Eu li bastante modelos de Markov ocultos e pude codificar uma versão bastante básica dele.
Mas há duas maneiras principais que pareço aprender. Um é ler e implementá-lo no código (o que é feito) e o segundo é entender como isso se aplica em diferentes situações (para que eu possa entender melhor como isso se relaciona com os problemas nos quais posso estar trabalhando). Todos os exemplos que fiz até agora envolveram algum tipo de previsão de DNA ou lançamento de moedas.
Gostaria de saber se existem recursos para obter outros problemas de Markov (o idioma não importa, mas espero que com as respostas também, para que eu possa saber se estou certo ou errado)?
algorithms
markov-process
Lostsoul
fonte
fonte
Respostas:
Usei o HMM em um cenário de estimativa de nível de demanda / estoque, em que havia mercadorias sendo compradas em muitas lojas que podem ou não estar fora do estoque. A sequência de demandas diárias para esses itens continha zeros que eram dias de demanda zero legítimos e também zeros porque a loja estava sem estoque. Você pensaria que saberia se a loja estava sem estoque a partir do nível de estoque, mas os erros nos registros de estoque se propagam e não é incomum encontrar uma loja que pense que possui um número positivo de itens em estoque, mas na verdade não tem nenhum; o estado oculto é, mais ou menos, se a loja realmente possui algum estoque e o sinal é (demanda diária, nível nominal de estoque). Não há referências para este trabalho; não deveríamos publicar os resultados por razões competitivas.
Editar: acrescentarei que isso é especialmente importante porque, com zero demanda, o estoque nominal nominal da loja nunca diminui e cruza um ponto de pedido, acionando um pedido para mais estoque - portanto, um estado zero disponível devido a registros de inventário incorretos não são corrigidos por um longo tempo, até que alguém perceba que algo está errado ou uma contagem de ciclos ocorre, o que pode levar muitos meses após o início do problema.
fonte
Eu experimentei a mesma coisa e não encontrei muito além do clima. As áreas que vêm à mente incluem: reconhecimento de fala, detecção de ponto de mudança, marcação de partes da fala no texto, alinhamento de itens / texto sobrepostos e reconhecimento da linguagem de sinais.
Um exemplo que eu encontrei e fiz uma exploração foi na Seção 8 desta introdução , que é uma das referências para os HMMs na Wikipedia. (Na verdade, é bem divertido: sua análise descobre que existem vogais e consoantes.) Isso também mostra como trabalhar com um corpus de texto, o que é útil.
(Se você quiser brincar com a geração com HMMs, poderá treinar no texto de Shakespeare e gerar faux-Shakespeare.)
fonte
A maioria dos softwares de reconhecimento de fala usa modelos ocultos de Markov. Você pode experimentar o processamento de linguagem natural se quiser ter uma idéia dos aplicativos HMM.
Aqui está uma boa fonte: Modelos Gráficos Probabilísticos, de Koller e Friedman .
fonte
Modelos de markov ocultos são muito úteis no monitoramento do HIV. O HIV entra na corrente sanguínea e procura as células de resposta imune. Ele então fica no conteúdo protéico da célula e entra no núcleo da célula, altera o conteúdo de DNA da célula e inicia a proliferação de virions até que ela se desprenda das células. Todos esses estágios são inobserváveis e denominados latentes. Um exemplo ideal para modelagem markoviana oculta.
fonte
Para mim, a aplicação muito agradável do HMM é a identificação de acordes na composição musical. Veja, por exemplo, esta palestra.
fonte
Os modelos de Markov podem ser úteis para analisar as interações de um usuário com um site - por exemplo, na Amazon.com, onde descobrir quais séries de interações levam a um checkout para fornecer recomendações no futuro.
Um exemplo divertido que mostra o uso do modelo de Markov é o seguinte:
http://freakonometrics.blog.free.fr/index.php?post/2011/12/20/Basic-on-Markov-Chain-(for-parents )
fonte