Mavzu: Nazoratsiz o’qitish modellari. Hidden Markov Model

Mavzu:Nazoratsiz o’qitish modellari. Hidden Markov Model.
Reja.

1. 
   Nazoratsiz o’qitish modellari.
   
2. 
   Hidden Markov Model.
   

Nazoratsiz o’qitishni regressiya yoki tasniflash muammosiga to‘g‘ridan-to‘g‘ri qo‘llash mumkin emas, chunki nazoratli o’qitishdan farqli o‘laroq, bizda kirish ma’lumotlari mavjud, lekin tegishli chiqish ma’lumotlari yo‘q. Nazoratsiz o'qitishning maqsadi ma'lumotlar to'plamining asosiy tuzilishini topish, ma'lumotlarni o'xshashliklari bo'yicha guruhlash va ushbu ma'lumotlar to'plamini siqilgan formatda taqdim etishdir .
Nima uchun nazoratsiz o’qitishdan foydalanish kerak?
Quyida nazoratsiz o’qitishning ahamiyatini tavsiflovchi asosiy sabablar keltirilgan:

• 
  Nazoratsiz o’qitish ma'lumotlardan foydali tushunchalarni topishda yordam beradi.
  
• 
  Nazoratsiz o’qitish, odam o'z tajribasi orqali fikrlashni o'rganganiga o'xshaydi, bu esa uni haqiqiy AIga yaqinlashtiradi.
  
• 
  Nazoratsiz o’qitish yorliqsiz va toifalanmagan ma'lumotlar ustida ishlaydi, bu esa nazoratsiz o’qitishni muhimroq qiladi.
  
• 
  Haqiqiy dunyoda bizda har doim ham mos keladigan chiqish bilan kirish ma'lumotlari mavjud emas, shuning uchun bunday holatlarni hal qilish uchun bizga nazoratsiz o’qitish kerak.
  

• 
  Nazoratsiz o’qitish nazoratli o’qitishga nisbatan murakkabroq vazifalar uchun ishlatiladi, chunki nazoratsiz o’qitishda bizda yorliqli kirish ma'lumotlari mavjud emas.
  
• 
  Nazoratsiz o’qitish afzalroq, chunki etiketli ma'lumotlarga nisbatan yorliqsiz ma'lumotlarni olish oson.
  

Nazoratsiz o’qitishning kamchiliklari

• 
  Nazoratsiz o’qitish nazoratli o’qitishga qaraganda ancha qiyin, chunki u tegishli natijalarga ega emas.
  
• 
  Nazoratsiz o’qitish algoritmining natijasi kamroq aniq bo'lishi mumkin, chunki kirish ma'lumotlari etiketlanmagan va algoritmlar aniq chiqishni oldindan bilmaydi.
  

Hidden Markov Model.
Markov va Hidden Markov modellari vaqt o'tishi bilan kuzatuvlar ketma-ketligi sifatida ifodalanishi mumkin bo'lgan ma'lumotlarni qayta ishlash uchun ishlab chiqilgan.. Yashirin Markov modellari ehtimollik asoslari bo'lib, unda kuzatilgan ma'lumotlar bir nechta (yashirin) ichki holatlardan biri tomonidan yaratilgan bir qator natijalar sifatida modellashtiriladi.
Markov taxminlari
Markov modellari asosan ikkita faraz asosida ishlab chiqilgan.
1.Cheklangan gorizont taxmini : t vaqtida bir holatda bo'lish ehtimoli faqat o'sha paytdagi holatga bog'liq (t-1).

Eq.1. Cheklangan gorizont taxmini
Bu shuni anglatadiki , t vaqtidagi holat kelajakni bashorat qilish uchun o'tmishning etarli xulosasini bildiradi. Bu faraz Buyurtma-1 Markov jarayonidir. Buyurtma-k Markov jarayoni z_t holatining o'zidan k + 1 martagacha qadam bo'lgan holatlardan shartli mustaqilligini nazarda tutadi.


2. Jarayonning statsionar farazi : joriy holatni hisobga olgan holda keyingi holat bo'yicha shartli (ehtimollik) taqsimot vaqt o'tishi bilan o'zgarmaydi.

Teng.

2. Statsionar jarayonni taxmin qilish

Bu shuni anglatadiki, davlatlar vaqt o'tishi bilan o'zgarib turadi, lekin asosiy jarayon statsionardir.
Biz holatning o'zini kuzata olmasak, faqat holatlarning ba'zi ehtimollik funktsiyasi (kuzatish) natijasini ko'ra olmasak, biz HMM dan foydalanamiz. HMM statistik Markov modeli bo'lib, unda modellashtirilayotgan tizim kuzatilmagan ( yashirin ) holatlarga ega Markov jarayoni deb taxmin qilinadi .
Yashirin Markov modeli cheklangan holat mashinasi sifatida
3-rasmda quyida keltirilgan misolni ko'rib chiqing. Bu odamning turli iqlimlarda o'zini qanday his qilishini aniqlaydi.

3-rasm. Markov modeli chekli holat mashinasi sifatida - muallif tomonidan tasvir
Holatlar to'plami (S) = {Baxtli, g'amgin}
Yashirin holatlar to'plami (Q) = {Quyoshli, yomg'irli}
Vaqt bo'yicha holat seriyasi = z∈ S_T
To'rt kun davomida kuzatilgan holatlar = {z1=Baxtli, z2= G'amgin, z3=G'amgin, z4=Baxtli}
Biz birinchi navbatda oldingi ehtimolliklarni hisoblashimiz kerak (ya'ni, har qanday haqiqiy kuzatishdan oldin issiq yoki sovuq bo'lish ehtimoli). Buni S_0 yoki p dan olish mumkin. 4-rasmdan. S_0 oldingi ehtimollar bo'lgan 0,6 va 0,4 sifatida taqdim etiladi . Keyin Markov va HMM taxminlariga asoslanib, biz Fig.6, Fig.7 raqamlaridagi qadamlarni bajaramiz. va 8-rasm. berilgan ketma-ketlikning ehtimolini hisoblash uchun quyida.
1. Birinchi kuzatilgan chiqish uchun x1=v2