উদাহরণ সহ মার্কোভ চেইনের পরিচয় - পাইথনের সাথে মার্কভ চেইন

মার্কভ চেইনের পরিচিতি:

আপনি কি কখনও ভেবে দেখেছেন গুগল কীভাবে ওয়েব পৃষ্ঠাগুলি র‌্যাংক করে? আপনি যদি নিজের গবেষণাটি করে থাকেন তবে আপনাকে অবশ্যই জানতে হবে যে এটি পেজর্যাঙ্ক অ্যালগরিদম ব্যবহার করে যা মার্কভ চেইনের ধারণার ভিত্তিতে। মার্কভ চেইনস এর পরিচিতি সম্পর্কিত এই নিবন্ধটি আপনাকে মার্কভ চেইনের পিছনের মূল ধারণাটি বুঝতে এবং কীভাবে তাদেরকে বাস্তব-বিশ্বের সমস্যার সমাধান হিসাবে মডেল করা যায় তা বুঝতে সহায়তা করবে।

এখানে বিষয়গুলির একটি তালিকা রয়েছে যা coveredেকে দেওয়া হবে এই ব্লগে:

1. একটি মার্কভ চেইন কী?
2. মার্কভ সম্পত্তি কী?
3. একটি উদাহরণ সহ মার্কভ চেইনগুলি বোঝা
4. ট্রানজিশন ম্যাট্রিক্স কী?
5. পাইথনে মার্কভ চেইন
6. মার্কভ চেইন অ্যাপ্লিকেশন

পাইথন ব্যবহার করে ডেটা সায়েন্স এবং মেশিন লার্নিংয়ের গভীর-জ্ঞান পেতে, আপনি লাইভের জন্য তালিকাভুক্ত করতে পারেন 24/7 সমর্থন এবং আজীবন অ্যাক্সেস সহ এডুরেকা দ্বারা।

একটি মার্কভ চেইন কী?

আন্দ্রে মার্কভ ১৯০6 সালে প্রথম মার্কভের শৃঙ্খলা প্রবর্তন করেছিলেন। তিনি মার্কোভের শৃঙ্খলার বর্ণনা দিয়েছিলেন:

নির্দিষ্ট অনুমান এবং নির্দিষ্ট সম্ভাব্য নিয়মের উপর নির্ভর করে একটি স্টোকাস্টিক প্রক্রিয়া যা এলোমেলো ভেরিয়েবলগুলি সহ এক রাজ্য থেকে অন্য রাজ্যে স্থানান্তরিত করে।

এই এলোমেলো একটি গুরুত্বপূর্ণ গাণিতিক সম্পত্তির উপর ভিত্তি করে ভেরিয়েবলগুলির এক থেকে অন্য স্থানে রূপান্তর মার্কভ সম্পত্তি।

এটি আমাদের প্রশ্নে নিয়ে আসে:

মার্কভ সম্পত্তি কী?

বিচ্ছিন্ন সময় মারকভ সম্পত্তি বলে যে পরবর্তী সম্ভাব্য রাজ্যে স্থানান্তরিত এলোমেলো প্রক্রিয়ার গণনা করা সম্ভাবনা কেবল বর্তমান রাষ্ট্র এবং সময়ের উপর নির্ভরশীল এবং এটি এর আগে যে রাজ্যগুলির সিরিজ থেকে স্বতন্ত্র।

এলোমেলো প্রক্রিয়ার পরবর্তী সম্ভাব্য ক্রিয়া / রাষ্ট্র পূর্বের রাজ্যের ক্রমের উপর নির্ভর করে না, মার্কভ চেইনগুলিকে একটি স্মৃতি-কম প্রক্রিয়া হিসাবে রেন্ডার করে যা কেবলমাত্র একটি চলকের বর্তমান অবস্থা / কর্মের উপর নির্ভর করে।

আসুন আমরা এই গাণিতিকভাবে প্রাপ্ত করি:

এলোমেলো প্রক্রিয়াটি হতে দিন, {এক্সএম, এম = 0,1,2, ⋯}}

এই প্রক্রিয়াটি কেবলমাত্র মার্কোভ চেইন যদি,

মার্কভ চেইন - মার্কভ চেইনের পরিচিতি - এডুরেকা

__init__ অজগর 3

সমস্ত মি, জে, আই, আই0, আই 1, ⋯ ইম এবং বিয়োগ 1 এর জন্য

সীমাবদ্ধ সংখ্যক রাজ্যের জন্য, এস = {0, 1, 2, ⋯, আর}, এটিকে একটি সসীম মার্কভ চেইন বলা হয়।

