Приклади прихованих проблем моделей Маркова?

Я прочитав зовсім небагато прихованих моделей Маркова і сам зміг кодувати досить базову версію.

Але є два основні способи, які, здається, я навчусь. Одне - прочитати та впровадити його в код (що робиться), а друге - зрозуміти, як він застосовується в різних ситуаціях (тому я можу краще зрозуміти, як це стосується проблем, над якими я можу працювати). Усі приклади, які я робив дотепер, стосувалися або якогось прогнозування ДНК, або метання монети.

Мені цікаво, чи є ресурси, щоб отримати інші проблеми Маркова (мова не має значення, але, сподіваюся, і відповіді, щоб я міг знати, чи я прав, чи не так)?

Я використовував HMM у сценарії оцінювання рівня попиту / запасів, де ми купували товари у багатьох магазинах, які можуть або не можуть бути поза інвентаризацією товарів. Послідовність щоденних запитів на ці товари, таким чином, містила нулі, які були законними нульовими днями попиту, а також нулями, які були через те, що магазин не вистачає на складі. Ви б могли подумати, що знаєте, чи не вистачає магазину на рівні запасів, але помилки в записах запасів поширюються, і це не зовсім рідкість, щоб знайти магазин, який вважає, що у нього є позитивна кількість товарів, але насправді не має жодної; прихований стан - це більш-менш те, чи справді магазин має інвентар, а сигналом є (щоденний попит, номінальний рівень запасів). Немає посилань на цей твір; ми не повинні були публікувати результати з конкурентних міркувань.

Редагувати: Я додам, що це особливо важливо, оскільки, при нульових вимогах, номінал магазину в ручному інвентарі ніколи не зменшується і не перетинає точку замовлення, викликаючи замовлення на більше рекламних ресурсів - отже, нуль на руках у зв'язку з помилкові записи інвентаря не виправляються тривалий час, поки хтось не помітить, що щось не так або не відбудеться кількість циклів, що може пройти через багато місяців після запуску проблеми.

Я в значній мірі пережив те ж саме і не знайшов багато поза погодою. Сфери, які вам спадають на думку, включають: розпізнавання мовлення, виявлення точок зміни, позначення частин мови в тексті, вирівнювання елементів, що перекриваються / тексту, та розпізнавання мови жестів.

Один із прикладів, які я знайшов і провів деякі дослідження, був у розділі 8 цього вступу , який є однією з посилань на HMM у Вікіпедії. (Це насправді досить весело: ваш аналіз виявляє, що є голосні та приголосні.) Це також знайомить вас з роботою з текстовим корпусом, що корисно.

(Якщо ви хочете грати покоління з HMM, ви можете тренуватися на тексті Шекспіра, а потім генерувати штучний Шекспір.)

Більшість програм для розпізнавання мовлення використовує приховані моделі Маркова. Ви можете поекспериментувати з обробкою природних мов, якщо хочете отримати уявлення про програми HMM.

Ось хороше джерело: Імовірнісні графічні моделі Коллера та Фрідмана .

Приховані моделі марків дуже корисні для моніторингу ВІЛ. ВІЛ потрапляє в кров і шукає клітини імунної відповіді. Потім він сідає на вміст білка в клітці і потрапляє в ядро ​​клітини і змінює вміст ДНК в клітині і починає розмноження віріонів, поки не вибухне з клітин. Всі ці стадії непомітні і називаються латентними. Ідеальний приклад для прихованого марківського моделювання.

Для мене дуже приємним застосуванням HMM є ідентифікація акордів у музичній композиції. Дивіться, наприклад, цю лекцію.

Моделі Маркова можуть бути корисні при аналізі взаємодій користувача з веб-сайтом - Наприклад, на Amazon.com, де з'ясовуються, які серії взаємодій призводять до оформлення замовлення, щоб дати рекомендації в майбутньому.

Веселий приклад використання моделі Маркова:

http://freakonometrics.blog.free.fr/index.php?post/2011/12/20/Basic-on-Markov-Chain-(for-parents )