مثال کے ساتھ مارکوف زنجیروں کا تعارف - ازگر کے ساتھ مارکوو چینز

مارکوو چین سے تعارف:

کیا آپ نے کبھی سوچا ہے کہ گوگل ویب صفحات کو کس طرح درجہ دیتا ہے؟ اگر آپ نے اپنی تحقیق کی ہے تو آپ کو معلوم ہونا چاہئے کہ اس میں پیجرینک الگورتھم استعمال ہوتا ہے جو مارکوو چینز کے خیال پر مبنی ہے۔ مارکوو چینس کے تعارف سے متعلق یہ مضمون آپ کو مارکوف زنجیروں کے پیچھے بنیادی خیال کو سمجھنے میں مدد کرے گا اور انھیں حقیقی دنیا کی مشکلات کے حل کے طور پر کس طرح پیش کیا جاسکتا ہے۔

یہاں ان عنوانات کی فہرست ہے جن کا احاطہ کیا جائے گا اس بلاگ میں:

1. ایک مارکوو چین کیا ہے؟
2. مارکوف پراپرٹی کیا ہے؟
3. ایک مثال کے ساتھ مارکوو چینز کو سمجھنا
4. ایک منتقلی میٹرکس کیا ہے؟
5. مارکوف چین ان ازگر میں
6. مارکوو چین ایپلی کیشنز

ازگر کا استعمال کرتے ہوئے ڈیٹا سائنس اور مشین لرننگ پر گہرائی سے معلومات حاصل کرنے کے ل you ، آپ براہ راست داخلہ لے سکتے ہیں بذریعہ ایڈوریکا 24/7 معاونت اور زندگی بھر رسائی۔

ایک مارکوو چین کیا ہے؟

آندرے مارکوف نے سن 1906 میں پہلی بار مارکوف کی زنجیریں متعارف کروائیں۔ انہوں نے مارکوف کی زنجیروں کی وضاحت اس طرح کی۔

بے ترتیب متغیر پر مشتمل ایک اسٹاکسٹک عمل ، جو کچھ مفروضوں اور قطعی امکانی اصولوں پر منحصر ہوتا ہے ، ایک ریاست سے دوسری ریاست میں منتقل ہوتا ہے۔

یہ بے ترتیب متغیر کی ایک اہم ریاضی کی ملکیت کی بنیاد پر ، ایک ریاست سے دوسری حالت میں منتقلی مارکوف پراپرٹی

اس سے ہمارے سامنے یہ سوال پیدا ہوتا ہے:

مارکوف پراپرٹی کیا ہے؟

ڈسکریٹ ٹائم مارکوف پراپرٹی کا کہنا ہے کہ اگلی ممکنہ حالت میں بے ترتیب عمل کی منتقلی کا حساب کتاب کردہ امکان صرف موجودہ حالت اور وقت پر منحصر ہے اور یہ ریاستوں کے اس سلسلے سے آزاد ہے جو اس سے پہلے ہے۔

حقیقت یہ ہے کہ کسی بے ترتیب عمل کی اگلی ممکنہ کارروائی / حالت سابقہ ​​ریاستوں کی ترتیب پر منحصر نہیں ہے ، مارکوف کی زنجیروں کو میموری سے کم عمل کے طور پر پیش کرتا ہے جو مکمل طور پر متغیر کی موجودہ حالت / کارروائی پر منحصر ہوتا ہے۔

آئیے اس کو ریاضی سے اخذ کریں:

بے ترتیب عمل ، {Xm ، m = 0،1،2 ، ⋯} ہونے دیں۔

یہ عمل صرف ایک مارکوف چین ہے اگر ،

مارکوو چین - مارکوو چینز کا تعارف - ایڈورکا

سبھی ایم ، جے ، i ، i0 ، i1 ، & IM اور منفی 1 کیلئے

ریاستوں کی ایک محدود تعداد کے لئے ، S = {0، 1، 2، ⋯، r} ، اس کو ایک محدود مارکوف چین کہا جاتا ہے۔

