Saya membaca sedikit model Markov yang tersembunyi dan dapat mengkodekan versi yang cukup mendasar sendiri.
Tetapi ada dua cara utama yang tampaknya saya pelajari. Salah satunya adalah membaca dan mengimplementasikannya ke dalam kode (yang dilakukan) dan yang kedua adalah memahami bagaimana itu berlaku dalam situasi yang berbeda (jadi saya bisa lebih memahami bagaimana ini terkait dengan masalah yang mungkin saya kerjakan). Semua contoh yang saya lakukan sejauh ini melibatkan semacam prediksi DNA atau lemparan koin.
Saya bertanya-tanya apakah ada sumber daya untuk mendapatkan masalah Markov lainnya (bahasa tidak masalah tapi mudah-mudahan dengan jawaban juga sehingga saya bisa tahu apakah saya benar atau salah)?
algorithms
markov-process
Lostsoul
sumber
sumber
Jawaban:
Saya telah menggunakan HMM dalam skenario estimasi tingkat permintaan / persediaan, di mana kami memiliki barang yang dibeli dari banyak toko yang mungkin atau mungkin tidak memiliki persediaan barang. Urutan permintaan harian untuk barang-barang ini dengan demikian mengandung nol yang sah nol hari permintaan dan juga nol yang karena toko kehabisan stok. Anda akan berpikir Anda akan tahu apakah toko kehabisan stok dari tingkat inventaris, tetapi kesalahan dalam catatan inventaris menyebar dan sama sekali tidak jarang menemukan toko yang berpikir memiliki jumlah barang positif di tangan, tetapi sebenarnya tidak punya; keadaan tersembunyi adalah, kurang lebih, apakah toko benar-benar memiliki persediaan, dan sinyal adalah (permintaan harian, tingkat persediaan nominal). Tidak ada referensi untuk karya ini; kami tidak seharusnya mempublikasikan hasilnya untuk alasan kompetitif.
Sunting: Saya akan menambahkan bahwa ini sangat penting karena, dengan nol permintaan, nominal persediaan barang di toko tidak pernah berkurang dan melewati titik pemesanan, memicu pesanan untuk persediaan lebih banyak - oleh karena itu, keadaan nol di tangan karena catatan inventaris yang salah tidak diperbaiki untuk waktu yang lama, sampai seseorang melihat ada sesuatu yang salah atau hitungan siklus terjadi, yang mungkin berbulan-bulan setelah masalah dimulai.
sumber
Saya cukup banyak mengalami hal yang sama dan tidak menemukan banyak hal di luar cuaca. Area yang muncul di pikiran termasuk: pengenalan ucapan, deteksi titik perubahan, penandaan bagian-bagian ucapan dalam teks, menyelaraskan item / teks yang tumpang tindih, dan mengenali bahasa isyarat.
Salah satu contoh yang saya temukan dan lakukan eksplorasi di Bagian 8 dari pengantar ini , yang merupakan salah satu referensi untuk HMM di Wikipedia. (Ini sebenarnya sangat menyenangkan: analisis Anda menemukan bahwa ada vokal dan konsonan.) Ini juga memperkenalkan Anda untuk bekerja dengan corpus teks, yang berguna.
(Jika Anda ingin bermain dengan generasi dengan HMM, Anda bisa melatih teks Shakespeare dan kemudian menghasilkan faux-Shakespeare.)
sumber
Sebagian besar perangkat lunak pengenalan ucapan menggunakan Model Hidden Markov. Anda dapat bereksperimen dengan pemrosesan bahasa alami jika Anda ingin merasakan aplikasi HMM.
Inilah sumber yang baik: Model Grafis Probabilistik, oleh Koller dan Friedman .
sumber
Model markov tersembunyi sangat berguna dalam memantau HIV. HIV memasuki aliran darah dan mencari sel-sel respons imun. Ini kemudian duduk pada kandungan protein sel dan masuk ke inti sel dan mengubah konten DNA sel dan mulai proliferasi virion sampai meledak keluar dari sel. Semua tahapan ini tidak dapat diamati dan disebut laten. Contoh ideal untuk pemodelan markovian tersembunyi.
sumber
Bagi saya, aplikasi HMM yang sangat bagus adalah identifikasi akord dalam komposisi musik. Lihat misalnya kuliah ini.
sumber
Model Markov mungkin berguna dalam menganalisis interaksi pengguna dengan situs web - Sebagai contoh di Amazon.com di mana mencari tahu rangkaian interaksi apa yang mengarah ke checkout untuk memberikan rekomendasi di masa depan.
Contoh yang menyenangkan menunjukkan penggunaan Model Markov adalah sebagai berikut-
http://freakonometrics.blog.free.fr/index.php?post/2011/12/20/Basic-on-Markov-Chain-(for-parents )
sumber