El ejemplo más simple es la caminata de un borracho (también llamada caminata aleatoria). El borracho puede tropezar en cualquier dirección, pero se moverá solo 1 paso desde la posición actual.
En promedio, después de n pasos, puede esperar que el borracho esté [math] \ sqrt {n} [/ math] a pasos de distancia. Ese es un ejemplo del tipo de propiedad interesante que puede explotar usando modelos de cosas de Markov.
Para una ilustración del poder de este enfoque, piense en la música. Si en lugar de un borracho caminando en un avión, piensas en el “espacio” de las notas musicales y en las “reglas” musicales que determinan qué notas pueden venir después, obtienes un modelo de música en cadena de Markov. Puede usarlo para modelar compositores individuales como “cajas negras” sin saber nada sobre sus ideas musicales. Si hay patrones / estructuras en su pensamiento, el modelo de cadena de Markov puede capturarlo simplemente escuchando su música y actualizando las probabilidades de transición. Puedes crear música artificial similar a Bach de esta manera, por ejemplo.
- ¿Cuándo sería el algoritmo A más lento que el algoritmo B? Demuestre su respuesta con la ayuda de un ejemplo.
- ¿Cómo funciona el algoritmo de 'forma de relleno' en los programas de dibujo?
- Quiero aprender más sobre algoritmos, pero no sé por dónde empezar. ¿Me puede dar algunas instrucciones o consejos? Gracias.
- ¿Cuál es el problema de optimización / mejora más difícil que haya conocido y cómo lo resolvió?
- ¿Cuáles son los actos que se consideran hacer trampa durante un desafío de contratación en Interviewstreet?