Iti0210lab10 - Redigeerimiste ajalugu

PriitJ: /* Katsetamine */

2019-04-11T14:31:29Z

Katsetamine

←Vanem redaktsioon		Redaktsioon: 11. aprill 2019, kell 16:31
119. rida:		119. rida:
	"@anon Sweet book! I think.. lol Sounds good anyway. "		"@anon Sweet book! I think.. lol Sounds good anyway. "
	"@anon I'm excited but offering someone a sound healing also sounds great. I'm starting Reiki at the farmers market also! Here we go! "		"@anon I'm excited but offering someone a sound healing also sounds great. I'm starting Reiki at the farmers market also! Here we go! "
	"http://~~twitpic.com/6v4u4~~ - Full Moon Wild Rose Petal Rose Quartz honey, vinegar and infusion picked and co-created today. Love!"		"http://url - Full Moon Wild Rose Petal Rose Quartz honey, vinegar and infusion picked and co-created today. Love!"
	</pre>		</pre>

PriitJ: /* Teooria ja praktika */

2019-04-11T14:24:33Z

Teooria ja praktika

@@ 22. rida: / 22. rida: @@
 Meie Twitteri ülesande puhul on vaatlustulemusteks järjestikused säutsud. Iga säutsu juures arvutatakse eelmist ajahetke arvesse võttes uus sisemiste olekute tõenäosusjaotus. Tähistame võimalikke sisemisi olekuid ''positiivne'' ja ''negatiivne''.  Pane tähele, et ''Forward'' algoritm ühelgi hetkel ei vali, milline on "õige" peidetud olek. Läbi kogu tsükli peetakse arvet mõlema oleku tõenäosuse üle.
-Üks ''Forward'' samm:
+===''Forward'' algoritm ===
-# Sisemise oleku üleminek [[Image:Iti0210_hmm2.gif]]. Selgitus: siin arvutatakse tõenäosusjaotust, see tähendab, iga sisemise oleku tõenäosus eraldi: ''P(X<sub>t+1</sub>=positiivne) = P(x<sub>t+1</sub>=positiivne|X<sub>t</sub>=positiivne) * P(X<sub>t</sub>=positiivne) + P(x<sub>t+1</sub>=positiivne|X<sub>t</sub>=negatiivne) * P(X<sub>t</sub>=negatiivne)'' ja sama ''P(X<sub>t+1</sub>=negatiivne)'' jaoks.
-# Vaatlustulemuste lisamine [[Image:Iti0210_hmm3.gif]]. Selgitus: ''e<sub>t+1</sub>'' on säutsus sisalduvad sõnad. Siin tuleb meil sisse tuua Naiivne Bayesi mudel, mis annab meile puuduolevad tõenäosused ''P(säuts|X<sub>t+1</sub>=negatiivne)'' ja sama positiivse klassi kohta. Jällegi tuleb teha kaks arvutust paralleelselt, normaliseerimiskonstanti esialgu ignoreerime. Aga kuidas leida terve säutsu esinemise tõenäosust? Aitab sõltumatuse eeldus, korrutame lihtsalt säutsust leitud M sõna tõenäosused kokku: ''P(säuts|X<sub>t+1</sub>) = P(sõna1|X<sub>t+1</sub>) * ... * P(sõnaM|X<sub>t+1</sub>)''
+Forward algoritm arvutab korraga ühe sammu arvutuses, ajahetkest ''t'' kuni ''t+1''.
-# Normaliseerime. Näiteks, kui eelmises sammus arvutame numbrid ''P(X<sub>t+1</sub>=positiivne) = 0.12'' ja ''P(X<sub>t+1</sub>=negatiivne) = 0.08'', siis tuleb leida arv, millega nad läbi korrutada (või jagada), nii et nende summa tuleks kokku 1.
 === Vajalikud tegevused ===

