【自然语言处理】隐马尔可夫模型【Ⅳ】学习问题

已于 2023-01-15 21:36:50 修改
阅读量561 收藏 2
点赞数 2
分类专栏： 【机器学习】 【NLP & CV】 文章标签： 自然语言处理 人工智能 算法 概率论
于 2022-12-13 17:14:30 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46221946/article/details/128304964
版权
本文介绍了隐马尔可夫模型（HMM）的学习算法，包括监督学习和无监督学习中的Baum-Welch算法。Baum-Welch算法是HMM的无监督学习方法，本质是EM算法。文中详细阐述了如何通过EM算法的E步和M步来估计模型参数，并给出了π, A, B的更新公式。" 88891440,7339140,理解与解析iOS App Crash日志：0x8badf00d与atos工具,"['iOS开发', '故障排查', 'atos命令', 'dSYM文件', '应用崩溃']
摘要由CSDN通过智能技术生成

有任何的书写错误、排版错误、概念错误等，希望大家包含指正。

由于字数限制，分成六篇博客。
【自然语言处理】隐马尔可夫模型【Ⅰ】马尔可夫模型
【自然语言处理】隐马尔可夫模型【Ⅱ】隐马尔科夫模型概述
【自然语言处理】隐马尔可夫模型【Ⅲ】估计问题
【自然语言处理】隐马尔可夫模型【Ⅳ】学习问题
【自然语言处理】隐马尔可夫模型【Ⅴ】解码问题
【自然语言处理】隐马尔可夫模型【Ⅵ】精度问题

