कंप्यूटरों को सीखने के लिए लोगों की मदद की जरूरत होती है। यह "मशीन लर्निंग" है। मशीन लर्निंग एक शब्द है जिसका मतलब कंप्यूटरों को डेटा से सीखना सिखाना है, एक मॉडलों के माध्यम से तर्क करने का अभ्यास बिना स्पष्ट रूप से प्रोग्रामिंग किए। यह एक बच्चे के सीखने का तरीका के हिस्से के रूप में है — अवलोकन और अभ्यास द्वारा, बस व्याख्यान नहीं। नियतता मशीन लर्निंग का एक अहम हिस्सा है। यह बताता है कि कंप्यूटर कितनी सटीक है जब वह कुछ पूर्वानुमान बनाता है। नियतता जितनी अधिक होगी, उन पूर्वानुमान उतने ही मजबूत होंगे।
डायनेमिक टाइम वर्पिंग, समय श्रृंखला डेटा को समायोजित करने का एक तरीका है। मान लीजिए कि आपके पास दो घुमावदार रेखाएँ हैं और आप उनकी तुलना करना चाहते हैं। डायनेमिक टाइम वर्पिंग एक घुमावदार रेखा के आकार को बदलने के बराबर है ताकि उसे दूसरी घुमावदार रेखा के साथ तुलना करना आसान हो। इन रेखाओं को समायोजित करने से यह आसान हो जाता है कि जब हम इस रेखा का अनुमान लगाने की कोशिश कर रहे होते हैं, तो कंप्यूटर को हमारे डेटा से सीखना आसान हो जाता है।
एक सादृश्य यह समझने के लिए कि गतिशील समय विकृति कैसे काम करती है यह आपके स्टोर में हर दिन ट्रैफ़िक की भविष्यवाणी करने की कोशिश करने जैसा है। पिछले वर्ष की दुकान का दौरा करने वाले दर्शक। लेकिन हर दिन ऐसा नहीं होता। अलग-अलग दिनों में अलग-अलग भीड़ होती है, कुछ काफी चमकती है और सारी मेट्रो वहां होती है जबकि अन्य बारिश के दिन होती है जब कुछ ही घूमने वाली आत्माएं आती हैं। जब डेटा बदलता है, तो भविष्य की यात्राओं का अनुमान लगाना मुश्किल हो जाता है।
केवल समय श्रृंखला डेटा के लिए नहीं, लेकिन वैसे भी। यह विभिन्न प्रकार के डेटा के साथ काम करने में सक्षम है जो इसे एक बहुत ही बहुमुखी उपकरण बनाता है। दो डीएनए अनुक्रमों की तुलना करने पर विचार करें, जो जीवन के स्वयं के नीले प्रिंट हैं गतिशील समय विकृति अनुक्रमों के भागों को संरेखित करती है या थोड़ा स्थानांतरित करती है ताकि तुलना की जा सके। इस प्रकार वैज्ञानिक अनुक्रमों के बीच संबंध या विशिष्टता की डिग्री का पता लगा सकते हैं और संभवतः जीव विज्ञान और चिकित्सा से संबंधित महत्वपूर्ण पहलुओं का पता लगा सकते हैं।
वाचन अभिग्रहण एक और है। जब कंप्यूटर को किसी की बात सुनाई जाती है, तो उसे अपने डेटाबेस में मौजूद शब्दों या वाक्यांशों में से उसे पहचानना पड़ता है। हालांकि, सभी लोग सभी शब्दों को सटीक तरीके से उच्चारित नहीं करते हैं या पृष्ठभूमि की शोर की वजह से सुनना मुश्किल हो सकता है। इस दृष्टिकोण में, डायनामिक टाइम वार्पिंग बोलचाल डेटा को संरेखित करने की अनुमति देता है ताकि कंप्यूटर को आसानी से अपने परिवर्तन और जो कहा गया है, के बीच कम त्रुटि दर ढूंढने में सक्षम हो। यह व्यक्तिगत सहायकों और अन्य वाचन अभिग्रहण प्रौद्योगिकियों के प्रदर्शन को बढ़ावा दे सकता है।
डायनेमिक टाइम वॉर्पिंग का उपयोग हमारे प्रतिभागियों को देखने की तरीके में बदल रहा है। प्रतिभागियों का मतलब यह पता लगाना है कि भविष्य में क्या होगा; इस संबंध में, आप dataodi का उपयोग करके कुछ घटनाओं के अनुमान लगा सकते हैं। यह बुद्धिमान फैसलों लेने में बहुत लाभदायक हो सकता है। उदाहरण के लिए, अगर आप एक अस्पताल चलाते हैं (यह बहुत शानदार होगा), तो शायद आपको अगले महीने कितने मरीज़ आएंगे इसका अनुमान लगाने की जरूरत होगी ताकि ठीक समय पर wet-toilet-tissue-आकार की सामग्री पहुंच जाए। अगर आप बहुत अधिक ऑर्डर करते हैं, तो बेशक वह बर्बाद हो जाएगा। रुआ समझाती है कि यह इससे अधिक खतरनाक है: अगर आप छोड़ दें, तो शायद वे सैल आउट हो जाएं। डायनेमिक टाइम वॉर्पिंग आपको भविष्य की संख्याओं का अनुमान लगाने में सहायता करेगा, जो पिछले डेटा बिंदुओं पर आधारित होंगे और संसाधनों का बेहतर प्रबंधन करने की अनुमति देंगे।
DTW केवल मशीन लर्निंग के टूलबॉक्स में एक टूल है। पहला बिंदु स्पष्ट है, लेकिन समय श्रृंखला डेटा के मामले में अत्यधिक महत्वपूर्ण है। डायनामिक टाइम वार्पिंग कंप्यूटरों को बेहतर पूर्वानुमान बनाने में मदद करती है डेटा को ऐसे व्यवस्थित करके कि यह संगत रूप से मिल जाए। यह कई अलग-अलग क्षेत्रों, स्वास्थ्य सेवा से खुदरा तक, में अनुवाद किया जा सकता है और फैसलों को मजबूत बनाता है।
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
