Les ordinateurs ont besoin de l'aide des gens pour apprendre. C'est ce qu'on appelle le « Machine Learning ». Le Machine Learning est un terme qui signifie apprendre aux ordinateurs à apprendre à partir de données, un exercice de raisonnement à travers des modèles sans programmation explicite. C'est en partie ainsi qu'un enfant apprend - par l'observation et la pratique, pas seulement en suivant des cours. La précision est l'une des choses dont s'occupe le Machine Learning. Elle répond à la précision de l'ordinateur lorsqu'il s'agit de prédire quelque chose. Plus la précision est élevée, plus ces prédictions seront robustes
La déformation temporelle dynamique est une méthode permettant d'aligner les données de séries chronologiques. Imaginez que vous avez deux lignes ondulées et que vous souhaitez les comparer. La déformation temporelle dynamique consiste à modifier la forme d'une ligne ondulée pour la rendre plus facile à comparer avec une autre ligne ondulée. L'alignement de ces lignes signifie qu'il est plus facile pour l'ordinateur d'apprendre de nos données lorsque nous essayons de prédire cette ligne.
Une analogie pour comprendre comment fonctionne la déformation temporelle dynamique. C'est comme si vous essayiez de prédire le trafic dans votre magasin tous les jours. Audience de visite du magasin de l'année précédente. Mais tous les jours ne sont pas comme ça. Différents jours ont une foule différente, certains sont assez ensoleillés et tout le métro est là tandis que d'autres se produisent comme des jours de pluie où seules quelques âmes flâneuses passent. Lorsque les données changent, il devient difficile de prévoir les visites futures.
Pas uniquement pour les données de séries chronologiques, mais de toute façon. Il est capable de travailler avec différents types de données, ce qui en fait un outil très polyvalent. Pensez à comparer deux séquences d'ADN, qui sont le plan directeur de la vie elle-même. La déformation temporelle dynamique aligne ou décale légèrement des parties des séquences afin que des comparaisons puissent être faites. De cette manière, les scientifiques pourraient déterminer le degré de parenté ou de distinction entre les séquences et potentiellement découvrir des aspects importants liés à la biologie et à la médecine.
La reconnaissance vocale est une autre approche. Lorsqu'un ordinateur entend quelqu'un parler, il doit identifier ce qui est dit comme l'un des mots ou des phrases qui se trouvent dans sa base de données. Cependant, tout le monde n'énonce pas les mêmes mots exactement de la même manière ou il y a un bruit de fond qui peut rendre l'écoute difficile. Dans cette approche, la déformation temporelle dynamique permet d'aligner les données vocales de sorte qu'un ordinateur puisse facilement trouver un faible taux d'erreur entre sa transcription et ce qui a été dit. Cela peut améliorer les performances des assistants vocaux et d'autres technologies de reconnaissance vocale.
L’utilisation de la déformation temporelle dynamique modifie la façon dont nous percevons les prédictions. Les prédictions consistent à deviner ce que l’avenir nous réserve ; à cet égard, vous utilisez dataodi pour faire des approximations aléatoires des événements. Cela peut être très avantageux pour prendre des décisions judicieuses. Par exemple, si vous dirigez un hôpital (ce serait plutôt cool), vous devrez peut-être estimer le nombre de patients qui viendront le mois prochain afin que la quantité de fournitures de la taille d’un mouchoir en papier arrive juste à temps. Si vous commandez trop, bien sûr, ce sera du gaspillage. Rua explique que c’est plus dangereux que cela : si vous sautez une commande, il se peut qu’ils soient épuisés. La déformation temporelle dynamique vous permettra de prédire les chiffres futurs en fonction des points de données passés et de permettre une meilleure gestion des ressources.
DTW n'est qu'un outil parmi d'autres dans la boîte à outils de l'apprentissage automatique. Le premier point est évident, mais reste extrêmement important dans le cas des données de séries chronologiques. Dynamic Time Warping aide les ordinateurs à faire de meilleures prévisions en organisant les données de manière à ce qu'elles s'alignent de manière cohérente. Il peut s'appliquer à de nombreux domaines différents, des soins de santé à la vente au détail, et améliorer les décisions.