পি (এক্সএম + 1 = জ | এক্সএম = i) এখানে এক থেকে অন্য রাজ্যে স্থানান্তরিত হওয়ার সংক্রমণ সম্ভাবনার প্রতিনিধিত্ব করে। এখানে, আমরা ধরে নিচ্ছি যে সংক্রমণের সম্ভাবনাগুলি সময়মতো স্বাধীন।

যার অর্থ পি (এক্সএম + 1 = জ | এক্সএম = i) ‘এম’ এর মানের উপর নির্ভর করে না। অতএব, আমরা সংক্ষেপে বলতে পারি,

মার্কভ চেইন সূত্র - মার্কভ চেইনের পরিচিতি - এডুরেকা

সুতরাং এই সমীকরণ প্রতিনিধিত্ব করে মার্কভ চেইন

এখন একটি উদাহরণ সহ মার্কভ চেইনগুলি কী তা বুঝতে পারি।

মার্কভ চেইনের উদাহরণ

আমি আপনাকে উদাহরণ দেওয়ার আগে, একটি মার্কভ মডেল কী তা নির্ধারণ করি:

একটি মার্কভ মডেল কী?

একটি মার্কভ মডেল একটি স্টোকাস্টিক মডেল যা র্যান্ডম ভেরিয়েবলকে এমনভাবে মডেল করে যে ভেরিয়েবলগুলি মার্কভের সম্পত্তি অনুসরণ করে।

এখন বুঝতে দিন কীভাবে একটি মার্কভ মডেল একটি সাধারণ উদাহরণ দিয়ে কাজ করে।

পূর্বে উল্লিখিত হিসাবে, মার্কভ চেইনগুলি পাঠ্য উত্পন্নকরণ এবং স্বয়ংক্রিয় সমাপ্তির অ্যাপ্লিকেশনগুলিতে ব্যবহৃত হয়। এই উদাহরণের জন্য, আমরা একটি উদাহরণ (এলোমেলো) বাক্যটি একবার দেখব এবং মার্কভ চেইনগুলি ব্যবহার করে কীভাবে এটি মডেল করা যায় তা দেখুন।

মার্কভ চেইনের উদাহরণ - মার্কভ চেইনের পরিচিতি - এডুরেকা

উপরের বাক্যটি আমাদের উদাহরণ, আমি জানি এটি বেশি অর্থবোধ করে না (এটি করার দরকার নেই), এটি একটি বাক্য যা এলোমেলো শব্দযুক্ত, এতে:

1. কী বাক্যটির অনন্য শব্দের অর্থ বোঝান, অর্থাত্, 5 কী (এক, দুই, শিল, সুখী, এডুরেকা)

2. টোকেন মোট শব্দের সংখ্যাকে বোঝান, অর্থাৎ 8 টোকেন।

এগিয়ে চলার সময়, আমাদের এই শব্দগুলির সংঘটনগুলির ফ্রিকোয়েন্সি বুঝতে হবে, নীচের চিত্রটি প্রতিটি শব্দের সংখ্যার সাথে দেখায় যা সেই শব্দের ফ্রিকোয়েন্সি বোঝায়।

কী এবং ফ্রিকোয়েন্সি - মার্কভ চেইনের পরিচিতি - এডুরেকা

সুতরাং এখানে বাম কলামটি কীগুলি বোঝায় এবং ডান কলামটি ফ্রিকোয়েন্সিগুলি বোঝায়।

উপরের টেবিল থেকে, আমরা এই সিদ্ধান্তে পৌঁছাতে পারি যে কী ‘এডুরেকা’ অন্য কোনও কী-এর মতো 4x পর্যন্ত উঠে আসে। এই জাতীয় তথ্য নির্ধারণ করা গুরুত্বপূর্ণ কারণ এটি আমাদের নির্দিষ্ট সময়ে নির্দিষ্ট শব্দে কোন শব্দটি আসতে পারে তা অনুমান করতে সহায়তা করে। উদাহরণ বাক্যটিতে যদি আমি পরবর্তী শব্দটি সম্পর্কে অনুমান করি তবে আমি ‘এডুরেকা’ নিয়ে যাব কারণ এটির সবচেয়ে বেশি সম্ভাবনা রয়েছে।