P (Xm + 1 = j | Xm = i) یہاں ایک ریاست سے دوسری حالت میں منتقلی کے منتقلی کے امکانی نمائندگی کرتا ہے۔ یہاں ، ہم یہ فرض کر رہے ہیں کہ منتقلی کے امکانات وقت سے آزاد ہیں۔

جس کا مطلب ہے کہ P (Xm + 1 = j | Xm = i) ’m‘ کی قدر پر منحصر نہیں ہے۔ لہذا ، ہم خلاصہ کر سکتے ہیں ،

مارکوف چین کا فارمولا - مارکوف چینز کا تعارف - ایڈورکا

تو یہ مساوات کی نمائندگی کرتا ہے مارکوو چین۔

اب سمجھیں کہ مثال کے طور پر مارکوف کی زنجیریں کیا ہیں۔

مارکوو چین مثال

اس سے پہلے کہ میں آپ کو مثال پیش کروں ، آئیے اس کی وضاحت کریں کہ مارکوو ماڈل کیا ہے:

مارکوف ماڈل کیا ہے؟

ایک مارکوف ماڈل ایک اسٹاکسٹک ماڈل ہے جو بے ترتیب متغیرات کو اس انداز میں ماڈل کرتا ہے کہ متغیرات مارکوف پراپرٹی کی پیروی کرتے ہیں۔

اب ہم سمجھیں کہ ایک آسان مثال کے ساتھ مارکوف ماڈل کیسے کام کرتا ہے۔

جیسا کہ پہلے ذکر ہوا ، مارکوف چینز کو ٹیکسٹ جنریشن اور آٹو تکمیل ایپلی کیشنز میں استعمال کیا جاتا ہے۔ اس مثال کے طور پر ، ہم ایک مثال (بے ترتیب) جملے پر ایک نظر ڈالیں گے اور دیکھیں گے کہ مارکوو چین کی زنجیروں کا استعمال کرکے اس کو کیسے ماڈل بنایا جاسکتا ہے۔

مارکوف چین مثال - مارکوو چینز کا تعارف - ایڈورکا

مذکورہ بالا جملہ ہماری مثال ہے ، میں جانتا ہوں کہ یہ زیادہ معنی نہیں رکھتا (اس کی ضرورت نہیں) ، یہ ایک ایسا جملہ ہے جس میں بے ترتیب الفاظ ہیں ، جس میں:

1. چابیاں جملے میں انوکھے الفاظ کی نشاندہی کریں ، یعنی 5 چابیاں (ایک ، دو ، اول ، خوش ، ایڈیورکا)

2. ٹوکن الفاظ کی کل تعداد کو ظاہر کریں ، یعنی 8 ٹوکن۔

آگے بڑھتے ہوئے ، ہمیں ان الفاظ کی موجودگی کی تعدد کو سمجھنے کی ضرورت ہے ، نیچے دیئے گئے آریھ میں ہر ایک لفظ کے ساتھ ایک نمبر دکھاتا ہے جو اس لفظ کی تعدد کی نشاندہی کرتا ہے۔

چابیاں اور تعدد - مارکوو چینز کا تعارف - ایڈورکا

تو یہاں بائیں کالم کلیدوں کی نشاندہی کرتا ہے اور دائیں کالم تعدد کو ظاہر کرتا ہے۔

__init__ ازگر 3

مندرجہ بالا جدول سے ، ہم یہ نتیجہ اخذ کرسکتے ہیں کہ کلیدی ‘ایوروریکا’ کسی دوسری کلید کی طرح 4x اوپر آتی ہے۔ اس طرح کی معلومات کا اندازہ لگانا ضروری ہے کیونکہ اس سے ہمیں یہ اندازہ لگانے میں مدد مل سکتی ہے کہ کسی خاص وقت پر کیا لفظ آسکتا ہے۔ اگر میں مثال کے جملے میں اگلے لفظ کے بارے میں اندازہ لگا لوں تو ، میں ‘ایڈوریکا’ کے ساتھ جاؤں گا کیونکہ اس کے پائے جانے کا سب سے زیادہ امکان موجود ہے۔