PriitJ: /* Vajalikud tegevused */

2019-04-10T22:15:10Z

Vajalikud tegevused

←Vanem redaktsioon		Redaktsioon: 11. aprill 2019, kell 00:15
31. rida:		31. rida:
	# Leia üleminekute tõenäosused treeningandmetelt.		# Leia üleminekute tõenäosused treeningandmetelt.
	# Treeni eelmise kodutöö Naiivne Bayesi mudel säutsudelt. Oluline on eelkõige sõnade esinemine mõlema klassi puhul, eeltõenäosust võib kasutada ''Forward'' algoritmi esimeses sammus, aga ei pea.		# Treeni eelmise kodutöö Naiivne Bayesi mudel säutsudelt. Oluline on eelkõige sõnade esinemine mõlema klassi puhul, eeltõenäosust võib kasutada ''Forward'' algoritmi esimeses sammus, aga ei pea.
	# Implementeeri ülaltoodud kirjelduse järgi ''Forward'' algoritm, nii et see saaks sisendiks listi ~~säutsudeks~~ ning suudaks anda sisemiste olekute (''positiivne'', ''negatiivne'') jaotuse peale viimast sammu või ka peale iga sammu.		# Implementeeri ülaltoodud kirjelduse järgi ''Forward'' algoritm, nii et see saaks sisendiks listi säutsudest ning suudaks anda sisemiste olekute (''positiivne'', ''negatiivne'') jaotuse peale viimast sammu või ka peale iga sammu.

	== Treeningandmed ==		== Treeningandmed ==

PriitJ: /* Teooria ja praktika */

2019-04-10T22:14:35Z

Teooria ja praktika

←Vanem redaktsioon		Redaktsioon: 11. aprill 2019, kell 00:14
24. rida:		24. rida:
	Üks ''Forward'' samm:		Üks ''Forward'' samm:
	# Sisemise oleku üleminek [[Image:Iti0210_hmm2.gif]]. Selgitus: siin arvutatakse tõenäosusjaotust, see tähendab, iga sisemise oleku tõenäosus eraldi: ''P(X<sub>t+1</sub>=positiivne) = P(x<sub>t+1</sub>=positiivne\|X<sub>t</sub>=positiivne) * P(X<sub>t</sub>=positiivne) + P(x<sub>t+1</sub>=positiivne\|X<sub>t</sub>=negatiivne) * P(X<sub>t</sub>=negatiivne)'' ja sama ''P(X<sub>t+1</sub>=negatiivne)'' jaoks.		# Sisemise oleku üleminek [[Image:Iti0210_hmm2.gif]]. Selgitus: siin arvutatakse tõenäosusjaotust, see tähendab, iga sisemise oleku tõenäosus eraldi: ''P(X<sub>t+1</sub>=positiivne) = P(x<sub>t+1</sub>=positiivne\|X<sub>t</sub>=positiivne) * P(X<sub>t</sub>=positiivne) + P(x<sub>t+1</sub>=positiivne\|X<sub>t</sub>=negatiivne) * P(X<sub>t</sub>=negatiivne)'' ja sama ''P(X<sub>t+1</sub>=negatiivne)'' jaoks.
	# Vaatlustulemuste lisamine [[Image:Iti0210_hmm3.gif]]. Selgitus: ''e<sub>t+1</sub>'' on säutsus sisalduvad sõnad. Siin tuleb meil sisse tuua Naiivne Bayesi mudel, mis annab meile puuduolevad tõenäosused ''P(säuts\|P(X<sub>t+1</sub>=negatiivne)'' ja sama positiivse klassi kohta. Jällegi tuleb teha kaks arvutust paralleelselt, normaliseerimiskonstanti esialgu ignoreerime. Aga kuidas leida terve säutsu esinemise tõenäosust? Aitab sõltumatuse eeldus, korrutame lihtsalt säutsust leitud M sõna tõenäosused kokku: ''P(säuts\|X<sub>t+1</sub>) = P(sõna1\|X<sub>t+1</sub>) * ... * P(sõnaM\|X<sub>t+1</sub>)''		# Vaatlustulemuste lisamine [[Image:Iti0210_hmm3.gif]]. Selgitus: ''e<sub>t+1</sub>'' on säutsus sisalduvad sõnad. Siin tuleb meil sisse tuua Naiivne Bayesi mudel, mis annab meile puuduolevad tõenäosused ''P(säuts\|X<sub>t+1</sub>=negatiivne)'' ja sama positiivse klassi kohta. Jällegi tuleb teha kaks arvutust paralleelselt, normaliseerimiskonstanti esialgu ignoreerime. Aga kuidas leida terve säutsu esinemise tõenäosust? Aitab sõltumatuse eeldus, korrutame lihtsalt säutsust leitud M sõna tõenäosused kokku: ''P(säuts\|X<sub>t+1</sub>) = P(sõna1\|X<sub>t+1</sub>) * ... * P(sõnaM\|X<sub>t+1</sub>)''
	# Normaliseerime. Näiteks, kui eelmises sammus arvutame numbrid ''P(X<sub>t+1</sub>=positiivne) = 0.12'' ja ''P(X<sub>t+1</sub>=negatiivne) = 0.08'', siis tuleb leida arv, millega nad läbi korrutada (või jagada), nii et nende summa tuleks kokku 1.		# Normaliseerime. Näiteks, kui eelmises sammus arvutame numbrid ''P(X<sub>t+1</sub>=positiivne) = 0.12'' ja ''P(X<sub>t+1</sub>=negatiivne) = 0.08'', siis tuleb leida arv, millega nad läbi korrutada (või jagada), nii et nende summa tuleks kokku 1.

