I computer hanno bisogno dell'aiuto delle persone per imparare. Questo è "Machine Learning". Machine learning è un termine che significa insegnare ai computer ad apprendere dai dati, un esercizio di ragionamento attraverso modelli senza programmazione esplicita. È in parte il modo in cui un bambino impara, tramite osservazione e pratica, non solo con lezioni. L'accuratezza è una cosa di cui si occupa il Machine Learning. Risponde a quanto è accurato il computer quando si tratta di prevedere qualcosa. Maggiore è l'accuratezza, più robuste saranno queste previsioni
Dynamic Time Warping, un modo per allineare i dati delle serie temporali. Immagina di avere due linee ondulate e di volerle confrontare. Dynamic Time Warping è come cambiare la forma di una linea ondulata per renderla più facile da confrontare con un'altra linea ondulata. Allineare queste linee significa che è più facile per il computer imparare dai nostri dati quando cerchiamo di prevedere questa linea.
Un'analogia per capire come funziona il Dynamic time warping. È come se cercassi di prevedere il traffico nel tuo negozio ogni giorno. Pubblico delle visite al negozio dell'anno precedente. Ma non tutti i giorni sono così. Giorni diversi hanno una folla diversa, alcuni sono piuttosto splendenti e c'è tutta la metropolitana, mentre altri sono giorni di pioggia quando solo poche anime gironzolanti entrano. Quando i dati cambiano, diventa difficile prevedere le visite future.
Non esclusivamente per i dati di serie temporali, ma comunque. È in grado di lavorare con diversi tipi di dati, il che lo rende uno strumento molto versatile. Considera il confronto di due sequenze di DNA, che sono il progetto della vita stessa. La deformazione temporale dinamica allinea o sposta leggermente parti delle sequenze in modo che sia possibile effettuare confronti. In questo modo, gli scienziati potrebbero accertare il grado di correlazione o di distinzione tra sequenze e potenzialmente scoprire aspetti significativi relativi alla biologia e alla medicina.
Un altro è il riconoscimento vocale. Quando un computer sente qualcuno parlare, deve identificare ciò che viene detto come una delle parole o frasi presenti nel suo database. Tuttavia, non tutte le persone pronunciano le stesse parole esattamente nello stesso modo o c'è un rumore di fondo che può rendere difficile l'ascolto. In questo approccio, il time warping dinamico consente di allineare i dati vocali in modo che un computer possa facilmente trovare un basso tasso di errore tra la sua trascrizione e ciò che è stato detto. Ciò può migliorare le prestazioni degli assistenti vocali e di altre tecnologie di riconoscimento vocale.
L'utilizzo del dynamic time warping sta alterando il modo in cui percepiamo le previsioni. Le previsioni riguardano tutte l'indovinare cosa riserva il futuro; a questo proposito, si utilizza dataodi per fare delle approssimazioni irregolari degli eventi. Ciò può essere molto vantaggioso nel prendere decisioni sagge. Ad esempio, se gestisci un ospedale (sarebbe piuttosto interessante), forse devi stimare quanti pazienti arriveranno il mese prossimo in modo che quel numero di forniture delle dimensioni di un fazzoletto di carta igienica arrivi giusto in tempo. Se ne ordini troppe, ovviamente, saranno sprecate. Rua spiega che è più pericoloso di così: se salti, allora forse si esauriscono. Il dynamic timewarping ti consentirà di prevedere i numeri futuri in base ai punti dati passati e consentirà una migliore gestione delle risorse.
DTW è solo uno strumento tra gli strumenti di apprendimento automatico. Il primo è un punto ovvio, ma comunque estremamente importante nel caso di dati di serie temporali. Dynamic Time Warping aiuta i computer a fare previsioni migliori organizzando i dati in modo che siano allineati in modo coerente. Può essere tradotto in molti domini diversi, dall'assistenza sanitaria alla vendita al dettaglio e migliorare le decisioni.
EN
AR
DA
NL
FI
FR
DE
HI
IT
JA
KO
NO
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
