J'ai lu pas mal de modèles Markov cachés et j'ai pu en coder moi-même une version assez basique.
Mais il semble que j'apprenne de deux manières principales. L'un consiste à le lire et à l'implémenter dans du code (ce qui est fait) et le second est de comprendre comment il s'applique dans différentes situations (afin que je puisse mieux comprendre comment il se rapporte aux problèmes sur lesquels je pourrais travailler). Tous les exemples que j'ai faits jusqu'à présent impliquaient une sorte de prédiction d'ADN ou un lancer de pièces.
Je me demande s'il y a des ressources pour obtenir d'autres problèmes de Markov (la langue n'a pas d'importance mais j'espère aussi avec les réponses pour que je puisse savoir si j'ai raison ou tort)?
algorithms
markov-process
Lostsoul
la source
la source
Réponses:
J'ai utilisé HMM dans un scénario d'estimation du niveau de la demande / inventaire, où nous avions des marchandises achetées dans de nombreux magasins qui pouvaient ou non être en rupture de stock. La séquence des demandes quotidiennes pour ces articles contenait donc des zéros qui étaient des jours de demande zéro légitimes et également des zéros parce que le magasin était en rupture de stock. Vous penseriez que vous sauriez si le magasin était en rupture de stock par rapport au niveau de l'inventaire, mais les erreurs dans les registres d'inventaire se propagent et il n'est pas rare de trouver un magasin qui pense avoir un nombre positif d'articles en stock, mais en fait n'en a pas; l'état caché est, plus ou moins, si le magasin a réellement un inventaire, et le signal est le (demande quotidienne, niveau d'inventaire nominal). Aucune référence pour ce travail, cependant; nous n'étions pas censés publier les résultats pour des raisons de concurrence.
Edit: j'ajouterai que cela est particulièrement important car, avec une demande nulle, l'inventaire nominal du magasin ne diminue jamais et ne franchit pas un point de commande, ce qui déclenche une commande pour plus d'inventaire - par conséquent, un état zéro en raison de les enregistrements d'inventaire erronés ne sont pas corrigés pendant longtemps, jusqu'à ce que quelqu'un remarque que quelque chose ne va pas ou qu'un décompte de cycles se produit, ce qui peut prendre plusieurs mois après le début du problème.
la source
J'ai à peu près vécu la même chose et je n'ai pas trouvé grand-chose au-delà du temps. Les domaines qui me viennent à l'esprit incluent: la reconnaissance vocale, la détection des points de changement, le balisage de parties du discours dans le texte, l'alignement des éléments / textes qui se chevauchent et la reconnaissance de la langue des signes.
Un exemple que j'ai trouvé et que j'ai exploré était dans la section 8 de cette introduction , qui est l'une des références pour les HMM dans Wikipedia. (C'est en fait assez amusant: votre analyse découvre qu'il y a des voyelles et des consonnes.) Cela vous introduit également à travailler avec un corpus de texte, ce qui est utile.
(Si vous voulez jouer avec la génération avec des HMM, vous pouvez vous entraîner sur du texte Shakespeare puis générer un faux Shakespeare.)
la source
La plupart des logiciels de reconnaissance vocale utilisent des modèles de Markov cachés. Vous pouvez expérimenter le traitement du langage naturel si vous souhaitez vous familiariser avec les applications HMM.
Voici une bonne source: Modèles graphiques probabilistes, par Koller et Friedman .
la source
Les modèles de Markov cachés sont très utiles pour surveiller le VIH. Le VIH pénètre dans la circulation sanguine et recherche les cellules de réponse immunitaire. Il s'assoit ensuite sur la teneur en protéines de la cellule et pénètre dans le cœur de la cellule et modifie la teneur en ADN de la cellule et commence la prolifération des virions jusqu'à ce qu'ils éclatent des cellules. Toutes ces étapes sont inobservables et dites latentes. Un exemple idéal pour la modélisation markovienne cachée.
la source
Pour moi, la très belle application de HMM est l'identification d'accords dans la composition musicale. Voir par exemple cette conférence.
la source
Les modèles de Markov peuvent être utiles pour analyser les interactions d'un utilisateur avec un site Web - Par exemple sur Amazon.com où déterminer quelle série d'interactions conduit à un paiement pour donner des recommandations à l'avenir.
Un exemple amusant montrant l'utilisation du modèle de Markov est le suivant-
http://freakonometrics.blog.free.fr/index.php?post/2011/12/20/Basic-on-Markov-Chain-(for-parents )
la source