¿Ejemplos de problemas de modelos ocultos de Markov?


21

Leí un poco de modelos ocultos de Markov y pude codificar una versión bastante básica.

Pero hay dos formas principales en que parezco aprender. Una es leerla e implementarla en el código (lo que está hecho) y la segunda es comprender cómo se aplica en diferentes situaciones (para poder entender mejor cómo se relaciona con los problemas en los que podría estar trabajando). Todos los ejemplos que he hecho hasta ahora han implicado algún tipo de predicción de ADN o lanzamiento de monedas.

Me pregunto si hay algún recurso para resolver otros problemas de Markov (el idioma no importa, pero espero que también con las respuestas para poder saber si estoy en lo correcto o no).


Me aconsejaron publicar esto en stackoverflow.com/questions/8661941/…
Lostsoul

¿Podría ser un poco más específico en términos de "codificar una versión bastante básica"? ¿Simuló a partir de un proceso de Markov oculto, o codificó los algoritmos de Viterbi, adelante o Baum-Welch? (Los últimos tres se usarían para calcular la secuencia de estados correspondiente más probable, la probabilidad de la secuencia de observaciones o las probabilidades iniciales, la función de transición y la función de observación de un modelo oculto de Markov, respectivamente.)
Wayne,

Hola Wayne, básicamente codifiqué una versión de esta página (la hoja de cálculo) para baum-welch: cs.jhu.edu/~jason/papers/#tnlp02 y básicamente implementé el código para la página wiki de viterbi y seguí algunos tutoriales básicos sobre modelos ocultos de markov. Esto puede sonar estúpido, pero quería ver otros tipos de problemas que podría tratar de resolver para poder comprender mejor de qué son capaces los modelos de Markov.
Lostsoul

1
No quiero pasar semanas trabajando en ello, pero, por ejemplo, un estudio de caso de alguien que usa modelos de Markov en una forma de no lanzar monedas o predicción del clima podría ayudarme a comprender la variedad de problemas que puede resolver mejor. Básicamente, estoy buscando construir una mejor comprensión probando lo que pueden hacer los modelos de Markov.
Lostsoul

Creo que HMM también tiene aplicaciones muy importantes en Finanzas (tasas de interés) y Economía (PIB).
Un viejo en el mar.

Respuestas:


8

Utilicé HMM en un escenario de estimación de nivel de demanda / inventario, donde compramos bienes en muchas tiendas que podrían o no estar fuera del inventario de los bienes. Por lo tanto, la secuencia de demandas diarias de estos artículos contenía ceros que eran días legítimos de demanda cero y también ceros debido a que la tienda estaba agotada. Uno pensaría que sabría si la tienda estaba agotada desde el nivel de inventario, pero los errores en los registros de inventario se propagan y no es raro encontrar una tienda que piense que tiene un número positivo de artículos disponibles, pero en realidad no tiene ninguno; el estado oculto es, más o menos, si la tienda realmente tiene algún inventario, y la señal es (demanda diaria, nivel de inventario nominal). Sin embargo, no hay referencias para este trabajo; se suponía que no debíamos publicar los resultados por razones competitivas.

Editar: agregaré que esto es especialmente importante porque, con cero demandas, el inventario disponible nominal de la tienda nunca disminuye y cruza un punto de pedido, lo que desencadena un pedido de más inventario; por lo tanto, un estado de cero en mano debido a los registros de inventario erróneos no se corrigen durante mucho tiempo, hasta que alguien se da cuenta de que algo está mal o se produce un recuento de ciclos, que puede ser muchos meses después de que el problema haya comenzado.


Creo que esto se conoce como un problema de inflación cero, y están bastante extendidos. Necesita un modelo que modele los "ceros en exceso" (cuando la lectura es cero porque no puede haber ninguna lectura, a diferencia de una lectura legítima de cero), luego un modelo de segundo nivel que modele el resto. Por ejemplo, el número de clientes en un banco: a veces en realidad no hay ninguno, otras veces el banco está cerrado, por lo que no puede haber ninguno. O la velocidad de un automóvil: a veces está sentado quieto con un conductor adentro, otras veces está estacionado. Etc.
Wayne

Es cierto, desde el punto de vista de la señal de demanda. La otra parte del problema es identificar el estado oculto binario "inventario = 0 | registro de inventario> 0", que en realidad era más importante para el cliente.
jbowman

También debo señalar que los "ceros inflados" no se incrementan con el tiempo: hay corridas donde todos los ceros son "extra" y corren donde ninguno de ellos está, de ahí la necesidad del HMM con el estado que indica qué está sucediendo en cada observación
jbowman

6

Experimenté casi lo mismo y no encontré mucho más allá del clima. Las áreas que vienen a la mente incluyen: reconocimiento de voz, detección de puntos de cambio, etiquetado de partes de la voz en texto, alineación de elementos / texto superpuestos y reconocimiento del lenguaje de señas.

Un ejemplo que encontré e hice un poco de exploración fue en la Sección 8 de esta introducción , que es una de las referencias de HMM en Wikipedia. (En realidad es bastante divertido: su análisis descubre que hay vocales y consonantes). Esto también lo introduce a trabajar con un corpus de texto, lo cual es útil.

(Si quieres jugar con generación con HMMs, puedes entrenar en texto de Shakespeare y luego generar faux-Shakespeare).


3

La mayoría del software de reconocimiento de voz utiliza modelos ocultos de Markov. Puede experimentar con el procesamiento del lenguaje natural si desea familiarizarse con las aplicaciones HMM.

Aquí hay una buena fuente: Modelos gráficos probabilísticos, de Koller y Friedman .


Gracias carlos. Gran libro, comencé a leerlo hace un tiempo pero no lo terminé. Lo aprendí sobre el aprendizaje automático y la teoría de gráficos, pero volveré y buscaré preguntas relacionadas con los modelos de Markov. También echaré un vistazo al procesamiento del lenguaje natural (nunca he trabajado con él antes)
Lostsoul

3

Los modelos ocultos de Markov son muy útiles para controlar el VIH. El VIH ingresa al torrente sanguíneo y busca las células de respuesta inmune. Luego se asienta sobre el contenido de proteínas de la célula y se introduce en el núcleo de la célula y cambia el contenido de ADN de la célula y comienza la proliferación de viriones hasta que estalla fuera de las células. Todas estas etapas son inobservables y se llaman latentes. Un ejemplo ideal para el modelado markoviano oculto.


2
Entonces, ¿de qué manera exactamente los modelos ocultos de Markov ayudan a controlar el VIH? ¿Los médicos usan HMM para diagnosticar el VIH? ¿Los investigadores los usan para comprender mejor los mecanismos de la enfermedad o crear medicamentos y terapias contra el VIH? Cualquier referencia sería muy útil.
Leo


0

Los modelos de Markov pueden ser útiles para analizar las interacciones de un usuario con un sitio web: por ejemplo, en Amazon.com, donde averiguar qué series de interacciones conducen a un pago para dar recomendaciones en el futuro.

Un ejemplo divertido que muestra el uso del modelo de Markov es el siguiente:

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


1
Pero no los modelos OCULTOS de Markov aquí, ¿eh?
B_Miner
Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.