در این مطلب، ویدئو پایتون و یادگیری ماشین | آشنایی با زنجیرهای مارکوف | قسمت 1 | Eduonix با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:14:52
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:01,580 –> 00:00:05,310
[موسیقی]
2
00:00:10,730 –> 00:00:13,350
سلام به همه خوش آمدید به فصل بعدی خود
3
00:00:13,350 –> 00:00:15,630
در این بخش، ما قرار است
4
00:00:15,630 –> 00:00:17,610
در مورد این چیزها به نام
5
00:00:17,610 –> 00:00:20,040
مدل های مارکوف صحبت کنیم و سپس
6
00:00:20,040 –> 00:00:22,230
نوع خاصی از مدل مارکوف
7
00:00:22,230 –> 00:00:24,570
به نام مدل مارکوف پنهان را مدل سازی کنیم، خوب من گفتم
8
00:00:24,570 –> 00:00:26,940
مدل یک خیلی وقتها نگران نباشید که
9
00:00:26,940 –> 00:00:28,920
10
00:00:28,920 –> 00:00:30,600
فعلاً کاری که در این کلاس انجام میدهیم این است که
11
00:00:30,600 –> 00:00:32,430
میخواهم شما را با آنچه
12
00:00:32,430 –> 00:00:34,800
که فرآیندهای مارکوف نامیده میشود،
13
00:00:34,800 –> 00:00:37,140
دقیقاً همان چیزی است که در مورد آن صحبت میکنیم آشنا کنم.
14
00:00:37,140 –> 00:00:38,879
ما در مورد مدلهای مخفی مارکوف صحبت میکنیم
15
00:00:38,879 –> 00:00:40,920
و سپس سعی میکنیم
16
00:00:40,920 –> 00:00:44,489
سناریوها یا ایدههایی در مورد نحوه عملکرد این
17
00:00:44,489 –> 00:00:46,320
نوع مدلها در زمانی که مناسب هستند
18
00:00:46,320 –> 00:00:49,200
و چرا میخواهید خوب از آنها استفاده کنید، به شما ارائه دهیم، بنابراین
19
00:00:49,200 –> 00:00:51,750
مدلهای مارکوف از یک تاریخچه بسیار طولانی
20
00:00:51,750 –> 00:00:54,540
میآیند. نظریه احتمال
21
00:00:54,540 –> 00:00:57,300
اساساً سخت است، نمیتوان دید
22
00:00:57,300 –> 00:00:58,950
کاری که قرار است انجام دهیم،
23
00:00:58,950 –> 00:01:01,469
یک روش بدون نظارت و روش برای آن در نظر گرفته میشود، اما
24
00:01:01,469 –> 00:01:03,719
شما میتوانید مدلهای مارکوف
25
00:01:03,719 –> 00:01:05,459
را بسیار متفاوت از بسیاری از
26
00:01:05,459 –> 00:01:08,280
انواع یادگیریهای دیگر در نظر بگیرید.
27
00:01:08,280 –> 00:01:10,530
قبلا یاد گرفته
28
00:01:10,530 –> 00:01:12,600
29
00:01:12,600 –> 00:01:14,970
30
00:01:14,970 –> 00:01:17,250
اگر اکنون به گذشته نگاه کنید و به
31
00:01:17,250 –> 00:01:19,709
انواع مختلف مدلهای یادگیری فکر کنید
32
00:01:19,709 –> 00:01:22,860
که ما از طریق جنگلهای تصادفی گذراندهایم، بیشتر شبیه به انواع فرآیندهایی خواهد بود که در جنگلهای تصادفی رخ میدهند.
33
00:01:22,860 –> 00:01:25,619
34
00:01:25,619 –> 00:01:27,630
رویکرد کاملاً متفاوت و
35
00:01:27,630 –> 00:01:30,209
برخورد با نحوه تصمیمگیری و
36
00:01:30,209 –> 00:01:32,640
یادگیری از دادههای پنهان مدل مارکوف
37
00:01:32,640 –> 00:01:34,380
38
00:01:34,380 –> 00:01:36,959
از نظر مفهومسازی و آنچه که
39
00:01:36,959 –> 00:01:39,149
ما واقعاً میخواهیم
40
00:01:39,149 –> 00:01:42,060
از آن اطلاعات استخراج کنیم، نزدیکتر است.