امکان کے بارے میں بات کرتے ہوئے ، ایک اور اقدام جس کے بارے میں آپ کو آگاہ ہونا چاہئے وہ ہے وزنی تقسیم

ہمارے معاملے میں ، ’ایڈیورکا‘ کے لئے وزن کی تقسیم 50٪ (4/8) ہے کیونکہ اس کی تعدد کل 8 ٹوکن میں سے 4 ہے۔ باقی کیز (ایک ، دو ، اول ، خوش) سب کے پاس ہونے کا 1/8 واں امکان ہے (& Asymp 13٪).

اب جبکہ ہمارے پاس وزن کی تقسیم اور اس بات کا اندازہ ہے کہ مخصوص الفاظ دوسروں کے مقابلے میں کس طرح زیادہ کثرت سے پائے جاتے ہیں ، ہم اگلے حصے کے ساتھ آگے بڑھ سکتے ہیں۔

مارکوو زنجیروں کو سمجھنا - مارکوو چینز کا تعارف - ایڈورکا

مندرجہ بالا اعداد و شمار میں ، میں نے دو اضافی الفاظ شامل کیے ہیں جو جملے کے آغاز اور اختتام کی نشاندہی کرتے ہیں ، آپ سمجھ جائیں گے کہ میں نے ذیل کے حصے میں ایسا کیوں کیا۔

اب آئیے ان کیز کی فریکوئنسی بھی تفویض کریں۔

تازہ ترین چابیاں اور تعدد - مرکوف چینز کا تعارف - ایڈورکا

اب ایک مارکوف ماڈل بنائیں۔ جیسا کہ پہلے ذکر کیا گیا ہے ، ایک مارکوف ماڈل کو کسی خاص ریاست میں بے ترتیب متغیرات کو اس انداز میں ماڈل کرنے کے لئے استعمال کیا جاتا ہے کہ ان متغیرات کی مستقبل کی ریاستوں کا انحصار صرف ان کی موجودہ حالت پر ہے نہ کہ ان کی ماضی کی ریاستوں پر۔

لہذا بنیادی طور پر ایک مارکوف ماڈل میں ، اگلی ریاست کی پیش گوئی کرنے کے ل we ، ہمیں صرف موجودہ حالت پر غور کرنا چاہئے۔

نیچے دیئے گئے آریھ میں ، آپ دیکھ سکتے ہیں کہ ہمارے جملے میں ہر ایک کا ٹوکن کس طرح دوسرے کی طرف جاتا ہے۔ اس سے ظاہر ہوتا ہے کہ آئندہ کی ریاست (اگلا ٹوکن) موجودہ حالت (موجودہ ٹوکن) پر مبنی ہے۔ تو یہ مارکوف ماڈل میں سب سے بنیادی اصول ہے۔

نیچے آریج سے پتہ چلتا ہے کہ یہاں ٹوکن کے جوڑے ہیں جہاں ہر جوڑی میں ایک ہی ٹوکن ایک ہی جوڑے میں دوسرے کی طرف جاتا ہے۔

مارکوف چین کے جوڑے - مارکوو چینز کا تعارف - ایڈورکا

نیچے دیئے گئے آریگرام میں ، میں نے ایک سنٹرلک نمائندگی تشکیل دی ہے جو ہر کلید کو اگلے ممکنہ ٹوکن کی ایک صف کے ساتھ دکھاتا ہے جس کے ساتھ اس کا جوڑا جوڑ سکتا ہے۔