সম্ভাব্যতা সম্পর্কে কথা বলার সাথে সাথে আপনাকে অবশ্যই সচেতন হতে হবে এমন অন্য একটি পদক্ষেপ ভারী বিতরণ।

আমাদের ক্ষেত্রে, ‘এডুড়েকা’ এর ওজনযুক্ত বন্টন 50% (4/8) কারণ মোট 8 টোকেনের মধ্যে এর ফ্রিকোয়েন্সি 4। বাকি কীগুলি (এক, দুই, শিল, সুখী) সকলেরই 1/8 তম সম্ভাবনা রয়েছে (& asymp 13%)।

এখন যে আমাদের ভারী বিতরণ এবং অন্যের তুলনায় নির্দিষ্ট শব্দগুলি কীভাবে ঘন ঘন ঘন ঘন ঘন ঘটে আসে তার একটি ধারণা রয়েছে, আমরা পরবর্তী অংশটি নিয়ে এগিয়ে যেতে পারি।

মার্কভ চেইনগুলি বোঝা - মার্কভ চেইনের পরিচিতি - এডুরেকা

উপরের চিত্রটিতে, আমি দুটি অতিরিক্ত শব্দ যুক্ত করেছি যা বাক্যটির শুরু এবং সমাপ্তি বোঝায়, আপনি বুঝতে পারবেন কেন আমি নীচের অংশে এটি করেছি।

এখন এই কীগুলির জন্য ফ্রিকোয়েন্সিও নির্ধারিত করুন:

আপডেট হওয়া কী এবং ফ্রিকোয়েন্সি - মার্কভ চেইনের পরিচিতি - এডুরেকা

এখন একটি মার্কভ মডেল তৈরি করা যাক। যেমন পূর্বে উল্লেখ করা হয়েছে, একটি মার্কভ মডেলটি একটি নির্দিষ্ট রাজ্যে এলোমেলো ভেরিয়েবলগুলি মডেল করার জন্য ব্যবহৃত হয় যাতে এই ভেরিয়েবলগুলির ভবিষ্যতের রাজ্যগুলি কেবল তাদের বর্তমান অবস্থার উপর নির্ভর করে না তাদের অতীত অবস্থার উপর।

সুতরাং মূলত একটি মার্কভ মডেলে, পরবর্তী রাষ্ট্রটির পূর্বাভাস দেওয়ার জন্য, আমাদের কেবলমাত্র বর্তমান অবস্থাটি বিবেচনা করতে হবে।

নীচের চিত্রটিতে আপনি দেখতে পাচ্ছেন যে আমাদের বাক্যটির প্রতিটি টোকন কীভাবে অন্যটির দিকে পরিচালিত করে। এটি দেখায় যে ভবিষ্যতের অবস্থা (পরবর্তী টোকেন) বর্তমান রাষ্ট্রের (বর্তমান টোকেন) উপর ভিত্তি করে। তাই এটি মার্কোভ মডেলের সবচেয়ে বেসিক নিয়ম।

নীচের চিত্রটি দেখায় যে এখানে টোকেনের জোড়া রয়েছে যেখানে জোড়ের প্রতিটি টোকেন একই জোড়ায় অন্যটিকে নিয়ে যায়।

মার্কভ চেইন জুড়ি - মার্কভ চেইনের পরিচিতি - এডুরেকা

নীচের চিত্রটিতে, আমি একটি কাঠামোগত উপস্থাপনা তৈরি করেছি যা প্রতিটি কীটিকে পরবর্তী সম্ভাব্য টোকেনগুলির সাথে যুক্ত করতে পারে তার অ্যারে দিয়ে দেখায়।

