Komputery potrzebują pomocy ludzi, aby się uczyć. To jest „uczenie maszynowe”. Uczenie maszynowe to termin oznaczający uczenie komputerów uczenia się na podstawie danych, czyli ćwiczenie wnioskowania na podstawie modeli bez bezpośredniego programowania. Częściowo w ten sposób dziecko się uczy – poprzez obserwację i praktykę, a nie tylko poprzez pouczenia. Dokładność to jedna rzecz, którą zajmuje się uczenie maszynowe. Odpowiada za to, jak dokładny jest komputer, jeśli chodzi o przewidywanie czegoś. Im wyższa dokładność, tym solidniejsze będą te prognozy
Dynamiczne dopasowanie czasu, sposób wyrównywania danych szeregów czasowych. Weź pod uwagę, że masz dwie faliste linie i chcesz dokonać między nimi porównania. Dynamiczne dopasowanie czasu przypomina zmianę kształtu linii falistej, aby ułatwić porównanie z inną linią falistą. Wyrównanie tych linii oznacza, że komputerowi łatwiej jest uczyć się na podstawie naszych danych, gdy próbujemy przewidzieć tę linię.
Analogia pozwalająca zrozumieć, jak działa dynamiczne dopasowanie czasu. To tak, jakbyś codziennie próbował przewidzieć ruch w swoim sklepie. Publiczność odwiedzająca sklep w zeszłym roku. Ale nie każdy dzień jest taki. Różne dni charakteryzują się różną publicznością, niektóre są całkiem błyszczące i całe metro jest na miejscu, inne zaś przytrafiają się w deszczowy dzień, kiedy wpada tylko kilka przechadzających się dusz. Kiedy dane się zmieniają, trudno jest przewidzieć przyszłe wizyty.
Nie tylko dla danych szeregów czasowych, ale w każdym razie. Potrafi pracować z różnymi typami danych, co czyni go bardzo wszechstronnym narzędziem. Rozważ porównanie dwóch sekwencji DNA, które są wzorem samego życia. Dynamiczne dopasowanie czasu wyrównuje lub nieznacznie przesuwa części sekwencji, aby można było dokonać porównań. W ten sposób naukowcy mogliby ustalić stopień pokrewieństwa lub odrębności między sekwencjami i potencjalnie odkryć istotne aspekty związane z biologią i medycyną.
Rozpoznawanie mowy to kolejna funkcja. Kiedy komputer słyszy, jak ktoś mówi, musi zidentyfikować to, co zostało wypowiedziane, jako jedno ze słów lub wyrażeń znajdujących się w jego bazie danych. Jednak nie wszyscy ludzie wymawiają te same słowa w dokładnie ten sam sposób lub w tle występuje hałas, który może utrudniać słyszenie. W tym podejściu dynamiczne dopasowanie czasu umożliwia dopasowanie danych mowy tak, aby komputer mógł łatwo znaleźć niski poziom błędów między transkrypcją a wypowiedzią. Może to zwiększyć wydajność asystentów głosowych i innych technologii rozpoznawania mowy.
Wykorzystanie dynamicznego dopasowania czasowego zmienia sposób, w jaki postrzegamy przewidywania. Prognozy polegają na odgadywaniu, co przyniesie przyszłość; w związku z tym wykorzystujesz dataodi do dokonywania pewnych nieregularnych przybliżeń wydarzeń. Może to być bardzo korzystne w podejmowaniu mądrych decyzji. Na przykład, jeśli prowadzisz szpital (byłoby to całkiem fajne), być może będziesz musiał oszacować, ilu pacjentów przyjdzie w przyszłym miesiącu, aby zapasy wielkości mokrej chusteczki toaletowej dotarły na czas. Jeśli zamówisz za dużo, oczywiście zostanie to zmarnowane. Rua wyjaśnia, że jest to bardziej niebezpieczne: jeśli pominiesz, może się wyprzedać. Dynamiczne dopasowanie czasu umożliwi przewidywanie przyszłych liczb na podstawie przeszłych punktów danych i umożliwi lepsze zarządzanie zasobami.
DTW to tylko jedno narzędzie z zestawu narzędzi uczenia maszynowego. Pierwszy z nich jest kwestią oczywistą, jednak niezwykle istotną w przypadku danych szeregów czasowych. Dynamiczne dopasowanie czasu pomaga komputerom w lepszym przewidywaniu poprzez organizowanie danych w sposób spójny. Może przekładać się na wiele różnych dziedzin, od opieki zdrowotnej po handel detaliczny, i poprawiać decyzje.
EN
AR
DA
NL
FI
FR
DE
HI
IT
JA
KO
NIE
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
