எடுத்துக்காட்டுகளுடன் மார்கோவ் சங்கிலிகளின் அறிமுகம் - பைத்தானுடன் மார்கோவ் சங்கிலிகள்

மார்கோவ் சங்கிலிகளின் அறிமுகம்:

கூகிள் வலைப்பக்கங்களை எவ்வாறு வரிசைப்படுத்துகிறது என்பதை நீங்கள் எப்போதாவது யோசித்திருக்கிறீர்களா? நீங்கள் உங்கள் ஆராய்ச்சியைச் செய்திருந்தால், அது மார்கோவ் சங்கிலிகளின் யோசனையை அடிப்படையாகக் கொண்ட பேஜ் தரவரிசை வழிமுறையைப் பயன்படுத்துகிறது என்பதை நீங்கள் அறிந்து கொள்ள வேண்டும். மார்கோவ் சங்கிலிகளுக்கு அறிமுகம் குறித்த இந்த கட்டுரை, மார்கோவ் சங்கிலிகளுக்குப் பின்னால் உள்ள அடிப்படை யோசனையையும், நிஜ உலக பிரச்சினைகளுக்கு ஒரு தீர்வாக அவற்றை எவ்வாறு வடிவமைக்க முடியும் என்பதையும் புரிந்து கொள்ள உதவும்.

உள்ளடக்கப்பட்ட தலைப்புகளின் பட்டியல் இங்கே இந்த வலைப்பதிவில்:

1. மார்க்கோவ் சங்கிலி என்றால் என்ன?
2. மார்கோவ் சொத்து என்றால் என்ன?
3. மார்கோவ் சங்கிலிகளை ஒரு எடுத்துக்காட்டுடன் புரிந்துகொள்வது
4. மாற்றம் மாற்றம் என்றால் என்ன?
5. பைத்தானில் மார்கோவ் செயின்
6. மார்கோவ் செயின் பயன்பாடுகள்

பைத்தானைப் பயன்படுத்தி தரவு அறிவியல் மற்றும் இயந்திர கற்றல் குறித்த ஆழமான அறிவைப் பெற, நீங்கள் நேரலையில் சேரலாம் 24/7 ஆதரவு மற்றும் வாழ்நாள் அணுகலுடன் எடுரேகாவால்.

மார்க்கோவ் சங்கிலி என்றால் என்ன?

ஆண்ட்ரி மார்கோவ் முதன்முதலில் 1906 ஆம் ஆண்டில் மார்கோவ் சங்கிலிகளை அறிமுகப்படுத்தினார். மார்கோவ் சங்கிலிகளை அவர் இவ்வாறு விளக்கினார்:

சீரற்ற மாறிகள் கொண்ட ஒரு சீரற்ற செயல்முறை, சில அனுமானங்கள் மற்றும் திட்டவட்டமான நிகழ்தகவு விதிகளைப் பொறுத்து ஒரு மாநிலத்திலிருந்து இன்னொரு மாநிலத்திற்கு மாறுகிறது.

இந்த சீரற்ற ஒரு முக்கியமான கணிதச் சொத்தின் அடிப்படையில் மாறிகள் ஒன்றிலிருந்து மாநிலத்திற்கு மாறுகின்றன மார்கோவ் சொத்து.

இது கேள்விக்கு நம்மைக் கொண்டுவருகிறது:

மார்கோவ் சொத்து என்றால் என்ன?

ஒரு சீரற்ற செயல்முறையின் அடுத்த சாத்தியமான நிலைக்கு மாறுவதற்கான கணக்கிடப்பட்ட நிகழ்தகவு தற்போதைய நிலை மற்றும் நேரத்தை மட்டுமே சார்ந்துள்ளது என்றும் அதற்கு முந்தைய மாநிலங்களின் தொடரிலிருந்து இது சுயாதீனமானது என்றும் தனித்துவமான நேரம் மார்கோவ் சொத்து கூறுகிறது.

ஒரு சீரற்ற செயல்முறையின் அடுத்த சாத்தியமான செயல் / நிலை முந்தைய மாநிலங்களின் வரிசையைப் பொறுத்தது அல்ல, மார்கோவ் சங்கிலிகளை நினைவகம்-குறைவான செயல்முறையாக மாற்றுகிறது, இது ஒரு மாறியின் தற்போதைய நிலை / செயலை மட்டுமே சார்ந்துள்ளது.

இதை கணித ரீதியாகப் பெறுவோம்:

சீரற்ற செயல்முறை, {Xm, m = 0,1,2, Let be ஆக இருக்கட்டும்.