মার্কভ চেইন পেয়ারগুলির একটি অ্যারে - মার্কভ চেইনের পরিচিতি - এডুরেকা

এই উদাহরণটির সংক্ষিপ্তসার হিসাবে এমন একটি দৃশ্যের কথা বিবেচনা করুন যেখানে উপরের উদাহরণে আমরা কী এবং টোকেনগুলির অ্যারে ব্যবহার করে আপনাকে একটি বাক্য গঠন করতে হবে। এই উদাহরণটি চালানোর আগে, আরেকটি গুরুত্বপূর্ণ বিষয় হ'ল আমাদের দুটি প্রাথমিক ব্যবস্থা উল্লেখ করতে হবে:

1. প্রাথমিক সম্ভাব্যতা বিতরণ (যেমন সময়ে = 0, (‘স্টার্ট’ কী)) প্রারম্ভিক অবস্থা

2. এক থেকে অন্য রাজ্যে ঝাঁপ দেওয়ার একটি সংক্রমণ সম্ভাবনা (এই ক্ষেত্রে, এক থেকে অন্য টোকনে স্থানান্তরিত হওয়ার সম্ভাবনা)

আমরা শুরুতে ওজনযুক্ত বিতরণটিকে সংজ্ঞায়িত করেছি, সুতরাং আমাদের সম্ভাবনা এবং প্রাথমিক অবস্থা রয়েছে, এখন উদাহরণ সহকারে চলুন।

• প্রাথমিক টোকেন দিয়ে শুরু করা হল [শুরু]

• এরপরে, আমাদের কেবলমাত্র একটি সম্ভাব্য টোকেন রয়েছে [[এক]

• বর্তমানে বাক্যটির একটি মাত্র শব্দ রয়েছে, অর্থাৎ ‘একটি’

• এই টোকেন থেকে, পরবর্তী সম্ভাব্য টোকেন হ'ল [এডুরেকা]

• বাক্যটি ‘এক এডুরেকা’ এ আপডেট করা হয়েছে

• [এডুরেকা] থেকে আমরা নিম্নলিখিত টোকেনগুলির যে কোনও একটিতে যেতে পারি [দুটি, শিলাবৃষ্টি, সুখী, শেষ]

• 25% এর সম্ভাবনা রয়েছে যে ‘দুটি’ বাছাই হয়ে যায়, এর ফলে সম্ভবত মূল বাক্যটি তৈরি হয় (এক এডুরেকা দুই এডুরেকা হেই এডুরেকা হ্যাপি এডুরেকা)। তবে, যদি ‘শেষ’ বাছাই করা হয় তবে প্রক্রিয়াটি বন্ধ হয়ে যায় এবং আমরা একটি নতুন বাক্য তৈরি করব, অর্থাত্, ‘একটি এডুরেকা’।

নিজেকে পিছনে একটি থাপ্পড় দিন কারণ আপনি কেবল একটি মার্কভ মডেল তৈরি করেছেন এবং এটির মাধ্যমে একটি পরীক্ষার কেস চালিয়েছেন। উপরের উদাহরণটির সংক্ষিপ্তসার হিসাবে, আমরা মূলত পরবর্তী অবস্থা (পরবর্তী শব্দ) নির্ধারণ করতে বর্তমান অবস্থা (বর্তমান শব্দ) ব্যবহার করি। এবং মার্কোভ প্রক্রিয়া হ'ল এটি।

এটি একটি স্টোকাস্টিক প্রক্রিয়া যার মধ্যে এলোমেলো ভেরিয়েবলগুলি এক রাজ্য থেকে অন্য রাজ্যে এমনভাবে স্থানান্তরিত হয় যে ভেরিয়েবলের ভবিষ্যতের অবস্থা কেবল বর্তমান অবস্থার উপর নির্ভর করে।

আসুন এটি পরবর্তী পদক্ষেপে নিয়ে যান এবং এই উদাহরণের জন্য মার্কভ মডেলটি আঁকুন।

রাজ্য ট্রানজিশন ডায়াগ্রাম - মার্কভ চেইনের পরিচিতি - এডুরেকা

উপরের চিত্রটি রাজ্য ট্রানজিশন ডায়াগ্রাম হিসাবে পরিচিত। আমরা নীচের অংশে এ সম্পর্কে আরও কথা বলব, আপাতত কেবল মনে রাখবেন যে এই চিত্রটি অন্য একটি রাজ্যে থেকে রূপান্তর এবং সম্ভাবনা দেখায়।