PriitJ: /* Teooria ja praktika */

2019-04-10T21:59:55Z

Teooria ja praktika

←Vanem redaktsioon		Redaktsioon: 10. aprill 2019, kell 23:59
23. rida:		23. rida:

	Üks ''Forward'' samm:		Üks ''Forward'' samm:
	# Sisemise oleku üleminek [[Image:Iti0210_hmm2.~~png~~]]. Selgitus: siin arvutatakse tõenäosusjaotust, see tähendab, iga sisemise oleku tõenäosus eraldi: ''P(X<sub>t+1</sub>=positiivne) = P(x<sub>t+1</sub>=positiivne\|X<sub>t</sub>=positiivne) * P(X<sub>t</sub>=positiivne) + P(x<sub>t+1</sub>=positiivne\|X<sub>t</sub>=negatiivne) * P(X<sub>t</sub>=negatiivne)'' ja sama ''P(X<sub>t+1</sub>=negatiivne)'' jaoks.		# Sisemise oleku üleminek [[Image:Iti0210_hmm2.gif]]. Selgitus: siin arvutatakse tõenäosusjaotust, see tähendab, iga sisemise oleku tõenäosus eraldi: ''P(X<sub>t+1</sub>=positiivne) = P(x<sub>t+1</sub>=positiivne\|X<sub>t</sub>=positiivne) * P(X<sub>t</sub>=positiivne) + P(x<sub>t+1</sub>=positiivne\|X<sub>t</sub>=negatiivne) * P(X<sub>t</sub>=negatiivne)'' ja sama ''P(X<sub>t+1</sub>=negatiivne)'' jaoks.
	# Vaatlustulemuste lisamine [[Image:Iti0210_hmm3.~~png~~]]. Selgitus: ''e<sub>t+1</sub>'' on säutsus sisalduvad sõnad. Siin tuleb meil sisse tuua Naiivne Bayesi mudel, mis annab meile puuduolevad tõenäosused ''P(säuts\|P(X<sub>t+1</sub>=negatiivne)'' ja sama positiivse klassi kohta. Jällegi tuleb teha kaks arvutust paralleelselt, normaliseerimiskonstanti esialgu ignoreerime. Aga kuidas leida terve säutsu esinemise tõenäosust? Aitab sõltumatuse eeldus, korrutame lihtsalt säutsust leitud M sõna tõenäosused kokku: ''P(säuts\|X<sub>t+1</sub>) = P(sõna1\|X<sub>t+1</sub>) * ... * P(sõnaM\|X<sub>t+1</sub>)''		# Vaatlustulemuste lisamine [[Image:Iti0210_hmm3.gif]]. Selgitus: ''e<sub>t+1</sub>'' on säutsus sisalduvad sõnad. Siin tuleb meil sisse tuua Naiivne Bayesi mudel, mis annab meile puuduolevad tõenäosused ''P(säuts\|P(X<sub>t+1</sub>=negatiivne)'' ja sama positiivse klassi kohta. Jällegi tuleb teha kaks arvutust paralleelselt, normaliseerimiskonstanti esialgu ignoreerime. Aga kuidas leida terve säutsu esinemise tõenäosust? Aitab sõltumatuse eeldus, korrutame lihtsalt säutsust leitud M sõna tõenäosused kokku: ''P(säuts\|X<sub>t+1</sub>) = P(sõna1\|X<sub>t+1</sub>) * ... * P(sõnaM\|X<sub>t+1</sub>)''
	# Normaliseerime. Näiteks, kui eelmises sammus arvutame numbrid ''P(X<sub>t+1</sub>=positiivne) = 0.12'' ja ''P(X<sub>t+1</sub>=negatiivne) = 0.08'', siis tuleb leida arv, millega nad läbi korrutada (või jagada), nii et nende summa tuleks kokku 1.		# Normaliseerime. Näiteks, kui eelmises sammus arvutame numbrid ''P(X<sub>t+1</sub>=positiivne) = 0.12'' ja ''P(X<sub>t+1</sub>=negatiivne) = 0.08'', siis tuleb leida arv, millega nad läbi korrutada (või jagada), nii et nende summa tuleks kokku 1.