مارکوو چین زنجیروں کی ایک صف - مارکوو چینز کا تعارف - ایڈورکا

اس مثال کو مختصرا To بیان کرنے کے لئے ایک ایسے منظر نامے پر غور کریں جہاں آپ کو کلیدی الفاظ اور ٹوکن کی صفوں کا استعمال کرکے ایک جملہ تشکیل دینا پڑے گا جو ہم نے مندرجہ بالا مثال میں دیکھا تھا۔ اس مثال سے گزرنے سے پہلے ، ایک اور اہم نکتہ یہ ہے کہ ہمیں دو ابتدائی اقدامات کی وضاحت کرنے کی ضرورت ہے۔

جاوا میں پھینکنے اور پھینکنے کے درمیان فرق

1. ابتدائی امکانی تقسیم (جیسے وقت = 0 ، ('شروع' کلید) پر شروعاتی حالت)

2. ایک ریاست سے دوسری ریاست میں کودنے کا ایک منتقلی کا امکان (اس صورت میں ، ایک ٹوکن سے دوسرے میں تبدیل ہونے کا امکان)

ہم نے شروع میں ہی وزن کی تقسیم کی وضاحت کی ہے ، لہذا ہمارے پاس احتمالات اور ابتدائی حالت موجود ہے ، اب ہم اس کی مثال دیتے ہیں۔

• لہذا ابتدائی ٹوکن کے ساتھ شروع کرنا ہے [اسٹارٹ]

• اگلا ، ہمارے پاس صرف ایک ہی ممکنہ ٹوکن ہے۔ [ایک]

• فی الحال ، جملہ میں صرف ایک لفظ ہے ، یعنی ‘ایک’

• اس ٹوکن سے ، اگلا ممکنہ ٹوکن [ایڈیورکا] ہے

• اس جملے کو ’ایک ایڈیورکا‘ میں اپ ڈیٹ کیا گیا ہے

• [ایڈیورکا] سے ہم مندرجہ ذیل ٹوکن میں سے کسی میں جا سکتے ہیں [دو ، ہیل ، خوش ، آخر]

• 25٪ امکان ہے کہ ‘دو’ منتخب ہوجاتے ہیں ، اس کے نتیجے میں ممکنہ طور پر اصل جملہ تشکیل پائے گا (ایک ایڈیورکا دو ایڈیورکا ہی ایڈیورکا ہیپی ایڈیورکا)۔ تاہم ، اگر 'اختتام' چن لیا جاتا ہے تو عمل بند ہوجاتا ہے اور ہم ایک نیا جملہ ، یعنی ، '' ایک ایوریکا '' تیار کریں گے۔

اپنے آپ کو پیٹھ پر تھپتھپائیں کیونکہ آپ صرف ایک مارکوف ماڈل بناتے ہیں اور اس کے ذریعہ ایک ٹیسٹ کیس چلاتے ہیں۔ مذکورہ بالا مثال کے خلاصہ کے ل we ، ہم نے بنیادی طور پر اگلی حالت (اگلا لفظ) کا تعی .ن کرنے کے لئے موجودہ حالت (موجودہ لفظ) کا استعمال کیا۔ اور یہی ایک مارکوف عمل ہے۔

یہ ایک اسٹاکسٹک عمل ہے جس میں ایک حالت سے دوسری حالت میں بے ترتیب متغیرات کی منتقلی اس طرح ہوتی ہے کہ متغیر کی مستقبل کی حالت صرف موجودہ حالت پر منحصر ہوتی ہے۔

آئیے اسے اگلے مرحلے پر لے جائیں اور اس مثال کے لئے مارکوف ماڈل نکالیں۔

اسٹیٹ ٹرانزیشن ڈایاگرام - مارکوو چینز کا تعارف - ایڈوریکا

مذکورہ اعداد و شمار کو اسٹیٹ ٹرانزیشن ڈایاگرام کے نام سے جانا جاتا ہے۔ ہم اس کے بارے میں نیچے والے حصے میں مزید بات کریں گے ، ابھی ابھی یاد رکھیں کہ یہ خاکہ ایک ریاست سے دوسری حالت میں منتقلی اور امکان کو ظاہر کرتا ہے۔

