Tietokoneet tarvitsevat ihmisten apua oppiakseen. Tämä on "koneoppimista". Koneoppiminen on termi, joka tarkoittaa tietokoneiden opettamista oppimaan datasta, mallien avulla tapahtuvaa päättelyä ilman nimenomaista ohjelmointia. Se on osittain sitä, miten lapsi oppii - tarkkailemalla ja harjoittelemalla, ei vain luennoimalla. Tarkkuus on yksi asia, jota koneoppiminen käsittelee. Se vastaa siihen, kuinka tarkka tietokone on, kun se tulee ennustamaan jotain. Mitä suurempi tarkkuus on, sitä luotettavampia nämä ennusteet ovat
Dynamic Time Warping, tapa kohdistaa aikasarjatiedot. Mieti, että sinulla on kaksi heiluttavaa viivaa ja haluat tehdä vertailun niiden välillä. Dynaaminen aikavääristymä on kuin aaltoviivan muodon muuttaminen helpottaakseen vertaamista toiseen aaltoviivaan. Näiden viivojen kohdistaminen tarkoittaa, että tietokoneen on helpompi oppia tiedoistamme, kun yritämme ennustaa tätä viivaa.
Analogia dynaamisen aikavääristyksen toiminnan ymmärtämiseen. Se on kuin yrittäisit ennustaa myymäläsi päivittäistä liikennettä. Edellisen vuoden kaupassa käyntien yleisö. Mutta joka päivä ei ole tällaista. Eri päivinä on erilainen väkijoukko, jotkut ovat melko kiiltäviä ja koko metro on ulkona, kun taas toiset sattuvat sateisena päivänä, jolloin vain muutama satuttava sielu putoaa sisään. Kun data muuttuu, tulevia käyntejä on vaikea ennustaa.
Ei yksinomaan aikasarjatiedoille, mutta kuitenkin. Se pystyy työskentelemään erityyppisten tietojen kanssa, mikä tekee siitä erittäin monipuolisen työkalun. Harkitse kahden DNA-sekvenssin vertaamista, jotka ovat itse elämän sininen tulos. Dynaaminen aikavääristymä kohdistaa tai siirtää hieman osia sekvensseistä, jotta vertailuja voidaan tehdä. Tällä tavalla tiedemiehet voisivat varmistaa sekvenssien välisen sukulaisuuden tai erottuvuuden asteen ja mahdollisesti paljastaa merkittäviä biologiaan ja lääketieteeseen liittyviä näkökohtia.
Puheentunnistus on toinen. Kun tietokone kuulee jonkun puhuvan, sen on tunnistettava puhuttu sana yhdeksi sen tietokannassa olevista sanoista tai lauseista. Kaikki ihmiset eivät kuitenkaan lausu samoja sanoja täsmälleen samalla tavalla tai taustamelu voi vaikeuttaa kuulemista. Tässä lähestymistavassa dynaaminen aikavääristymä mahdollistaa puhedatan kohdistamisen niin, että tietokone voi helposti löytää alhaisen virhesuhteen transkriptinsa ja sanotun välillä. Tämä voi parantaa puheavustajien ja muiden puheentunnistustekniikoiden suorituskykyä.
Dynaamisen aikavääristymän hyödyntäminen muuttaa tapaamme havaita ennusteet. Ennusteet ovat kaikkea tulevaisuuden arvaamista; Tässä suhteessa käytät dataodia tehdäksesi joitain sopivia likiarvoja tapahtumista. Tämä voi olla erittäin hyödyllistä viisaita päätöksiä tehtäessä. Jos esimerkiksi johdat sairaalaa (se olisi aika siistiä), sinun on ehkä arvioitava, kuinka monta potilasta tulee ensi kuussa, jotta märkä-wc-kudoksen kokoinen määrä tarvikkeita saapuisi juuri ajoissa. Jos tilaat liikaa, se tietysti menee hukkaan. Rua selittää, että se on vaarallisempaa kuin tämä: jos ohitat, niin ehkä ne myydään loppuun. Dynaamisen aikavääristyksen avulla voit ennustaa tulevia lukuja menneiden datapisteiden perusteella ja mahdollistaa resurssien paremman hallinnan.
DTW on vain yksi työkalu koneoppimisen työkalupakin joukossa. Ensimmäinen on ilmeinen seikka, mutta silti erittäin tärkeä aikasarjatietojen tapauksessa. Dynaaminen aikakäyrä auttaa tietokoneita tekemään parempia ennusteita järjestämällä tiedot johdonmukaisesti. Se voi toimia monilla eri aloilla terveydenhoidosta vähittäiskauppaan ja parantaa päätöksiä.
EN
AR
DA
NL
FI
FR
DE
HI
IT
JA
KO
EI
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
