Gizli Markov Modeli (Hidden Markov Model)

Gizli Markov Modeli nedir?

Gizli Markov Modeli (kısaca HMM), doğrudan göremediğin bir durumlar zincirini, o durumların dışarı sızdırdığı gözlemlere bakarak çözmeye çalışan olasılıksal bir modeldir. "Gizli" kısmı buradan gelir: sistemin gerçek hali senden saklıdır, elinde sadece ipuçları vardır. "Markov" kısmı ise şu varsayımı taşır — bir sonraki durum sadece şu anki duruma bağlıdır, daha eski geçmişe değil.

Nasıl çalışır?

İki katman düşün. Alt katmanda görünmeyen durumlar birbirine geçiş yapar (mesela hava "yağmurlu" ya da "güneşli"). Üst katmanda her durum bir gözlem üretir (mesela arkadaşının şemsiye taşıması). HMM üç şeyle tanımlanır: durumlar arası geçiş olasılıkları, her durumun hangi gözlemi hangi olasılıkla ürettiği ve başlangıç olasılıkları. Elinde bir gözlem dizisi olduğunda, Viterbi algoritması "bu gözlemleri en iyi açıklayan gizli durum dizisi hangisi?" sorusunu çözer. Forward-backward algoritması olasılıkları hesaplar, Baum-Welch ise modeli veriden eğitir.

Neden önemli?

HMM, dizisel veriyi olasılıkla modellemenin temel taşlarından biri. Derin öğrenme yükselmeden önce konuşma tanımanın, el yazısı çözümlemenin ve biyoinformatikte gen dizilimi analizinin bel kemiğiydi. Bugün transformer çoğu görevde öne geçmiş olsa da, HMM hâlâ neyin nasıl çalıştığını anlamak için sağlam bir zihinsel model. Az veriyle yorumlanabilir sonuç istediğin yerlerde de hâlâ işe yarıyor.

Kullanım alanları

Konuşma tanıma, kelimelere dilbilgisi etiketi atama (part-of-speech tagging), biyoinformatikte DNA ve protein dizisi analizi, finansal zaman serisi rejim tespiti ve kullanıcı davranışı modelleme. Bu alanların çoğunda artık sinir ağı alternatifleri var ama HMM'in hafif ve şeffaf yapısı onu bazı yerlerde hâlâ tercih edilebilir kılıyor.