A számítógépeknak szükségük van az emberek segítségére a tanuláshoz. Ez a "Gépi Tanulás". A gépi tanulás olyan kifejezés, amely azt jelenti, hogy tanítjuk a számítógépeket, hogy tanuljanak adatok alapján, egy olyan gondolkodás, amely modelleken keresztül zajlik, anélkül, hogy explicit programozást végeznénk. Ez részben úgy történik, ahogy a gyerekek tanulnak – megfigyelések és gyakorlás alapján, nemcsak akkor, ha elmondják nekik minden dolgot. A pontoság egy olyan tényező, amivel a gépi tanulás foglalkozik. Megválaszolja azt a kérdést, mennyire pontos a számítógép, amikor valamit előre jelez. Minél nagyobb a pontoság, annál erősebbek lesznek ezek az előrejelzések.
A dinamikus időtörés, egy módszer a idősor-adatok igazítására. Képzeljél el, hogy van két csúszós vonal, és össze akarod hasonlítani őket. A dinamikus időtörés olyan, mintha megváltoztatná a hullámszerű vonal alakját, hogy könnyebben osszahasonlítható legyen egy másikkal. Ezeknek a vonalaknak az igazítása azt jelenti, hogy egyszerűbb a számítógép számára tanulni az adatokból, amikor megpróbáljuk előre jelezni ezt a vonalat.
Egy analogia a Dynamic time warping működésének értetéséhez: Olyan, mintha minden nap megpróbálnád előrejósítani a boltod napi látogatottságát. Előző Év Boltlátogatások. De nem minden nap ugyanaz. Különböző napokon különböző súrűségű tömegek vannak, néhány olyan fényes, hogy mind a metróban lévők ki akarnak menni, míg másnap esős, és csak néhány lassú járó lép be. Amikor az adatok változnak, nehézebb lesz jövőbeni látogatásokat előre jelezni.
Nem kizárólag idősoros adatokra vonatkozik, de bármúk. Megképes számítani különböző típusú adatokkal, ami nagyon versengő eszközt tesz belőle. Vizsgáljuk meg két DNA-sorozatot összehasonlítani, amelyek az élet saját képzetei. A dinamikus időtúrítás igazítja vagy kicsit eltolja a sorozatok részeit, hogy összehasonlíthatóak legyenek. Ezzel a módszerrel a tudósok meghatározhatják a sorozatok közötti rokonsági fokokat vagy különbségeket, és potenciálisan jelentős aspektusokat fedezhetnek fel a biológia és a medicina területén.
A beszédfelismerés egy másik példa. Amikor egy számítógép hallja, ahogy valaki beszél, az meg kell állapítania, hogy a kiáltott szavak vagy kifejezések közül melyik található az adatbázisában. Azonban nem mindenki ugyanúgy articulálja ugyanazokat a szavakat, vagy háttérzajok tehetik nehezebbé a felismerést. Ebben az esetben a dinamikus időtörés lehetővé teszi a beszédadatok igazítását úgy, hogy a számítógép könnyedén megtalálja a hibák alacsony arányát a traszkriptje és a ténylegesen elmondottak között. Ez javíthatja a hangasszisztensek és más beszédfelismerési technológiák teljesítményét.
A dinamikus időtorzulás használata megváltoztatja, ahogy a jövőre vonatkozó előrejelzéseket értékeljük. Az előrejelzések mindig arról szólnak, hogy kitaláljuk, mit tartogat a jövő; ezen belül adatokat használsz arra, hogy eseményekről egyéb közelítően pontos feltételezéseket tegyél. Ez lehetővé teszi a bölcs döntések meghozatalát. Például, ha egy kórházat üzemeltetnél (ami nagyon izgalmas lenne), talán ki kellene számolnod, hogy hány beteg fog bejutni a következő hónapban, hogy pontosan ennyi anyag (mint például a mosdószeres papír mérete) érkezzen pont időben. Ha túl sokat rendelsz, természetesen el is veszik. A Rua azt magyarázza, hogy ennél is veszélyesebb: ha kimaradsz, akkor kiürülhetnek. A dinamikus időtorzulás lehetővé teszi, hogy jövőbeli számokat prediktálj based on múltbeli adatpontok alapján, és jobb erőforrás-kezelést biztosítson.
A DTW csak egy eszköz a gépi tanulás eszköztárából. Az első pont nyilvánvaló, de még mindig extrém módon fontos a idősor-adatok esetében. A Dinamikus Időtartomány-változás (Dynamic Time Warping) segít a számítógépeknek jobb előrejelzéseket csinálni az adatok rendezésével, hogy koherens sorrendbe essenek. Sokféle területen alkalmazható, egyszerűen áttervezhető, mint például az egészségügyi ellátásban vagy a kiskereskedésben, és javíthatja a döntéseket.
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
