آشنایی بیشتر با زنجیره های مارکوف

با سلام

ببینید زنجیره های مارکوف اسمش روشه - ما زنجیره ای از استپ ها رو داریم که اینها رو مجبوریم به صورت گراف نشون بدیم. وقتی از مارکوف حرف می زنیم از مجموعه ای از احتمالات ماتریسی صحبت می کنیم که یکسری خواص به همراه خودش داره. این خواص هست که باعث شده که اون ماتریس قابلیت استفاده از مارکوف رو داشته باشه .
ولی برای پیاده سازی اون نیازی به گراف نداریم. بلکه باید ماترس اون رو داشته باشید تا از روی اون روابط بین هر استپ رو داشته باشید. به این ماتریس یک ماتریس همبستگی یا Association matrix می گن. به طور کلی MCL یا markov clustering یک روش مبتنی بر گراف هست. در حالت کلی باید به کمک الگوریتم Random Walk که اینجا وقت برای توضیح در موردش نیست شروع به حرکت از یک نقطه تصادفی از گراف کنید و به کمک دو عملگر تورم یا inflation و گسترش که هر کدوم با یکسری از فرمول ها روی گراف ایجاد تغییر می کنن ادامه پیدا می کنه.
دقت کنید که تورم به کمک یکسری از فرمول ها کل ماتریس شما رو به صورتی نرمال می کنه که اون نود های ماتریسی که در مجاورت هم هستن طوری نرمال بشن که برای الگوریتم رندم والک ما به راحتی بهترین و دقیقترین خروجی رو حاصل کنن. به همین صورت عملگر Expansion یا گسترش هست که این عملگر باعث می شه ماتریس ما به اصطلاح عامیانه پف کنه یا به اصطلاح علمی رشد کنه و این هم باز کار ما رو برای راه رفتن روی ماتریس ساده می کنه
در حالت کلی شیوه کار الگوریتم مارکوف به این صورت هست که در ابتدا از روی آبجکت هایی که بر روی صفحه داریم شروع به ساخت ماتریس همبستگی می کنیم و از روی اون ماتریس وزن دار رو می سازیم و از روی ماتریس وزن دار باید ماتریس مارکوفی رو بسازیم که اون خواصی که گفتم داره مثلا ارگودیکه و طولانی ترین مسیر را که این هم البته یکسری فرمول داره برای استخراجش می کنیم. سپس باید روی این ماتریس اون عملگر ها رو اعمال کنیم و هی راه بریم و اعمال کنیم تا به حالتی برسیم که دیگه تغییری توی ماتریس نبینیم. توی این مرحله ممکنه برخی از نود های ماتریس خالی بشن
در انتها باید بگم خوشه بندی با مارکوف توسط خیلیها بهینه شده ولی همشون در کل یک مفهوم یکسان رو با درجه سرعت و بهینگی متفاوت ارائه می کنن
به منظور دریافت پیاده سازی و آموزش کامل خوشه بندی با مارکوف به من از طریق آی دی تلگرامم Research_moghimi@ پیام بدید یا به ایمیلم resrearch.moghimi@gmail.com ایمیل کنید

شما برای کارتون باید گرافش رو رسم کنید تا روی کاغذ بیارید ولی برای پیاده سازی توی سیستم نیازی به این کار نیست

ببینید ما یکسری روش های پیش بینی داریم. ابتدا باید به من بگید ورودی کارتون چیه و خروجی کارتون چیه تا بتونم کمکتون کنم

اونطور که من متوجه شدم می خواید برای افزایش سرعت کارتون این کار رو خوشه بندی کنید. اگر واقعا همینطوره این رو بهتون می گم که بعد از خوشه بندی شما هنوز هیچ خروجی نخواهید داشت و باید تازه با روش های پیش بینی مثل ARM یا Regression یا Naive base یا SVM یا مارکوف یا درخت های مختلف این کار رو بکنید. پس بنظرم اول روی پروتئین هایی که دارید شروع به انجام شناسایی برای خروجی بکنید بعد به فکر افزایش سرعت بیافتید

بله مارکوف یک شیوه و راه و روش هست. شما یک ماتریس می سازید که خواص مارکوف رو داره و به کمک اون می تونید خوشه بندی کنید، دسته بندی کنید، پیش بینی کنید. پیش پردازش کنید، هر نوع پردازشی می تونید روی اون انجام بدید. شما می خواید خوشه بندی کنید در صورتی که خوشه بندی فقط جداسازی یکسری اطلاعات از هم هست و هیچ کمکی برای پیش بینی شما بجز افزایش صحت کار نداره. برای اینکه بتونید درست پیش بینی کنید از الگوریتم ژنتیک استفاده کنید که ظاهرا به کار شما هم می خوره

کاملا منظور من رو اشتباه فهمیدید. به حرف هایی که قبلتر زده بودم دقت کنید و با دقت بیشتری مطالعه کنید

سلام
تا دلتون بخواد در خصوص خوشه بندی گراف و روش های خوشه بندی گراف ها در اینترنت مطلب هست. چه فارسی و چه انگلیسی
فکر میکنم با چند جستجوی ساده به نتیجه برسید

سلام
من در مقاله خودم که به نوزدهمین کنفرانس فرستاده بودم یه چارچوب ساده برای پیش بینی ارائه کردم
شما به سادگی می تونید اون رو برای کار خودتون کاستومایز کنید

سلام منظورتون دقیقا از زمان عبور چی هست؟ آیا منظورتون Transition Time هست؟

بنظرم با متلب می شه راحت حسابش کرد