মার্কভ চেইনগুলি আমার কাছে উপলব্ধি করে, আমি এগুলি বাস্তব জীবনের সমস্যার সম্ভাব্য অবস্থার পরিবর্তনের মডেল হিসাবে ব্যবহার করতে পারি। তারপরে এইচএমএম আসে। বলা হয় যে এইচএমএমগুলি এমসির তুলনায় অনেক সমস্যার মডেল করতে বেশি উপযুক্ত। তবে, লোকেদের যে সমস্যাগুলি উল্লেখ করা হয়েছে সেগুলি স্পিচ প্রসেসিংয়ের মতো বোঝার জন্য কিছুটা জটিল। সুতরাং আমার প্রশ্নটি হ'ল আপনি কী এমন একটি "বাস্তব এবং সাধারণ" সমস্যা বর্ণনা করতে পারেন যার জন্য এমসির চেয়ে এইচএমএম আরও উপযুক্ত? এবং ব্যাখ্যা কেন? ধন্যবাদ
মার্কভ চেইন বনাম এইচএমএম
উত্তর:
বক্তৃতা স্বীকৃতি যেমন আপনি ভাবেন তেমন জটিল নয় think
প্রথমে, একটি মার্কভ চেইন (এমসি) তৈরির বিষয়টি কল্পনা করুন যা পাঠ্য স্বীকৃতি দেয়। আপনার প্রোগ্রামটি একগুচ্ছ (নিখুঁত, ত্রুটি ছাড়াই) পাঠ্য পড়ে এবং রাজ্যগুলি (শব্দ) এবং রাষ্ট্র পরিবর্তনগুলি (পরবর্তী শব্দ) গণনা করে। আপনি এটি নিচে পেয়েছেন বলে মনে হচ্ছে। আপনি এখন পাঠ্য উত্পন্ন করতে পারতেন বা আপনার পাঠানো এমসির রূপান্তর সম্ভাবনাগুলি ব্যবহার করে পরবর্তী পাঠ্যটির পূর্বাভাস দিয়েছিলেন some
এখন কল্পনা করুন যে আপনি বক্তৃতার সাথে আপনার এমসি ব্যবহার করতে চান। আপনার কাছে কেবল লোকেরা আপনার এমসির অনুরূপ পাঠ্য পড়বে এবং ঠিক আছে, ঠিক আছে? ঠিক আছে ... বাদে তারা শব্দগুলি অন্যভাবে উচ্চারণ করতে চলেছে: যেখানে লিখিত পাঠ্যটিতে "আলু" বলা হয়েছে, আপনি আসলে "পো-টাই-তোহ" এবং "পো-টাহ-তোহ" এবং "পু-তে" শুনতে পাবেন -তে ", ইত্যাদি এবং তদ্বিপরীত:" খাওয়া "এবং" আট "পাঠ্য দুটি পৃথক রাষ্ট্রের প্রতিনিধিত্ব করে, তবে (সাধারণত) একই হিসাবে উচ্চারণ করা হয়।
আপনার অ্যালগরিদম আর অন্তর্নিহিত রাজ্যগুলি (শব্দ) দেখতে পাবে না, এটি প্রতিটি শব্দের উচ্চারণের সম্ভাব্য বন্টন দেখে। আপনার আসল এমসি উচ্চারণগুলির পিছনে লুকানো রয়েছে এবং এখন আপনার মডেলটি দ্বি-স্তরযুক্ত হওয়া দরকার।
সুতরাং আপনি প্রচুর লোককে আপনার মূল প্রশিক্ষণের জন্য যে পাঠটি ব্যবহার করেছেন তা উচ্চস্বরে পড়তে পারেন, আপনি প্রতিটি শব্দের জন্য উচ্চারণের জন্য একটি বিতরণ পেতে পারেন এবং তারপরে আপনার মূল মডেলটি উচ্চারণের মডেলের সাথে একত্রিত করতে পারেন এবং আপনার একটি লুকানো মার্কভ মডেল রয়েছে ( একটি এইচএমএম)।
রিয়েল-ওয়ার্ল্ডের বেশিরভাগ সমস্যাগুলি এরকম হবে, যেহেতু আসল পৃথিবী গোলমাল করে। কোনও রাজ্যে কী রয়েছে তা আপনি আসলে জানতে পারবেন না Instead পরিবর্তে, আপনি প্রতিটি রাজ্যের জন্য বিভিন্ন সূচক পাবেন: কখনও কখনও একই রাজ্যের জন্য একই সূচক ("খেয়েছিলেন" এবং "আট") এবং কখনও কখনও একই রাজ্যের জন্য পৃথক সূচক থাকে ("পু-তে-টো" এবং "পাহ-তাহ-তো")। অতএব, এইচএমএমগুলি বাস্তব-বিশ্বের সমস্যার জন্য আরও উপযুক্ত।
