Chaînes Markov: Classification de l'État

Dans cours

Description

Cette séance de cours couvre la classification des états dans les chaînes Markov à temps discret, en mettant l'accent sur les propriétés de l'irréductibilité, de la périodicité et du multiple d'états. La séance de cours traite également des conditions dans lesquelles un état peut être classé comme transitoire ou récurrent.

Connectez-vous pour regarder la vidéo

Enseignant

Source officielle

https://mediaspace.epfl.ch/media/0_jj68djio

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Séances de cours associées (13)

Concepts associés (57)

Chaîne de Markov

vignette|Exemple élémentaire de chaîne de Markov, à deux états A et E. Les flèches indiquent les probabilités de transition d'un état à un autre. En mathématiques, une chaîne de Markov est un processus de Markov à temps discret, ou à temps continu et à espace d'états discret. Un processus de Markov est un processus stochastique possédant la propriété de Markov : l'information utile pour la prédiction du futur est entièrement contenue dans l'état présent du processus et n'est pas dépendante des états antérieurs (le système n'a pas de « mémoire »).

Époque d'Edo

L' ou est la subdivision traditionnelle de l'histoire du Japon qui commence vers 1600, avec la prise de pouvoir de Tokugawa Ieyasu lors de la bataille de Sekigahara, et se termine vers 1868 avec la restauration Meiji. Elle est dominée par le shogunat Tokugawa dont Edo (ancien nom de Tokyo) est la capitale. Oda Nobunaga Au cours de la seconde moitié du , trois chefs militaires se succèdent au pouvoir et contribuent à l'unification de tout l'archipel japonais. Oda Nobunaga commence ce processus d'unification de 1560 à 1582.

Époque de Muromachi

L' est l'une des 14 subdivisions traditionnelles de l'histoire du Japon, qui s'étend entre 1336 et 1573. Elle correspond à l'époque de « règne » des shoguns Ashikaga. Le nom de cette période vient du quartier de Muromachi, site choisi à Kyōto par les Ashikaga pour y installer à compter de 1378 le siège de leur gouvernement. Elle est classiquement divisée en plusieurs sous-périodes.

Réseau de neurones récurrents

Un réseau de neurones récurrents (RNN pour recurrent neural network en anglais) est un réseau de neurones artificiels présentant des connexions récurrentes. Un réseau de neurones récurrents est constitué d'unités (neurones) interconnectées interagissant non-linéairement et pour lequel il existe au moins un cycle dans la structure. Les unités sont reliées par des arcs (synapses) qui possèdent un poids. La sortie d'un neurone est une combinaison non linéaire de ses entrées.

Markov model

In probability theory, a Markov model is a stochastic model used to model pseudo-randomly changing systems. It is assumed that future states depend only on the current state, not on the events that occurred before it (that is, it assumes the Markov property). Generally, this assumption enables reasoning and computation with the model that would otherwise be intractable. For this reason, in the fields of predictive modelling and probabilistic forecasting, it is desirable for a given model to exhibit the Markov property.