कम्प्युटर सिक्न मानिसहरूको सहयोग चाहिन्छ। यो "मेसिन लर्निङ" हो। मेसिन लर्निङ एउटा शब्द हो जसको अर्थ कम्प्युटरहरूलाई डेटाबाट सिक्न सिकाउनु हो, स्पष्ट रूपमा प्रोग्रामिङ नगरी मोडेलहरू मार्फत तर्क गर्ने अभ्यास। यो आंशिक रूपमा बच्चाले कसरी सिक्छ - अवलोकन र अभ्यास द्वारा, व्याख्यान मात्र होइन। सटीकता एउटा चीज हो जुन मेसिन लर्निङसँग सम्बन्धित छ। यसले कम्प्यूटर कति सही छ भनेर जवाफ दिन्छ जब यो केहि भविष्यवाणी गर्न आउँछ। उच्च सटीकता, यी भविष्यवाणीहरू अझ बलियो हुनेछन्
डायनामिक टाइम वार्पिङ, समय श्रृंखला डेटा पङ्क्तिबद्ध गर्ने तरिका। विचार गर्नुहोस् कि तपाईंसँग दुईवटा विग्ली लाइनहरू छन् र तपाईं तिनीहरूको बीचमा तुलना गर्न चाहनुहुन्छ। डायनामिक टाइम वार्पिङ भनेको लहरे रेखाको आकार बदल्नु जस्तै हो ताकि अर्को लहरा रेखासँग तुलना गर्न सजिलो होस्। यी रेखाहरू पङ्क्तिबद्ध गर्नुको मतलब यो हो कि कम्प्युटरलाई हाम्रो डेटाबाट सिक्न सजिलो हुन्छ जब हामी यो रेखा भविष्यवाणी गर्ने प्रयास गर्दैछौं।
डायनामिक टाइम वार्पिङले कसरी काम गर्छ भन्ने कुरा बुझ्नको लागि एउटा समानता यो हो कि तपाईंले आफ्नो स्टोरमा दैनिक रूपमा ट्राफिकको भविष्यवाणी गर्न खोज्दै हुनुहुन्छ। अघिल्लो वर्ष स्टोर भ्रमण दर्शक। तर हरेक दिन यस्तो हुदैन । फरक-फरक दिनहरूमा भिडभाड फरक हुन्छ, केही एकदमै चम्किलो र सबै मेट्रो त्यहाँ बाहिर छ भने अन्य वर्षाको दिनमा हुन्छ जब थोरै मनमोहक आत्माहरू भित्रिन्छन्। जब डाटा परिवर्तन हुँदैछ, भविष्यका भ्रमणहरू भविष्यवाणी गर्न गाह्रो हुन्छ।
समय श्रृंखला डेटाको लागि मात्र होइन, तर जे भए पनि। यो विभिन्न प्रकारका डाटासँग काम गर्न सक्षम छ जसले यसलाई धेरै बहुमुखी उपकरण बनाउँछ। दुई DNA अनुक्रमहरू तुलना गर्ने विचार गर्नुहोस्, जुन जीवनको निलो प्रिन्ट हो डायनामिक टाइम वार्पिङ पङ्क्तिबद्ध वा थोरै दृश्यहरूका भागहरू परिवर्तन गर्दछ ताकि तुलनाहरू गर्न सकिन्छ। यस तरिकामा, वैज्ञानिकहरूले अनुक्रमहरू बीचको सम्बन्ध वा विशिष्टताको डिग्री पत्ता लगाउन सक्थे र जीवविज्ञान र औषधिसँग सम्बन्धित महत्त्वपूर्ण पक्षहरूलाई सम्भावित रूपमा उजागर गर्न सक्थे।
बोली पहिचान अर्को कुरा हो। जब कम्प्यूटरले कसैको बोली सुन्छ, यसले यसको डाटाबेसमा रहेका शब्द वा वाक्यांशहरू मध्ये एकको रूपमा बोलेको कुरा पहिचान गर्नुपर्दछ। यद्यपि, सबै मानिसहरूले एउटै शब्दहरू ठ्याक्कै उही तरिकामा उच्चारण गर्दैनन् वा त्यहाँ पृष्ठभूमि शोर छ जसले सुन्न गाह्रो बनाउन सक्छ। यस दृष्टिकोणमा, डायनामिक टाइम वार्पिङले स्पीच डाटालाई पङ्क्तिबद्ध गर्न अनुमति दिन्छ ताकि कम्प्युटरले सजिलैसँग यसको ट्रान्सक्रिप्ट र के भनिएको बीचमा कम त्रुटि दर फेला पार्न सक्छ। यसले आवाज सहायक र अन्य वाक् पहिचान प्रविधिहरूको प्रदर्शन बढाउन सक्छ।
डायनामिक टाइम वार्पिङको उपयोगले हामीले भविष्यवाणीहरू कसरी बुझ्छौं भनेर परिवर्तन गर्दैछ। भविष्यवाणीहरू भविष्यले के राख्छ भनेर अनुमान लगाउने बारे हो; यस सन्दर्भमा, तपाइँ घटनाहरूको केही उपयुक्त अनुमानहरू बनाउन डेटाओडी प्रयोग गर्नुहुन्छ। यो बुद्धिमानी निर्णय गर्न धेरै लाभदायक हुन सक्छ। उदाहरणका लागि, यदि तपाईंले अस्पताल चलाउनुभयो भने (त्यो धेरै राम्रो हुनेछ), सायद अर्को महिनामा कति बिरामीहरू आउनेछन् भनेर अनुमान गर्न आवश्यक छ ताकि भिजेको शौचालय-टिश्यु-आकारको आपूर्तिहरू समयमै आइपुग्छन्। यदि तपाइँ धेरै अर्डर गर्नुहुन्छ भने, अवश्य पनि, यो बर्बाद हुनेछ। रुआ बताउँछन् कि यो यो भन्दा बढी खतरनाक छ: यदि तपाईंले छोड्नुभयो भने, त्यसपछि तिनीहरू बेच्न सक्छन्। डायनामिक टाइमवर्पिङले तपाईंलाई विगतका डाटा पोइन्टहरूमा आधारित भविष्यका सङ्ख्याहरू भविष्यवाणी गर्न र स्रोतहरूको राम्रो व्यवस्थापनलाई अनुमति दिनेछ।
DTW एउटा मात्र उपकरण हो जुन मेसिन लर्निङ टूलबक्सको बीचमा छ। पहिलो एक स्पष्ट बिन्दु हो, तर अझै पनि समय श्रृंखला डेटा को मामला मा धेरै महत्त्वपूर्ण छ। डायनामिक टाइम वार्पिङले कम्प्यूटरहरूलाई डेटा व्यवस्थित गरेर राम्रो भविष्यवाणी गर्न मद्दत गर्दछ जसले गर्दा यो सुसंगत रूपमा लाइन हुन्छ। यसले धेरै फरक डोमेनहरूमा अनुवाद गर्न सक्छ, स्वास्थ्य हेरचाहदेखि खुद्रा र निर्णयहरू बढाउन।