dynamisk time warping maskinlæring

Computere har brug for folks hjælp til at lære. Dette er "Machine Learning". Machine learning er et begreb, der betyder at lære computere at lære af data, en øvelse i at ræsonnere gennem modeller uden eksplicit programmering. Det er til dels, hvordan et barn lærer - ved observation og øvelse, ikke bare ved at blive undervist. Nøjagtighed er én ting, Machine Learning beskæftiger sig med. Det svarer for, hvor præcis computeren er, når det kommer til at forudsige noget. Jo højere nøjagtighed, jo mere robuste vil disse forudsigelser være

Dynamic Time Warping, en måde at justere tidsseriedata på. Overvej, at du har to slingrende linjer, og du vil foretage en sammenligning mellem dem. Dynamisk tidsforskydning er som at ændre formen på en bølget linje for at gøre det nemmere at sammenligne med en anden bølget linje. At justere disse linjer betyder, at det er lettere for computeren at lære af vores data, når vi forsøger at forudsige denne linje.

Udforsk kraften ved dynamisk tidsforskydning til tidsserieanalyse

En analogi til at forstå, hvordan den dynamiske tidsforskydning fungerer. Det svarer til, at du prøver at forudsige trafikken i din butik hver dag. Tidligere års butiksbesøgspublikum. Men ikke hver dag er sådan. Forskellige dage har en anden mængde, nogle er ret skinnende, og al metro er derude, mens andre sker på en regnvejrsdag, hvor kun få slentrende sjæle falder ind. Når dataene ændrer sig, bliver det svært at forudsige fremtidige besøg.

Ikke udelukkende for tidsseriedata, men alligevel. Det er i stand til at arbejde med forskellige typer data, hvilket gør det til et meget alsidigt værktøj. Overvej at sammenligne to DNA-sekvenser, som er selve livets blå udskrift. Dynamisk tidsforvridning justerer eller forskyder en smule dele af sekvenserne, så sammenligninger kan foretages. På denne måde kunne videnskabsmænd fastslå graden af slægtskab eller særpræg mellem sekvenser og potentielt afdække væsentlige aspekter relateret til biologi og medicin.

Et kraftfuldt værktøj til maskinlæring for datajusteringsmænd

Talegenkendelse er en anden. Når en computer hører nogen tale, skal den identificere, hvad der bliver talt, som et af de ord eller sætninger, der er i dens database. Det er dog ikke alle mennesker, der udtaler de samme ord på nøjagtig samme måde, eller der er baggrundsstøj, der kan gøre det svært at høre. I denne tilgang tillader dynamisk tidsforvrængning taledataene at blive justeret, så en computer nemt kan finde lav fejlrate mellem dens transskription og det, der er blevet sagt. Dette kan forbedre ydeevnen af stemmeassistenter og andre talegenkendelsesteknologier.
En ny tilgang til prædiktiv analyse

Brugen af dynamisk tidsforskydning ændrer, hvordan vi opfatter forudsigelser. Forudsigelser handler om at gætte, hvad fremtiden bringer; i denne henseende bruger du dataodi til at lave nogle skæve tilnærmelser af begivenheder. Dette kan være yderst fordelagtigt for at træffe kloge beslutninger. For eksempel, hvis du driver et hospital (det ville være ret fedt), skal du måske estimere, hvor mange patienter der kommer til næste måned, så antallet af forsyninger på størrelse med vådt toilet kommer lige til tiden. Bestiller du for meget, så er det selvfølgelig spildt. Rua forklarer, at det er farligere end dette: Hvis du springer over, så er de måske udsolgt. Den dynamiske tidsforskydning vil gøre dig i stand til at forudsige fremtidige tal baseret på tidligere datapunkter og tillade bedre styring af ressourcer.
Udnyt det fulde potentiale af maskinlæring

DTW er kun ét værktøj, der er blandt maskinlæringsværktøjskassen. Det første er et indlysende punkt, men stadig ekstremt vigtigt i tilfælde af tidsseriedata. Dynamisk tidsforskydning hjælper computere med at lave bedre forudsigelser ved at organisere dataene, så de er på linje med hinanden. Det kan oversætte på tværs af mange forskellige domæner, fra sundhedspleje til detailhandel og forbedre beslutninger.