تحتاج الحواسيب إلى مساعدة الناس لكي تتعلم. هذا ما يسمى "تعلم الآلة". تعلم الآلة هو مصطلح يعني تعليم الحواسيب للتعلم من البيانات، وهو تمرين في الاستدلال من خلال النماذج دون برمجة صريحة. إنه جزء من كيفية تعلم الطفل - عن طريق الملاحظة والممارسة، وليس مجرد الاستماع للشرح. الدقة هي أحد الأمور التي يتعامل معها تعلم الآلة. فهي تجيب عن مدى دقة الحاسوب عند التنبؤ بشيء ما. كلما كانت الدقة أعلى، كانت هذه التنبؤات أكثر قوة.
التواء الزمن الديناميكي، هو طريقة لمحاذاة بياناتسلسلة زمنية. تخيل أن لديك خطين متعرجين وترغب في مقارنة بينهما. التواء الزمن الديناميكي يشبه تغيير شكل الخط المتعرج ليصبح من السهل مقارنته بخط متعرج آخر. محاذاة هذه الخطوط تعني أنه سيكون أسهل على الحاسوب التعلم من بياناتنا عندما نحاول التنبؤ بهذا الخط.
تشبيه لفهم كيفية عمل تorsion الزمنية الديناميكية: إنه مثل محاولة التنبؤ بحركة المرور في متجرك كل يوم. جمهور زيارات المتجر للعام السابق. لكن ليس كل يوم يكون بهذه الطريقة. الأيام المختلفة لديها حشود مختلفة، بعضها يكون لامعًا وجميع المترو خارج هناك، بينما يحدث أن يكون يوم ممطر عندما يزور فقط عدد قليل من الأرواح المتجولة. عندما تتغير البيانات، يصبح من الصعب التنبؤ بالزيارات المستقبلية.
ليس حصريًا لبيانات السلسلة الزمنية، ولكن على أي حال. فهو قادر على العمل مع أنواع مختلفة من البيانات مما يجعله أداة متعددة الاستخدامات. فكر في مقارنة سلسلتين من الحمض النووي، وهما الخريطة الوراثية لحياة الكائن الحي نفسها. يقوم التorsi الزمني الديناميكي.Align أو تحريك أجزاء طفيفة من السلاسل بحيث يمكن إجراء المقارنات. بهذه الطريقة، يمكن للعلماء تحديد درجة القرابة أو الاختلاف بين السلاسل وكشف جوانب مهمة تتعلق بالبيولوجيا والطب.
التعرف على الكلام هو آخر واحد. عندما يستمع الكمبيوتر إلى شخص يتحدث، يجب عليه تحديد ما تم قوله كواحد من الكلمات أو العبارات الموجودة في قاعدة بياناته. ومع ذلك، ليس جميع الأشخاص ينطقون نفس الكلمات بنفس الطريقة الدقيقة، أو قد يكون هناك ضوضاء خلفية تجعل من الصعب سماع الكلام. في هذا النهج، يسمح التواء الزمن الديناميكي بالتماشي بين بيانات الكلام بحيث يمكن للحاسوب بسهولة إيجاد معدل خطأ منخفض بين نصه وما تم قوله. يمكن أن يعزز هذا أداء مساعدي الأصوات والتكنولوجيات الأخرى للتعرف على الكلام.
استخدام تorsion الزمنية الديناميكية يغيّر الطريقة التي ننظر بها إلى التنبؤات. التنبؤات كلها تدور حول تخمين ما ستحمله لنا المستقبل؛ في هذا السياق، تستفيد من بيانات لصنع تقديرات متقطعة للأحداث. يمكن أن يكون هذا مفيدًا جدًا في اتخاذ قرارات حكيمة. على سبيل المثال، إذا كنت تدير مستشفى (وهو أمر رائع بالتأكيد)، فقد تحتاج إلى تقدير عدد المرضى الذين سيأتون الشهر المقبل حتى تصل إمدادات بحجم أنسجة المرحاض الرطبة في الوقت المناسب. إذا طلبت الكثير، فمن الواضح أنه سيكون هناك هدر. تشرح روا أن الأمر أكثر خطورة من ذلك: إذا تخطيت التقديرات، فقد تنفد الإمدادات. ستتيح لك الـ time warping الديناميكية التنبؤ بالأرقام المستقبلية بناءً على نقاط البيانات السابقة وستسمح بإدارة أفضل للموارد.
DTW هو أداة واحدة فقط ضمن مجموعة أدوات تعلم الآلة. النقطة الأولى نقطة واضحة، لكنها لا تزال ذات أهمية قصوى في حالة بيانات السلسلة الزمنية. مواءمة الوقت الديناميكية تساعد الحواسيب على إجراء تنبؤات أفضل من خلال تنظيم البيانات بحيث تتطابق بشكل متماسك. يمكنها الترجمة عبر العديد من المجالات المختلفة، من الرعاية الصحية إلى البيع بالتجزئة وتحسين القرارات.