نوٹ کریں کہ اعداد و شمار میں ہر انڈاکار ایک چابی کی نمائندگی کرتا ہے اور تیر کو ممکنہ چابیاں کی طرف بڑھایا جاتا ہے جو اس کی پیروی کرسکتی ہیں۔ اس کے علاوہ ، تیر پر وزن سے مراد ہے احتمال یا متعلقہ ریاستوں سے / منتقلی کی وزن کی تقسیم۔

تو یہ تھا کہ مارکوف ماڈل کیسے کام کرتا ہے۔ آئیے اب مارکوف عمل میں کچھ اہم اصطلاحات کو سمجھنے کی کوشش کرتے ہیں۔

منتقلی کا امکان میٹرکس کیا ہے؟

مذکورہ حصے میں ہم نے ایک سادہ مثال کے ساتھ مارکوف ماڈل کے کام کرنے پر تبادلہ خیال کیا ، اب آئیے ایک مارکوف عمل میں ریاضی کی اصطلاحات کو سمجھیں۔

مارکوف کے ایک عمل میں ، ہم ایک ریاست سے دوسری ریاست میں منتقلی کے امکانی نمائندگی کرنے کے لئے میٹرکس کا استعمال کرتے ہیں۔ اس میٹرکس کو منتقلی یا امکانی میٹرکس کہا جاتا ہے۔ عام طور پر پی کے ذریعہ اس کی نشاندہی کی جاتی ہے۔

منتقلی میٹرکس - مارکوو چینز کا تعارف - ایڈورکا

نوٹ ، pij & ge0 ، اور تمام اقدار کیلئے 'i' ہے ،

منتقلی میٹرکس فارمولہ - مارکوو چینز کا تعارف - ایڈورکا

مجھے اس کی وضاحت کرنے دو۔ اگر فرض کریں کہ ہماری موجودہ ریاست ‘میں’ ہے تو ، اگلی یا آنے والی ریاست کو ممکنہ ریاستوں میں سے ایک ہونا پڑے گا۔ لہذا ، k کی تمام اقدار کا خلاصہ لیتے وقت ، ہمیں ایک ملنا چاہئے۔

اسٹیٹ ٹرانزیشن ڈایاگرام کیا ہے؟

ایک مارکوف ماڈل کی نمائندگی اسٹیٹ ٹرانزیشن ڈایاگرام کے ذریعہ کی جاتی ہے۔ آریھ میں مارکوو چین میں مختلف ریاستوں کے درمیان ہونے والی منتقلی کو ظاہر کیا گیا ہے۔ آئیے ایک مثال کے ساتھ ٹرانزیشن میٹرکس اور اسٹیٹ ٹرانزیشن میٹرکس کو سمجھیں۔

منتقلی میٹرکس مثال

ایک مارکوو چین پر تین ریاستوں 1 ، 2 ، اور 3 اور مندرجہ ذیل امکانات پر غور کریں:

منتقلی میٹرکس مثال - مارکوو چینز کا تعارف - ایڈورکا

ریاست کی منتقلی ڈایاگرام مثال - مارکوو چینز کا تعارف - ایڈورکا

مذکورہ آریھ مارکوف چین کے لئے ریاستی منتقلی آریھ کی نمائندگی کرتا ہے۔ یہاں ، 1،2 اور 3 وہ تین ممکنہ ریاستیں ہیں ، اور ایک ریاست سے دوسری ریاستوں کی طرف اشارہ کرنے والے تیر منتقلی کے امکانات کی نمائندگی کرتے ہیں۔ جب ، پج = 0 ، تو اس کا مطلب یہ ہے کہ ریاست ‘i’ اور ریاست ‘جے’ کے مابین کوئی منتقلی نہیں ہے۔

