Ich habe eine Menge versteckter Markov-Modelle gelesen und konnte selbst eine ziemlich einfache Version davon programmieren.
Aber es gibt zwei Möglichkeiten, die ich zu lernen scheine. Zum einen muss es gelesen und in Code implementiert werden (was getan wird), und zum anderen muss verstanden werden, wie es in verschiedenen Situationen angewendet wird (damit ich besser verstehen kann, wie es sich auf Probleme bezieht, an denen ich möglicherweise arbeite). Alle Beispiele, die ich bisher gemacht habe, beinhalteten entweder eine Art DNA-Vorhersage oder das Werfen von Münzen.
Ich frage mich, ob es Ressourcen gibt, um andere Markov-Probleme zu lösen (die Sprache spielt keine Rolle, aber hoffentlich auch die Antworten, damit ich weiß, ob ich Recht oder Unrecht habe).
quelle
Antworten:
Ich habe HMM in einem Szenario mit Bedarfs- / Lagerbestandsschätzung verwendet, in dem in vielen Geschäften Waren gekauft wurden, die möglicherweise nicht im Lagerbestand der Waren sind oder nicht. Die Abfolge der täglichen Nachfragen für diese Artikel enthielt daher Nullen, die legitime Nullnachfragetage waren, sowie Nullen, die darauf zurückzuführen waren, dass das Geschäft nicht vorrätig war. Sie würden denken, Sie würden wissen, ob das Geschäft auf Inventarebene nicht vorrätig ist, aber Fehler in den Inventaraufzeichnungen häufen sich und es ist nicht ungewöhnlich, ein Geschäft zu finden, das denkt, dass es eine positive Anzahl von Artikeln vorrätig hat, aber tatsächlich hat keine; Der verborgene Zustand ist mehr oder weniger, ob das Geschäft tatsächlich Inventar hat, und das Signal ist das (tägliche Nachfrage, nominales Inventarniveau). Keine Referenzen für diese Arbeit; aus wettbewerbsgründen sollten wir die ergebnisse nicht veröffentlichen.
Bearbeiten: Ich füge hinzu, dass dies besonders wichtig ist, da der nominale Lagerbestand des Geschäfts bei Null-Anforderungen niemals abnimmt und einen Bestellpunkt überschreitet, was eine Bestellung für mehr Lagerbestand auslöst - daher ein Null-Lagerbestand aufgrund von Fehlerhafte Bestandsaufzeichnungen werden für eine lange Zeit nicht repariert, bis jemand bemerkt, dass etwas nicht stimmt oder eine Zyklusanzahl auftritt, was viele Monate nach dem Beginn des Problems sein kann.
quelle
Ich habe so ziemlich dasselbe erlebt und fand nicht viel außerhalb des Wetters. Zu den Bereichen, die in den Sinn kommen, gehören: Spracherkennung, Erkennung von Änderungspunkten, Markieren von Wortteilen im Text, Ausrichten überlappender Elemente / Texte und Erkennen der Gebärdensprache.
Ein Beispiel, das ich gefunden und untersucht habe , ist Abschnitt 8 dieser Einführung , der eine der Referenzen für HMMs in Wikipedia ist. (Eigentlich macht es Spaß: Ihre Analyse stellt fest, dass es Vokale und Konsonanten gibt.) Dies führt Sie auch in die Arbeit mit einem Textkorpus ein, was nützlich ist.
(Wenn Sie mit HMMs mit der Generierung spielen möchten, können Sie Shakespeare-Text trainieren und dann Faux-Shakespeare generieren.)
quelle
Die meisten Spracherkennungsprogramme verwenden Hidden-Markov-Modelle. Sie können mit der Verarbeitung natürlicher Sprache experimentieren, wenn Sie ein Gefühl für HMM-Anwendungen bekommen möchten.
Hier ist eine gute Quelle: Probabilistic Graphical Models von Koller und Friedman .
quelle
Versteckte Markov-Modelle sind sehr nützlich bei der Überwachung von HIV. HIV tritt in die Blutbahn ein und sucht nach den Immunantwortzellen. Es setzt sich dann auf den Proteingehalt der Zelle und gelangt in den Kern der Zelle und verändert den DNA-Gehalt der Zelle und startet die Proliferation von Virionen, bis diese aus den Zellen ausbrechen. Alle diese Stadien sind nicht beobachtbar und werden als latent bezeichnet. Ein ideales Beispiel für die Hidden Markovian-Modellierung.
quelle
Eine sehr schöne Anwendung von HMM ist für mich die Akkordidentifikation in der musikalischen Komposition. Siehe zum Beispiel diese Vorlesung.
quelle
Markov-Modelle können nützlich sein, um die Interaktionen eines Benutzers mit einer Website zu analysieren - Zum Beispiel auf Amazon.com, wo herausgefunden wird, welche Interaktionsserien zu einer Kaufabwicklung führen, um in Zukunft Empfehlungen abzugeben.
Ein lustiges Beispiel für die Verwendung des Markov-Modells ist das folgende:
http://freakonometrics.blog.free.fr/index.php?post/2011/12/20/Basic-on-Markov-Chain-(for-parents )
quelle