąd potrzeba HMM ze stanem wskazującym, co się dzieje w każda obserwacja.
jbowman
6

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.)

Wayne
źródło
3

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 .

Carlos Accioly
źródło
Dzięki, Carlos. Świetna książka, zacząłem ją czytać jakiś czas temu, ale jej nie skończyłem. Muszę nauczyć się o uczeniu maszynowym i teorii grafów, ale wrócę i poszukaj pytań związanych z modelami Markowa.
Przyjrzę
3

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.

kss iyer
źródło
2
Więc w jaki sposób ukryte modele Markowa pomagają monitorować HIV? Czy klinicyści używają HMM do diagnozowania HIV? Czy naukowcy wykorzystują je, aby lepiej zrozumieć mechanizmy choroby lub stworzyć leki i terapie przeciw HIV? Wszelkie odniesienia byłyby bardzo pomocne.
Leo
1

Dla mnie bardzo miłym zastosowaniem HMM jest identyfikacja akordu w kompozycji muzycznej. Zobacz na przykład ten wykład.

Miroslav Sabo
źródło
0

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 )

Rohit Banga
źródło
1
Ale nie tutaj ukryte modele Markowa - co?
B_Miner