Tietokoneiden on oppittava ihmisten avulla. Tämä on "Koneoppiminen". Koneoppiminen tarkoittaa sitä, että opetetaan tietokoneita oppimaan datan perusteella, harjoittelua mallien puitteissa ilman eksplisiittistä ohjelmointia. Se on osa sitä, miten lapsi oppii — havainnoinnin ja harjoittelun kautta, ei pelkästään kuunnellessa opetusta. Tarkkuus on yksi asioista, joita koneoppiminen käsittelee. Se vastaa siitä, kuinka tarkka tietokone on tekemässään ennusteita. Mitä korkeampi tarkkuus, sitä vahvemmat nämä ennusteet ovat.
Dynaaminen aika-kiertyminen, menetelmä aikasarja-tietojen kohentamiseen. Kuvittele, että sinulla on kaksi vinosiintyvää viivaa ja haluat tehdä vertailun niiden välillä. Dynaaminen aika-kiertyminen on kuin muuttamista vinosiintyvän viivan muotoa, jotta sen vertaaminen toiseen vinosiintyvään viivaan helpottuu. Nämä viivat voidaan kohentaa siten, että se tekee tietokoneelle oppimisen helpommaksi käyttämällä dataa, kun yritämme ennustaa kyseistä viivaa.
Analogy kuvailee, miten Dynaaminen aikaviivakäännös toimii. Se on kuin yrittäisit ennustaa liikennettä kaupassasi joka päivä. Edellisen vuoden myyntipiste vierailijat. Mutta ei jokainen päivä ole sama. Eri päivät ovat erilaisia: joillakin on suuri ihmisjoukko, jotka saattavat olla hyvin aktiivisia ja kaikki metrot ovat ulkona, kun taas muilla se on satainen päivä, jolloin vain harvat hymyilevät henkilöt tulevat sisään. Kun data muuttuu, tulevaisuuden vierailujen ennustaminen vaikeutuu.
Ei ole rajoitettu pelkästään ajonesteitä koskeviin tiedoihin, mutta kuitenkin. Sen kyky työskennellä erilaisten tietotyyppien kanssa tekee siitä erittäin monipuolisen työkalun. Kuvittele kahden DNA-sekvenssin vertailua, jotka ovat itse elämän sinneistö. Dynaaminen aikaviivakäännös tasaa tai siirtää hieman sekvenssien osia niin, että vertailuja voidaan tehdä. Tällä tavoin tiedemiehet voivat määrittää sekvenssien välisen samanlaisuuden tai erilaisuuden astelman ja mahdollisesti avata merkittäviä näkökulmia biologiaan ja lääketieteeseen liittyen.
Puhun tunnistaminen on toinen esimerkki. Kun tietokone kuulee jonkun puhumassa, se täytyy tunnistaa mitä on sanottu yhtenä sanoista tai lauseista, jotka ovat sen tietokannassa. Kuitenkin kaikki ihmiset eivät äänneile samoja sanoja aina samalla tavalla, tai on taustakohinaa, mikä voi tehdä siitä vaikeaa kuulla. Tässä lähestymistavassa dynaaminen aikaviivaus mahdollistaa puhedatan tasauskellon niin, että tietokone pystyy helposti löytämään pienet virheet sen tekstillä ja siellä mitä on sanottu. Tämä voi parantaa älykkaiden äänentojen ja muiden puhetunnistusteknologioiden suorituskykyä.
Dynaamisen aikaviivakäännöksen käyttö muuttaa tapaa, kuinka näemme ennusteita. Ennusteet liittyvät arvaamiseen siitä, mitä tulevaisuus tuo mukanaan; tässä suhteessa käytät dataa tekemään epäsäännöllisiä tapahtumien approksimaatioita. Tämä voi olla erittäin hyödyllistä viisaisten päätösten tekemisessä. Esimerkiksi, jos hallitset sairaala (se olisi melko hienoa), ehkä sinun täytyy arvioida, montako potilasta tulee seuraavana kuukausina, jotta juuri oikea määrä varustetta - niin sanotusti ruumiinpesupaperikokoisia resursseja - saapuu juuri oikeaan aikaan. Jos tilaat liian paljon, tietenkin se menee hukkaan. Rua selittää, että se on vielä vaarallisempaa: jos jätät tilauksen tekemättä, he saattavat loppuisiin. Dynaaminen aikaviivakäännös mahdollistaa sinun ennustaa tulevia numeroita aiempien datapisteiden perusteella ja helpottaa resurssien parempaa hallintaa.
DTW on vain yksi työkalu monenkeskisessä koneoppimisen työkalupakissa. Ensimmäinen seikka on ilmeinen, mutta silti erittäin tärkeä aikasarja-aineistojen tapauksessa. Dynaaminen aikaviivakääntäminen (Dynamic Time Warping) auttaa tietokoneita tekemään parempia ennusteita järjestämällä dataa niin, että se kohdistuu koherentisti. Se voidaan käyttää monilla eri alueilla, terveydenhuolosta myyntiin, ja parantaa päätöksiä.
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
