разбор · марковские цепи
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: алгоритм прямого хода
Скрытые марковские модели (SMM) помогают алгоритмам машинного обучения делать точные выводы о скрытых переменных, используя косвенные наблюдения. Они основаны на марковских цепях, где вероятность текущего состояния зависит только от предыдущего. SMM используются в задачах, где истинные состояния скрыты, например, в лингвистике или прогнозировании погоды.
Скрытые марковские модели восстанавливают скрытые состояния по косвенным данным: алгоритмы прямого хода…
что из этого моё
Алгоритм прямого хода сворачивает всю ветвящуюся историю в одно число на каждом шаге — ровно эта схема нужна в длинных сессиях с агентом: не тащить весь лог, а на каждом этапе оставлять одну строку итога. Из видео забирается приём, а не сами марковские модели.
Что забрать
отметь, что берёшь в работу → или отбрось как не своёмоё →
переписать обработку истории агента на свёртку в одну строку итога на каждом шаге
о чём говорят, по времени
главы доводят до 09:23 · дальше по ролику меток нет
01
Введение00:01 ↗
Общая идея скрытых марковских моделей.
02
Марковские цепи01:04 ↗
Основные принципы марковских цепей и их роль в скрытых марковских моделях.
03
Скрытые состояния04:09 ↗
Введение в скрытые марковские модели и их архитектуру.
04
Пример с мороженым07:20 ↗
Иллюстрация принципов SMM с помощью классического примера.
05
Алгоритм прямого хода09:23 ↗
Рассмотрение метода решения задач SMM.