Il prossimoProssima guida
Parallelismo tensoriale per modelli di grandi dimensioni
Tecnico
GUIDA TECNICA
Un modello di Markov nascosto descrive un sistema che si muove attraverso stati nascosti che non puoi vedere direttamente, emettendo risultati osservabili lungo il percorso.
Ascolta questa guidaNarrato dall'IA · ~2 min
Ha potenziato il riconoscimento vocale precoce, la scoperta dei geni e l'etichettatura di parti del discorso.
Un modello di Markov nascosto (HMM) presuppone che un processo salti tra un insieme di stati nascosti nel tempo, dove lo stato successivo dipende solo da quello corrente (la proprietà di Markov). Non osservi mai direttamente gli stati; invece ogni stato emette un simbolo osservabile secondo una probabilità di emissione. Un HMM è definito da tre parti: probabilità dello stato iniziale, una matrice di transizione tra gli stati e probabilità di emissione per gli output. Tre problemi classici lo accompagnano: valutazione (quanto è probabile una sequenza osservata, risolta dall'algoritmo Forward), decodifica (quale percorso nascosto spiega meglio le osservazioni, risolta dall'algoritmo di Viterbi) e apprendimento (stima dei parametri dai dati, risolta dall'algoritmo di massimizzazione delle aspettative di Baum-Welch). Gli HMM hanno dominato per decenni l'etichettatura vocale e di sequenze.
Etichettatura di parti del discorso, etichettatura di ogni parola come sostantivo, verbo o aggettivo
Analisi di sequenze geniche e proteiche in bioinformatica
Modellazione acustica nei classici sistemi di riconoscimento vocale automatico
Rilevamento di regimi o segmenti nelle serie temporali finanziarie e dei sensori
Reti e trasformatori ricorrenti hanno ampiamente sostituito gli HMM per la parola e il linguaggio perché catturano dipendenze non lineari a lungo raggio che una catena di Markov del primo ordine non può. Eppure gli HMM sopravvivono laddove contano l’interpretabilità, i piccoli dati e la semantica esplicita dello stato: bioinformatica, segmentazione di serie temporali, rilevamento di errori e finanza. Si prevede un utilizzo continuato in pipeline ibride e su dispositivo e come trampolino di lancio concettuale verso modelli più ricchi di variabili latenti e di spazio degli stati.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Un modello di Markov nascosto descrive un sistema che si muove attraverso stati nascosti che non puoi vedere direttamente, emettendo risultati osservabili lungo il percorso. Ha potenziato il riconoscimento vocale precoce, la scoperta dei geni e l'etichettatura di parti del discorso.
Vengono visualizzate solo le osservazioni emesse; la sequenza degli stati sottostante è nascosta e deve essere dedotta.
In una catena di Markov del primo ordine, il futuro dipende solo dallo stato presente, non dall’intera storia.
Viterbi utilizza la programmazione dinamica per mantenere il percorso più probabile verso ciascuno stato, recuperando la migliore sequenza complessiva degli stati.
Un HMM è definito da dove inizia, da come gli stati transitano e da come gli stati emettono osservazioni.
Baum-Welch è una procedura EM che rivaluta iterativamente le probabilità di transizione e di emissione per massimizzare la verosimiglianza dei dati.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Parallelismo tensoriale per modelli di grandi dimensioni
Tecnico