இந்த செயல்முறை ஒரு மார்க்கோவ் சங்கிலி என்றால்,

மார்கோவ் செயின் - மார்கோவ் சங்கிலிகளின் அறிமுகம் - எடுரேகா

எல்லா m, j, i, i0, i1, ⋯ im & minus1 க்கும்

வரையறுக்கப்பட்ட எண்ணிக்கையிலான மாநிலங்களுக்கு, S = {0, 1, 2, ⋯, r}, இது ஒரு வரையறுக்கப்பட்ட மார்க்கோவ் சங்கிலி என்று அழைக்கப்படுகிறது.

P (Xm + 1 = j | Xm = i) இங்கே ஒரு மாநிலத்திலிருந்து மற்றொன்றுக்கு மாறுவதற்கான மாறுதல் நிகழ்தகவுகளைக் குறிக்கிறது. இங்கே, மாற்றம் நிகழ்தகவுகள் நேரத்திலிருந்து சுயாதீனமானவை என்று நாங்கள் கருதுகிறோம்.

அதாவது P (Xm + 1 = j | Xm = i) என்பது ‘m’ இன் மதிப்பைப் பொறுத்தது அல்ல. எனவே, நாம் சுருக்கமாகக் கூறலாம்,

மார்கோவ் செயின் ஃபார்முலா - மார்கோவ் சங்கிலிகளின் அறிமுகம் - எடுரேகா

எனவே இந்த சமன்பாடு குறிக்கிறது மார்கோவ் சங்கிலி.

ஒரு எடுத்துக்காட்டுடன் மார்கோவ் சங்கிலிகள் சரியாக என்ன என்பதை இப்போது புரிந்துகொள்வோம்.

மார்கோவ் செயின் உதாரணம்

நான் உங்களுக்கு ஒரு எடுத்துக்காட்டு கொடுப்பதற்கு முன், ஒரு மார்கோவ் மாதிரி என்ன என்பதை வரையறுக்கலாம்:

மார்க்கோவ் மாதிரி என்றால் என்ன?

ஒரு மார்கோவ் மாடல் என்பது ஒரு சீரற்ற மாதிரியாகும், இது சீரற்ற மாறிகள் மார்கோவ் சொத்தை பின்பற்றும் வகையில் மாதிரியாக இருக்கும்.

ஒரு எளிய எடுத்துக்காட்டுடன் மார்கோவ் மாடல் எவ்வாறு செயல்படுகிறது என்பதை இப்போது புரிந்துகொள்வோம்.

முன்னர் குறிப்பிட்டபடி, உரை உருவாக்கம் மற்றும் தானாக நிறைவு செய்யும் பயன்பாடுகளில் மார்கோவ் சங்கிலிகள் பயன்படுத்தப்படுகின்றன. இந்த எடுத்துக்காட்டுக்கு, ஒரு எடுத்துக்காட்டு (சீரற்ற) வாக்கியத்தைப் பார்ப்போம், மார்க்கோவ் சங்கிலிகளைப் பயன்படுத்துவதன் மூலம் அதை எவ்வாறு வடிவமைக்க முடியும் என்பதைப் பார்ப்போம்.

மார்கோவ் செயின் எடுத்துக்காட்டு - மார்கோவ் சங்கிலிகளின் அறிமுகம் - எடுரேகா

மேற்கண்ட வாக்கியம் எங்கள் எடுத்துக்காட்டு, இது அதிக பயன் இல்லை என்று எனக்குத் தெரியும் (அதற்கு இது தேவையில்லை), இது சீரற்ற சொற்களைக் கொண்ட ஒரு வாக்கியம், அதில்:

1. விசைகள் வாக்கியத்தில் உள்ள தனித்துவமான சொற்களைக் குறிக்கவும், அதாவது 5 விசைகள் (ஒன்று, இரண்டு, ஆலங்கட்டி, மகிழ்ச்சி, எடுரேகா)

2. டோக்கன்கள் சொற்களின் மொத்த எண்ணிக்கையைக் குறிக்கவும், அதாவது 8 டோக்கன்கள்.

முன்னோக்கி நகரும்போது, ​​இந்த சொற்களின் அதிர்வெண்ணை நாம் புரிந்து கொள்ள வேண்டும், கீழேயுள்ள வரைபடம் ஒவ்வொரு வார்த்தையையும் அந்த வார்த்தையின் அதிர்வெண்ணைக் குறிக்கும் எண்ணுடன் காட்டுகிறது.

விசைகள் மற்றும் அதிர்வெண்கள் - மார்கோவ் சங்கிலிகளின் அறிமுகம் - எடுரேகா

எனவே இங்கே இடது நெடுவரிசை விசைகளையும், வலது நெடுவரிசை அதிர்வெண்களையும் குறிக்கிறது.