2.4. 学习算法

<
了解本专栏 订阅专栏 解锁全文 超级会员免费看
不牌不改
关注
专栏目录
订阅专栏
【自然语言处理】隐马尔可夫模型【Ⅵ】精度问题
LJR的博客
12-13 745
隐马尔可夫模型 HMM 马尔可夫 Markov 马氏链 概率图 马尔可夫假设 状态序列 观测序列 齐次马尔可夫假设 观测独立性假设 三个基本问题 估计 evaluate 解码 decoding 预测 predict 学习 learning 联合概率 边缘概率 后验概率 直接计算 前向算法 前向概率 后向算法 后向概率 动态规划 递推 监督学习 无监督学习 Baum-Welch EM算法 迭代 拉格朗日 导数 近似算法 维特比算法 Viterbi 树型结构 最优路径 放大 scaling 精度 范围 多样本
【自然语言处理】隐马尔可夫模型【Ⅴ】解码问题
LJR的博客
12-13 645
隐马尔可夫模型 HMM 马尔可夫 Markov 马氏链 概率图 马尔可夫假设 状态序列 观测序列 齐次马尔可夫假设 观测独立性假设 三个基本问题 估计 evaluate 解码 decoding 预测 predict 学习 learning 联合概率 边缘概率 后验概率 直接计算 前向算法 前向概率 后向算法 后向概率 动态规划 递推 监督学习 无监督学习 Baum-Welch EM算法 迭代 拉格朗日 导数 近似算法 维特比算法 Viterbi 树型结构 最优路径 放大 scaling 精度 范围 多样本
【机器学习】--隐含马尔科夫模型从初识到应用
L先生AI课堂
04-09 988
一、前述 马尔可夫（1856~1922），苏联数学家。切比雪夫的学生。在概率论、数论、函数逼近论和微分方程等方面卓有成就。 马尔可夫模型（Markov Model）是一种统计模型，广泛应用在语音识别，词性自动标注，音字转换，概率文法等各个自然语言处理等应用领域。经过长期发展，尤其是在语音识别中的成功应用，使它成为一种通用的统计工具。 二、具体 1、案例 问题一： ...
机器学习算法（十七）：隐马尔科夫模型（HMM）
weixin_39910711的博客
03-01 3837
隐马尔科夫模型一(概念理解)：https://blog.csdn.net/gzj_1101/article/details/79955340 有趣的隐马尔科夫模型：https://baijiahao.baidu.com/s?id=1601390969712055408&wfr=spider&for=pc ...
【自然语言处理】隐马尔可夫模型【Ⅰ】马尔可夫模型
LJR的博客
12-13 555
隐马尔可夫模型 HMM 马尔可夫 Markov 马氏链 概率图 马尔可夫假设 状态序列 观测序列 齐次马尔可夫假设 观测独立性假设 三个基本问题 估计 evaluate 解码 decoding 预测 predict 学习 learning 联合概率 边缘概率 后验概率 直接计算 前向算法 前向概率 后向算法 后向概率 动态规划 递推 监督学习 无监督学习 Baum-Welch EM算法 迭代 拉格朗日 导数 近似算法 维特比算法 Viterbi 树型结构 最优路径 放大 scaling 精度 范围 多样本
【自然语言处理】隐马尔可夫模型【Ⅱ】隐马尔科夫模型概述
LJR的博客
12-13 419
隐马尔可夫模型 HMM 马尔可夫 Markov 马氏链 概率图 马尔可夫假设 状态序列 观测序列 齐次马尔可夫假设 观测独立性假设 三个基本问题 估计 evaluate 解码 decoding 预测 predict 学习 learning 联合概率 边缘概率 后验概率 直接计算 前向算法 前向概率 后向算法 后向概率 动态规划 递推 监督学习 无监督学习 Baum-Welch EM算法 迭代 拉格朗日 导数 近似算法 维特比算法 Viterbi 树型结构 最优路径 放大 scaling 精度 范围 多样本
【自然语言处理】隐马尔可夫模型【Ⅲ】估计问题
LJR的博客
12-13 584
隐马尔可夫模型 HMM 马尔可夫 Markov 马氏链 概率图 马尔可夫假设 状态序列 观测序列 齐次马尔可夫假设 观测独立性假设 三个基本问题 估计 evaluate 解码 decoding 预测 predict 学习 learning 联合概率 边缘概率 后验概率 直接计算 前向算法 前向概率 后向算法 后向概率 动态规划 递推 监督学习 无监督学习 Baum-Welch EM算法 迭代 拉格朗日 导数 近似算法 维特比算法 Viterbi 树型结构 最优路径 放大 scaling 精度 范围 多样本
【自然语言处理】条件随机场【Ⅰ】马尔可夫随机场
LJR的博客
01-06 714
马尔可夫随机场 团 最大团 概率无向图 马尔可夫网 势函数 能量函数 规范化因子 条件随机场 标注偏置 label bias CRF 随机场 随机变量 随机过程 线性链 向量形式 矩阵形式 估计问题 学习问题 前向向量 后向向量 解码问题 梯度下降 改进的迭代尺度 S算法 T算法 转移特征函数 状态特征函数 IIS 维特比算法 非规范化概率 判别模型 生成模型 隐马尔可夫模型 HMM 最大熵马尔可夫模型 MEMM 联合概率 条件概率 最大熵模型 期望 对数线性模型 状态序列 观测序列 极大似然函数 正则化
