Rekenaars het mense se hulp nodig om te leer. Dit is "Masjienleer". Masjienleer is 'n term wat beteken dat rekenaars onderwys word om van data te leer, 'n oefening in redenering deur modelle sonder eksplisiet programmering. Dit is gedeeltelik hoe 'n kind leer — deur waarneming en praktyk, nie net deur voordragsgegee te word nie. Naukeurigheid is een aspek waarmee Masjienleer werk. Dit beantwoord die vraag hoe akkuraat die rekenaar is wanneer dit iets voorspel. Hoe hoër die naukeurigheid, des te robuster sal hierdie voorspellings wees.
Dinamiese Tydverwrigting, 'n manier om tydreeksdata uit te lyn. Veronderstel jy het twee kromme lyne en jy wil 'n vergelyking tussen hulle maak. Dinamiese tydverwrigting is soos die verandering van die vorm van 'n golflyn om dit makliker te vergelyk met 'n ander golflyn. Hierdie lyne uit te lyn beteken dat dit makliker is vir die rekenaar om van ons data te leer wanneer ons probeer voorspel wat hierdie lyn sal wees.
'n Analogie om te verstaan hoe Dinamiese tydverwanking werk. Dit is soos jy wat probeer voorspel hoeveel verkeer jy in jou winkel elke dag sal kry. Verkeer van die vorige jaar se winkelbesoekers. Maar nie elke dag is soos hierdie nie. Verskillende dae het verskillende menigtes, sommige word baie druk met al die metro-beweging terwyl ander toevallig reën-dae is wanneer net 'n paar slenterende sielaes inskuif. Wanneer die data verander, word dit moeilik om toekomstige besoeke te voorspel.
Nie slegs vir Tydreeksdata nie, maar hoe dan ook. Dit kan saamwerk met verskillende tipes data, wat dit 'n baie veelsevoudige hulpmiddel maak. Oorweeg twee DNA-reekse vergelyk, wat die blouprint van lewe self is. Dinamiese tydverwanking pas of skuif dele van die reekse liggies aan sodat vergelykings gemaak kan word. Op hierdie manier kan wetenskaplikes die mate van verwantskap of uniekheid tussen reekse bepaal en potensiële belangrike aspekte verbind met biologie en geneeskunde ontdek.
Spraakherkenning is 'n ander een. Wanneer 'n rekenaar iemand hoor praat, moet dit bepaal wat gespreek is as een van die woorde of frase in sy databasis. Egter, nie almal articuleer dieselfde woorde op presies dieselfde manier nie, of daar is agtergrondgeloë wat dit moeilik kan maak om duidelik te hoor. In hierdie benadering laat dinamiese tydverwarp toe dat spraakdata uitgelig word sodat 'n rekenaar maklik 'n lae foutkoers tussen sy transkripsie en wat gesê is, kan vind. Dit kan die prestasie van stemassistente en ander spraakherkenningstegnologieë verbeter.
Die gebruik van dinamiese tydverwarping verander hoe ons voorspellings sien. Voorspellings gaan altyd oor om te raai wat die toekoms bring; in hierdie opsig gebruik jy dataodi om sommige onregelmatige benaderings van gebeure te maak. Dit kan baie voordeelagtig wees vir die neem van wyse besluite. Byvoorbeeld, as jy 'n hospitaal bestuur (wat behoorlik cool sou wees), dan moet jy moontlik skat hoeveel pasiënte volgende maand sal aankom, sodat die regte hoeveelheid voorrade net op tyd aankom. As jy te veel bestel, sal dit natuurlik verskuif word. Rua verduidelik dat dit gevaarliker is as jy misrekene: as jy nie genoeg bestel nie, dan kan hulle uitverk wees. Die dinamiese tydverwarping sal jou in staat stel om toekomstige getalle te voorspel gebaseer op verlede datapunte en sal beter bestuur van hulpbronne moontlik maak.
DTW is slegs een gereedskap in die masjienleer Toolbox. Die eerste is 'n duidelike punt, maar steeds uiterst belangrik in die geval van tydreeksdata. Dinamiese Tydwarping help rekenaars om beter voorspellings te maak deur die data op 'n manier te organiseer wat kohesief aansluit. Dit kan oor baie verskillende domeine vertaal word, van gesondheidsorg tot detailhandel en besluite verbeter.
EN
AR
DA
NL
FI
FR
DE
HI
IT
JA
KO
NO
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
