I computer hanno bisogno dell'aiuto delle persone per imparare. Questo è il "Machine Learning". Il machine learning è un termine che significa insegnare ai computer ad apprendere dai dati, un'esercitazione nel ragionamento attraverso modelli senza programmazione esplicita. È in parte come impara un bambino — per osservazione e pratica, non solo ascoltando lezioni. L'accuratezza è una cosa con cui il Machine Learning deve confrontarsi. Risponde alla domanda su quanto sia preciso il computer quando deve prevedere qualcosa. Maggiore è l'accuratezza, più robuste saranno queste previsioni.
Dynamic Time Warping, un modo per allineare dati di serie temporali. Considera che tu abbia due linee ondulate e tu voglia fare un confronto tra loro. Il Dynamic Time Warping è come cambiare la forma di una linea ondulata per renderla più facile da confrontare con un'altra linea ondulata. Allineare queste linee significa che è più facile per il computer imparare dai nostri dati quando stiamo cercando di prevedere questa linea.
Un'analogia per capire come funziona il Dynamic Time Warping è come se stessi cercando di prevedere il traffico nel tuo negozio ogni giorno. Pubblico delle visite al negozio dell'anno precedente. Ma non tutti i giorni sono così. Diversi giorni hanno folle diverse, alcuni molto affollati con tutta la metropolitana in giro, mentre altri capitano essere giorni piovosi quando solo poche anime che passeggiano vengono a fare visita. Quando i dati cambiano, diventa difficile prevedere le visite future.
Non esclusivamente per i Dati di Serie Temporali, ma comunque. È in grado di lavorare con diversi tipi di dati, il che lo rende uno strumento molto versatile. Considera il confronto tra due sequenze di DNA, che sono la mappa della vita stessa. Il Dynamic Time Warping allinea o sposta leggermente parti delle sequenze in modo da poter effettuare dei confronti. In questo modo, gli scienziati possono determinare il grado di parentela o distinzione tra le sequenze e potenzialmente scoprire aspetti significativi relativi alla biologia e alla medicina.
Il riconoscimento vocale è un altro esempio. Quando un computer sente qualcuno parlare, deve identificare ciò che viene detto come uno delle parole o frasi presenti nel suo database. Tuttavia, non tutte le persone pronunciano le stesse parole nello stesso modo esatto, o ci può essere rumore di fondo che può rendere difficile l'ascolto. In questo approccio, il dynamic time warping consente all'audio di essere allineato in modo che il computer possa facilmente trovare un basso tasso di errore tra il suo testo trascritto e ciò che è stato detto. Questo può migliorare le prestazioni degli assistenti vocali e altre tecnologie di riconoscimento vocale.
L'utilizzo del dynamic time warping sta cambiando il modo in cui percepiamo le previsioni. Le previsioni riguardano il tentativo di indovinare cosa riserverà il futuro; in questo senso, utilizzi dati per fare alcune approssimazioni incerte degli eventi. Questo può essere molto vantaggioso per prendere decisioni sagge. Per esempio, se gestisci un ospedale (sarebbe abbastanza figo), forse hai bisogno di stimare quanti pazienti arriveranno il mese prossimo in modo che la quantità di rifornimenti, grande come un foglio di carta igienica umida, arrivi proprio in tempo. Se ne ordini troppa, ovviamente andrà sprecata. Rua spiega che è più pericoloso di così: se salti una consegna, forse finiscono i prodotti. Il dynamic timewarping ti permetterà di prevedere i numeri futuri basandoti sui punti dati passati e consentirà una migliore gestione delle risorse.
DTW è solo uno degli strumenti all'interno della cassetta degli attrezzi del machine learning. Il primo punto è ovvio, ma resta estremamente importante nel caso di dati di serie temporali. Dynamic Time Warping aiuta i computer a fare previsioni migliori organizzando i dati in modo che si allineino coerentemente. Può essere applicato in molti diversi settori, dalla sanità al retail, migliorando le decisioni.
IT
EN
AR
DA
NL
FI
FR
DE
HI
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