PriitJ: /* Teooria ja praktika */

2019-04-10T21:58:36Z

Teooria ja praktika

←Vanem redaktsioon		Redaktsioon: 10. aprill 2019, kell 23:58
23. rida:		23. rida:

	Üks ''Forward'' samm:		Üks ''Forward'' samm:
	# Sisemise oleku üleminek [[Image:~~Iti0210lab10_f2~~.png]]. Selgitus: siin arvutatakse tõenäosusjaotust, see tähendab, iga sisemise oleku tõenäosus eraldi: ''P(X<sub>t+1</sub>=positiivne) = P(x<sub>t+1</sub>=positiivne\|X<sub>t</sub>=positiivne) * P(X<sub>t</sub>=positiivne) + P(x<sub>t+1</sub>=positiivne\|X<sub>t</sub>=negatiivne) * P(X<sub>t</sub>=negatiivne)'' ja sama ''P(X<sub>t+1</sub>=negatiivne)'' jaoks.		# Sisemise oleku üleminek [[Image:Iti0210_hmm2.png]]. Selgitus: siin arvutatakse tõenäosusjaotust, see tähendab, iga sisemise oleku tõenäosus eraldi: ''P(X<sub>t+1</sub>=positiivne) = P(x<sub>t+1</sub>=positiivne\|X<sub>t</sub>=positiivne) * P(X<sub>t</sub>=positiivne) + P(x<sub>t+1</sub>=positiivne\|X<sub>t</sub>=negatiivne) * P(X<sub>t</sub>=negatiivne)'' ja sama ''P(X<sub>t+1</sub>=negatiivne)'' jaoks.
	# Vaatlustulemuste lisamine [[Image:~~Iti0210lab10_f3~~.png]]. Selgitus: ''e<sub>t+1</sub>'' on säutsus sisalduvad sõnad. Siin tuleb meil sisse tuua Naiivne Bayesi mudel, mis annab meile puuduolevad tõenäosused ''P(säuts\|P(X<sub>t+1</sub>=negatiivne)'' ja sama positiivse klassi kohta. Jällegi tuleb teha kaks arvutust paralleelselt, normaliseerimiskonstanti esialgu ignoreerime. Aga kuidas leida terve säutsu esinemise tõenäosust? Aitab sõltumatuse eeldus, korrutame lihtsalt säutsust leitud M sõna tõenäosused kokku: ''P(säuts\|X<sub>t+1</sub>) = P(sõna1\|X<sub>t+1</sub>) * ... * P(sõnaM\|X<sub>t+1</sub>)''		# Vaatlustulemuste lisamine [[Image:Iti0210_hmm3.png]]. Selgitus: ''e<sub>t+1</sub>'' on säutsus sisalduvad sõnad. Siin tuleb meil sisse tuua Naiivne Bayesi mudel, mis annab meile puuduolevad tõenäosused ''P(säuts\|P(X<sub>t+1</sub>=negatiivne)'' ja sama positiivse klassi kohta. Jällegi tuleb teha kaks arvutust paralleelselt, normaliseerimiskonstanti esialgu ignoreerime. Aga kuidas leida terve säutsu esinemise tõenäosust? Aitab sõltumatuse eeldus, korrutame lihtsalt säutsust leitud M sõna tõenäosused kokku: ''P(säuts\|X<sub>t+1</sub>) = P(sõna1\|X<sub>t+1</sub>) * ... * P(sõnaM\|X<sub>t+1</sub>)''
	# Normaliseerime. Näiteks, kui eelmises sammus arvutame numbrid ''P(X<sub>t+1</sub>=positiivne) = 0.12'' ja ''P(X<sub>t+1</sub>=negatiivne) = 0.08'', siis tuleb leida arv, millega nad läbi korrutada (või jagada), nii et nende summa tuleks kokku 1.		# Normaliseerime. Näiteks, kui eelmises sammus arvutame numbrid ''P(X<sub>t+1</sub>=positiivne) = 0.12'' ja ''P(X<sub>t+1</sub>=negatiivne) = 0.08'', siis tuleb leida arv, millega nad läbi korrutada (või jagada), nii et nende summa tuleks kokku 1.