மேலேயுள்ள அட்டவணையில் இருந்து, ‘எடுரேகா’ விசை வேறு எந்த விசையையும் விட 4 மடங்கு அதிகமாக வரும் என்று நாம் முடிவு செய்யலாம். அத்தகைய தகவல்களை ஊகிப்பது முக்கியம், ஏனென்றால் ஒரு குறிப்பிட்ட கட்டத்தில் எந்த வார்த்தை ஏற்படக்கூடும் என்பதைக் கணிக்க இது உதவும். எடுத்துக்காட்டு வாக்கியத்தில் அடுத்த வார்த்தையைப் பற்றி நான் யூகிக்க விரும்பினால், அது நிகழும் அதிக நிகழ்தகவு இருப்பதால் நான் ‘எடுரேகா’ உடன் செல்வேன்.

நிகழ்தகவு பற்றி பேசுகையில், நீங்கள் அறிந்திருக்க வேண்டிய மற்றொரு நடவடிக்கை எடையுள்ள விநியோகங்கள்.

எங்கள் விஷயத்தில், ‘எடுரேகா’ க்கான எடையுள்ள விநியோகம் 50% (4/8), ஏனெனில் அதன் அதிர்வெண் மொத்தம் 8 டோக்கன்களில் 4 ஆகும். மீதமுள்ள விசைகள் (ஒன்று, இரண்டு, ஆலங்கட்டி, மகிழ்ச்சி) அனைத்தும் நிகழும் 1/8 வது வாய்ப்பு உள்ளது (& asymp 13%).

இப்போது எடையுள்ள விநியோகத்தைப் பற்றிய புரிதலும், குறிப்பிட்ட சொற்கள் மற்றவர்களை விட அடிக்கடி எவ்வாறு நிகழ்கின்றன என்ற யோசனையும் இருப்பதால், அடுத்த பகுதியுடன் நாம் முன்னேறலாம்.

மார்கோவ் சங்கிலிகளைப் புரிந்துகொள்வது - மார்கோவ் சங்கிலிகளின் அறிமுகம் - எடுரேகா

மேலே உள்ள படத்தில், வாக்கியத்தின் தொடக்கத்தையும் முடிவையும் குறிக்கும் இரண்டு கூடுதல் சொற்களை நான் சேர்த்துள்ளேன், நான் ஏன் இதை கீழே செய்தேன் என்று உங்களுக்கு புரியும்.

இப்போது இந்த விசைகளுக்கான அதிர்வெண்ணையும் ஒதுக்குவோம்:

புதுப்பிக்கப்பட்ட விசைகள் மற்றும் அதிர்வெண்கள் - மார்கோவ் சங்கிலிகளின் அறிமுகம் - எடுரேகா

இப்போது ஒரு மார்கோவ் மாதிரியை உருவாக்குவோம். முன்னர் குறிப்பிட்டபடி, ஒரு குறிப்பிட்ட மாநிலத்தில் சீரற்ற மாறிகள் மாதிரியாக ஒரு மார்கோவ் மாதிரி பயன்படுத்தப்படுகிறது, இந்த மாறிகளின் எதிர்கால நிலைகள் அவற்றின் தற்போதைய நிலையை மட்டுமே சார்ந்துள்ளது, அவற்றின் கடந்தகால நிலைகள் அல்ல.

எனவே அடிப்படையில் ஒரு மார்கோவ் மாதிரியில், அடுத்த மாநிலத்தை கணிக்க, தற்போதைய நிலையை மட்டுமே நாம் கருத்தில் கொள்ள வேண்டும்.

கீழேயுள்ள வரைபடத்தில், எங்கள் வாக்கியத்தின் ஒவ்வொரு டோக்கனும் இன்னொருவருக்கு எவ்வாறு வழிவகுக்கிறது என்பதை நீங்கள் காணலாம். எதிர்கால நிலை (அடுத்த டோக்கன்) தற்போதைய நிலையை (தற்போதைய டோக்கன்) அடிப்படையாகக் கொண்டது என்பதை இது காட்டுகிறது. எனவே இது மார்கோவ் மாடலில் மிக அடிப்படையான விதி.

ஜோடியின் ஒவ்வொரு டோக்கனும் ஒரே ஜோடியில் மற்றொன்றுக்கு இட்டுச்செல்லும் ஜோடி டோக்கன்கள் இருப்பதை கீழே உள்ள வரைபடம் காட்டுகிறது.

மார்கோவ் செயின் சோடிகள் - மார்கோவ் சங்கிலிகளின் அறிமுகம் - எடுரேகா

கீழேயுள்ள வரைபடத்தில், ஒவ்வொரு விசையையும் இணைக்கக்கூடிய அடுத்த டோக்கன்களின் வரிசையுடன் ஒவ்வொரு விசையையும் காட்டும் ஒரு கட்டமைப்பு பிரதிநிதித்துவத்தை நான் உருவாக்கியுள்ளேன்.