লক্ষ্য করুন যে চিত্রের প্রতিটি ডিম্বাকৃতি একটি কী উপস্থাপন করে এবং তীরগুলি সম্ভাব্য কীগুলির দিকে পরিচালিত হয় যা এটি অনুসরণ করতে পারে। তীরগুলির ওজন ওজনকে বোঝায় সম্ভাব্যতা বা সংশ্লিষ্ট রাজ্য থেকে / স্থানান্তরের ওজনযুক্ত বিতরণ।

সুতরাং এটি ছিল মার্কোভ মডেল কীভাবে কাজ করে তা সম্পর্কে। এখন মার্কোভ প্রক্রিয়াতে কিছু গুরুত্বপূর্ণ পরিভাষা বোঝার চেষ্টা করা যাক।

একটি রূপান্তর সম্ভাবনা ম্যাট্রিক্স কি?

উপরের অংশে আমরা একটি সহজ উদাহরণ সহ একটি মার্কভ মডেলের কাজ নিয়ে আলোচনা করেছি, এখন একটি মার্কভ প্রসেসে গাণিতিক পরিভাষাগুলি বুঝতে পারি।

একটি মার্কভ প্রক্রিয়ায় আমরা একটি ম্যাট্রিক্স ব্যবহার করে এক রাজ্য থেকে অন্য রাজ্যে রূপান্তর সম্ভাবনার প্রতিনিধিত্ব করি। এই ম্যাট্রিক্সকে ট্রানজিশন বা সম্ভাব্যতা ম্যাট্রিক্স বলা হয়। এটি সাধারণত পি দ্বারা বোঝানো হয়

ট্রানজিশন ম্যাট্রিক্স - মার্কভ চেইনের পরিচিতি - এডুরেকা

দ্রষ্টব্য, পিজ এবং জি0, এবং সমস্ত মানগুলির জন্য 'আমি' হ'ল,

রূপান্তর ম্যাট্রিক্স সূত্র - মার্কভ চেইনের পরিচিতি - এডুরেকা

আমাকে এটি ব্যাখ্যা করুন। আমাদের বর্তমান অবস্থা ‘আমি’ ধরে নিলে পরবর্তী বা আগত রাষ্ট্রকে সম্ভাব্য রাজ্যগুলির মধ্যে একটি হতে হবে। সুতরাং, কে এর সমস্ত মানের সংমিশ্রণ নেওয়ার সময়, আমাদের অবশ্যই একটি পাওয়া উচিত।

রাজ্য স্থানান্তর চিত্র কী?

একটি মার্কভ মডেল একটি রাজ্য ট্রানজিশন ডায়াগ্রাম দ্বারা প্রতিনিধিত্ব করা হয়। চিত্রটি একটি মার্কভ চেইনে বিভিন্ন রাজ্যের মধ্যে স্থানান্তরগুলি দেখায়। আসুন উদাহরণস্বরূপ ট্রানজিশন ম্যাট্রিক্স এবং রাষ্ট্রের রূপান্তর ম্যাট্রিক্সটি বুঝতে পারি।

ট্রানজিশন ম্যাট্রিক্স উদাহরণ

তিনটি রাজ্য 1, 2 এবং 3 এবং নিম্নলিখিত সম্ভাব্যতার সাথে একটি মার্কভ চেইন বিবেচনা করুন:

রূপান্তর ম্যাট্রিক্স উদাহরণ - মার্কভ চেইনের পরিচিতি - এডুরেকা

রাজ্য রূপান্তর চিত্রের উদাহরণ - মার্কভ চেইনের পরিচিতি - এডুরেকা

উপরের চিত্রটি মার্কভ চেইনের জন্য রাষ্ট্রের রূপান্তর চিত্রটি উপস্থাপন করে। এখানে, 1,2 এবং 3 হ'ল তিনটি সম্ভাব্য রাজ্য এবং তীরগুলি এক রাজ্য থেকে অন্য রাজ্যগুলিতে ইশারা করে ট্রানজিশন সম্ভাব্যতা pij উপস্থাপন করে। কখন, পিজ = 0, এর অর্থ হল রাষ্ট্র ‘আই’ এবং রাষ্ট্র ‘জ’ এর মধ্যে কোনও রূপান্তর নেই।