اب ہم مارکوف کی زنجیروں کے پیچھے ریاضی اور اس کی منطق کو جانیں ، آئیے ایک سادہ ڈیمو چلائیں اور یہ سمجھیں کہ مارکوف چینز کو کہاں استعمال کیا جاسکتا ہے۔

مارکوف چین ان ازگر میں

اس ڈیمو کو چلانے کے لئے ، میں ازگر کا استعمال کروں گا ، لہذا اگر آپ ازگر کو نہیں جانتے ہیں تو ، آپ ان مندرجہ ذیل بلاگز کو دیکھ سکتے ہیں۔

2. سکریچ سے ازگر 3 کیسے سیکھیں - ایک ابتدائی ہدایت نامہ

اب کوڈنگ کے ساتھ شروع کریں!

مارکوف چین ٹیکسٹ جنریٹر

مسئلہ یہ بیان: مارکوف پراپرٹی کو لاگو کرنے اور ایک مارکوف ماڈل بنانے کے لئے جو ڈونلڈ ٹرمپ تقریر کے اعداد و شمار کے سیٹ کا مطالعہ کرکے ٹیکسٹ انکولی پیدا کر سکے

ڈیٹا سیٹ تفصیل: ٹیکسٹ فائل میں 2016 میں ڈونلڈ ٹرمپ کی تقریروں کی فہرست شامل ہے۔

منطق: ڈونلڈ کے ٹرمپ کی تقریر پیدا کرنے کے لئے مارکوف پراپرٹی کا اطلاق کریں تقریر میں استعمال ہونے والے ہر لفظ پر غور کریں اور ہر لفظ کے ل words ، الفاظ کا ایک لغت بنائیں جو اگلے استعمال ہوتے ہیں۔

انفارمیٹیکا میں تبدیلیوں کی اقسام

مرحلہ 1: مطلوبہ پیکیج درآمد کریں

بطور این پی پی درآمد کریں

مرحلہ 2: ڈیٹا سیٹ پڑھیں

ٹرمپ = کھلا ('C: //Uvers//NeelTemp//Desktop//demos//speeches.txt'، انکوڈنگ = 'utf8') پڑھیں () # ڈیٹا پرنٹ دکھائیں (ٹرمپ) اسپیچ 1 ... شکریہ آپ کا بہت بہت. یہ بہت اچھا ہے کیا وہ بڑا آدمی نہیں ہے؟ اسے منصفانہ پریس نہیں ملتا ہے وہ نہیں ملتا ہے۔ یہ صرف منصفانہ نہیں ہے۔ اور مجھے آپ کو یہ بتانا ہوگا کہ میں یہاں ہوں ، اور بہت ہی سختی سے یہاں ، کیوں کہ مجھے اسٹیو کنگ کا بہت احترام ہے اور اسی طرح سٹیزن یونائٹیڈ ، ڈیوڈ اور سب کے لئے بھی بہت احترام ہے ، اور چائے پارٹی کے لئے زبردست ریسکیو ہے۔ اس کے علاوہ ، آئیووا کے لوگوں کو بھی۔ ان میں کچھ مشترک ہے۔ محنتی لوگ ....

مرحلہ 3: اعداد و شمار کو انفرادی الفاظ میں تقسیم کریں

کارپورس = ٹرمپ۔ سپلٹ () # کارپس پرنٹ ڈسپلے کریں (کارپس) 'طاقتور ،' ، 'لیکن' ، 'نہیں' ، 'طاقتور' ، 'جیسے' ، 'ہم۔' ، 'ایران' ، 'ہے' ، ' سیڈ '،' دہشت گردی '، ...