PriitJ: /* Forward algoritm */

2019-04-10T21:48:42Z

Forward algoritm

←Vanem redaktsioon		Redaktsioon: 10. aprill 2019, kell 23:48
12. rida:		12. rida:
	Loomuliku keele ja meeleolude analüüs on keeruline ülesanne ja kodutöös ei taha me saada väga suurt täpsust. Eesmärk on aru saada, kuidas peidetud Markovi mudel töötab.		Loomuliku keele ja meeleolude analüüs on keeruline ülesanne ja kodutöös ei taha me saada väga suurt täpsust. Eesmärk on aru saada, kuidas peidetud Markovi mudel töötab.

	== ~~''Forward'' algoritm~~ ==		== Teooria ja praktika ==

	Kõigepealt loe läbi [''AIMA''] 15.2.1 "Filtering and prediction", vajadusel mitu korda. ~~Kokkuvõtlikult:~~		Kõigepealt loe läbi [''AIMA''] 15.2.1 "Filtering and prediction", vajadusel mitu korda. Töös kasutame sellest ''Forward'' algoritmi.

	~~# Meil~~ on mingi ~~tõenäosusjaotus sisemisele olekule [[Image:Iti0210lab10_f1.png]]. Tahame leida tõenäosusjaotust järgmisel ajahetkel ''t+1'', kui me teame välist tunnust ''~~e<sub>t+1</sub>~~'' (antud juhul on selleks sõnumite sagedus).~~		Oletame, et meil on mingi vaatluste seeria e<sub>1</sub> kuni e<sub>n</sub>. Lisaks, võtame kusagilt algsed sisemise olekute tõenäosused X<sub>0</sub>.
	~~# Arvutame, mis üleminekumudel järmiseks olekuks annaks [[Image:Iti0210lab10_f2.png]]. Tegu on jaotuse valemiga, et programmis seda arvutada, tuleb aru saada, et ''X~~<sub>~~t+1~~</sub>~~'' on muutuja ning selle asemele tuleb kordamööda panna kõik tema võimalikud väärtused~~.
	~~# Kasutades emissioonimudelit~~, ~~täpsustame~~ sisemise ~~oleku hinnangut [[Image:Iti0210lab10_f3.png]]. ''e~~<sub>~~t+1~~</sub~~>'' on välise tunnuse konkreetne väärtus.~~
	# Normaliseerime. See tähendab, et nüüd on õige hetk leida eelmises valemis olev [[Image:Iti0210lab10_f4.png]]. Näiteks, kui eelmises sammus arvutame numbrid <0.13, 0.21, 0.04>, siis need tuleks mingi arvuga läbi korrutada, et saada jaotus mille summa on 1. Seda arvu on üsna lihtne leida: 1 / (0.13 + 0.21 + 0.04). Saame lõpliku jaotuse <0.34, 0.56, 0.1>.