மார்கோவ் செயின் சோடிகளின் வரிசை - மார்கோவ் சங்கிலிகளுக்கு அறிமுகம் - எடுரேகா

இந்த எடுத்துக்காட்டை சுருக்கமாக, மேலே உள்ள எடுத்துக்காட்டில் நாங்கள் பார்த்த விசைகள் மற்றும் டோக்கன்களின் வரிசையைப் பயன்படுத்தி நீங்கள் ஒரு வாக்கியத்தை உருவாக்க வேண்டிய ஒரு காட்சியைக் கவனியுங்கள். இந்த எடுத்துக்காட்டை இயக்குவதற்கு முன், மற்றொரு முக்கியமான விஷயம் என்னவென்றால், நாம் இரண்டு ஆரம்ப நடவடிக்கைகளை குறிப்பிட வேண்டும்:

1. ஆரம்ப நிகழ்தகவு விநியோகம் (அதாவது தொடக்க நிலை = 0, (‘தொடக்க’ விசை))

2. ஒரு மாநிலத்திலிருந்து இன்னொரு மாநிலத்திற்கு குதிப்பதற்கான மாறுதல் நிகழ்தகவு (இந்த விஷயத்தில், ஒரு டோக்கனில் இருந்து மற்றொன்றுக்கு மாறுவதற்கான நிகழ்தகவு)

எடையுள்ள விநியோகத்தை ஆரம்பத்திலேயே வரையறுத்துள்ளோம், எனவே எங்களுக்கு நிகழ்தகவுகள் மற்றும் ஆரம்ப நிலை உள்ளது, இப்போது எடுத்துக்காட்டுடன் வருவோம்.

வரிசை ஜாவாவில் மிகப்பெரிய எண்ணிக்கையைக் கண்டறியவும்

• எனவே ஆரம்ப டோக்கனுடன் தொடங்குவது [தொடக்கம்]

• அடுத்து, எங்களிடம் ஒரே ஒரு டோக்கன் மட்டுமே உள்ளது, அதாவது [ஒன்று]

• தற்போது, ​​வாக்கியத்தில் ஒரே ஒரு சொல் மட்டுமே உள்ளது, அதாவது ‘ஒன்று’

• இந்த டோக்கனில் இருந்து, அடுத்த சாத்தியமான டோக்கன் [edureka]

• வாக்கியம் ‘ஒரு எடுரேகா’ ஆக புதுப்பிக்கப்பட்டுள்ளது

• [Edureka] இலிருந்து பின்வரும் டோக்கன்களில் ஏதேனும் ஒன்றிற்கு செல்லலாம் [இரண்டு, ஆலங்கட்டி, மகிழ்ச்சி, முடிவு]

• ‘இரண்டு’ தேர்வு செய்ய 25% வாய்ப்பு உள்ளது, இது அசல் வாக்கியத்தை உருவாக்கும் (ஒரு எடூரெகா இரண்டு எடுரெகா ஆலங்கட்டி எடூரேகா மகிழ்ச்சியான எடுரேகா). இருப்பினும், ‘முடிவு’ எடுக்கப்பட்டால், செயல்முறை நிறுத்தப்பட்டு, ஒரு புதிய வாக்கியத்தை உருவாக்குவோம், அதாவது, ‘ஒரு எடுரேகா’.

நீங்கள் ஒரு மார்கோவ் மாதிரியை உருவாக்கி, அதன் மூலம் ஒரு சோதனை வழக்கை இயக்கியதால், பின்னால் ஒரு திட்டு கொடுங்கள். மேற்கண்ட உதாரணத்தை சுருக்கமாக, அடுத்த நிலையை (அடுத்த சொல்) தீர்மானிக்க தற்போதைய நிலையை (தற்போதைய சொல்) அடிப்படையில் பயன்படுத்தினோம். மார்க்கோவ் செயல்முறை இதுதான்.

இது ஒரு சீரற்ற செயல்முறையாகும், இதில் சீரற்ற மாறிகள் ஒரு மாநிலத்திலிருந்து மற்றொன்றுக்கு மாறுகின்றன, இது ஒரு மாறியின் எதிர்கால நிலை தற்போதைய நிலையை மட்டுமே சார்ந்துள்ளது.

இதை அடுத்த கட்டத்திற்கு கொண்டு சென்று இந்த எடுத்துக்காட்டுக்கு மார்கோவ் மாதிரியை வரையலாம்.

மாநில மாற்றம் வரைபடம் - மார்கோவ் சங்கிலிகளின் அறிமுகம் - எடுரேகா

மேற்கண்ட எண்ணிக்கை மாநில மாற்றம் வரைபடம் என்று அழைக்கப்படுகிறது. கீழேயுள்ள பிரிவில் இதைப் பற்றி மேலும் பேசுவோம், இப்போது இந்த வரைபடம் ஒரு மாநிலத்திலிருந்து மற்றொரு மாநிலத்திற்கு மாற்றங்கள் மற்றும் நிகழ்தகவுகளைக் காட்டுகிறது என்பதை நினைவில் கொள்க.

