J'ai essayé de trouver un bon tutoriel sur les Champs Aléatoires et n'ai pas encore trouvé celui qui n'a pas lancer l'envoi de mon cerveau en fusion. J'ai une bonne connaissance de HMM, et je reçois la différence entre discriminatoire et générative modèles ... mais je n'ai pas encore été en mesure de trouver une ressource qui peut donner une bonne comparaison de HMM et de l'erc qui fait sens pour moi. Toute aide serait appréciée.
Réponses
Trop de publicités?
L'une des meilleures ressources que j'ai trouvé est en fait une section de Christopher Évêque du livre de la Reconnaissance des formes et l'Apprentissage de la Machine (que je recommande fortement, par la voie) concernant les Champs de Markov (Erc sont spécialisés Champs de Markov.) Il a même un exemple qui, je suis sûr que vous avez remarqué, sont incroyablement difficile à trouver à ce sujet. Maintenant, je dois préciser que cette section ne sera pas vous donner une compréhension complète de la Fec, mais il faut espérer qu'au moins il a fait pour moi - vous aider à naviguer dans ces traîtres CRF tutoriels.
A côté de cela, je n'ai rien trouvé, mais l'esprit-engourdissant les études sur le sujet. Voici quelques-uns que j'ai trouvé pour être utile si:
Une Introduction aux Champs Aléatoires Conditionnels pour Relationnelle de l'Apprentissage - celui-ci est très complet.
Conditionnel Champs Aléatoires: Modèles Probabilistes pour la Segmentation et l'Étiquetage de Séquence de Données - C'est le papier qui a à l'origine décrit la CRF cadre. Je trouve ça un peu plus facile à lire que ceux qui sont venus après lui. Il compare également les CRFs de Hmm et MEMMs (graphiques inclus).
Désolé, c'est tout ce que je peux contribuer. Je suis encore à essayer de master Fec moi-même.
user47312
Points
149
Classique des Modèles Probabilistes et des Champs Aléatoires Conditionnels
http://www.scai.fraunhofer.de/fileadmin/images/bio/data_mining/paper/crf_klinger_tomanek.pdf
C'est de loin le meilleur tutoriel, je n'ai jusqu'à présent eu la bonne fortune de rencontrer. Comme le titre l'indique, il développe le CRM idée en premier bâtiment sur le dessus et concernant plus familier modèles, y compris Naive Bayes, Hmm, et de Maximum d'Entropie. L'utilisation de couleurs et de chiffres s'ajoute également à la compréhension.
Susheel Javadi
Points
1084
Le plus impressionnant introduction à la Fec.
Aussi, cette salle de classe document explique la "notation" pour un Linéaire de la chaîne d'CRF plutôt bien.
Hung Ngo
Points
109
Une vidéo très intéressante tutoriel sur la Fec donné par le professeur Charles Elkan (UCSD): http://videolectures.net/cikm08_elkan_llmacrf
Et des notes de cours peut être téléchargé à partir de sa page d'accueil: http://cseweb.ucsd.edu/users/elkan/250B/cikmtutorial.pdf
Cheers! Hung Ong.
j-a
Points
476
Je recommande également cette thèse de Doctorat, il a un chapitre sur les modèles graphiques et un sur le TRÉSOR. Il présente tous les concepts nécessaires pour comprendre TRÉSOR.
Mise à jour: remplacé le lien, au cas où le lien de freins, le titre de la thèse de Doctorat est "mise à l'Échelle Champs Aléatoires Conditionnels pour le Traitement de la Langue Naturelle". Je dois ajouter qu'il traite de la différence entre les HMM et CRF.
