Hidden Markov Model (HMM)

Gizli Markov Modeli (HMM), iç süreç doğrudan görünür olmayan (bu nedenle "gizli" olarak adlandırılan), ancak gözlemlenebilir olaylar dizisi aracılığıyla çıkarılabilen sistemleri modellemek için kullanılan istatistiksel bir çerçevedir. Modern derin öğrenme karmaşık dizileri işleyebilecek şekilde gelişmiş olsa da HMM, istatistiksel yapay zekâ ve olasılık teorisinde temel bir kavram olmayı sürdürür. Özellikle olayların sırasının önemli bir bağlam sağladığı zaman serisi analizi verilerini analiz etmede etkilidir ve 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 katmanını ayırt etmek önemlidir: görünmeyen durumlar ve görünür çıktılar. Model, sistemin belirli olasılıklara göre gizli durumlar arasında geçiş yaptığını ve her adımda bir gözlem ürettiğini varsayar.

Bir HMM, bu geçişleri ve çıktıları yöneten bir parametreler kümesiyle tanımlanır:

• Gizli Durumlar: Bunlar, belirli bir zamandaki sistemin temel gerçekliğini temsil eder. Bir konuşma modelinde gizli durum, belirli bir fonemi veya sözcüğü temsil edebilir.
• Gözlemlenebilir Olaylar: Bunlar, sensörler veya girdiler tarafından gerçekten toplanan veri noktalarıdır. Konuşma örneğinde gözlem, ses dalga biçimi veya spektrogram verisi olur.
• Geçiş Olasılıkları: Bu matris, bir gizli durumdan diğerine geçme olasılığını açıklar. Örneğin havanın "Yağmurlu" durumdan "Güneşli" duruma değişme olasılığı.
• Çıktı Olasılıkları: Bunlar, mevcut gizli durum verildiğinde belirli bir gözlemi görme olasılığını tanımlar.
• Başlangıç Olasılıkları: Sistemin başlama olasılığının en yüksek olduğu durumu belirleyen dağılımdır.

Bir HMM'nin eğitimi genellikle bu parametreleri eğitim verilerinden tahmin etmek için Baum-Welch algoritmasını içerir. Eğitim tamamlandıktan sonra, yeni bir gözlem kümesinden en olası gizli durum dizisini çözümlemek 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 gösterir:

• HMM ve Tekrarlayan Sinir Ağları (RNN): RNN'ler ve Uzun Kısa Süreli Bellek (LSTM) ağları, uzun menzilli bağımlılıkları ve doğrusal olmayan örüntüleri 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 iyi yorumlanabilir.
• HMM ve Kalman Filtresi (KF): Her ikisi de durum kestirimi için kullanılır. Ancak Kalman Filtreleri sürekli durumlar (hareket eden bir aracın kesin konumunu izlemek gibi) için tasarlanırken HMM'ler ayrık durumlar (aracın "park halinde", "hareket halinde" veya "durmuş" olup olmadığını belirlemek gibi) için kullanılır.

Gerçek Dünya Uygulamaları#

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

Konuşma ve El Yazısı Tanıma#

Tarihsel olarak HMM'ler, konuşma tanıma sistemlerinin temelini oluşturmuştur. Bu bağlamda, söylenen sözcükler "gizli" durumlardır ve mikrofon tarafından kaydedilen ses sinyalleri gözlemlerdir. HMM'ler, ses sinyalini oluşturan en olası sözcük dizisini belirlemeye yardımcı olur. Benzer şekilde, karakter çizgileri arasındaki geçişi modelleyerek el yazısı stilini çözümlemeye yardımcı olurlar.

Biyolojik Dizi Analizi#

Biyoinformatik alanında HMM'ler, gen tahmini ve protein hizalaması için kritik öneme sahiptir. Genom içindeki genler gibi işlevsel bölgeleri tanımlamak için DNA veya amino asit dizilerini analiz ederler. "Gizli" durumlar kodlayan veya kodlamayan bölgeleri temsil edebilirken belirli nükleotitler (A, C, G, T) gözlemleri oluşturur.

Bilgisayarlı Görmede Eylem Tanıma#

Modern bilgisayarlı görmede HMM'ler, eylem tanıma gerçekleştirmek için YOLO26 gibi modellerle birleştirilebilir. YOLO tek tek karelerde nesneleri veya pozları algılarken bir HMM, yürümek, koşmak veya düşmek gibi bir eylemi sınıflandırmak için bu pozların zaman içindeki dizisini analiz edebilir.

Görme ve Durum Analizini Birleştirme#

Veri kümelerini ve modelleri yönetmek için Ultralytics Platform kullanan geliştiriciler için sıralı mantığı anlamak hayati önem taşır. Bir görme modeli ham gözlemleri (algılamaları) sağlar; bunlar daha sonra zamansal bağlamı çıkarsamak için HMM gibi bir durum-uzayı modeline aktarılabilir.

Aşağıdaki örnek, YOLO26 poz tahminini kullanarak bir gözlem dizisinin nasıl oluşturulacağını gösterir. Bu anahtar noktalar, davranışları zaman içinde sınıflandırmak üzere sonraki aşamada kullanılacak bir HMM veya benzer bir mantık için "gözlemlenebilir olaylar" girdisi olarak işlev görebilir.

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 Zekâdaki Önemi#

Transformer'lar ve büyük dil modelleri (LLM'ler), doğal dil işleme (NLP) gibi görevlerde HMM'lerin önüne geçmiş olsa da HMM'ler uç bilişim ve düşük gecikmeli ortamlarda önemini korur. Hesaplama verimlilikleri, yoğun GPU kullanımının mümkün olmadığı, kaynakları sınırlı sistemler için onları ideal hâle getirir. Ayrıca şeffaf olasılık matrislerine dayandıkları için birçok sinir ağının "kara kutu" yapısına kıyasla daha yüksek gözlemlenebilirlik sunarlar.