படத்தில் உள்ள ஒவ்வொரு ஓவலும் ஒரு விசையை குறிக்கிறது என்பதையும், அதைப் பின்பற்றக்கூடிய சாத்தியமான விசைகளை நோக்கி அம்புகள் செலுத்தப்படுவதையும் கவனியுங்கள். மேலும், அம்புகளில் உள்ள எடைகள் குறிக்கப்படுகின்றன நிகழ்தகவு அல்லது அந்தந்த மாநிலங்களுக்கு மாற்றுவதற்கான எடையுள்ள விநியோகம்.

எனவே மார்கோவ் மாடல் எவ்வாறு செயல்படுகிறது என்பது பற்றியது. இப்போது மார்கோவ் செயல்பாட்டில் சில முக்கியமான சொற்களைப் புரிந்துகொள்ள முயற்சிப்போம்.

மாற்றம் நிகழ்தகவு மேட்ரிக்ஸ் என்றால் என்ன?

மேலேயுள்ள பிரிவில் ஒரு மார்க்கோவ் மாதிரியின் செயல்பாட்டை ஒரு எளிய எடுத்துக்காட்டுடன் விவாதித்தோம், இப்போது ஒரு மார்கோவ் செயல்முறையில் கணித சொற்களைப் புரிந்துகொள்வோம்.

ஒரு மார்கோவ் செயல்பாட்டில், ஒரு மாநிலத்திலிருந்து மற்றொரு மாநிலத்திற்கு மாறுதல் நிகழ்தகவுகளைக் குறிக்க ஒரு மேட்ரிக்ஸைப் பயன்படுத்துகிறோம். இந்த அணி மாற்றம் அல்லது நிகழ்தகவு அணி என்று அழைக்கப்படுகிறது. இது பொதுவாக பி.

டிரான்ஸிஷன் மேட்ரிக்ஸ் - மார்கோவ் சங்கிலிகளின் அறிமுகம் - எடுரேகா

குறிப்பு, அனைத்து மதிப்புகளுக்கும் pij & ge0, மற்றும் ‘i’ என்பது,

டிரான்ஸிஷன் மேட்ரிக்ஸ் ஃபார்முலா - மார்கோவ் சங்கிலிகளின் அறிமுகம் - எடுரேகா

இதை விளக்குகிறேன். நமது தற்போதைய நிலை ‘நான்’ என்று கருதி, அடுத்த அல்லது வரவிருக்கும் மாநிலம் சாத்தியமான மாநிலங்களில் ஒன்றாக இருக்க வேண்டும். எனவே, k இன் அனைத்து மதிப்புகளின் கூட்டுத்தொகையை எடுக்கும்போது, ​​நாம் ஒன்றைப் பெற வேண்டும்.

மாநில மாற்றம் வரைபடம் என்றால் என்ன?

ஒரு மார்கோவ் மாதிரி ஒரு மாநில மாற்றம் வரைபடத்தால் குறிக்கப்படுகிறது. மார்கோவ் சங்கிலியில் வெவ்வேறு மாநிலங்களுக்கிடையேயான மாற்றங்களை வரைபடம் காட்டுகிறது. மாற்றம் மேட்ரிக்ஸ் மற்றும் மாநில மாற்றம் மேட்ரிக்ஸை ஒரு எடுத்துக்காட்டுடன் புரிந்துகொள்வோம்.

மாற்றம் மேட்ரிக்ஸ் எடுத்துக்காட்டு

1, 2, மற்றும் 3 மாநிலங்கள் மற்றும் பின்வரும் நிகழ்தகவுகளைக் கொண்ட மார்க்கோவ் சங்கிலியைக் கவனியுங்கள்:

மாற்றம் மேட்ரிக்ஸ் எடுத்துக்காட்டு - மார்கோவ் சங்கிலிகளின் அறிமுகம் - எடுரேகா

மாநில மாற்றம் வரைபடம் எடுத்துக்காட்டு - மார்கோவ் சங்கிலிகளின் அறிமுகம் - எடுரேகா

மேலே உள்ள வரைபடம் மார்கோவ் சங்கிலிக்கான மாநில மாற்றம் வரைபடத்தைக் குறிக்கிறது. இங்கே, 1,2 மற்றும் 3 ஆகியவை சாத்தியமான மூன்று மாநிலங்களாகும், மேலும் ஒரு மாநிலத்திலிருந்து மற்ற மாநிலங்களுக்கு சுட்டிக்காட்டும் அம்புகள் மாற்றம் நிகழ்தகவுகளைக் குறிக்கின்றன. எப்போது, ​​பிஜ் = 0, மாநில ‘நான்’ மற்றும் மாநில ‘ஜே’ ஆகியவற்றுக்கு இடையில் எந்த மாற்றமும் இல்லை என்று அர்த்தம்.