41
00:01:42,060 –> 00:01:43,709
ابتدا با لیستی از تعاریف شروع می کنیم،
42
00:01:43,709 –> 00:01:48,060
بنابراین ابتدا مارکوف
43
00:01:48,060 –> 00:01:51,080
اساساً کاری را که انجام می دهیم این است که
44
00:01:51,080 –> 00:01:56,940
دنباله ای از رویدادها یا حالت ها
45
00:01:56,940 –> 00:01:58,679
داریم، مثالی که می توانیم استفاده کنیم این است که
46
00:01:58,679 –> 00:02:01,940
با توجه به آب
47
00:02:01,940 –> 00:02:06,869
و هوا یا مقادیر خاصی از ورزش به بیرون برویم یا نه. آب و هوا، بنابراین
48
00:02:06,869 –> 00:02:10,199
اگر در حال رفتن به ورزش هستیم،
49
00:02:10,199 –> 00:02:12,480
می توانیم اطلاعاتی مانند
50
00:02:12,480 –> 00:02:15,709
اینکه آیا سال مه آفتابی است و
51
00:02:15,709 –> 00:02:18,390
ما می توانیم از همه این اطلاعات
52
00:02:18,390 –> 00:02:21,510
برای تعیین احتمال اینکه ما استفاده کنیم، داشته باشیم.
53
00:02:21,510 –> 00:02:23,640
قرار است از حالتی به حالت
54
00:02:23,640 –> 00:02:24,530
دیگر
55
00:02:24,530 –> 00:02:27,780
حرکت کنند یا به ورزش کردن ادامه دهند یا به سمت
56
00:02:27,780 –> 00:02:30,830
ورزش نکردن حرکت کنند و بنابراین
57
00:02:30,830 –> 00:02:34,200
احتمال انتقال از ایالت به
58
00:02:34,200 –> 00:02:40,010
ایالت با توجه به برخی اطلاعات یا زمان ما
59
00:02:40,010 –> 00:02:43,050
این نوع احتمالات را ایجاد می
60
00:02:43,050 –> 00:02:45,180
کنیم و نشان خواهیم داد شما تجسمی از
61
00:02:45,180 –> 00:02:47,400
چیزی که به نظر می رسد اما
62
00:02:47,400 –> 00:02:49,590
احتمالاتی که بر اساس
63
00:02:49,590 –> 00:02:51,810
احتمال ماندن در گلف ساخته شده اند در مقابل
64
00:02:51,810 –> 00:02:53,190
احتمال انتقال به
65
00:02:53,190 –> 00:02:55,200
حالت دیگری مانند گلف نکردن اثر هنری یا
66
00:02:55,200 –> 00:02:58,020
چیزی که این احتمالات همه به
67
00:02:58,020 –> 00:03:01,590
1 یا 100٪ و
68
00:03:01,590 –> 00:03:03,900
احتمالات انتقال برای مدل مارکوف
69
00:03:03,900 –> 00:03:05,760
اساساً مجموعه بزرگی از
70
00:03:05,760 –> 00:03:08,340
احتمالات است که یک مدل
71
00:03:08,340 –> 00:03:10,200
از حالتی به حالت دیگر حرکت می کند، اکنون به یاد داشته باشید که
72
00:03:10,200 –> 00:03:13,950
فرآیندهای مارکوف به نوعی مستقل هستند که هر
73
00:03:13,950 –> 00:03:16,850
رویداد مستقل است شما به نوعی از
74
00:03:16,850 –> 00:03:20,100
اطلاعاتی که در مورد گذشته می دانید برای
75
00:03:20,100 –> 00:03:23,090
اطلاع از رویدادهای آینده استفاده می کنید. این
76
00:03:23,090 –> 00:03:25,590
انواع مختلف اطلاعات تمایل به
77
00:03:25,590 –> 00:03:28,380
مستقل بودن از یکدیگر دارند به
78
00:03:28,380 –> 00:03:32,010
این معنی که می دانید نحوه حرکت یک حالت
79
00:03:32,010 –> 00:03:34,380
تنها تحت تأثیر تحت
80
00:03:34,380 –> 00:03:37,079
تأثیر عواملی که در تصمیم گیری دخیل هستند
81
00:03:37,079 –> 00:03:38,459
یا حداقل در داده
82
00:03:38,459 –> 00:03:39,690
هایی که ما خوب داریم،
83
