मार्कोव श्रृंखला मेरे लिए समझ में आता है, मैं उन्हें वास्तविक जीवन की समस्याओं में संभावित परिवर्तन को मॉडल करने के लिए उपयोग कर सकता हूं। उसके बाद एचएमएम आता है। HMMs को MC की तुलना में कई समस्याओं के मॉडल के लिए अधिक उपयुक्त माना जाता है। हालाँकि, जिन समस्याओं का लोग उल्लेख करते हैं, वे कुछ जटिल हैं जैसे कि भाषण प्रसंस्करण। तो मेरा सवाल यह है कि क्या आप "वास्तविक और सरल" समस्या का वर्णन कर सकते हैं जिसके लिए HMM MC से बेहतर अनुकूल है? और क्यों समझा? धन्यवाद
मार्कोव श्रृंखला बनाम एचएमएम
जवाबों:
भाषण मान्यता एक उदाहरण के रूप में जटिल नहीं है जितना आपको लगता है।
सबसे पहले, एक मार्कोव चेन (एमसी) बनाने की कल्पना करें जो पाठ की पहचान करता है। आपका कार्यक्रम (त्रुटियों के बिना, परिपूर्ण) पाठ का एक गुच्छा (राज्यों (शब्दों) और राज्य परिवर्तनों (अगले शब्दों) की गणना करता है। लगता है कि आपने इसे नीचे पा लिया है। अब आप पाठ उत्पन्न कर सकते हैं, या कुछ पाठ राज्यों और अपने MC की संक्रमण संभावनाओं का उपयोग करके अगले शब्द की भविष्यवाणी कर सकते हैं।
अब कल्पना करें कि आप भाषण के साथ अपने एमसी का उपयोग करना चाहते हैं। आपको बस ऐसे लोग पढ़ने होंगे जो आपके MC के समान हैं और आप सेट हैं, ठीक है? ठीक है ... सिवाय इसके कि वे अलग-अलग शब्दों का उच्चारण करने जा रहे हैं: जहाँ लिखित पाठ "आलू" कहता है, आप वास्तव में "po-TAY-toh" और "po-TAH-toh" और "pu-TAY" सुनेंगे। -तो ", आदि और इसके विपरीत: पाठ" खाया "और" आठ "दो अलग-अलग राज्यों का प्रतिनिधित्व करते हैं, लेकिन (आमतौर पर) समान उच्चारण होते हैं।
आपका एल्गोरिथ्म अब अंतर्निहित स्थितियों (शब्दों) को नहीं देखता है, यह प्रत्येक शब्द के लिए उच्चारण का एक संभावित वितरण देखता है। आपका मूल MC उच्चारण के पीछे छिपा हुआ है, और अब आपके मॉडल को दो-स्तरित होने की आवश्यकता है।
इसलिए आप बहुत से लोगों को अपने मूल प्रशिक्षण के लिए उपयोग किए जाने वाले पाठ को जोर से पढ़ सकते हैं, आप प्रत्येक शब्द के लिए उच्चारण का वितरण प्राप्त कर सकते हैं, और फिर अपने मूल मॉडल को उच्चारण मॉडल के साथ जोड़ सकते हैं और आपके पास एक हिडन मार्कोव मॉडल है ( एक HMM)।
अधिकांश वास्तविक दुनिया की समस्याएं इस तरह की होंगी, क्योंकि वास्तविक दुनिया शोर करती है। आप वास्तव में यह नहीं जान पाएंगे कि कोई चीज किस राज्य में है। इसके बजाय, आपको प्रत्येक राज्य के लिए विभिन्न प्रकार के संकेतक मिलेंगे: कभी-कभी विभिन्न राज्यों के लिए समान संकेतक ("खाया" और "आठ") और कभी-कभी एक ही राज्य के लिए अलग-अलग संकेतक। ("पु-ताय-टो" और "पह-ता-टो")। इसलिए, एचएमएम वास्तविक दुनिया की समस्याओं के लिए अधिक उपयुक्त हैं।