இப்போது நாங்கள் மார்கோவ் சங்கிலிகளுக்குப் பின்னால் உள்ள கணிதத்தையும் தர்க்கத்தையும் அறிந்து கொள்ளுங்கள், ஒரு எளிய டெமோவை இயக்குவோம், மார்கோவ் சங்கிலிகளைப் பயன்படுத்தக்கூடிய இடத்தைப் புரிந்துகொள்வோம்.

பைத்தானில் மார்கோவ் செயின்

இந்த டெமோவை இயக்க, நான் பைத்தானைப் பயன்படுத்துவேன், எனவே பைத்தானை உங்களுக்குத் தெரியாவிட்டால், பின்வரும் வலைப்பதிவுகள் வழியாக செல்லலாம்:

2. கீறலில் இருந்து பைதான் 3 கற்க எப்படி - ஒரு தொடக்க வழிகாட்டி

இப்போது குறியீட்டுடன் தொடங்கலாம்!

மார்கோவ் செயின் உரை ஜெனரேட்டர்

சிக்கல் அறிக்கை: மார்கோவ் சொத்தைப் பயன்படுத்துவதற்கும், டொனால்ட் டிரம்ப் பேச்சு தரவுத் தொகுப்பைப் படிப்பதன் மூலம் உரை உருவகப்படுத்துதல்களை உருவாக்கக்கூடிய மார்க்கோவ் மாதிரியை உருவாக்குவதற்கும்.

தரவு தொகுப்பு விளக்கம்: உரை கோப்பில் டொனால்ட் டிரம்ப் 2016 இல் ஆற்றிய உரைகளின் பட்டியல் உள்ளது.

தர்க்கம்: பேச்சில் பயன்படுத்தப்படும் ஒவ்வொரு வார்த்தையையும் ஒவ்வொரு வார்த்தையையும் கருத்தில் கொண்டு டொனால்ட் டிரம்பின் உரையை உருவாக்க மார்கோவ் சொத்தை பயன்படுத்துங்கள், அடுத்ததாக பயன்படுத்தப்படும் சொற்களின் அகராதியை உருவாக்கவும்.

படி 1: தேவையான தொகுப்புகளை இறக்குமதி செய்யுங்கள்

எண்ணை np ஆக இறக்குமதி செய்க

படி 2: தரவு தொகுப்பைப் படியுங்கள்

trump = open ('C: //Users//NeelTemp//Desktop//demos//speeches.txt', encoding = 'utf8'). படிக்க () # தரவு அச்சு (டிரம்ப்) ஸ்பீச் 1 ... நன்றி நீங்கள் மிகவும். அது மிகவும் நன்றாக இருக்கிறது. அவர் ஒரு பெரிய பையன் இல்லையா? அவருக்கு நியாயமான பத்திரிகை கிடைக்கவில்லை. இது நியாயமில்லை. நான் இங்கே இருக்கிறேன், மிகவும் வலுவாக இங்கே இருக்கிறேன் என்று நான் உங்களுக்குச் சொல்ல வேண்டும், ஏனென்றால் எனக்கு ஸ்டீவ் கிங் மீது மிகுந்த மரியாதை உண்டு, அதேபோல் சிட்டிசன்ஸ் யுனைடெட், டேவிட் மற்றும் அனைவருக்கும் மிகுந்த மரியாதை உண்டு, மற்றும் தேநீர் விருந்துக்கு மிகப்பெரிய இடவசதி. மேலும், அயோவா மக்களும். அவர்களுக்கு பொதுவான ஒன்று உள்ளது. கடின உழைப்பாளிகள் ....

படி 3: அமைக்கப்பட்ட தரவை தனிப்பட்ட சொற்களாகப் பிரிக்கவும்

corpus = trump.split () # கார்பஸ் அச்சு (கார்பஸ்) 'சக்திவாய்ந்த,', 'ஆனால்', 'இல்லை', 'சக்திவாய்ந்த', 'போன்ற', 'எங்களுக்கு.', 'ஈரான்', 'உள்ளது', ' விதை ',' பயங்கரவாதம் ', ...

அடுத்து, உரைகளில் வெவ்வேறு ஜோடி சொற்களை உருவாக்கும் ஒரு செயல்பாட்டை உருவாக்கவும். இடத்தை சேமிக்க, நாங்கள் ஒரு ஜெனரேட்டர் பொருளைப் பயன்படுத்துவோம்.