এখন আমরা মার্কভ চেইনের পিছনে গণিত এবং যুক্তি জানুন, আসুন একটি সাধারণ ডেমো চালান এবং মার্কভ চেইনগুলি কোথায় ব্যবহার করা যেতে পারে তা বুঝতে দিন।

পাইথনে মার্কভ চেইন

এই ডেমোটি চালাতে, আমি পাইথন ব্যবহার করব, সুতরাং যদি আপনি পাইথন না জানেন তবে আপনি নিম্নলিখিত ব্লগগুলি ব্যবহার করতে পারেন:

2. স্ক্র্যাচ থেকে পাইথন 3 কীভাবে শিখবেন - একটি শিক্ষানবিশ গাইড

এখন কোডিং দিয়ে শুরু করা যাক!

মার্কভ চেইন টেক্সট জেনারেটর

সমস্যা বিবৃতি: মার্কভ প্রপার্টি প্রয়োগ করতে এবং এমন একটি মার্কোভ মডেল তৈরি করতে যা ডোনাল্ড ট্রাম্পের স্পিচ ডেটা সেটটি অধ্যয়ন করে পাঠ্য সিমুলেশন তৈরি করতে পারে।

ডেটা সেট বর্ণনা: পাঠ্য ফাইলে 2016 সালে ডোনাল্ড ট্রাম্পের দেওয়া বক্তৃতার একটি তালিকা রয়েছে।

যুক্তি: ডোনাল্ডের ট্রাম্পের বক্তৃতা তৈরির জন্য মার্কভ প্রপার্টি প্রয়োগ করুন বক্তৃতায় ব্যবহৃত প্রতিটি শব্দের বিবেচনা করে এবং প্রতিটি শব্দের জন্য, পরবর্তী শব্দগুলির একটি অভিধান তৈরি করুন।

পদক্ষেপ 1: প্রয়োজনীয় প্যাকেজগুলি আমদানি করুন

এনপি হিসাবে নাম্বার আমদানি করুন

পদক্ষেপ 2: ডেটা সেট পড়ুন

ট্রাম্প = উন্মুক্ত ('সি: // ব্যবহারকারীগণনিয়েলটেম্প্পডেস্কটপ//ডিপোসোস্প্প্পিচেস.সেক্সট', এনকোডিং = 'utf8') পড়ুন () # ডেটা প্রিন্ট (ট্রাম্প) স্পীচ 1 প্রদর্শন করুন ... ধন্যবাদ আপনি এত. এটা খুব সুন্দর। সে কি দুর্দান্ত লোক নয়? সে ফর্সা প্রেস পায় না সে পায় না। এইটা ঠিক না. এবং আমি আপনাকে বলতে চাই যে আমি এখানে আছি, এবং খুব দৃ strongly়তার সাথে এখানে, কারণ স্টিভ কিংয়ের প্রতি আমার খুব শ্রদ্ধা রয়েছে এবং একইভাবে সিটিজেন ইউনাইটেড, ডেভিড এবং সকলের জন্য এবং টি পার্টির জন্য অসাধারণ রিসেক্ট রয়েছে। এছাড়াও, আইওয়া মানুষ। তাদের কিছু মিল রয়েছে। পরিশ্রমী মানুষ ....

পদক্ষেপ 3: ডেটাটি পৃথক কথায় বিভক্ত করুন

কর্পাস = ট্রাম্প.স্প্লিট () # কর্পাস প্রিন্ট (কর্পাস) 'শক্তিশালী,', 'তবে', 'নয়', 'শক্তিশালী', 'লাইক', 'আমাদের।', 'ইরান', 'রয়েছে', ' বীজযুক্ত ',' সন্ত্রাস ', ...

এরপরে, একটি ফাংশন তৈরি করুন যা ভাষণগুলিতে শব্দের বিভিন্ন জোড়া তৈরি করে। স্থান বাঁচাতে, আমরা একটি জেনারেটর অবজেক্ট ব্যবহার করব।

পদক্ষেপ 4: কীগুলিতে জোড়া এবং ফলো-আপ শব্দের তৈরি করা

ডিফ মেক_ পেয়ারস (কর্পাস): আই ইন ইন রেঞ্জের জন্য (লেন (কর্পাস) - 1): ফলন (কর্পাস [i], কর্পাস [i + 1]) জোড়া = মেক_ পেয়ারস (কর্পস)

