Máy tính cần sự giúp đỡ của con người để học. Đây là "Học máy". Học máy là thuật ngữ có nghĩa là dạy máy tính học từ dữ liệu, một bài tập lý luận thông qua các mô hình mà không cần lập trình rõ ràng. Một phần là cách trẻ em học — thông qua quan sát và thực hành, không chỉ được giảng giải. Độ chính xác là một trong những thứ mà Học máy xử lý. Nó trả lời cho mức độ chính xác của máy tính khi dự đoán một điều gì đó. Độ chính xác càng cao, những dự đoán này sẽ càng chắc chắn
Dynamic Time Warping, một cách để căn chỉnh dữ liệu chuỗi thời gian. Hãy xem xét rằng bạn có hai đường ngoằn ngoèo và bạn muốn so sánh giữa chúng. Dynamic time warping giống như thay đổi hình dạng của một đường lượn sóng để dễ so sánh với một đường lượn sóng khác. Việc căn chỉnh các đường này có nghĩa là máy tính dễ học hơn từ dữ liệu của chúng ta khi chúng ta cố gắng dự đoán đường này.
Một phép loại suy để hiểu cách thức hoạt động của Dynamic time warping Giống như bạn cố gắng dự đoán lượng khách hàng đến cửa hàng của mình mỗi ngày. Lượng khách hàng ghé thăm cửa hàng trong năm trước. Nhưng không phải ngày nào cũng như vậy. Mỗi ngày có lượng khách hàng khác nhau, một số ngày khá sáng sủa và toàn bộ tàu điện ngầm đều ở đó trong khi những ngày khác lại là ngày mưa khi chỉ có một vài người đi dạo ghé qua. Khi dữ liệu thay đổi, việc dự báo lượng khách ghé thăm trong tương lai trở nên khó khăn.
Không chỉ dành riêng cho Dữ liệu chuỗi thời gian, nhưng dù sao đi nữa. Nó có khả năng làm việc với các loại dữ liệu khác nhau khiến nó trở thành một công cụ rất linh hoạt. Hãy cân nhắc so sánh hai chuỗi DNA, là bản thiết kế của chính sự sống. Sự cong vênh thời gian động sẽ căn chỉnh hoặc dịch chuyển nhẹ các phần của chuỗi để có thể so sánh. Theo cách này, các nhà khoa học có thể xác định mức độ liên quan hoặc tính khác biệt giữa các chuỗi và có khả năng khám phá ra các khía cạnh quan trọng liên quan đến sinh học và y học.
Nhận dạng giọng nói là một phương pháp khác. Khi máy tính nghe ai đó nói, nó phải xác định những gì được nói là một trong những từ hoặc cụm từ có trong cơ sở dữ liệu của nó. Tuy nhiên, không phải tất cả mọi người đều phát âm cùng một từ theo cùng một cách chính xác hoặc có tiếng ồn xung quanh có thể khiến việc nghe trở nên khó khăn. Trong phương pháp này, việc bẻ cong thời gian động cho phép dữ liệu giọng nói được căn chỉnh để máy tính có thể dễ dàng tìm thấy tỷ lệ lỗi thấp giữa bản ghi chép của nó và những gì đã được nói. Điều này có thể nâng cao hiệu suất của trợ lý giọng nói và các công nghệ nhận dạng giọng nói khác.
Việc sử dụng kỹ thuật bẻ cong thời gian động đang thay đổi cách chúng ta nhận thức về các dự đoán. Các dự đoán đều là về việc đoán xem tương lai sẽ ra sao; về mặt này, bạn sử dụng dataodi để đưa ra một số ước tính không ổn định về các sự kiện. Điều này có thể rất có lợi trong việc đưa ra các quyết định sáng suốt. Ví dụ, nếu bạn điều hành một bệnh viện (điều đó sẽ khá tuyệt), có thể cần ước tính số lượng bệnh nhân sẽ đến vào tháng tới để số lượng vật tư có kích thước bằng khăn giấy ướt được cung cấp đúng lúc. Nếu bạn đặt hàng quá nhiều thì tất nhiên, nó sẽ bị lãng phí. Rua giải thích rằng điều này nguy hiểm hơn thế này: nếu bạn bỏ lỡ, thì có thể chúng sẽ bán hết. Kỹ thuật bẻ cong thời gian động sẽ cho phép bạn dự đoán các con số trong tương lai dựa trên các điểm dữ liệu trong quá khứ và cho phép quản lý tài nguyên tốt hơn.
DTW chỉ là một công cụ trong số các công cụ học máy. Công cụ đầu tiên là một điểm hiển nhiên, nhưng vẫn cực kỳ quan trọng trong trường hợp dữ liệu chuỗi thời gian. Dynamic Time Warping giúp máy tính đưa ra dự đoán tốt hơn bằng cách sắp xếp dữ liệu sao cho chúng khớp với nhau một cách mạch lạc. Nó có thể dịch sang nhiều lĩnh vực khác nhau, từ chăm sóc sức khỏe đến bán lẻ và nâng cao quyết định.
EN
AR
DA
NL
FI
FR
DE
HI
IT
JA
KO
KHÔNG
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
