Exemplos de problemas ocultos de modelos de Markov?

21

Eu li bastante modelos de Markov ocultos e pude codificar uma versão bastante básica dele.

Mas há duas maneiras principais que pareço aprender. Um é ler e implementá-lo no código (o que é feito) e o segundo é entender como isso se aplica em diferentes situações (para que eu possa entender melhor como isso se relaciona com os problemas nos quais posso estar trabalhando). Todos os exemplos que fiz até agora envolveram algum tipo de previsão de DNA ou lançamento de moedas.

Gostaria de saber se existem recursos para obter outros problemas de Markov (o idioma não importa, mas espero que com as respostas também, para que eu possa saber se estou certo ou errado)?

algorithms  markov-process 
— Lostsoul
fonte
Fui aconselhado a cruzar esta postagem de stackoverflow.com/questions/8661941/…
— Lostsoul
Você poderia ser um pouco mais específico em termos de "codificar uma versão bastante básica"? Você simulou a partir de um processo Hidden Markov ou codificou os algoritmos Viterbi, forward ou Baum-Welch? (Os três últimos seriam usados ​​para calcular a sequência de estados correspondente mais provável, a probabilidade da sequência de observações ou as probabilidades iniciais, função de transição e função de observação de um modelo oculto de Markov, respectivamente.)
— Wayne
Olá Wayne, basicamente codifiquei uma versão desta página (a planilha) para baum-welch: cs.jhu.edu/~jason/papers/#tnlp02 e basicamente implementei o código da página wiki do viterbi e segui alguns tutoriais básicos sobre modelos de markov ocultos. Isso pode parecer estúpido, mas eu queria ver outros tipos de problemas que poderia tentar resolver, para entender melhor do que os modelos markov são capazes.
— Lostsoul
1
Não quero passar semanas trabalhando nisso, mas, por exemplo, um estudo de caso de alguém usando modelos markov de maneira que não seja de moeda ou de previsão do tempo pode me ajudar a entender a variedade de problemas que ele pode resolver melhor. Basicamente, estou procurando construir uma melhor compreensão testando o que os modelos markov podem fazer.
— Lostsoul
Eu acho que o HMM também tem aplicações muito importantes em Finanças (taxas de juros) e Economia (PIB).
— Um velho no mar.

Respostas:

8

Usei o HMM em um cenário de estimativa de nível de demanda / estoque, em que havia mercadorias sendo compradas em muitas lojas que podem ou não estar fora do estoque. A sequência de demandas diárias para esses itens continha zeros que eram dias de demanda zero legítimos e também zeros porque a loja estava sem estoque. Você pensaria que saberia se a loja estava sem estoque a partir do nível de estoque, mas os erros nos registros de estoque se propagam e não é incomum encontrar uma loja que pense que possui um número positivo de itens em estoque, mas na verdade não tem nenhum; o estado oculto é, mais ou menos, se a loja realmente possui algum estoque e o sinal é (demanda diária, nível nominal de estoque). Não há referências para este trabalho; não deveríamos publicar os resultados por razões competitivas.

Editar: acrescentarei que isso é especialmente importante porque, com zero demanda, o estoque nominal nominal da loja nunca diminui e cruza um ponto de pedido, acionando um pedido para mais estoque - portanto, um estado zero disponível devido a registros de inventário incorretos não são corrigidos por um longo tempo, até que alguém perceba que algo está errado ou uma contagem de ciclos ocorre, o que pode levar muitos meses após o início do problema.

— jbowman
fonte
Acredito que isso seja conhecido como um problema de inflação zero, e eles são bastante difundidos. Você precisa de um modelo que modele os "zeros em excesso" (quando a leitura é zero, porque não pode haver leitura, em oposição a uma leitura legítima de zero), depois um modelo de segundo nível que modela o restante. Por exemplo, o número de clientes em um banco: às vezes, na verdade, não há, outras, o banco é fechado e, portanto, não pode haver nenhum. Ou a velocidade de um carro: às vezes ele fica parado com um motorista, outras vezes está estacionado. Etc.
— Wayne
É verdade, do ponto de vista do sinal de demanda. A outra parte do problema é identificar o estado oculto binário "inventário = 0 | registro de inventário> 0", que era realmente mais importante para o cliente.
— jbowman
Devo também salientar que os "zeros inflados" não são iid ao longo do tempo - há execuções em que todos os zeros são "extras" e execuções em que nenhum deles é, daí a necessidade do HMM com o estado indicando o que está acontecendo em cada observação.
— jbowman
6

Eu experimentei a mesma coisa e não encontrei muito além do clima. As áreas que vêm à mente incluem: reconhecimento de fala, detecção de ponto de mudança, marcação de partes da fala no texto, alinhamento de itens / texto sobrepostos e reconhecimento da linguagem de sinais.

Um exemplo que eu encontrei e fiz uma exploração foi na Seção 8 desta introdução , que é uma das referências para os HMMs na Wikipedia. (Na verdade, é bem divertido: sua análise descobre que existem vogais e consoantes.) Isso também mostra como trabalhar com um corpus de texto, o que é útil.

(Se você quiser brincar com a geração com HMMs, poderá treinar no texto de Shakespeare e gerar faux-Shakespeare.)

— Wayne
fonte
3

A maioria dos softwares de reconhecimento de fala usa modelos ocultos de Markov. Você pode experimentar o processamento de linguagem natural se quiser ter uma idéia dos aplicativos HMM.

Aqui está uma boa fonte: Modelos Gráficos Probabilísticos, de Koller e Friedman .

— Carlos Accioly
fonte
Obrigado Carlos. Ótimo livro, comecei a ler há um tempo, mas não terminei. Entendi isso para aprender sobre aprendizado de máquina e teoria de grafos, mas voltarei a procurar perguntas relacionadas aos modelos de markov. Também darei uma olhada no processamento de linguagem natural (nunca trabalhei com ele antes) #
— Lostsoul
3

Modelos de markov ocultos são muito úteis no monitoramento do HIV. O HIV entra na corrente sanguínea e procura as células de resposta imune. Ele então fica no conteúdo protéico da célula e entra no núcleo da célula, altera o conteúdo de DNA da célula e inicia a proliferação de virions até que ela se desprenda das células. Todos esses estágios são inobserváveis ​​e denominados latentes. Um exemplo ideal para modelagem markoviana oculta.

— kss iyer
fonte
2
Então, de que maneira exatamente os modelos ocultos de Markov ajudam a monitorar o HIV? Os médicos usam HMMs para diagnosticar o HIV? Os pesquisadores os utilizam para entender melhor os mecanismos da doença ou criar medicamentos e terapias anti-HIV? Qualquer referência seria muito útil.
— 12123 Leo
Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.