Chuỗi Markov là gì và làm thế nào nó có thể được sử dụng trong việc tạo ra trí tuệ nhân tạo?


7

Tôi tin rằng một chuỗi Markov là một chuỗi các sự kiện trong đó mỗi sự kiện tiếp theo phụ thuộc rất nhiều vào sự kiện hiện tại. Các ví dụ về ứng dụng của chuỗi Markov là gì và nó có thể được sử dụng để tạo ra trí tuệ nhân tạo không? Một thuật toán di truyền sẽ là một ví dụ về chuỗi Markov vì mỗi thế hệ phụ thuộc vào trạng thái của thế hệ trước?

Câu trả lời:


9

Một mô hình Markov bao gồm xác suất chuyển sang từng trạng thái xem xét trạng thái hiện tại. "Mỗi trạng thái" có thể chỉ là một điểm - ví dụ như trời mưa vào một ngày cụ thể - hoặc có thể trông giống như nhiều thứ - giống như một cặp từ. Có lẽ bạn đã thấy tự động tạo ra văn bản kỳ lạ gần như có ý nghĩa, như Garkov (đầu ra của một mô hình Markov dựa trên các truyện tranh Garfield). Bài viết Kinh dị Mã hóa đó cũng đề cập đến các ứng dụng của các kỹ thuật Markov cho PageRank của Google.

Các mô hình Markov thực sự chỉ mạnh mẽ khi chúng có nhiều đầu vào để làm việc. Nếu một chiếc máy nhìn qua rất nhiều văn bản tiếng Anh, nó sẽ có được một ý tưởng khá hay về những từ thường xuất hiện sau những từ khác. Hoặc sau khi xem qua lịch sử vị trí của ai đó, nó có thể tìm ra nơi người đó có khả năng đi tiếp theo từ một địa điểm nhất định. Cập nhật liên tục "kho dữ liệu đầu vào" khi nhận được nhiều dữ liệu hơn sẽ cho phép máy điều chỉnh xác suất của tất cả các chuyển đổi trạng thái.

Các thuật toán di truyền là những thứ khá khác nhau. Họ tạo ra các hàm bằng cách xáo trộn xung quanh các phần của hàm và xem mỗi hàm hoạt động tốt như thế nào ở một nhiệm vụ nhất định. Một thuật toán con sẽ phụ thuộc vào cha mẹ của nó, nhưng các mô hình Markov chủ yếu quan tâm đến việc dự đoán điều gì sẽ xảy ra tiếp theo trong chuỗi, không tạo ra một đoạn mã mới. Tuy nhiên, bạn có thể sử dụng mô hình Markov để nhổ một hàm ứng cử viên, tùy thuộc vào mức độ "bảng chữ cái" đơn giản. Bạn thậm chí có thể tăng thêm trọng lượng cho các chuyển đổi trong các thuật toán thành công.


1

(điều này được dự định như một bình luận, nhưng hóa ra dài và dài hơn)

Một vài điểm để giải thích về câu trả lời của Ben :

  • Có thể tạo các mô hình khác nhau (ngoài dữ liệu hiện có!) Và sau đó tìm mô hình phù hợp nhất với dữ liệu mới (ví dụ với knn ). Thí dụ:
    • Hoa = { ngủ , ăn , đi bộ , làm việc }
    • Mô hình 1: Trình tự có thể xảy ra nhất vào các ngày trong tuần, giả sử: ngủ → ngủ → ăn → đi bộ → làm việc → làm việc → ăn → đi bộ → ngủ → ngủ
    • Mô hình 2: Trình tự có thể xảy ra nhất vào cuối tuần, một số: ngủ → ngủ → ăn → đi bộ → ăn → đi bộ → ngủ → ngủ
    • Dữ liệu mới đến: Chuỗi nào có nhiều khả năng xuất phát từ đó? Kiểm tra mô hình 1, kiểm tra mô hình 2. Cái nào phù hợp hơn? → Chỉ định
  • Lưu ý rằng ví dụ trước là quá đơn giản. Cũng lưu ý rằng cần có một đơn vị thời gian ở đó (ví dụ như các chữ cái / từ).
  • Bạn có thể lồng mô hình Markov. Điều đó có nghĩa là bạn tạo một mô hình (một tập hợp các xác suất cho tất cả các trạng thái) theo "quy mô thấp hơn" và sau đó sử dụng nó trong một mô hình trừu tượng hơn. Ví dụ: bạn có thể lồng mô hình quy mô ngày của bạn thành một tháng hoặc năm (ví dụ để bao gồm các ngày lễ).

Cũng xem liên kết này để có một giới thiệu tốt đẹpmột số bài viết trong crossvalidated .


Đối với câu hỏi liệu trí thông minh nhân tạo có thể được tạo ra bằng cách sử dụng loại phương pháp này hay không, câu trả lời cá nhân (dễ) của tôi sẽ là không , bởi vì chúng chỉ liên quan đến dữ liệu và xác suất và do đó thuộc về ngành thống kê và máy học.

Một câu trả lời dài hơn cần phải tính đến câu hỏi AI yếu so với mạnh .

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.