Des exemples d'utilisation de chaînes Markov?
quelles sont les analyses de rentabilisation pour l'utilisation des chaînes Markov? J'ai vu le genre de zone de jeu d'une chaîne de markov appliquée au blog de quelqu'un pour écrire un faux post. Je voudrais des exemples pratiques? Par exemple: utile dans les affaires ou la prévision de marché boursier, ou similaire...
Modifier: merci à tous ceux qui ont donné des exemples, j'ai noté chacun car ils étaient tous utiles.
Edit2: j'ai choisi la réponse avec le plus de détails comme réponse acceptée. Toutes les réponses que je upvoted.
14 réponses
il existe une classe de méthodes d'optimisation basées sur Chaîne Markov Monte Carlo (MCMC). Celles-ci ont été appliquées à une grande variété de problèmes pratiques, par exemple les applications de traitement du signal et de l'image à la segmentation et à la classification des données. Reconnaissance de la parole et de l'image, analyse des séries chronologiques, beaucoup d'exemples semblables proviennent de la reconnaissance de la vision et des modèles informatiques.
modèles de Markov Cachés sont basés sur une chaîne Markov et largement utilisés dans la reconnaissance de la parole et en particulier la bioinformatique.
j'ai vu des e-mails de spam qui ont été clairement générés en utilisant une chaîne Markov -- certainement cela se qualifie comme une "utilisation commerciale". :)
nous utilisons l'analyse de la chaîne log-file pour dériver et promouvoir des liens secondaires et tertiaires avec des documents par ailleurs sans rapport dans notre système d'aide (une collection de docs 10m).
Ceci est particulièrement utile pour faire le pont entre des taxonomies par ailleurs distinctes. par exemple, SQL docs vs. IIS docs.
Je sais Qu'AccessData les utilise dans leur mã piratage de mots de passe outils. Il vous permet d'explorer les phrases de mot de passe les plus probables d'abord, résultant en une récupération de mot de passe plus rapide (en moyenne).
les chaînes Markov sont utilisées par les sociétés de recherche comme bing pour déduire la pertinence des documents à partir de la séquence de clics effectués par les utilisateurs sur la page des résultats. Le comportement sous-jacent de l'utilisateur dans une session de requête typique est modélisé comme une chaîne markov , avec des comportements particuliers comme des transitions d'état... par exemple, si le document est pertinent, un utilisateur peut toujours examiner d'autres documents (mais avec une plus petite probabilité) ou bien il peut examiner d'autres documents (avec une plus grande probabilité).
il existe des systèmes commerciaux de traçage des rayons qui implémentent Metropolis Light Transport Bi-Directionnel - et Importance D'Échantillonnage Traceurs De Chemin utilisez des chaînes Markov.
les textes en gras sont googlables, j'ai omis d'autres explications à cause de ce fil.
nous prévoyons de l'utiliser pour la saisie de texte prédictif sur un appareil portatif pour la saisie de données dans un environnement industriel. Dans une situation avec une taille de vocabulaire raisonnable, les transitions vers le mot suivant peuvent être suggérées en fonction de la fréquence. Nos premiers tests indiquent que cela fonctionne bien pour nos besoins.
IBM a CELM. Consultez ce lien: http://www.research.ibm.com/journal/rd/513/labbi.pdf
je suis récemment tombé sur un blog exemple de l'utilisation de chaînes markov pour la création de données de test...
http://github.com/emelski/code.melski.net/blob/master/markov/main.cpp
modèle de Markov est une façon de décrire un processus qui passe par une série d'états.
Hmm peut être appliquée dans de nombreux domaines où le but est de récupérer une séquence de données qui n'est pas immédiatement observable (mais dépend d'autres données sur cette séquence).
les applications courantes comprennent:
analyse cryptographique, reconnaissance de la Parole, marquage partiel de la parole, traduction automatique, prédiction des stocks, prédiction des gènes, alignement des bio-séquences, Reconnaissance gestuelle, reconnaissance D'activité, Détection du modèle de navigation d'un utilisateur sur un site web.
les chaînes Markov peuvent être utilisées pour simuler l'interaction de l'utilisateur, F. G. lors de la navigation service.
mon ami écrivait en tant que diplom travail plagiat reconnaissance à L'aide de chaînes Markov (il a dit que les données d'entrée doivent être des livres entiers pour réussir).
ce n'est peut-être pas très "business" mais les chaînes Markov peuvent être utilisées pour générer des noms géographiques et des noms de personnes fictifs, en particulier dans les jeux de RPG.
les chaînes Markov sont utilisées dans l'assurance vie, en particulier dans le modèle de l'invalidité permanente. Il y a 3 états
- 0 - la vie est saine
- 1 - la vie devient handicapée
- 2 - La vie meurt
Dans une invalidité permanente modèle de l'assureur peut verser une sorte de bénéfice si l'assuré devient invalide et/ou de la prestation d'assurance-vie lorsque l'assuré décède. La compagnie d'assurance dirigerait alors probablement un monte carlo simulation basée sur cette Chaîne de Markov pour déterminer le coût probable de fournir une telle assurance.