Компьютерам нужна помощь людей, чтобы учиться. Это «машинное обучение». Машинное обучение — это термин, который означает обучение компьютеров обучению на основе данных, упражнение в рассуждении с помощью моделей без явного программирования. Отчасти это то, как учится ребенок — путем наблюдения и практики, а не просто слушая лекции. Точность — это одно из того, с чем имеет дело машинное обучение. Оно отвечает за то, насколько точен компьютер, когда дело доходит до предсказания чего-либо. Чем выше точность, тем надежнее будут эти предсказания
Динамическое временное искажение, способ выравнивания данных временных рядов. Представьте, что у вас есть две волнистые линии, и вы хотите провести сравнение между ними. Динамическое временное искажение похоже на изменение формы волнистой линии, чтобы ее было легче сравнивать с другой волнистой линией. Выравнивание этих линий означает, что компьютеру легче учиться на наших данных, когда мы пытаемся предсказать эту линию.
Аналогия для понимания того, как работает динамическое искажение времени. Это похоже на то, как вы пытаетесь предсказать трафик в вашем магазине каждый день. Аудитория посещений магазина за предыдущий год. Но не каждый день такой. В разные дни толпа разная, в некоторые дни довольно блестящая, и все метро там, а в другие дни бывает дождливый день, когда заглядывают всего несколько прогуливающихся душ. Когда данные меняются, становится трудно прогнозировать будущие посещения.
Не только для данных временных рядов, но в любом случае. Он способен работать с различными типами данных, что делает его очень универсальным инструментом. Рассмотрим сравнение двух последовательностей ДНК, которые являются чертежом самой жизни. Динамическое искажение времени выравнивает или слегка сдвигает части последовательностей, чтобы можно было проводить сравнения. Таким образом, ученые могли бы установить степень родства или различия между последовательностями и потенциально раскрыть важные аспекты, касающиеся биологии и медицины.
Распознавание речи — еще один пример. Когда компьютер слышит, как кто-то говорит, он должен идентифицировать то, что говорится, как одно из слов или фраз, которые есть в его базе данных. Однако не все люди произносят одни и те же слова одинаково или есть фоновый шум, который может затруднить восприятие. В этом подходе динамическое временное искажение позволяет выравнивать речевые данные, так что компьютер может легко найти низкий уровень ошибок между своей расшифровкой и тем, что было сказано. Это может повысить производительность голосовых помощников и других технологий распознавания речи.
Использование динамического искажения времени меняет то, как мы воспринимаем прогнозы. Прогнозы — это все о том, чтобы угадывать, что принесет будущее; в этом отношении вы используете dataodi, чтобы делать некоторые судорожные приближения событий. Это может быть очень выгодно для принятия мудрых решений. Например, если вы управляете больницей (это было бы довольно круто), возможно, вам нужно оценить, сколько пациентов придет в следующем месяце, чтобы количество поставок размером с мокрую туалетную бумагу прибыло точно в срок. Если вы закажете слишком много, то, конечно, оно будет потрачено впустую. Руа объясняет, что это опаснее: если вы пропустите, то, возможно, они будут распроданы. Динамическое искажение времени позволит вам предсказывать будущие цифры на основе прошлых точек данных и позволит лучше управлять ресурсами.
DTW — это всего лишь один инструмент из набора инструментов машинного обучения. Первый — очевидный момент, но все еще чрезвычайно важный в случае данных временных рядов. Динамическое искажение времени помогает компьютерам делать более точные прогнозы, организуя данные так, чтобы они выстраивались в связную линию. Его можно транслировать во многие различные области, от здравоохранения до розничной торговли, и улучшать решения.
EN
AR
DA
NL
FI
FR
DE
HI
IT
JA
KO
НЕТ
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
