Your SlideShare is downloading. ×
0
Modelos Ocultos De Markov
Modelos Ocultos De Markov
Modelos Ocultos De Markov
Modelos Ocultos De Markov
Modelos Ocultos De Markov
Modelos Ocultos De Markov
Modelos Ocultos De Markov
Modelos Ocultos De Markov
Modelos Ocultos De Markov
Modelos Ocultos De Markov
Modelos Ocultos De Markov
Modelos Ocultos De Markov
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Modelos Ocultos De Markov

3,328

Published on

Modelos Ocultos de Markov

Modelos Ocultos de Markov

0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
3,328
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
101
Comments
0
Likes
1
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide
  • Transcript

    • 1. UNIVERSIDAD TÉCNICA PARTICULAR DE LOJA ESCUELA DE CIENCIAS DE LA COMPUTACIÓN Estudiante: Edwin Cuenca; [email_address] Tutor: Ing. Janneth Chicaiza
    • 2. Introducción <ul><li>Los modelos markovianos ocultos (HMM del inglés -Hidden Markov Model) asumen que el sistema estudiado sigue un proceso de Markov con parámetros desconocidos. </li></ul><ul><li>La tarea fundamental consiste en determinar los parámetros ocultos a partir de los parámetros observados. La diferencia fundamental respecto a un modelo de Markov habitual consiste en que los estados no son directamente visibles para el observador, pero sí lo son las variables influenciadas por el estado. Cada estado tiene una distribución de probabilidad asociada sobre el conjunto de posibles valores de salida. La secuencia de valores de salida generados a partir de un HMM nos dará cierta información sobre la secuencia de estados. </li></ul>
    • 3. Historia <ul><li>Los modelos ocultos de Markov fueron descritos por primera vez en una serie de artículos estadísticos por Leonard E. Baum y otros autores en la segunda mitad de la década de 1960. Una de las primeras aplicaciones de HMMs fue reconocimiento del habla, comenzando en la mitad de la década de 1970. </li></ul><ul><li>En la segunda mitad de la década de 1980, los HMMs comenzaron a ser aplicados al análisis de secuencias biológicas, en particular de DNA. Desde entonces, se han hecho ubicuos en el campo de la bioinformática. </li></ul>
    • 4. Arquitectura de un modelo oculto de Markov El diagrama muestra la arquitectura general de un HMM. Cada óvalo representa una variable aleatoria que puede tomar determinados valores. La variable aleatoria x ( t ) es el valor de la variable oculta en el instante de tiempo t . La variable aleatoria y ( t ) es el valor de la variable observada en el mismo instante de tiempo t . Las flechas indican dependencias condicionales.
    • 5. Definición formal de un Modelo Oculto de Markov <ul><li>Una notación habitual de un MOM es la representación como una tupla ( Q , V ,π, A , B ): </li></ul><ul><li>El conjunto de estados . El estado inicial se denota como q t . En el caso de la etiquetación categorial, cada valor de t hace referencia a la posición de la palabra en la oración. </li></ul><ul><li>El conjunto V de posibles valores observables en cada estado . M es el número de palabras posibles y cada v k hace referencia a una palabra diferente. </li></ul><ul><li>Las probabilidades iniciales π = {π i } </li></ul><ul><li>El conjunto de probabilidades A = { a ij } de transiciones entre estados . </li></ul><ul><ul><li>a ij = P ( q t = j | q t − 1 = i ), es decir, a ij es la probabilidad de estar en el estado j en el instante t si en el instante anterior t − 1 se estaba en el estado i . </li></ul></ul><ul><li>El conjunto de probabilidades B = { b j ( v k )} de las observaciones . </li></ul><ul><ul><li>b j ( v k ) = P ( o t = v k | q t = j ), es decir, la probabilidad de observar v k cuando se está en el estado j en el instante t . </li></ul></ul><ul><li>La secuencia de observables se denota como un conjunto . </li></ul>
    • 6. Tipos de problemas relacionados con HMM <ul><li>Dado el HMM ¿cual es la probabilidad de una secuencia de observables? (algoritmos forward y backward) </li></ul><ul><li>Dado el HMM y una secuencia de observables ¿cual es la secuencia de estados mas probable que ha generado la secuencia observable? (algoritmo de Viterbi) </li></ul><ul><li>Dado un conjunto de estados y una colección de secuencias observables, ¿cual es el HMM mas probable que ha generado las secuencias? (algoritmo de Baum-Welch) </li></ul>
    • 7. Algoritmo de Forward <ul><li>Consideremos la función α t (i): α t (i) = P(O 1 ,O 2 ...O t , q t = S i | λ) Esta ecuación puede calcularse de forma recursiva: </li></ul><ul><li>Y ahora, </li></ul><ul><li>Que puede calcularse en tiempo O(N 2 T) </li></ul>
    • 8. Algoritmos de Backward <ul><li>De forma simétrica, consideremos la función β t (i): β t (i) = P(O t+1 . . .O T , q t = S i | λ) Esta ecuación puede calcularse de forma recursiva: </li></ul><ul><li>Y ahora, </li></ul><ul><li>Que puede calcularse en tiempo O(N 2 T) </li></ul>
    • 9. Algoritmo de Viterbi <ul><li>Objetivo: Queremos saber cual es la secuencia de estados que maximiza P(O|Q, λ) (que es lo mismo que maximizar P(O,Q|λ)) Definimos la cantidad: </li></ul><ul><li>Que puede calcularse recursivamente como: </li></ul><ul><li>Y la probabilidad de la secuencia óptima será: </li></ul>
    • 10. Baum Welch <ul><li>Número de veces promedio que se pasa por un estado: </li></ul><ul><li>Número de veces promedio que se usa un arco: </li></ul><ul><li>El nuevo HMM (N,M, ¯A, ¯B, ∏) será: </li></ul>:
    • 11. CONCLUSIONES <ul><li>Un modelo oculto de Markov es una máquina de estados finita probabilística. </li></ul><ul><li>Los modelos ocultos de Markov fueron descritos por primera vez en una serie de artículos estadísticos. </li></ul>
    • 12. REFERENCIAS <ul><li>Sierra, Aprendizaje Automático: conceptos básicos y avanzados. </li></ul><ul><li>Modelos Ocultos de Markov, Wiki http://es.wikipedia.org/wiki/An%C3%A1lisis_de_Markov </li></ul><ul><li>Revista Ecosistemas http://www.revistaecosistemas.net/pdfs/433.pdf </li></ul>

    ×