DalšíDalší průvodce
Tenzorová paralelita pro velké modely
Technický
Technický PRŮVODCE
Skrytý Markovův model popisuje systém, který se pohybuje skrytými stavy, které přímo nevidíte, a po cestě vydává pozorovatelné výstupy.
Poslechněte si tento návodAI-vyprávěný · ~2 min
Poháněl rané rozpoznávání řeči, vyhledávání genů a označování slovních druhů.
Skrytý Markovův model (HMM) předpokládá přeskakování procesu mezi sadou skrytých stavů v průběhu času, kde další stav závisí pouze na aktuálním (Markovova vlastnost). Nikdy nepozorujete stavy přímo; místo toho každý stav vysílá pozorovatelný symbol podle pravděpodobnosti emise. HMM je definováno třemi částmi: pravděpodobností počátečního stavu, matice přechodu mezi stavy a pravděpodobnosti emisí pro výstupy. S tím jsou spojeny tři klasické problémy: vyhodnocení (jak pravděpodobná je pozorovaná sekvence, řešená algoritmem Forward), dekódování (jaká skrytá cesta nejlépe vysvětluje pozorování, řešená Viterbiho algoritmem) a učení (odhadování parametrů z dat, řešené algoritmem Baum-Welch očekávání-maximalizace). HMM ovládaly řeč a sekvenční označování po celá desetiletí.
Slovní značkování, označení každého slova jako podstatného jména, slovesa nebo přídavného jména
Analýza genové a proteinové sekvence v bioinformatice
Akustické modelování v klasických systémech automatického rozpoznávání řeči
Detekce režimů nebo segmentů ve finančních a senzorových časových řadách
Rekurentní sítě a transformátory z velké části nahradily HMM pro řeč a jazyk, protože zachycují dlouhé nelineární závislosti, které Markovův řetězec prvního řádu nedokáže. Přesto HMM přežívají tam, kde záleží na interpretovatelnosti, malých datech a explicitní sémantice stavu: bioinformatika, segmentace časových řad, detekce chyb a finance. Očekávejte pokračující použití v hybridních kanálech a potrubích na zařízeních a jako koncepční odrazový můstek k bohatším modelům s latentními proměnnými a stavovým prostorem.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Skrytý Markovův model popisuje systém, který se pohybuje skrytými stavy, které přímo nevidíte, a po cestě vydává pozorovatelné výstupy. Poháněl včasné rozpoznávání řeči, hledání genů a značkování slovních druhů.
Vidíte pouze vysílaná pozorování; základní sekvence stavů je skrytá a musí být odvozena.
V Markovově řetězci prvního řádu závisí budoucnost pouze na současném stavu, nikoli na celé historii.
Viterbi používá dynamické programování k udržení nejpravděpodobnější cesty ke každému stavu a obnovení nejlepší celkové sekvence stavů.
HMM je definován tím, kde začíná, jak stavy přecházejí a jak stavy vysílají pozorování.
Baum-Welch je EM procedura, která iterativně znovu odhaduje pravděpodobnosti přechodu a emise, aby se maximalizovala pravděpodobnost dat.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Tenzorová paralelita pro velké modely
Technický