এর পরে, শব্দগুলির জোড়া সংরক্ষণের জন্য একটি খালি অভিধান শুরু করা যাক।

জোড়ের প্রথম শব্দটি অভিধানে ইতিমধ্যে একটি কী হয়ে থাকে, কেবল পরবর্তী সম্ভাব্য শব্দটি শব্দের পরে থাকা শব্দের তালিকায় যুক্ত করুন। তবে শব্দটি কী না থাকলে অভিধানে একটি নতুন এন্ট্রি তৈরি করুন এবং জোড়ের প্রথম শব্দের সমান কীটি নির্ধারণ করুন।

পদক্ষেপ 5: অভিধান যুক্ত করা

শব্দ_ডিক্ট = _1 word শব্দ_1 এর জন্য, জোড়ায় শব্দ_2: যদি শব্দ_1 শব্দে_ডিক্ট.কিজ (): শব্দ_ডিক্ট [শব্দ_1] .পেনড (শব্দ_2) অন্য: শব্দ_ডিক্ট [শব্দ_1] = [শব্দ_2]

এর পরে, আমরা কর্পস থেকে এলোমেলোভাবে একটি শব্দ বাছাই করি, এটি মার্কভ চেইনটি শুরু করবে।

পদক্ষেপ:: মার্কভ মডেলটি তৈরি করুন

# প্রথম শব্দটি প্রথম শব্দটি বেছে নিন প্রথম_শব্দ = এনপি.রেন্ডম.চয়েস (কর্পাস) # প্রথম শব্দটিকে মূলধনী শব্দ হিসাবে বেছে নিন যাতে বাছাই করা শব্দটি একটি বাক্যটির মধ্য থেকে নেওয়া না হয় যখন প্রথম_ওয়ার্ড.আইস্লোয়ার (): # চেইনটি স্টার্ট করুন বাছাই করা শব্দের শৃঙ্খলা = [প্রথম_শব্দ] # উদ্দীপক শব্দের সংখ্যা এন_আরডেস = 20 শিরোনামে দিন

প্রথম শব্দের পরে, শৃঙ্খলে প্রতিটি শব্দ শব্দের তালিকা থেকে এলোমেলোভাবে নমুনা করা হয় যা ট্রাম্পের সরাসরি বক্তৃতাগুলিতে সেই নির্দিষ্ট শব্দটি অনুসরণ করেছে। এটি নীচের কোড স্নিপেটে দেখানো হয়েছে:

আমি সীমার মধ্যে (এন_ওয়ার্ডস): চেন.অ্যাপেন্ড (এনপি.আরন্ডম.চয়েস (শব্দ_ডিক্ট [চেইন [-1]]))

পদক্ষেপ 7: পূর্বাভাস

অবশেষে, আসুন উদ্দীপিত পাঠ্যটি প্রদর্শন করি।

# জয়েন চেনটিকে স্ট্রিং প্রিন্ট হিসাবে ফেরত দেয় ('' .জয়াইন (চেইন)) অবিশ্বাস্য লোকের সংখ্যা। এবং হিলারি ক্লিনটন, আমাদের লোক এবং এইরকম দুর্দান্ত কাজ রয়েছে। এবং আমরা ওবামাকে মারব না

সুতরাং ট্রাম্পের বক্তৃতা বিবেচনা করে এটি উত্পন্ন পাঠ্য। এটি খুব বেশি অর্থবহ না করে তবে মার্কভ চেইনগুলি কীভাবে স্বয়ংক্রিয়ভাবে পাঠ্য উত্পন্ন করতে ব্যবহার করা যেতে পারে তা আপনাকে বোঝানোর পক্ষে এটি যথেষ্ট ভাল good

এখন আরও কিছু অ্যাপ্লিকেশন তাকান মার্কভ চেইনগুলির এবং কীভাবে তারা বাস্তব-বিশ্ব সমস্যাগুলি সমাধান করার জন্য ব্যবহৃত হয়।

মার্কভ চেইন অ্যাপ্লিকেশন

এখানে মার্কভ চেইনের বাস্তব-বিশ্বের অ্যাপ্লিকেশনগুলির একটি তালিকা রয়েছে:

