Hidden Markov Model (HMM)

Bir Gizli Markov Modeli (HMM), iç sürecin doğrudan görünür olmadığı (bu nedenle "gizli" olarak adlandırılır) ancak gözlemlenebilir olaylar dizisi aracılığıyla çıkarılabildiği sistemleri modellemek için kullanılan istatistiksel bir çerçevedir. Modern derin öğrenme karmaşık dizileri işleyecek şekilde gelişmiş olsa da, HMM istatistiksel yapay zeka ve olasılık teorisinde temel bir kavram olmaya devam etmektedir. Özellikle, olayların sırasının kritik bağlam sağladığı zaman serisi analizi verilerini analiz etmek için etkilidir ve gelecekteki bir durumun olasılığının, kendisinden önceki geçmişe değil, yalnızca mevcut duruma bağlı olduğu temel ilkesine dayanır.

Link to this sectionHMM'lerin Temel Mekanizmaları#

Bir HMM'nin nasıl çalıştığını anlamak için, modelin iki farklı katmanı arasında ayrım yapmak önemlidir: görünmez durumlar ve görünür çıktılar. Model, sistemin gizli durumlar arasında belirli olasılıklara göre geçiş yaptığını ve her adımda bir gözlem yaydığını varsayar.

Bir HMM, bu geçişleri ve yayılımları yöneten bir dizi parametre ile tanımlanır:

• Gizli Durumlar: Bunlar, sistemin belirli bir andaki altında yatan gerçekliğini temsil eder. Bir konuşma modelinde, gizli bir durum belirli bir fonemi veya kelimeyi temsil edebilir.
• Gözlemlenebilir Olaylar: Bunlar, sensörler veya girdiler tarafından fiilen toplanan veri noktalarıdır. Konuşma örneğinde, gözlem ses dalga formu veya spektrogram verisi olacaktır.
• Geçiş Olasılıkları: Bu matris, bir gizli durumdan diğerine geçme olasılığını tanımlar. Örneğin, havanın "Yağmurlu"dan "Güneşli"ye dönme olasılığı gibi.
• Yayılım Olasılıkları: Bunlar, mevcut bir gizli durum verildiğinde belirli bir gözlemi görme olasılığını tanımlar.
• Başlangıç Olasılıkları: Sistemin başlama olasılığının en yüksek olduğu durumu belirleyen dağılımdır.

Training an HMM generally involves the Baum-Welch algorithm to estimate these parameters from training data. Once trained, the Viterbi algorithm is commonly used to decode the most likely sequence of hidden states from a new set of observations.

Link to this sectionHMM'ler ve Diğer Dizi Modelleri#

HMM'ler diğer dizi işleme araçlarıyla benzerlikler taşısa da, mimari ve uygulama açısından önemli ölçüde farklılık gösterirler:

• HMM ve Yinelemeli Sinir Ağları (RNN): RNN'ler ve Uzun Kısa Süreli Bellek (LSTM) ağları, uzun vadeli bağımlılıkları ve doğrusal olmayan kalıpları yakalayabilen derin öğrenme modelleridir; HMM'ler ise Markov varsayımı (kısa süreli bellek) ile sınırlı, daha basit olasılıksal modellerdir. Bununla birlikte, HMM'ler çok daha az veri gerektirir ve çok daha yorumlanabilirdir.
• HMM ve Kalman Filtresi (KF): Her ikisi de durum tahmini için kullanılır. Ancak, Kalman Filtreleri sürekli durumlar (hareket eden bir arabanın kesin konumunu izlemek gibi) için tasarlanmışken, HMM'ler ayrık durumlar (arabanın "park halinde", "sürüş halinde" veya "durmuş" olup olmadığını belirlemek gibi) için kullanılır.

Link to this sectionGerçek Dünya Uygulamaları#

Derin öğrenmenin (DL) yükselişine rağmen, Gizli Markov Modelleri diziler üzerinde olasılıksal çıkarım gerektiren senaryolarda hala yaygın olarak kullanılmaktadır.

Link to this sectionKonuşma ve El Yazısı Tanıma#

Tarihsel olarak HMM'ler, konuşma tanıma sistemlerinin omurgasını oluşturmuştur. Bu bağlamda, konuşulan kelimeler "gizli" durumlardır ve mikrofon tarafından kaydedilen ses sinyalleri gözlemlerdir. HMM'ler, ses sinyalini üreten en olası kelime dizisini belirlemeye yardımcı olur. Benzer şekilde, karakter vuruşları arasındaki geçişi modelleyerek el yazısını deşifre etmeye yardımcı olurlar.

Link to this sectionBiyolojik Dizi Analizi#

Biyoinformatik alanında HMM'ler, gen tahmini ve protein hizalama için çok önemlidir. Bir genom içindeki genler gibi fonksiyonel bölgeleri tanımlamak için DNA veya amino asit dizilerini analiz ederler. "Gizli" durumlar kodlayan veya kodlamayan bölgeleri temsil edebilirken, belirli nükleotidler (A, C, G, T) gözlem görevi görür.

Link to this sectionBilgisayarlı Görüde Eylem Tanıma#

In modern computer vision, HMMs can be combined with models like YOLO26 to perform action recognition. While YOLO detects objects or poses in individual frames, an HMM can analyze the sequence of these poses over time to classify an action, such as "walking," "running," or "falling."

Link to this sectionGörü ve Durum Analizini Entegre Etme#

Veri kümelerini ve modelleri yönetmek için Ultralytics Platform'u kullanan geliştiriciler için, dizisel mantığı anlamak hayati önem taşır. Bir görü modeli, ham gözlemleri (tespitleri) sağlar ve bunlar daha sonra zamansal bağlamı çıkarmak için bir HMM gibi durum-uzay modeline beslenebilir.

Aşağıdaki örnek, YOLO26 poz kestirimi kullanarak bir gözlem dizisinin nasıl oluşturulacağını göstermektedir. Bu anahtar noktalar, davranışları zaman içinde sınıflandırmak için alt akışta bir HMM veya benzeri bir mantık için "gözlemlenebilir olaylar" girdisi olarak hizmet edebilir.

from ultralytics import YOLO

# Load the YOLO26n-pose model for efficient keypoint detection
model = YOLO("yolo26n-pose.pt")

# Run inference on a video source (the 'observable' sequence)
# stream=True creates a generator for memory efficiency
results = model.predict(source="path/to/video.mp4", stream=True)

# Iterate through frames to extract observations
for result in results:
    # Each 'keypoints' object is an observation for a potential HMM
    keypoints = result.keypoints.xyn.cpu().numpy()

    if keypoints.size > 0:
        print(f"Observation (Normalized Keypoints): {keypoints[0][:5]}...")
        # In a full pipeline, these points would be fed into an HMM decoder

Link to this sectionModern Yapay Zekada Önemi#

Transformer modelleri ve büyük dil modelleri (LLM'ler) doğal dil işleme (NLP) gibi görevlerde HMM'lerin yerini almış olsa da, HMM'ler uç bilişim ve düşük gecikmeli ortamlarda geçerliliğini korumaktadır. Hesaplama verimlilikleri, ağır GPU kullanımının mümkün olmadığı kısıtlı kaynaklara sahip sistemler için onları ideal kılar. Ayrıca, şeffaf olasılık matrislerine dayandıkları için, birçok sinir ağının "kara kutu" yapısına kıyasla daha yüksek gözlemlenebilirlik sunarlar.