	~~Alguses on meil vaatlustulemuste seeria, aga sisemiste olekute jaotuseid pole. Võtame appi eeltõenäosuse (~~''~~prior~~'') ~~ja väidame, et see on jaotus vahetult enne vaatlustulemuste seeriat~~. ~~See on küll väga umbkaudne~~, ~~aga esiteks pole midagi paremat võtta, teiseks mõjutab esimene jaotus sisemist olekut seeria lõpus palju vähem, kui seeria alguses. Meid huvitab just seeria lõpp ehk värskeim olek~~.		Nüüd arvutatakse ''Forward'' algoritmiga <code>X1 = forward(X0, e1)</code>. Saame X<sub>1</sub>, millest saab jälle järgmise olekute jaotuse jne kuni lõpuni.

	~~Eeltõenäosuse~~ ja ~~esimese vaatlustulemuse pealt saame ülaltoodud sammudega arvutada esimese~~ sisemise oleku ~~jaotuse~~. ~~Selle võtame aluseks järgmisele olekule jne~~, ~~kuni jõuame iteratiivselt vaatlustulemuste seeria lõppu~~.		Meie Twitteri ülesande puhul on vaatlustulemusteks järjestikused säutsud. Iga säutsu juures arvutatakse eelmist ajahetke arvesse võttes uus sisemiste olekute tõenäosusjaotus. Tähistame võimalikke sisemisi olekuid ''positiivne'' ja ''negatiivne''. Pane tähele, et ''Forward'' algoritm ühelgi hetkel ei vali, milline on "õige" peidetud olek. Läbi kogu tsükli peetakse arvet mõlema oleku tõenäosuse üle.

			Üks ''Forward'' samm:
			# Sisemise oleku üleminek [[Image:Iti0210lab10_f2.png]]. Selgitus: siin arvutatakse tõenäosusjaotust, see tähendab, iga sisemise oleku tõenäosus eraldi: ''P(X<sub>t+1</sub>=positiivne) = P(x<sub>t+1</sub>=positiivne\|X<sub>t</sub>=positiivne) * P(X<sub>t</sub>=positiivne) + P(x<sub>t+1</sub>=positiivne\|X<sub>t</sub>=negatiivne) * P(X<sub>t</sub>=negatiivne)'' ja sama ''P(X<sub>t+1</sub>=negatiivne)'' jaoks.
			# Vaatlustulemuste lisamine [[Image:Iti0210lab10_f3.png]]. Selgitus: ''e<sub>t+1</sub>'' on säutsus sisalduvad sõnad. Siin tuleb meil sisse tuua Naiivne Bayesi mudel, mis annab meile puuduolevad tõenäosused ''P(säuts\|P(X<sub>t+1</sub>=negatiivne)'' ja sama positiivse klassi kohta. Jällegi tuleb teha kaks arvutust paralleelselt, normaliseerimiskonstanti esialgu ignoreerime. Aga kuidas leida terve säutsu esinemise tõenäosust? Aitab sõltumatuse eeldus, korrutame lihtsalt säutsust leitud M sõna tõenäosused kokku: ''P(säuts\|X<sub>t+1</sub>) = P(sõna1\|X<sub>t+1</sub>) * ... * P(sõnaM\|X<sub>t+1</sub>)''
			# Normaliseerime. Näiteks, kui eelmises sammus arvutame numbrid ''P(X<sub>t+1</sub>=positiivne) = 0.12'' ja ''P(X<sub>t+1</sub>=negatiivne) = 0.08'', siis tuleb leida arv, millega nad läbi korrutada (või jagada), nii et nende summa tuleks kokku 1.

			=== Vajalikud tegevused ===

			# Leia üleminekute tõenäosused treeningandmetelt.
			# Treeni eelmise kodutöö Naiivne Bayesi mudel säutsudelt. Oluline on eelkõige sõnade esinemine mõlema klassi puhul, eeltõenäosust võib kasutada ''Forward'' algoritmi esimeses sammus, aga ei pea.
			# Implementeeri ülaltoodud kirjelduse järgi ''Forward'' algoritm, nii et see saaks sisendiks listi säutsudeks ning suudaks anda sisemiste olekute (''positiivne'', ''negatiivne'') jaotuse peale viimast sammu või ka peale iga sammu.

