Sí, pero solo en un sentido muy limitado.
Primero, debe tener un modelo que cree que describe el universo (o, más probablemente, un aspecto particular que esté estudiando, tal vez algún tipo de interacción de partículas o proceso estadístico). Y esperas que sea un buen modelo.
En segundo lugar, este modelo en realidad tiene que ser un modelo oculto de Markov. La mayoría de los modelos realistas para la mayoría de las cosas en el universo no se pueden modelar efectivamente de esta manera.
- Cómo demostrar que una pequeña mejora en un puntaje F es estadísticamente significativa
- ¿El sobreajuste es un problema en el aprendizaje de refuerzo profundo?
- ¿Qué debo aprender en Data Science para ayudar a mi startup?
- ¿Cuál es la intuición detrás de llamar variables ortogonales como independientes? Proporcione una respuesta en el contexto del aprendizaje automático.
- ¿Qué son los datos estructurados en el contexto del aprendizaje automático?
Tercero, si desea aprender sobre el estado oculto, tiene que ser una especie de HMM donde los estados no son arbitrarios, o si comprende cuáles son los posibles estados y cómo se relacionan con los resultados del modelo. Por ejemplo, si tiene algún modelo discreto en el que solo sabe que hay N estados y el modelo de emisión es simplemente un multinomio, solo puede aprender que el estado oculto es el estado 3, por ejemplo. Esto puede no ser útil directamente, aunque puede usarlo para hacer predicciones sobre variables observables, o puede intentar interpretarlo viendo lo que emite este estado, pero a menudo esto no le brinda ninguna información útil. En otros casos, puede ser más fácil de interpretar, como dónde su modelo de emisión es gaussiano y al menos puede ver la ubicación que encontró para la media del estado.
En esas condiciones, es posible que aprenda el valor de las variables ocultas a través del modelado de secuencias de observaciones.