[দু'পক্ষের নোট: 1) প্রকৃত বক্তৃতা স্বীকৃতি ফোমমে স্তরে কাজ করে, শব্দ স্তর নয়, এবং 2) আমি বিশ্বাস করি যে এইচএমএমরা বক্তৃতা স্বীকৃতি দেওয়ার জন্য এই পাহাড়ের রাজা ছিলেন, তবে সম্প্রতি গভীর নিউরাল নেটওয়ার্কের দ্বারা তাকে ক্ষমতাচ্যুত করা হয়েছে।]
খুব মূলত, এইচএমএম হ'ল একটি মার্কোভ মডেল যেখানে রাজ্য পুরোপুরি পর্যবেক্ষণযোগ্য নয়, বরং এটি কেবল কিছু শোরগোল পর্যবেক্ষণের মাধ্যমে পরোক্ষভাবে পর্যবেক্ষণ করা হয়। মার্কভ মডেল অংশটি রাজ্যে সাময়িক নির্ভরতা চাপিয়ে দেওয়ার এক সহজ উপায়। অনুরূপভাবে, এইচএমএমগুলি যে সমস্যাগুলিতে কার্যকর সেগুলি হ'ল রাজ্য একটি মার্কভের মডেল অনুসরণ করে তবে আপনি সরাসরি রাষ্ট্রটি পর্যবেক্ষণ করেন না।
এইচএমএম দিয়ে আপনি বিভিন্ন জিনিস করতে পারেন। একটি কার্যকর জিনিস আপনি যা করতে পারেন তা হ'ল - বর্তমান সময়ের অবধি গোলমাল পর্যবেক্ষণের একটি সেট দেওয়া, সম্ভবত আপনি জানতে চান যে সিস্টেমটির সর্বাধিক সম্ভাব্য বর্তমান অবস্থা কী is এটি করার জন্য, আপনি সঠিকভাবে মার্কভ চেইন কাঠামোটিকে রাষ্ট্রের অনুমানের জন্য পর্যবেক্ষণগুলির সাথে একত্রিত করবেন। একইভাবে, আপনি এই প্রসারিত পর্যবেক্ষণ ক্রম থেকে রাজ্যের পুরো ক্রম অনুমান করা যাবে ( এই মান)।
বিজ্ঞান এবং প্রকৌশল ক্ষেত্রে, এই মডেলটি সর্বদা ব্যবহৃত হয়। উদাহরণস্বরূপ, সম্ভবত আপনি সি এর মতো কোনও সাধারণ প্রাণীর ভিডিও রেকর্ড করছেন । মার্জিত(একটি কৃমি), এবং এটিতে স্বল্প আচরণের কিছু সংখ্যক সংখ্যক অবস্থান রয়েছে। ভিডিও থেকে, আপনি প্রতিটি ফ্রেমের প্রাণীর আচরণগত অবস্থার সাথে লেবেল করতে চান। একটি একক ফ্রেম থেকে, লেবেলিং অ্যালগরিদমের কিছু ত্রুটি / গোলমাল রয়েছে। যাইহোক, এখানে অস্থায়ী নির্ভরতাও রয়েছে যা আপনি একটি মার্কভ চেইনের সাথে মডেল করতে পারেন ... যদি একটি ফ্রেমে প্রাণীটি একটি অবস্থায় থাকে তবে পরবর্তী ফ্রেমের জন্য এটি একই অবস্থায় থাকতে পারে (এবং সম্ভবত কিছু রাজ্য কেবলমাত্র ট্রানজিশনের অনুমতি দেয়) নির্দিষ্ট অন্যান্য রাজ্যে)। মূলত, আপনার শোরগোলের একক-ফ্রেম পর্যবেক্ষণগুলি রূপান্তরগুলির কাঠামোর সাথে (এইচএমএম দ্বারা) একত্রিত করে, আপনি রাষ্ট্রীয় অনুমানের একটি ভাল-গতির এবং আরও ভাল সীমাবদ্ধ ক্রম পেতে পারেন।
এইচএমএম একটি মিশ্রণের মডেল। ঠিক তেমন গাউসির মডেলের মিশ্রণ । আমরা মার্কভ চেইন ছাড়াও এটি যে কারণে ব্যবহার করি, তা কি ডেটার নিদর্শনগুলি ক্যাপচার করা আরও জটিল।
আমরা যদি বিতর্কীয় ভেরিয়েবলকে মডেল করার জন্য একক গাউসিয়ান ব্যবহার করি বা আমরা ধারাবাহিক পরিবর্তনশীলকে মডেল করতে গাউসির মিশ্রণ ব্যবহার করি তবে এর মতো।
এই ধারণাটি ডেমো করার জন্য আমি অবিচ্ছিন্ন পরিবর্তনশীল ব্যবহার করব: মনে করুন আমাদের কাছে এই ডেটা রয়েছে
এটি 2 গাউসিয়ান এবং বিভিন্ন অনুপাত সহ মডেল করা আরও ভাল। যা পৃথক ক্ষেত্রে "সমতুল্য": আমরা 2 টি লুকানো রাজ্য সহ এইচএমএম তৈরি করি।