nlp贪心学院——时序模型、HMM、隐变量模型、EM算法

任务225： 时序模型

随时间维度变化的
每时每刻有相关性（t时刻数据t 1时刻数据有相关性）
时序数据长度不确定

时序数据：如股票价格、语音、文本、温度

任务226： HMM的介绍

观测值、隐式变量
z是一个隐式的状态
可以是生成模型，从状态生成观测值
也可以是判别模型

任务227： HMM的应用例子

掷硬币案例
A硬币出现正面的概率是 μ 1 \mu_{1} μ1
B硬币出现正面的概率是 μ 2 \mu_{2} μ2

小明和我隔着一块不透明的布
小明有自己的顺序投A还是投B，我只能看到硬币最后是正面还是反面朝上

由此产生两个问题
（1）inference问题
（2）parameter estimation参数估计问题
（3）P（正反正…），计算边缘概率
能不能通过观测值估算出所有的参数，能不能通过参数知道抛硬币的次序

词性标注案例

任务228： HMM的参数

A——状态转移的概率，从一个状态变成另一个状态
B——生成的概率，某一个状态下看到某个观测值的概率
$\pi$——某个状态是句首单词状态的概率

估计参数
（1）（x已知，z已知）complete case——>mle估计参数
（2）（x已知，z未知）incomplete case——>EM算法

任务229： HMM中的Inference问题

已知观测值、已知参数的情况下讨论
第一种方法：使用枚举法

枚举z不同情况的组合

第二种方法：使用维特比算法

动态规划适合解决指数级别的复杂度，但可以通过存储中间的过程来去减轻计算量

维特比算法为什么适合HMM？
HMM有限制条件——隐式变量 z i z_{i} zi只会和前后 z i z_{i} zi有联系

从左到右，每一列填好，找出最后一列哪个结点分数最大，反向把整条路径找出来

任务230-232： HMM中的F B算法

通过forward和backward算法，可以计算P( z k z_{k} zk$|$$x$)的概率，方便后续的参数估计

任务233： Data Representation

原先的特征存在的问题
（1）冗余
（2）噪音
（3）有些特征不需要
更低维的空间有更好的特征表示方法

任务234： Latent Variable Models（隐变量模型）

隐变量模型——>EM算法解决掉

HMM，GMM（kmeans是其特例）都是经典的隐变量模型

传统逻辑回归（x，y）先在多了一个变量z——隐变量
隐变量gender、eye color、hair color、pose生成图片
x的维度比z的维度更高
现有z后有x
z之间有相关性
x之间没有相关性

任务235： Complete vs Incomplete Case

参数估计时

任务236： MLE for Complete and Incomplete Case

任务237： EM Derivation

任务238： Remarks on EM

EM算法不能保证全局最优解，只能保证局部最优解
EM算法，严格递增（一定会converge收敛）

任务239： K-means

任务240： K-means Cost Function

任务241： MLE for GMM

没有$\sum$就是kmeans

任务244： HMM中的参数

任务245： Complete vs Incomplete Case

任务247： Incomplete Case

任务248： EM算法回顾

先求z的期望，再求ln这个式子

任务249： F B算法回顾

任务250： 估计PI

任务251： 估计B

任务252： 估计A

这里讨论观测、状态变量都是离散的HMM的情况

这篇好文章是转载于：学新通技术网