用隐马尔可夫模型推测女朋友心情(Ⅳ)：训练样本的生成
计算机与数学领域的学习、分享、交流。
11-09 350
曾在第一期提到过，王同学没有女朋友心情序列与事件序列的样本，他只凭着对女友的了解，预估了三个参数矩阵的概率分布。这一期我们要做一件有趣的事，就是用王同学给的模型参数来生成训练样本。下一期，我们再用所生成的样本训练一个新的模型，看看这个新模型的参数值是否与王同学给的参数值一致（或者说十分接近）。
小琳AI课堂：确保大语言模型安全的八大策略--从数据隐私到用户教育
wx740851326的博客
09-15 482
首先，我们要明白，保证大语言模型的安全，需要从多个方面入手，确保模型在技术、法律、伦理和社会层面都得到妥善处理。大家好，这里是小琳AI课堂。今天我们深入探讨如何保证大语言模型的安全，这可是关系到我们每个人哦！
BART&BERT
GDHBFTGGG的博客
09-15 1237
model_name = "facebook/bart-large-cnn" # 选择一个BART模型，这里使用CNN新闻摘要任务的预训练模型。尽管BART和BERT在设计和应用上有所不同，但它们都利用了Transformer的强大能力来处理自然语言，并在NLP领域取得了显著的成果。model_name = "bert-base-uncased" # 选择一个BERT模型。model.eval() # 将模型设置为评估模式。# 加载预训练的BERT模型和分词器。# 加载预训练的BART模型和分词器。
计算机人工智能前沿进展-大语言模型方向-2024-09-18
09-18 1184
计算机人工智能前沿，大语言模型方向5篇论文速读。
大型语言模型 (LLM) 劫持攻击不断升级，导致每天损失超过 100,000 美元
最新发布
网络研究观
09-20 1306
这一趋势反映了 LLM 访问黑市的不断增长，攻击者的动机包括个人使用和规避禁令和制裁。LLMjacking 的频率和复杂性不断提高，给云用户带来了巨大的财务和安全风险。
使用大语言模型（LLM）修正小段乱码（Mojibake）为正常文本
赖勇浩的编程私伙局
09-16 358
在上一篇文章ftfy：修正小段乱码（Mojibake）为正常文本的Python库中，我介绍了这个库。但随着持续的开发，我发现它仍然有一些解决不了的转换。如下： 可以看到后面的结果并没有转换成功，而且 也返回 ，非常爽快地承认了这一点。而当使用 chatGPT 来解决时，简单的提示语足以解决问题： 输出： 这就很妥贴。接下来只要优化一下提示词，让 LLM 返回 JSON 对象，就可以很方便地进行下一步处理了。
讨论人机交互研究中大语言模型的整合与伦理问题
知来者逆的博客
09-15 1409
近年来，大规模语言模型发展迅速。它们给研究和教育领域带来了许多变化。这些模型也是对人机交互（HCI）研究过程的有力补充，可以分析定性和定量数据，再现社会科学实验，模拟新的社会动态。另一方面，已经发现了错误信息、歧视和侵犯隐私的风险，因此需要仔细考虑如何安全使用大规模语言模型。过去曾对人机交互领域的伦理问题进行过研究，但大规模语言模型的应用带来了前所未有的挑战。
Text2SQL论文笔记 A Survey on Employing Large Language Models for Text-to-SQL Tasks
BINGO's BLOG
09-19 1920
存储在关系数据库中的数据量不断增加，导致在各个领域中需要高效地查询和利用这些数据。然而，编写SQL查询需要专业知识，这对非专业用户来说是一个挑战，他们试图访问和查询数据库。文本到SQL解析通过将自然语言查询转换为SQL查询，解决了这一问题，从而使数据库访问对非专业用户更加友好。为了利用大型语言模型（LLMs）的最新进展，一系列新方法应运而生，主要集中在提示工程和微调上。本调查提供了LLMs在文本到SQL任务中的全面概述，讨论了基准数据集、提示工程、微调方法以及未来的研究方向。
计算机人工智能前沿进展-大语言模型方向-2024-09-17
09-17 1760
计算机人工智能前沿进展-大语言模型方向-2024-09-17
预训练蛋白质语言模型ESM-2保姆级使用教程
liuwei6843的博客
09-16 936
Size of esm2_t33_650M_UR50D is very big, about 2.4G, 这个模型使用了33层Transformer编码器架构，有650百万(6.5亿参数)，使用UniRef50作为训练集;关于UniRef100、UniRef90和UniRef50的知识，请参考：https://pubmed.ncbi.nlm.nih.gov/17379688/
隐马尔可夫模型在自然语言处理中的应用探析
"本文主要介绍了词性频度表和隐马尔可夫模型在自然语言处理中的应用，从拼音输入法的角度出发，探讨了汉字编码、输入效率以及如何利用上下文信息来解决输入中的歧义性问题。" 隐马尔可夫模型（Hidden Markov Model,...
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

不牌不改

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值