	== Treeningandmed ==		== Treeningandmed ==

PriitJ: /* Sissejuhatus */

2019-04-10T20:58:22Z

Sissejuhatus

←Vanem redaktsioon		Redaktsioon: 10. aprill 2019, kell 22:58
6. rida:		6. rida:
	[https://en.wikipedia.org/wiki/Hidden_Markov_model#A_concrete_example Wikipedia näide].		[https://en.wikipedia.org/wiki/Hidden_Markov_model#A_concrete_example Wikipedia näide].

	~~[[Image:Iti0210lab10_sn~~.~~png\|150px\|right\|sotsiaalvõrk]]~~		Ülesandes rakendame HMM-i Twitteri säutsude meeleolu tuvastamiseks. Sellisest tegevusest on huvitatud näiteks ettevõtted, kes tahavad teada kasutajate suhtumist oma toodetesse või teenustesse, sotsiaalsete uurimuste tegijad jne.

	~~Ülesandes rakendame HMM-i sotsiaalvõrgu suhetele~~. ~~Sõbraseosed sotsiaalvõrgus moodustavad graafi~~. ~~Staatilisel kujul annab see graaf mingi ettekujutuse inimestevahelistest seostest~~, ~~aga sõbraseoseid võib olla ka inimeste~~ vahel~~, kes~~ ei ~~ole kunagi suhelnud ega kohtunud. Täpsema ettekujutuse suhetest saame~~, kui ~~me jälgime ka sõnumite liikumist mööda graafi kaari ajas~~.		Meeleolu või hoiak on meie jaoks peidetud. Näeme aga, mida inimene on kirjutanud ning sõnade põhjal me juba oskame [[Iti0210lab91\|lühikesi tekste klassifitseerida]]. Markovi mudeli toome sisse eelneva sõnamudeli täpsustamiseks ja stabiliseerimiseks (treeningandmete põhjal on alati tõenäolisem, et inimese hoiak kahe säutsu vahel ei muutu, kui et ta muutub).

	~~Võtame aluseks lähenemise, kus suhted sotsiaalvõrgus liigitatakse kolme faasi: avastamine, edaspidi tähistatud <code>E(xploration)</code>, ülalhoidmine <code>M(aintenance)</code>~~ ja ~~unustamine <code>F(orgetting)</code> [1]. Kui leiame graafil kaared, mis~~ on ~~avastamise või ülalhoidmise faasis, siis see võiks anda meile inimese praeguse~~ ja ~~lähituleviku sõpruskonna~~.		Loomuliku keele ja meeleolude analüüs on keeruline ülesanne ja kodutöös ei taha me saada väga suurt täpsust. Eesmärk on aru saada, kuidas peidetud Markovi mudel töötab.

	~~Lähtume oletusest~~, ~~et sõnumite arv ajaühikus on tingitud suhte faasist. Selle abil ehitame~~ peidetud Markovi ~~mudeli ning leiame ''Forward''-algoritmiga praeguse oleku. Tegu on mänguülesandega, päris sotsiaalvõrgu andmeid ei kasutata~~.

	== ''Forward'' algoritm ==		== ''Forward'' algoritm ==

PriitJ: /* Treeningandmed */

2019-04-10T20:43:01Z

Treeningandmed

←Vanem redaktsioon		Redaktsioon: 10. aprill 2019, kell 22:43
29. rida:		29. rida:
	== Treeningandmed ==		== Treeningandmed ==

	Treenimiseks ~~leiad failid siit:~~ [~~[Media~~:Iti0210_lab101.zip]]		Treenimiseks [http://dijkstra.cs.ttu.ee/~priit/Iti0210_lab101.zip leiad failid siit].

	* <code>users_5000.csv</code> - väiksem fail 5000 kasutaja säutsudega		* <code>users_5000.csv</code> - väiksem fail 5000 kasutaja säutsudega

PriitJ: /* Treeningandmed */

2019-04-10T20:32:40Z

Treeningandmed

←Vanem redaktsioon		Redaktsioon: 10. aprill 2019, kell 22:32
29. rida:		29. rida:
	== Treeningandmed ==		== Treeningandmed ==

	Treenimiseks leiad failid siit:		Treenimiseks leiad failid siit: [[Media:Iti0210_lab101.zip]]

	* <code>users_5000.csv</code> - väiksem fail 5000 kasutaja säutsudega		* <code>users_5000.csv</code> - väiksem fail 5000 kasutaja säutsudega