Calculatoarele au nevoie de ajutorul oamenilor pentru a învăța. Acesta este „Învățare automată”. Învățarea automată este un termen care înseamnă predarea computerelor să învețe din date, un exercițiu de raționament prin modele fără programare explicită. Este parțial modul în care un copil învață - prin observație și practică, nu doar prin lecție. Precizia este un lucru cu care se ocupă Machine Learning. Răspunde cât de precis este computerul când vine vorba de a prezice ceva. Cu cât precizia este mai mare, cu atât aceste predicții vor fi mai robuste
Dynamic Time Warping, o modalitate de a alinia datele din seria temporală. Luați în considerare că aveți două linii ondulate și doriți să faceți o comparație între ele. Deformarea dinamică a timpului este ca și cum ai schimba forma unei linii ondulate pentru a face mai ușor compararea cu o altă linie ondulată. Alinierea acestor linii înseamnă că este mai ușor pentru computer să învețe din datele noastre atunci când încercăm să prezicem această linie.
O analogie pentru a înțelege cum funcționează deformarea dinamică a timpului. Este ca și cum ai încerca să prezici zilnic traficul din magazinul tău. Publicul vizitat în magazin din anul precedent. Dar nu toate zilele sunt așa. Zile diferite au o mulțime diferită, unele fiind destul de strălucitoare și tot metroul este acolo, în timp ce altele se întâmplă cu o zi ploioasă, când doar câteva suflete plimbate intră. Când datele se schimbă, devine dificil să prognozezi vizitele viitoare.
Nu exclusiv pentru Date Series Time, dar oricum. Este capabil să lucreze cu diferite tipuri de date, ceea ce îl face un instrument foarte versatil. Luați în considerare compararea a două secvențe ADN, care sunt modelul vieții însăși. Deformarea dinamică a timpului aliniază sau modifică ușor părți ale secvențelor, astfel încât să se poată face comparații. În acest mod, oamenii de știință ar putea stabili gradul de relație sau distincție între secvențe și ar putea descoperi aspecte semnificative legate de biologie și medicină.
Recunoașterea vorbirii este alta. Când un computer aude pe cineva vorbind, trebuie să identifice ceea ce este rostit ca unul dintre cuvintele sau expresiile care se află în baza sa de date. Cu toate acestea, nu toți oamenii pronunță aceleași cuvinte exact în același mod sau există zgomot de fundal care poate face dificil de auzit. În această abordare, deformarea dinamică a timpului permite ca datele de vorbire să fie aliniate, astfel încât un computer să poată găsi cu ușurință o rată de eroare scăzută între transcrierea sa și ceea ce s-a spus. Acest lucru poate îmbunătăți performanța asistenților vocali și a altor tehnologii de recunoaștere a vorbirii.
Utilizarea deformării dinamice a timpului modifică modul în care percepem predicțiile. Predicțiile sunt toate despre a ghici ce ne rezervă viitorul; în acest sens, utilizați dataodi pentru a face unele aproximări neconforme ale evenimentelor. Acest lucru poate fi foarte avantajos în luarea unor decizii înțelepte. De exemplu, dacă conduceți un spital (ar fi destul de grozav), poate trebuie să estimați câți pacienți urmează să vină luna viitoare, astfel încât numărul de consumabile de dimensiunea unui țesut toalet umed să ajungă la timp. Dacă comandați prea mult, atunci, desigur, va fi irosit. Rua explică că este mai periculos decât atât: dacă săriți, atunci poate că se vând. Deformarea dinamică a timpului vă va permite să preziceți numerele viitoare pe baza punctelor de date din trecut și să permiteți o mai bună gestionare a resurselor.
DTW este doar unul dintre instrumentele de învățare automată. Primul este un punct evident, dar totuși extrem de important în cazul datelor din seria temporală. Dynamic Time Warping ajută computerele să facă predicții mai bune organizând datele astfel încât să fie aliniate în mod coerent. Se poate traduce în multe domenii diferite, de la îngrijirea sănătății la retail și îmbunătățirea deciziilor.
EN
AR
DA
NL
FI
FR
DE
HI
IT
JA
KO
NU
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
