LegközelebbKövetkező útmutató
Tenzor párhuzamosság nagy modellekhez
Műszaki
Műszaki ÚTMUTATÓ
A rejtett Markov-modell egy olyan rendszert ír le, amely olyan rejtett állapotokon halad keresztül, amelyeket közvetlenül nem láthat, és megfigyelhető kimeneteket bocsát ki az út során.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Ez segítette a korai beszédfelismerést, a génkeresést és a beszédrészek címkézését.
A rejtett Markov-modell (HMM) feltételezi, hogy egy folyamat ugrál a rejtett állapotok halmaza között az idő múlásával, ahol a következő állapot csak az aktuális állapottól függ (a Markov-tulajdonság). Soha nem figyeled meg közvetlenül az állapotokat; ehelyett minden állapot egy megfigyelhető szimbólumot bocsát ki a kibocsátási valószínűség szerint. A HMM-et három rész határozza meg: kezdeti állapotvalószínűség, az állapotok közötti átmeneti mátrix és a kimenetek kibocsátási valószínűsége. Három klasszikus probléma jár vele: kiértékelés (mennyire valószínű egy megfigyelt sorozat, amelyet a Forward algoritmus old meg), dekódolás (milyen rejtett útvonal magyarázza legjobban a megfigyeléseket, megoldja a Viterbi algoritmus) és tanulás (paraméterek becslése adatokból, Baum-Welch elvárás-maximalizálási algoritmussal). A HMM-ek évtizedeken át uralták a beszéd- és szekvenciacímkézést.
Beszédrész-címkézés, minden szó főnévként, igének vagy melléknévnek a címkézése
Gén- és fehérjeszekvencia analízis a bioinformatikában
Akusztikus modellezés klasszikus automatikus beszédfelismerő rendszerekben
Rezsimek vagy szegmensek észlelése pénzügyi és szenzoros idősorokban
Az ismétlődő hálózatok és transzformátorok nagyrészt felváltották a HMM-eket a beszédben és a nyelvben, mivel olyan nagy hatótávolságú, nemlineáris függőségeket rögzítenek, amelyeket egy elsőrendű Markov-lánc nem tud. A HMM-ek azonban túlélnek ott, ahol az értelmezhetőség, a kis adatok és az explicit állapotszemantika számít: bioinformatika, idősoros szegmentálás, hibaészlelés és pénzügyek. Folyamatos használat várható a hibrid és az eszközön lévő folyamatokban, valamint koncepcionális lépcsőfokként a gazdagabb látens változók és állapottér modellek felé.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A rejtett Markov-modell egy olyan rendszert ír le, amely olyan rejtett állapotokon halad keresztül, amelyeket közvetlenül nem láthat, és megfigyelhető kimeneteket bocsát ki az út során. Ez segítette a korai beszédfelismerést, a génkeresést és a beszédrészek címkézését.
Csak a kibocsátott megfigyeléseket látja; a mögöttes állapotsor rejtett, és ki kell következtetni.
Egy elsőrendű Markov-láncban a jövő csak a jelen állapotától függ, nem a teljes történelemtől.
A Viterbi dinamikus programozást használ, hogy megtartsa az egyes állapotokhoz vezető legvalószínűbb útvonalat, visszaállítva a legjobb általános állapotsorozatot.
A HMM-et az határozza meg, hogy hol kezdődik, hogyan alakul át az állapot, és hogyan bocsátanak ki megfigyeléseket.
A Baum-Welch egy EM eljárás, amely iteratív módon újrabecsüli az átmenet és a kibocsátás valószínűségét, hogy maximalizálja az adatok valószínűségét.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Tenzor párhuzamosság nagy modellekhez
Műszaki