[दो पक्ष नोट: 1) वास्तविक भाषण मान्यता ध्वनि स्तर पर काम करती है, शब्द स्तर नहीं, और 2) मेरा मानना है कि एचएमएम भाषण मान्यता के लिए पहाड़ी के राजा थे, लेकिन हाल ही में गहरे तंत्रिका नेटवर्क द्वारा अलग किया गया है।]
मूल रूप से, एक HMM एक मार्कोव मॉडल है जिसमें राज्य पूरी तरह से अवलोकन योग्य नहीं है, बल्कि यह केवल कुछ शोर टिप्पणियों के माध्यम से अप्रत्यक्ष रूप से मनाया जाता है। मार्कोव मॉडल हिस्सा राज्य में लौकिक निर्भरता को लागू करने का एक सरल तरीका है। इसके विपरीत, ऐसी समस्याएं जिनमें एचएमएम उपयोगी हैं, वे हैं जहां राज्य एक मार्कोव मॉडल का अनुसरण करते हैं, लेकिन आप सीधे राज्य का निरीक्षण नहीं करते हैं।
वहाँ कई चीजें आप एक HMM के साथ कर सकते हैं। एक उपयोगी चीज जो आप कर सकते हैं, वह इस प्रकार है - वर्तमान समय तक शोर टिप्पणियों का एक सेट दिया गया है, शायद आप यह जानना चाहते हैं कि सिस्टम की सबसे संभावित वर्तमान स्थिति क्या है। ऐसा करने के लिए, आप उचित रूप से मार्कोव श्रृंखला संरचना को राज्य का अनुमान लगाने के लिए टिप्पणियों के साथ जोड़ देंगे। इसी तरह, आप इसे टिप्पणियों के अनुक्रम से राज्यों के पूरे अनुक्रम का अनुमान लगाने के लिए बढ़ा सकते हैं ( यह मानक है)।
विज्ञान और इंजीनियरिंग में, इस मॉडल का उपयोग हर समय किया जाता है। उदाहरण के लिए, शायद आप एक साधारण जानवर की वीडियो रिकॉर्डिंग कर रहे हैं जैसे कि सी। एलिगेंस(एक कीड़ा), और यह केवल असतत व्यवहार राज्यों की कुछ छोटी संख्या है। वीडियो से, आप जानवर के व्यवहार की स्थिति के साथ प्रत्येक फ्रेम को लेबल करना चाहते हैं। एकल फ्रेम से, लेबलिंग एल्गोरिथ्म में कुछ त्रुटि / शोर होता है। हालांकि, अस्थायी निर्भरताएं भी हैं जिन्हें आप मार्कोव श्रृंखला के साथ मॉडल कर सकते हैं ... यदि एक फ्रेम में जानवर एक राज्य में था, तो अगले फ्रेम के लिए एक ही राज्य में होने की संभावना है (और शायद कुछ राज्यों में केवल संक्रमण की अनुमति है कुछ अन्य राज्यों के लिए)। मूल रूप से, संक्रमणों की संरचना (एचएमएम द्वारा) के साथ आपके शोर एकल-फ्रेम अवलोकनों को जोड़कर, आप राज्य अनुमानों का एक सुचारू और बेहतर विवश अनुक्रम प्राप्त कर सकते हैं।
HMM एक मिश्रण मॉडल है। जैसे गॉसियन मॉडल का मिश्रण । मार्कोव चेन के अतिरिक्त हम इसका उपयोग करते हैं, यह डेटा के पैटर्न को पकड़ने के लिए अधिक जटिल है।
यदि हम एकल गॉसियन का उपयोग किसी विवादास्पद चर के मॉडल के लिए करते हैं या हम एक निरंतर चर को मॉडल करने के लिए गॉसियन के मिश्रण का उपयोग करते हैं।
मैं इस विचार को प्रदर्शित करने के लिए एक सतत चर का उपयोग करूंगा: मान लें कि हमारे पास यह डेटा है
इसे 2 गाऊसी और विभिन्न अनुपात के साथ मॉडल करना बेहतर है। जो असतत मामले में "समकक्ष" है: हम 2 छिपे हुए राज्यों के साथ एक एचएमएम का निर्माण करते हैं।