00:03:39,690 –> 00:03:42,120
بنابراین اسلاید بعدی ما
84
00:03:42,120 –> 00:03:44,430
دوباره تابع هزینه را داریم واقعاً بهترین راه
85
00:03:44,430 –> 00:03:48,209
برای نشان دادن این این اطلاعات نیست،
86
00:03:48,209 –> 00:03:51,180
اما این چیزی است که ما داریم صحبت در مورد
87
00:03:51,180 –> 00:03:52,769
زمانی که ما در مورد یک فرآیند ساده مارکوف صحبت می کنیم،
88
00:03:52,769 –> 00:03:54,870
بنابراین آنچه شما در اینجا می بینید
89
00:03:54,870 –> 00:03:58,200
سه دایره یک دو و سه
90
00:03:58,200 –> 00:04:00,690
هستند و فلش هایی را می بینید که هر دو به
91
00:04:00,690 –> 00:04:02,790
سمت وضعیتی که ما این هستیم، وضعیت ما خواهد بود،
92
00:04:02,790 –> 00:04:04,290
بنابراین می توانیم بگوییم که مانند یک است.
93
00:04:04,290 –> 00:04:08,570
گلف دو کتاب پای ما نیست و ورزش
94
00:04:08,570 –> 00:04:11,970
دو ورزش روی سه کار نیست و
95
00:04:11,970 –> 00:04:15,810
می توانیم بگوییم که حرفه ای اگر به
96
00:04:15,810 –> 00:04:18,810
این حالت یک نگاه کنیم و به جایی که به آن
97
00:04:18,810 –> 00:04:21,560
اشاره می کند نگاه کنیم، می توانیم ببینیم که
98
00:04:21,560 –> 00:04:23,789
احتمال حرکت اگر قبلاً هستید.
99
00:04:23,789 –> 00:04:27,800
در حالت یک حرکت به حالت دو 34% است
100
00:04:27,800 –> 00:04:31,140
، احتمال انتقال از حالت یک
101
00:04:31,140 –> 00:04:35,099
به حالت سه در حالت بعدی اگر در
102
00:04:35,099 –> 00:04:37,140
حالت بعدی یا تکرار بعدی
103
00:04:37,140 –> 00:04:38,100
تقریباً شش
104
00:04:38,100 –> 00:04:41,810
درصد باشد و تقریباً 6% احتمال دارد
105
00:04:41,810 –> 00:04:45,120
که در این حالت باقی بماند. در اینجا و عبارت
106
00:04:45,120 –> 00:04:48,650
1 y متوجه خواهید شد که برای حالت
107
00:04:48,650 –> 00:04:51,780
2 هیچ احتمالی برای
108
00:04:51,780 –> 00:04:54,600
بازگشت به خودش وجود
109
00:04:54,600 –> 00:04:57,630
ندارد، فقط اگر این
110
00:04:57,630 –> 00:05:00,240
حالت 2 باشد، اگر در حالت 2 هستید،
111
00:05:00,240 –> 00:05:03,480
0% احتمال ماندن وجود دارد. و بمانید – برای این
112
00:05:03,480 –> 00:05:05,490
زنجیره مارکوف این
113
00:05:05,490 –> 00:05:07,320
است که فرآیندهای مارکوف یک زنجیره مارکوف ساده در نظر گرفته می شود
114
00:05:07,320 –> 00:05:09,300
و فرآیند مارکوف
115
00:05:09,300 –> 00:05:12,960
در این مثال نشان می دهد
116
00:05:12,960 –> 00:05:15,810
که چگونه می توانید به حرکت از
117
00:05:15,810 –> 00:05:18,810
حالتی به حالت دیگر در طول زمان فکر کنید، متوجه خواهید شد
118
00:05:18,810 –> 00:05:21,930
که برخی از فلش هایی که
119
00:05:21,930 –> 00:05:25,680
از یک حالت به یک حالت اشاره می کند
120
00:05:25,680 –> 00:05:27,300
زیرا
121
00:05:27,300 –> 00:05:29,490
صد در صد 110 درصد
122
00:05:29,490 –> 00:05:31,260
احتمال حرکت از یک حالت به حالت
123
00:05:31,260 –> 00:05:33,660
دیگر وجود ندارد اما احتمال ورود
124
00:05:33,660 –> 00:05:36,470
حالت ها لزوماً لازم نیست.