اگلا ، ایک فنکشن تیار کریں جو تقریروں میں الفاظ کے مختلف جوڑے تیار کرے۔ جگہ بچانے کے ل we ، ہم جنریٹر آبجیکٹ استعمال کریں گے۔

مرحلہ 4: چابیاں اور پیروی کرنے والے الفاظ کے جوڑے بنانا

ڈیف میک_پیئرز (کارپس): میں ان رینج کے لئے (لین (کارپس) - 1): پیداوار (کارپس [i] ، کارپس [i + 1]) جوڑے = میک_ جوڑیں (کارپس)

اگلا ، الفاظ کے جوڑے کو ذخیرہ کرنے کے لئے ایک خالی لغت شروع کریں۔

اگر جوڑی میں پہلا لفظ ہی لغت میں ایک کلید ہے ، تو اگلے ممکنہ لفظ کو الفاظ کی فہرست میں شامل کریں جو لفظ کی پیروی کرتے ہیں۔ لیکن اگر لفظ کلید نہیں ہے تو لغت میں ایک نئی اندراج پیدا کریں اور جوڑی کے پہلے لفظ کے برابر کی کلید تفویض کریں۔

مرحلہ 5: لغت کا اضافہ

word_dict = {word word_1 کے لئے ، word2 جوڑیوں میں: اگر word_1 word_dict.keys () میں: word_dict [word_1]. append (word_2) ورنہ: word_dict [word_1] = [word_2]

اگلا ، ہم کارپس سے تصادفی طور پر ایک لفظ چنیں گے ، جو مارکوف چین کا آغاز کرے گا۔

مرحلہ 6: مارکوف ماڈل بنائیں

# پہلے ہی پہلا لفظ منتخب کریں پہلا لفظ = np.random.choice (کارپس) # پہلے لفظ کو بڑے الفاظ کی حیثیت سے منتخب کریں تاکہ اٹھایا ہوا لفظ کسی جملے کے درمیان سے نہ لیا جائے جبکہ first_word.islower (): # سلسلہ شروع کرو اٹھایا لفظ زنجیر = [پہلا لفظ] # محرک لفظوں کی تعداد کو نامعلوم بنائیں = 20

پہلے لفظ کے بعد ، سلسلہ میں ہر ایک لفظ کی فہرست سے تصادفی طور پر نمونہ لیا جاتا ہے جس نے ٹرمپ کی براہ راست تقریروں میں اس مخصوص لفظ کی پیروی کی ہے۔ یہ نیچے کوڈ کے ٹکڑوں میں دکھایا گیا ہے:

میں رینج میں (این_فرڈز): چین.ایپینڈ (np.random.choice (word_dict [چین [-1]]))

مرحلہ 7: پیش گوئیاں

آخر میں ، متحرک متن کو ظاہر کریں۔

# جوائن چین کو سٹرنگ پرنٹ کے طور پر لوٹاتا ہے ('' .join (سلسلہ)) ناقابل یقین لوگوں کی تعداد۔ اور ہلیری کلنٹن کے پاس ، ہمارے لوگ ہیں ، اور اتنا بڑا کام ہے۔ اور ہم اوباما کو شکست نہیں دیں گے

تو یہ وہ تخلیق شدہ متن ہے جو مجھے ٹرمپ کی تقریر پر غور کرکے ملا۔ یہ شاید بہت زیادہ معنی نہیں رکھتا لیکن یہ اتنا اچھا ہے کہ آپ کو یہ سمجھنے کے لئے کہ کس طرح مارکوف کی زنجیروں سے متن کو خود بخود تیار کیا جاسکتا ہے۔

اب آئیے کچھ اور ایپلی کیشنز کو دیکھیں مارکوف کی زنجیروں کا اور وہ حقیقی دنیا کے مسائل حل کرنے کے لئے کس طرح استعمال ہوئے ہیں۔

