Las computadoras necesitan la ayuda de las personas para aprender. Esto es "Aprendizaje Automático". El aprendizaje automático es un término que significa enseñar a las computadoras a aprender de los datos, un ejercicio de razonamiento a través de modelos sin programación explícita. Es parte de cómo un niño aprende — por observación y práctica, no solo siendo lecturado. La precisión es algo con lo que el Aprendizaje Automático trabaja. Indica qué tan precisa es la computadora al momento de predecir algo. Cuanto mayor sea la precisión, más sólidas serán estas predicciones.
El Alineamiento Temporal Dinámico (Dynamic Time Warping) es una forma de alinear datos de series temporales. Considera que tienes dos líneas onduladas y quieres hacer una comparación entre ellas. El alineamiento temporal dinámico es como cambiar la forma de una línea ondulada para hacerla más fácil de comparar con otra línea ondulada. Alinear estas líneas significa que es más fácil para la computadora aprender de nuestros datos cuando intentamos predecir esta línea.
Una analogía para entender cómo funciona el Dynamic Time Warping es como si intentaras predecir el tráfico en tu tienda todos los días. Audiencia de visitas a la tienda del año anterior. Pero no todos los días son así. Diferentes días tienen diferentes multitudes, algunos siendo bastante concurridos y todo el metro está lleno, mientras que otros ocurren en días lluviosos cuando solo unos pocos transeúntes entran. Cuando los datos cambian, se vuelve difícil pronosticar futuras visitas.
No exclusivamente para Datos de Series Temporales, pero de todas formas. Es capaz de trabajar con diferentes tipos de datos, lo que lo convierte en una herramienta muy versátil. Considera comparar dos secuencias de ADN, que son el plano azul de la vida misma. El Dynamic Time Warping alinea o desplaza ligeramente partes de las secuencias para que se puedan hacer comparaciones. De esta manera, los científicos podrían determinar el grado de parentesco o distintividad entre las secuencias y potencialmente descubrir aspectos significativos relacionados con la biología y la medicina.
El reconocimiento de voz es otro ejemplo. Cuando una computadora escucha a alguien hablar, debe identificar lo que se dice como uno de las palabras o frases que están en su base de datos. Sin embargo, no todas las personas pronuncian las mismas palabras de la misma manera exacta, o hay ruido de fondo que puede dificultar el entendimiento. En este enfoque, el alineamiento temporal dinámico permite que los datos de voz se ajusten para que una computadora pueda encontrar fácilmente una tasa de error baja entre su transcripción y lo que se ha dicho. Esto puede mejorar el rendimiento de los asistentes de voz y otras tecnologías de reconocimiento de voz.
La utilización del alineamiento dinámico en el tiempo está cambiando cómo percibimos las predicciones. Las predicciones se trata de adivinar lo que el futuro nos deparará; en este sentido, utilizas dataodi para hacer algunas aproximaciones intermitentes de eventos. Esto puede ser muy ventajoso para tomar decisiones sabias. Por ejemplo, si gestionas un hospital (eso sería bastante genial), tal vez necesites estimar cuántos pacientes llegarán el próximo mes para que llegue la cantidad justa de suministros, como los pañuelos húmedos, a tiempo. Si pides demasiado, por supuesto, se desperdiciará. Rua explica que es aún más peligroso que esto: si te quedas corto, entonces tal vez se queden sin ellos. El alineamiento dinámico en el tiempo te permitirá predecir números futuros basándote en puntos de datos pasados y permitirá una mejor gestión de recursos.
DTW es solo una herramienta dentro de la caja de herramientas del aprendizaje automático. El primer punto es obvio, pero sigue siendo extremadamente importante en el caso de los datos de series temporales. El Alineamiento Dinámico Temporal ayuda a las computadoras a hacer mejores predicciones organizando los datos para que coincidan coherentemente. Puede traducirse a muchos diferentes dominios, desde atención médica hasta comercio minorista, y mejorar las decisiones.
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
