iT邦幫忙

2022 iThome 鐵人賽

DAY 20
0
自我挑戰組

AI人工智慧探討系列 第 26

馬可夫鍊 Markov Chains

  • 分享至 

  • xImage
  •  

甚麼是馬可夫鍊?
前面好幾天的文章都在跟大家介紹機器學習中較常被提及的幾個演算法,今天的主題---馬可夫鍊Markov Chains則是一種空間轉換的過程。
但這個過程有特定的要求:必須具有無記憶特性且下一狀態的機率分布只能由現在的狀態來決定,不會受上一個結果所影響。

不過這也代表另一個面向的問題:馬可夫鍊缺乏參照上下文的能力,無法完整的考慮先前狀態。


下面這張圖我們可以看到馬可夫鍊運作的state model,每一個state轉換到下一個state中間的數字就是發生的機率

https://ithelp.ithome.com.tw/upload/images/20221014/201525010BWuTBk2Tm.png

因此我們可以再寫一個轉移矩陣出來:
https://ithelp.ithome.com.tw/upload/images/20221014/20152501U2F1cHmK9K.png

而這邊還有一個初始狀態向量矩陣,用來描述n種可能中每一個狀態開始的概率分布

https://ithelp.ithome.com.tw/upload/images/20221014/20152501sNTK4gSux9.jpg

用這2個轉移矩陣其實就足夠表達一個馬可夫鍊了!


資料來源:
https://towardsdatascience.com/introduction-to-markov-chains-50da3645a50d

https://zh.wikipedia.org/zh-tw/%E9%A9%AC%E5%B0%94%E5%8F%AF%E5%A4%AB%E9%93%BE


上一篇
量子機器學習
下一篇
蒙特卡羅方法Monte Carlo method
系列文
AI人工智慧探討30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言