படி 4: விசைகளுக்கு ஜோடிகளை உருவாக்குதல் மற்றும் பின்தொடர்தல் சொற்கள்

ஜாவாவில் ஒரு தொகுப்பை உருவாக்குவது எப்படி

def make_pairs (கார்பஸ்): நான் வரம்பில் (லென் (கார்பஸ்) - 1): மகசூல் (கார்பஸ் [i], கார்பஸ் [i + 1]) ஜோடிகள் = make_pairs (கார்பஸ்)

அடுத்து, சொற்களின் ஜோடிகளைச் சேமிக்க வெற்று அகராதியைத் தொடங்குவோம்.

ஜோடியின் முதல் சொல் ஏற்கனவே அகராதியில் ஒரு விசையாக இருந்தால், அடுத்த சாத்தியமான வார்த்தையை வார்த்தையைப் பின்பற்றும் சொற்களின் பட்டியலில் சேர்க்கவும். ஆனால் சொல் ஒரு விசையாக இல்லாவிட்டால், அகராதியில் ஒரு புதிய உள்ளீட்டை உருவாக்கி, ஜோடியின் முதல் சொல்லுக்கு சமமான விசையை ஒதுக்கவும்.

படி 5: அகராதியைச் சேர்த்தல்

word_dict = word word word_1, word_2 ஜோடிகளாக: word_1 என்றால் word_dict.keys (): word_dict [word_1] .ஆப்பண்ட் (சொல்_2) வேறு: word_dict [word_1] = [word_2]

அடுத்து, கார்பஸிலிருந்து ஒரு வார்த்தையைத் தோராயமாகத் தேர்ந்தெடுப்போம், அது மார்கோவ் சங்கிலியைத் தொடங்கும்.

படி 6: மார்கோவ் மாதிரியை உருவாக்குங்கள்

# முதல் வார்த்தையை முதல் தேர்வு செய்யுங்கள் first_word = np.random.choice (கார்பஸ்) # முதல் வார்த்தையை ஒரு பெரிய வார்த்தையாகத் தேர்ந்தெடுங்கள், இதனால் தேர்ந்தெடுக்கப்பட்ட சொல் ஒரு வாக்கியத்திற்கு இடையில் இருந்து எடுக்கப்படாது, அதே நேரத்தில் முதல்_ச்சொல்.இஸ்லோவர் (): # சங்கிலியைத் தொடங்குங்கள் தேர்ந்தெடுக்கப்பட்ட சொல் சங்கிலி = [முதல்_ச்சொல்] # தூண்டப்பட்ட சொற்களின் எண்ணிக்கையைத் தொடங்கவும் n_words = 20

முதல் வார்த்தையைத் தொடர்ந்து, சங்கிலியின் ஒவ்வொரு வார்த்தையும் ட்ரம்பின் நேரடி உரைகளில் அந்த குறிப்பிட்ட வார்த்தையைப் பின்பற்றிய சொற்களின் பட்டியலிலிருந்து தோராயமாக மாதிரி எடுக்கப்படுகிறது. இது கீழே உள்ள குறியீடு துணுக்கில் காட்டப்பட்டுள்ளது:

நான் வரம்பில் (n_words): chain.append (np.random.choice (சொல்_விளக்கம் [சங்கிலி [-1]]))

படி 7: கணிப்புகள்

இறுதியாக, தூண்டப்பட்ட உரையைக் காண்பிப்போம்.

# சேர் சங்கிலியை ஒரு சரம் அச்சாக வழங்குகிறது (''. சேருங்கள் (சங்கிலி)) நம்பமுடியாத நபர்களின் எண்ணிக்கை. ஹிலாரி கிளிண்டன், எங்கள் மக்களைக் கொண்டிருக்கிறார், அத்தகைய பெரிய வேலை. நாங்கள் ஒபாமாவை அடிக்க மாட்டோம்

எனவே டிரம்பின் பேச்சைக் கருத்தில் கொண்டு எனக்கு கிடைத்த உரை இது. இது நிறைய அர்த்தமுள்ளதாக இருக்காது, ஆனால் தானாகவே நூல்களை உருவாக்க மார்க்கோவ் சங்கிலிகள் எவ்வாறு பயன்படுத்தப்படலாம் என்பதைப் புரிந்துகொள்வது போதுமானது.

இப்போது இன்னும் சில பயன்பாடுகளைப் பார்ப்போம் மார்கோவ் சங்கிலிகள் மற்றும் அவை நிஜ உலக பிரச்சினைகளை தீர்க்க எவ்வாறு பயன்படுத்தப்படுகின்றன.