125
00:05:36,470 –> 00:05:39,960
مجموع به یک بنابراین واقعاً
126
00:05:39,960 –> 00:05:42,060
مجموع احتمالات انتقال به یک است وقتی
127
00:05:42,060 –> 00:05:44,780
از حالتی به حالت دیگر می رویم اما
128
00:05:44,780 –> 00:05:48,600
نه به حالتی، همیشه از یک
129
00:05:48,600 –> 00:05:52,290
نقطه خاص است خوب است که اساساً
130
00:05:52,290 –> 00:05:54,120
روند مارکوف در این تصویر چگونه کار می کند،
131
00:05:54,120 –> 00:05:56,910
پس چرا اینطور نیست؟ ما الان به
132
00:05:56,910 –> 00:05:59,280
بخش نحو ما بروید و شروع به صحبت
133
00:05:59,280 –> 00:06:06,030
در مورد مثال دیگری از این کنید، خوب
134
00:06:06,030 –> 00:06:08,130
همه، بنابراین در این مثال من می خواهم
135
00:06:08,130 –> 00:06:10,650
زنجیره های مارکوف خودمان را بسازیم
136
00:06:10,650 –> 00:06:13,020
به طوری که ما به دنبال آن تصویر اصلی
137
00:06:13,020 –> 00:06:14,340
بودیم و من به نوعی توصیف کردم که هر یک
138
00:06:14,340 –> 00:06:15,600
از اعداد چیست. هستند اما بیایید
139
00:06:15,600 –> 00:06:19,230
نمونه خودمان را بسازیم و ببینیم
140
00:06:19,230 –> 00:06:21,060
از آنجا چه کاری می توانیم انجام دهیم، بنابراین ابتدا
141
00:06:21,060 –> 00:06:23,280
می خواهم نمونه ای ایجاد کنم که دارای
142
00:06:23,280 –> 00:06:32,480
سه حالت باشد که دارای چهار حالت است 1 2 3 4 و
143
00:06:32,480 –> 00:06:35,900
هر یک از این حالت ها پایه ای خواهند بود.
144
00:06:35,900 –> 00:06:39,450
ما این کار را با آب و هوا انجام خواهیم داد پس
145
00:06:39,450 –> 00:06:40,800
بیایید این کار را با دیگران انجام ندهیم زیرا
146
00:06:40,800 –> 00:06:42,270
آب و هوا هر بار یکسان خواهد
147
00:06:42,270 –> 00:06:46,160
بود بیایید این کار را با چیزی انجام دهیم مانند
148
00:06:46,160 –> 00:06:49,650
شما می دانید حالات روحی شادی غم و اندوه
149
00:06:49,650 –> 00:06:52,160
شما نام آن را می گذارید بنابراین حالت 1
150
00:06:52,160 –> 00:06:57,060
به حالت 3 و حالت برای و غیره
151
00:06:57,060 –> 00:07:04,800
ما می گوییم که یکی خوشحال است – غمگین است
152
00:07:04,800 –> 00:07:16,410
3 عصبانی است و 4 می ترسد، خوب است، بنابراین در
153
00:07:16,410 –> 00:07:19,290
این مثال می گوییم که این
154
00:07:19,290 –> 00:07:21,720
احتمال وجود دارد که اگر خوشحال باشید و خوشحال بمانید،
155
00:07:21,720 –> 00:07:24,240
این یک فرد به طور کلی شاد خواهد
156
00:07:24,240 –> 00:07:28,260
بود، حدود 20 سال است. ٪ احتمال
157
00:07:28,260 –> 00:07:32,430
اینکه شما خوشحال هستید و اجازه دهید در واقع