Hidden Markov Model (HMM)

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

HMM'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 zamandaki temel gerçekliğini temsil eder. Bir konuşma modelinde gizli bir durum, belirli bir fonemi veya kelimeyi temsil edebilir.
• Gözlemlenebilir Olaylar: Bunlar sensörler veya girdiler tarafından gerçekten toplanan veri noktalarıdır. Konuşma örneğinde gözlem, ses dalga formu veya spektrogram verisi olacaktır.
• Geçiş Olasılıkları: Bu matris, bir gizli durumdan diğerine geçme olasılığını açıklar. Örneğin, havanın "Yağmurlu" durumundan "Güneşli" durumuna geçme olasılığı.
• Emisyon Olasılıkları: Bunlar, mevcut bir gizli durum göz önüne alındığında belirli bir gözlemi görme olasılığını tanımlar.
• Başlangıç Olasılıkları: Sistemin başlamasının en muhtemel olduğu durumu belirleyen dağılım.

Bir HMM'yi eğitmek genellikle eğitim verilerinden bu parametreleri tahmin etmek için Baum-Welch algoritmasını içerir. Eğitildikten sonra, yeni bir gözlem kümesinden en olası gizli durum dizisinin kodunu çözmek için genellikle Viterbi algoritması kullanılır.

HMM'ler ve Diğer Dizi Modelleri#

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

• HMM ve Yinelenen Sinir Ağları (RNN): RNN'ler ve Uzun Kısa Süreli Bellek (LSTM) ağları, uzun menzilli bağımlılıkları ve doğrusal olmayan kalıpları yakalayabilen derin öğrenme modelleridir; buna karşılık HMM'ler, Markov varsayımıyla (kısa süreli bellek) 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. Bununla birlikte, Kalman Filtreleri sürekli durumlar için tasarlanmıştır (hareketli bir arabanın tam konumunu takip etmek gibi), oysa HMM'ler ayrık durumlar için kullanılır (arabanın "park halinde", "sürüşte" veya "durmuş" olup olmadığını belirlemek gibi).

Gerçek Dünya Uygulamaları#

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

Konuşma ve El Yazısı Tanıma#

Tarihsel olarak HMM'ler konuşma tanıma sistemlerinin omurgasıydı. Bu bağlamda, söylenen 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 çözmeye yardımcı olurlar.

Biyolojik Dizi Analizi#

Biyoinformatik alanında HMM'ler gen tahmini ve protein hizalaması için çok önemlidir. Bir genom içindeki genler gibi işlevsel 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 işlevi görür.

Bilgisayarlı Görüde Eylem Tanıma#

Modern bilgisayarlı görüde HMM'ler, eylem tanıma gerçekleştirmek için YOLO26 gibi modellerle birleştirilebilir. YOLO tekli karelerde nesneleri veya pozları tespit ederken, bir HMM "yürüme", "koşma" veya "düşme" gibi bir eylemi sınıflandırmak için bu pozların zaman içindeki dizisini analiz edebilir.

Görü ve Durum Analizini Entegre Etme#

Veri kümelerini ve modelleri yönetmek için Ultralytics Platform kullanan geliştiriciler için ardışık mantığı anlamak hayati önem taşır. Bir görü modeli ham gözlemleri (tespitleri) sağlar; bunlar daha sonra zamansal bağlamı çıkarım yapmak için HMM gibi bir durum uzayı modeline beslenebilir.

Aşağıdaki örnek, YOLO26 poz tahmini kullanarak bir gözlem dizisinin nasıl oluşturulacağını gösterir. Bu anahtar noktalar, davranışları zaman içinde sınıflandırmak için aşağı akışlı bir HMM veya benzer 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

Modern Yapay Zekada Önemi#

Transformer modelleri ve büyük dil modelleri (LLM), doğal dil işleme (NLP) gibi görevlerde HMM'leri geride bırakmış olsa da HMM'ler uç bilişim ve düşük gecikmeli ortamlarda geçerliliğini korumaktadır. Hesaplama verimlilikleri, onları yoğun GPU kullanımının mümkün olmadığı kaynak kısıtlı sistemler için ideal hale getirir. Ayrıca, şeffaf olasılık matrislerine dayandıkları için, birçok sinir ağının "kara kutu" doğasına kıyasla daha yüksek gözlenebilirlik sunarlar.