Sunum yükleniyor. Lütfen bekleyiniz

Sunum yükleniyor. Lütfen bekleyiniz

Saklı Markov Modelleri ve Uygulamaları Gıyasettin ÖZCAN.

Benzer bir sunumlar


... konulu sunumlar: "Saklı Markov Modelleri ve Uygulamaları Gıyasettin ÖZCAN."— Sunum transkripti:

1 Saklı Markov Modelleri ve Uygulamaları Gıyasettin ÖZCAN

2 Özet  Medikal, finansal, meteorolojik … veriler ve problemleri  Örüntü tanıma  NP Complete Problemler  Artan veri hacmi  Yüksek enerji tüketimi ve maliyeti  Çözüm yöntemleri:  Veri indirgeme: Doğru tahmin yaptım mı?  İstatistiksel Yöntemler  …..

3 Saklı Markov Modelleri  İstatistiksel bir yöntem  Sınıflandırma yapılmasını sağlar  Eldeki verilere göre tahmin yapmayı sağlar  1960’lı yıllarda sinyal işleme amacıyla kullanılmış:  Link katmanında veri ileten cihazlar veri gönderim zamanını doğru tahmin etmez ise çakışma olacak..  El yazısı verilerini doğru şekilde tahmin ederek dijitale dönüştürme  Kişilerin ses sinyallerini ayırt edebilme.  Finansal piyasalardaki anormal durumları belirleme.

4 Sekans Hizalama  AATTGCCCTCGGGGAA  ATGCATTGGCAATTGCC  CCAATTGCCGCGCATTG

5 Saklı Markov Modelleri  1995: Biyolojik sekansların benzerliğini hesaplamak çok karmaşık bir problem.  Oysa verim hacmi hızla artmaya başlamakta.  İlk bakışta mantıksız görünse de Saklı Markov Modeli ile sekans benzerliği denenmiş.  2010 yılı itibarı ile HMM, sekans analizinde yaygın kullanılır hale gelmiş.  [1]:http://www.bioinfo.ifm.liu.se/edu/TFTB29/HT2013/assignment3.html adresinden alınan şekle göre

6 Saklı Markov Modelleri  Benzer mantık tüm zaman serisi uygulamalarında görülebilir  Mevsimin yaz olması gün sıcaklığında önemli etmendir.  Depremlerin gece saatlerinde olma ihtimali daha yüksek olabilir.  Kişilerin kansere yakalanma riski yaşa bağımlı.  Borsaların Ocak-Mayıs döneminde yükselme ihtimali göreceli olarak daha yüksek.

7 Saklı Markov Modeli (λ)

8 Üç SMM problemi  İleri Algoritması:  Karşımıza çıkan bir gözlemin eldeki SMM ile üretilme ihtimalini bulma.  Formal olarak:  O = O 1,O 2, O 3,….O n için P(O | λ)=?  Viterbi Algoritması  O gözlemine sebep olacak en muhtemel gizli durum sekansını çıkarmak.  Baum-Welsch Algoritması: Eldeki gözlemlere göre en iyi λ nedir?

9 Viterbi Algoritması[2]  Verilen bir sekansın gizli faktörlerini bulma.  Elde edilen DNA sekansını üretebilecek gizli faktörleri bulmak.  Gözlemlenen meteorolojik verileri sıraya dizerek sekans haline getirmek, daha sonra bu gözlemleri ortaya çıkaran gizli sebepleri incelemek.  Borsada spekülatif hareketleri tespit etmek.  Bir sunucuya gelen paketlerden saldırı amaçlı olanları tespit etmek

10 Baum Welsch Algoritması  Gözlemlere göre λ={π, A,B} değerlerini tahmin et.  Başlangıç değerlerini rastgele belirle.  Mevcut A değerlerine göre B değerlerini hesapla.  Mevcut B değerlerine göre A değerlerini hesapla.  Mevcut A değerlerine göre B değerlerini hesapla.  …….  ……  Bir noktada bırak.

11 DNA Sekans Hizalama Uygulaması  P53: Mutasyona uğramış hücrelerin yok edilmesini sağlar.  : Çoğu canlının P53 DNA sekanslarında ortak ve farklı dizilimler bulunur.  Amaç: Canlıların P53 sekansını ayırt edebilen bir SMM modeli tasarlamak. CanlıSekans Uzunluğu Sığır1161 Kurt1247 Beyaz Balina1164 Koyun1149 Frekans Nükleot id SığırKurtBeyaz Balina Koyun A T G C

12 Transmisyon-Emisyon Olasılıkları X1X2X3X4 X X X X Y1Y2Y3Y4 X X X X

13 Sonuç  Elde edilen SMM modelleri sınıflandırma amacıyla kullanılabilecektir.  Geleneksel yollarla kıyaslanması neredeyse imkansız olan sekansların benzerliğini bulma konusunda başarılıdır.  Matlab ya da Octave gibi uygulamalarda hem istatistik hem de biyoinformatik toolbox kolaylık sağlamakta.  Açık kaynaklı C++ uygulamaları internette mevcuttur.

14 Referanslar  [1] [1]  [2] New Zealand University, Lecture Notes.


"Saklı Markov Modelleri ve Uygulamaları Gıyasettin ÖZCAN." indir ppt

Benzer bir sunumlar


Google Reklamları