மார்கோவ் செயின் பயன்பாடுகள்

மார்கோவ் சங்கிலிகளின் நிஜ உலக பயன்பாடுகளின் பட்டியல் இங்கே:

1. கூகிள் பேஜ் தரவரிசை: முழு வலைப்பக்கமும் ஒரு மார்க்கோவ் மாதிரியாக கருதப்படலாம், அங்கு ஒவ்வொரு வலைப்பக்கமும் ஒரு மாநிலமாக இருக்கக்கூடும், மேலும் இந்த பக்கங்களுக்கிடையேயான இணைப்புகள் அல்லது குறிப்புகள் நிகழ்தகவுகளுடன் மாற்றங்கள் என்று கருதலாம். எனவே அடிப்படையில், நீங்கள் எந்த வலைப்பக்கத்தில் உலாவத் தொடங்கினாலும், ஒரு குறிப்பிட்ட வலைப்பக்கத்தைப் பெறுவதற்கான வாய்ப்பு, எக்ஸ் என்பது ஒரு நிலையான நிகழ்தகவு என்று கூறுங்கள்.

2. சொல் கணிப்பைத் தட்டச்சு செய்தல்: வரவிருக்கும் சொற்களைக் கணிக்க மார்கோவ் சங்கிலிகள் பயன்படுத்தப்படுகின்றன. அவை தானாக நிறைவு மற்றும் பரிந்துரைகளிலும் பயன்படுத்தப்படலாம்.

3. சப்ரெடிட் சிமுலேஷன்: நிச்சயமாக நீங்கள் ரெடிட்டைக் கண்டிருக்கிறீர்கள், அவற்றின் நூல்கள் அல்லது சப்ரெடிட்களில் ஒன்றில் தொடர்பு கொண்டுள்ளீர்கள். ரெடிட் ஒரு சப்ரெடிட் சிமுலேட்டரைப் பயன்படுத்துகிறது, இது அவர்களின் குழுக்கள் முழுவதும் நடைபெறும் அனைத்து கருத்துகள் மற்றும் விவாதங்களைக் கொண்ட ஒரு பெரிய அளவிலான தரவைப் பயன்படுத்துகிறது. மார்கோவ் சங்கிலிகளைப் பயன்படுத்துவதன் மூலம், கருத்துகள் மற்றும் தலைப்புகளை உருவாக்க, சிமுலேட்டர் வார்த்தைக்கு வார்த்தை நிகழ்தகவுகளை உருவாக்குகிறது.

4. உரை ஜெனரேட்டர்: மார்கோவ் சங்கிலிகள் பொதுவாக போலி நூல்களை உருவாக்க அல்லது பெரிய கட்டுரைகளை உருவாக்க மற்றும் பேச்சுக்களை தொகுக்கப் பயன்படுகின்றன. வலையில் நீங்கள் காணும் பெயர் ஜெனரேட்டர்களிலும் இது பயன்படுத்தப்படுகிறது.

மார்கோவ் செயின்ஸைப் பயன்படுத்துவதன் மூலம் நிஜ உலக சிக்கலை எவ்வாறு தீர்ப்பது என்பது இப்போது உங்களுக்குத் தெரியும், மேலும் அறிய நீங்கள் ஆர்வமாக உள்ளீர்கள் என்று நான் நம்புகிறேன். பிற புள்ளிவிவரக் கருத்துகளுடன் தொடங்க உங்களுக்கு உதவும் வலைப்பதிவுகளின் பட்டியல் இங்கே:

இதன் மூலம், இந்த அறிமுகம் மார்கோவ் செயின்ஸ் வலைப்பதிவின் முடிவுக்கு வருகிறோம். இந்த தலைப்பு தொடர்பாக ஏதேனும் கேள்விகள் இருந்தால், தயவுசெய்து கீழே ஒரு கருத்தை இடுங்கள், நாங்கள் உங்களைத் தொடர்புகொள்வோம்.

பிரபலமான தொழில்நுட்பங்களைப் பற்றிய கூடுதல் வலைப்பதிவுகளுக்கு காத்திருங்கள்.

தரவு அறிவியலில் ஆன்லைன் கட்டமைக்கப்பட்ட பயிற்சியை நீங்கள் தேடுகிறீர்கள் என்றால், எடுரேகா! சிறப்பாக வடிவமைக்கப்பட்டுள்ளது புள்ளிவிவரம், தரவு மோதல், ஆய்வு தரவு பகுப்பாய்வு, கே-மீன்ஸ் க்ளஸ்டரிங், முடிவு மரங்கள், ரேண்டம் ஃபாரஸ்ட், நேவ் பேய்ஸ் போன்ற இயந்திர கற்றல் வழிமுறைகளில் நிபுணத்துவம் பெற உதவும் திட்டம். நேரத் தொடர், உரைச் சுரங்க மற்றும் ஆழமான கற்றலுக்கான அறிமுகத்தையும் நீங்கள் கற்றுக்கொள்வீர்கள். இந்த பாடநெறிக்கான புதிய தொகுதிகள் விரைவில் தொடங்குகின்றன !!