1. গুগল পেজর্যাঙ্ক: পুরো ওয়েবটিকে মার্কভ মডেল হিসাবে ভাবা যেতে পারে, যেখানে প্রতিটি ওয়েব পৃষ্ঠা একটি রাষ্ট্র হতে পারে এবং এই পৃষ্ঠাগুলির মধ্যে লিঙ্ক বা রেফারেন্স হিসাবে সম্ভাবনাগুলি সহ রূপান্তর হিসাবে বিবেচনা করা যেতে পারে। সুতরাং মূলত, আপনি যে ওয়েব পৃষ্ঠায় সার্ফিং শুরু করেন তা নির্বিশেষে, একটি নির্দিষ্ট ওয়েব পৃষ্ঠায় যাওয়ার সম্ভাবনা, বলুন, এক্স একটি স্থির সম্ভাবনা।

2. টাইপিং শব্দ ভবিষ্যদ্বাণী: মার্কভ চেইনগুলি আসন্ন শব্দগুলির পূর্বাভাস দেওয়ার জন্য ব্যবহৃত হয় বলে জানা যায়। এগুলি স্বয়ংক্রিয় সমাপ্তি এবং পরামর্শগুলিতেও ব্যবহার করা যেতে পারে।

3. সাবরেডিট সিমুলেশন: অবশ্যই আপনি রেডডিট জুড়ে এসে পৌঁছেছেন এবং তাদের থ্রেড বা সাব্রেডডিটগুলির একটিতে ইন্টারঅ্যাকশন করেছেন। রেডডিট একটি সাবরেডিট সিমুলেটর ব্যবহার করে যা তাদের গ্রুপ জুড়ে অনুষ্ঠিত সমস্ত মন্তব্য এবং আলোচনা সমেত প্রচুর পরিমাণে ডেটা গ্রাস করে। মার্কভ চেইন ব্যবহার করে, সিম্যুলেটর মন্তব্য এবং বিষয় তৈরি করতে শব্দ থেকে কথার সম্ভাবনা তৈরি করে।

   কিভাবে একটি জাভা প্যাকেজ তৈরি করতে

4. পাঠ্য জেনারেটর: মার্কভ চেইনগুলি সবচেয়ে বেশি ব্যবহৃত হয় ডামি পাঠ্য উত্পন্ন করতে বা বড় প্রবন্ধগুলি তৈরি করতে এবং বক্তৃতা সংকলন করতে। আপনি ওয়েবে যে নাম জেনারেটর দেখেন সেগুলিতে এটিও ব্যবহৃত হয়।

এখন আপনি কীভাবে মার্কভ চেইন ব্যবহার করে বাস্তব-জগতের সমস্যার সমাধান করবেন তা জানেন, আমি নিশ্চিত যে আপনি আরও জানতে আগ্রহী। এখানে ব্লগগুলির একটি তালিকা যা আপনাকে অন্যান্য পরিসংখ্যান সংক্রান্ত ধারণা দিয়ে শুরু করতে সহায়তা করবে:

এটির সাথে আমরা মার্কভ চেইনস ব্লগের এই পরিচিতির শেষে এসেছি। এই বিষয়ে আপনার যদি কোনও প্রশ্ন থাকে তবে নীচে একটি মন্তব্য করুন এবং আমরা আপনার কাছে ফিরে যাব।

ট্রেন্ডিং প্রযুক্তিগুলিতে আরও ব্লগের জন্য থাকুন।

আপনি যদি ডেটা সায়েন্সে অনলাইন স্ট্রাকচার্ড ট্রেনিং খুঁজছেন, এডুরে! একটি বিশেষভাবে সজ্জিত আছে প্রোগ্রাম যা আপনাকে পরিসংখ্যান, ডেটা র্যাংলিং, এক্সপ্লোরারি ডেটা বিশ্লেষণ, মেশিন লার্নিং অ্যালগরিদমে যেমন কে-ম্যানস ক্লাস্টারিং, ডিসিশন ট্রি, র্যান্ডম ফরেস্ট, নিষ্পাপ বয়েসে দক্ষতা অর্জনে সহায়তা করে। আপনি টাইম সিরিজ, পাঠ্য মাইনিং এবং ডিপ লার্নিংয়ের একটি ভূমিকাও শিখবেন। এই কোর্সের জন্য নতুন ব্যাচ শীঘ্রই শুরু হচ্ছে !!