Computer brauchen die Hilfe von Menschen, um zu lernen. Das ist „Maschinelles Lernen“. Maschinelles Lernen ist ein Begriff, der bedeutet, Computern beizubringen, aus Daten zu lernen, eine Übung im Denken durch Modelle ohne explizite Programmierung. So lernt ein Kind teilweise – durch Beobachtung und Übung, nicht nur durch Vorträge. Genauigkeit ist ein Thema, mit dem sich maschinelles Lernen beschäftigt. Es gibt die Antwort darauf, wie genau der Computer ist, wenn es darum geht, etwas vorherzusagen. Je höher die Genauigkeit, desto robuster sind diese Vorhersagen.
Dynamisches Zeit-Warping, eine Möglichkeit, Zeitreihendaten auszurichten. Stellen Sie sich vor, Sie haben zwei Wellenlinien und möchten sie vergleichen. Dynamisches Zeit-Warping ist wie das Ändern der Form einer Wellenlinie, um den Vergleich mit einer anderen Wellenlinie zu erleichtern. Das Ausrichten dieser Linien bedeutet, dass es für den Computer einfacher ist, aus unseren Daten zu lernen, wenn wir versuchen, diese Linie vorherzusagen.
Eine Analogie zum Verständnis der Funktionsweise der dynamischen Zeitverzerrung: Das ist so, als würden Sie versuchen, den Verkehr in Ihrem Geschäft jeden Tag vorherzusagen. Besucherzahl des letzten Jahres. Aber nicht jeder Tag ist so. An verschiedenen Tagen ist das Publikum unterschiedlich, an manchen Tagen ist es ziemlich hell und die ganze U-Bahn ist da, an anderen regnet es, und nur ein paar flanierende Seelen kommen vorbei. Wenn sich die Daten ändern, wird es schwierig, zukünftige Besuche vorherzusagen.
Nicht ausschließlich für Zeitreihendaten, aber trotzdem. Es kann mit verschiedenen Datentypen arbeiten, was es zu einem sehr vielseitigen Werkzeug macht. Vergleichen Sie beispielsweise zwei DNA-Sequenzen, die die Blaupause des Lebens selbst sind. Dynamische Zeitverzerrung richtet Teile der Sequenzen aus oder verschiebt sie leicht, sodass Vergleiche angestellt werden können. Auf diese Weise könnten Wissenschaftler den Grad der Verwandtschaft oder Unterscheidung zwischen Sequenzen ermitteln und möglicherweise wichtige Aspekte in Bezug auf Biologie und Medizin aufdecken.
Ein weiteres Beispiel ist die Spracherkennung. Wenn ein Computer jemanden sprechen hört, muss er das Gesprochene als eines der Wörter oder Sätze identifizieren, die in seiner Datenbank vorhanden sind. Allerdings sprechen nicht alle Menschen dieselben Wörter auf die gleiche Weise aus, oder es gibt Hintergrundgeräusche, die das Hören erschweren können. Bei diesem Ansatz ermöglicht dynamisches Time Warping die Ausrichtung der Sprachdaten, sodass ein Computer leicht eine niedrige Fehlerquote zwischen seinem Transkript und dem Gesagten finden kann. Dies kann die Leistung von Sprachassistenten und anderen Spracherkennungstechnologien verbessern.
Die Nutzung dynamischer Zeitverzerrungen verändert unsere Wahrnehmung von Vorhersagen. Bei Vorhersagen geht es darum, zu erraten, was die Zukunft bringt. In diesem Zusammenhang nutzen Sie Dataodi, um einige unregelmäßige Annäherungen an Ereignisse vorzunehmen. Dies kann bei der Entscheidungsfindung sehr hilfreich sein. Wenn Sie beispielsweise ein Krankenhaus leiten (das wäre ziemlich cool), müssen Sie vielleicht schätzen, wie viele Patienten im nächsten Monat kommen werden, damit die Vorräte in der Größe eines Toilettenpapiers pünktlich eintreffen. Wenn Sie zu viel bestellen, wird es natürlich verschwendet. Rua erklärt, dass es noch gefährlicher ist: Wenn Sie es überspringen, sind die Vorräte möglicherweise ausverkauft. Die dynamische Zeitverzerrung ermöglicht es Ihnen, zukünftige Zahlen auf der Grundlage vergangener Datenpunkte vorherzusagen und die Ressourcen besser zu verwalten.
DTW ist nur eines der Tools im Werkzeugkasten des maschinellen Lernens. Der erste Punkt ist offensichtlich, aber im Fall von Zeitreihendaten dennoch äußerst wichtig. Dynamic Time Warping hilft Computern, bessere Vorhersagen zu treffen, indem es die Daten so organisiert, dass sie zusammenhängend angeordnet sind. Es kann in vielen verschiedenen Bereichen, vom Gesundheitswesen bis zum Einzelhandel, eingesetzt werden und Entscheidungen verbessern.
EN
AR
DA
NL
FI
FR
DE
HI
IT
JA
KO
NEIN
PL
PT
RO
RU
ES
SV
TL
ID
SR
UK
VI
HU
TH
TR
FA
AF
MS
GA
HY
BN
KM
LO
LA
NE
MY
KK
UZ
KY