مارکوو چین ایپلی کیشنز

یہاں مارکوو چین کی حقیقی دنیا کے استعمال کی فہرست ہے۔

1. گوگل پیج رینک: پورے ویب کو ایک مارکوف ماڈل کے طور پر سوچا جاسکتا ہے ، جہاں ہر ویب صفحہ ایک ریاست ہوسکتا ہے اور ان صفحات کے مابین روابط یا حوالہ جات کے بارے میں سوچا جاسکتا ہے ، احتمال کے ساتھ ٹرانزیشن۔ لہذا بنیادی طور پر ، اس بات سے قطع نظر کہ آپ جس ویب پیج پر سرفنگ کرنا شروع کرتے ہیں ، کسی خاص ویب پیج پر جانے کا امکان ، کہیں ، X ایک طے شدہ امکان ہے۔

2. ٹائپنگ پیشن گوئی: مارکوف کی زنجیروں کو آنے والے الفاظ کی پیش گوئی کرنے کے لئے استعمال کیا جاتا ہے۔ وہ آٹو تکمیل اور تجاویز میں بھی استعمال ہوسکتے ہیں۔

3. سبریڈیڈٹ تخروپن: یقینا you آپ ریڈڈیٹ کے پار آچکے ہیں اور ان کے ایک دھاگے یا ذیلی تقسیم کی بات چیت کی ہے۔ ریڈٹ ایک سبریڈیڈٹ سمیلیٹر استعمال کرتا ہے جس میں ان کے تمام گروپس میں ہونے والے تمام تبصروں اور مباحثوں پر مشتمل ڈیٹا کی ایک بڑی مقدار استعمال ہوتی ہے۔ مارکوف زنجیروں کا استعمال کرکے ، سمیلیٹر تبصرے اور عنوانات تخلیق کرنے کے لئے ، لفظ بہ لفظ امکانات پیدا کرتا ہے۔

4. متن جنریٹر: مارکوف کی زنجیریں عام طور پر ڈمی ٹیکسٹس تیار کرنے یا بڑے مضامین تیار کرنے اور تقریریں مرتب کرنے کے لئے استعمال ہوتی ہیں۔ یہ نام جنریٹرز میں بھی استعمال ہوتا ہے جو آپ ویب پر دیکھتے ہیں۔

اب جب کہ آپ جانتے ہیں کہ مارکوو چینز کا استعمال کرکے ایک حقیقی دنیا کے مسئلے کو کس طرح حل کرنا ہے ، مجھے یقین ہے کہ آپ مزید جاننے کے شوقین ہیں۔ یہاں ان بلاگز کی فہرست ہے جو آپ کو دیگر اعدادوشمار کے تصورات کے ساتھ شروع کرنے میں مدد فراہم کریں گی۔

اس کے ساتھ ، ہم مارکوو چینس بلاگ کے اس تعارف کے اختتام پر پہنچے ہیں۔ اگر آپ کو اس عنوان سے متعلق کوئی سوالات ہیں تو ، براہ کرم نیچے ایک تبصرہ کریں اور ہم آپ کے پاس واپس جائیں گے۔

رجحان سازی والی ٹکنالوجیوں پر مزید بلاگس کے لئے قائم رہیں۔

اگر آپ ڈیٹا سائنس میں آن لائن سنٹرکچرڈ ٹریننگ تلاش کر رہے ہیں تو ، ایڈیورکا! ایک خاص طور پر تیار کیا ہے پروگرام جو آپ کے اعدادوشمار ، ڈیٹا وانگلنگ ، ریسرچوری ڈیٹا تجزیہ ، مشین لرننگ الگورتھم جیسے کے میانز کلسٹرنگ ، فیصلہ کن درختوں ، رینڈم فاریسٹ ، بولی بائیس میں مہارت حاصل کرنے میں مدد کرتا ہے۔ آپ ٹائم سیریز ، ٹیکسٹ مائننگ اور ڈیپ لرننگ کا تعارف بھی سیکھیں گے۔ اس کورس کے لئے نئی بیچیاں جلد شروع ہو رہی ہیں !!