Публикации по теме 'hidden-markov-models'
Введение в алгоритм Витерби
В последнем посте о скрытых марковских моделях (HMM) мы ни разу не решили проблему поиска наиболее вероятной последовательности используемых монет. Если вы не читали сообщение о HMM, я настоятельно рекомендую вам это сделать. Для тех из вас, кто этого не сделал, я обрисую проблему. Допустим, к вам подошел какой-то гуру и сказал вам взять монету из сумки (в сумке всего две монеты) и подбросить монету. Вы увидите либо голову, либо хвост. Затем вы кладете монету обратно в пакет и..
Части речевого тегирования со скрытой марковской моделью
Части речи (также известные как POS, классы слов или синтаксические категории) полезны, потому что они многое говорят о слове и его соседях. Знание того, является ли слово существительным или глаголом, говорит нам о вероятных соседних словах (существительным предшествуют определители и прилагательные, а глаголам — существительные), что делает тегирование частей речи ключевым аспектом синтаксического анализа. Части речи являются полезными функциями для маркировки именованных объектов,..
Скрытая марковская модель
Скрытые марковские модели (HMM) - это стохастические модели, которые были впервые представлены в статистической литературе в 1957 году и изучались в конце 1960-х - начале 1970-х годов. HMM можно рассматривать как общее статистическое моделирование в последовательности или временных рядах. Изначально необходимо понять два термина, прежде чем переходить к обсуждению HMM.
Скрытые состояния
Возможные или доступные состояния целевой / скрытой переменной, которые не видны..
Бог не играет в кости: Скрытая марковская модель
Эйнштейн сказал, что Бог не играет в кости. Потому что он считал, что случайности в случае, если известны все ситуации, не бывает. Какова вероятность того, что событие произойдет случайно? Или какова вероятность того, что событие произойдет?
Скрытая марковская модель представляет собой конечное множество состояний, каждое из которых имеет собственное распределение вероятностей. Набор вероятностей, известных как вероятности перехода, управляет переходом между состояниями.
Для..
Изучение скрытых марковских моделей на простых примерах и в Matlab [часть 1]
Закончив выполнять упражнения, которые я покажу в этой статье, я понял, что они очень помогли мне понять скрытые марковские модели (СММ). Вот почему я подумал, что эта статья может быть полезной для тех, кто пытается понять основные концепции HMM на практике. Информация будет подаваться в двух вариантах — бумажном и кодовом.
Предпосылки для части кодирования:
Матлаб установлен* Statistics and Machine Learning Toolbox также установлен для вашего Matlab
*Если вы студент, есть..
Изучение скрытых марковских моделей на простых примерах и в Matlab [часть 2]
В предыдущей части мы рассмотрели первую задачу представленного примера. В этой части я представлю решение второй задачи задачи и попытаюсь объяснить стоящую за ним интуицию.
Чтобы освежить память о том, в чем была проблема, вот еще раз:
Рассмотрим HMM со следующими свойствами:
Скрытый набор состояний Q = {1,2,3} Набор наблюдаемых состояний V = {a, b} Параметр λ = (π, A , B )
где матрицы A (матрица перехода) , B (матрица эмиссии) , π (начальное распределение)..
Скрытая марковская модель - Часть 1 из серии HMM
Как он устроен и что с ним делать?
Примечание. В этой серии статей я расскажу о том, что я узнал о HMM за последние несколько дней. Я постарался сделать статьи максимально простыми для понимания. Хотя это не систематический способ, которым может предложить вам учебник, но я надеюсь, что моя статья может помочь вам преодолеть некоторые узкие места на вашем пути. Удачи!
Часть 1: Архитектура скрытой марковской модели Часть 2: Алгоритм обучения HMM: алгоритм Баума-Велча Часть 3:..
