разбор · hmm
2.0
из 10
смотреть не обязательно — забрать выжимку и пункты
оценка машинная и частично зависит от длины ролика — спорите, открывайте оригинал
Скрытые марковские модели: восстановление невидимых событий
Hidden Markov Models: A Simple Explanation of the Basics
Скрытые марковские модели (HMM) - математический инструмент для восстановления событий, невидимых напрямую, путем анализа последовательностей наблюдаемых данных. Основываются на цепи Маркова и используют марковское допущение, что будущее определяется только текущим состоянием. Применяются в автоматизации, машинном обучении и анализе данных.
HMM: от цепи Маркова к алгоритмам Forward, Витерби и Баума-Уолша — как из косвенных данных извлекать скрытую р
что из этого моё
Прямой связи с текущими задачами нет — это второй разбор той же главы, что и карточка про скрытые марковские модели. Забрать можно форму подачи: разговор начинается со сломанного рентгена, и дальше вся математика едет на одной бытовой картинке — так же объясняется заказчику, зачем ему бот.
Что забрать
отметь, что берёшь в работу → или отбрось как не своёмоё →
вынести матрицу переходов и наблюдений в конфиг для своей модели
реализовать алгоритм Viterbi на Python для декодирования последовательностей
использовать бытовую аналогию со сломанным рентгеном в объяснении заказчику
о чём говорят, по времени
главы доводят до 05:14 · дальше по ролику меток нет
01
Введение00:03 ↗
Объяснение сложности анализа данных и введения в HMM.
02
Основы Маркова01:07 ↗
Описание цепи Маркова и марковского допущения.
03
Матрица вероятности переходов03:10 ↗
Использование матрицы вероятности переходов для расчета следующего состояния.
04
Скрытые состояния и наблюдаемые события04:44 ↗
Введение в концепцию скрытых состояний и их связь с наблюдаемыми событиями.
05
Пример с дневником05:14 ↗
Мысленный эксперимент для иллюстрации работы HMM.