コンピュータが学習するには、人間の助けが必要です。これが「機械学習」です。機械学習とは、コンピュータにデータから学習するように教えること、つまり、明示的にプログラミングすることなくモデルを通して推論する訓練を意味します。これは、子供が学ぶ方法の一部です。講義だけでなく、観察と実践によって学びます。機械学習が扱うものの 1 つは精度です。これは、コンピュータが何かを予測する際にどれだけ正確であるかを表します。精度が高いほど、これらの予測はより堅牢になります。
ダイナミック タイム ワーピングは、時系列データを整列させる方法です。2 本の波線があり、それらを比較したいとします。ダイナミック タイム ワーピングは、波線の形状を変更して、別の波線と比較しやすくするようなものです。これらの線を整列させると、この線を予測しようとするときに、コンピューターがデータから学習しやすくなります。
ダイナミック タイム ワーピングの仕組みを理解するための例え話です。これは、店舗のトラフィックを毎日予測しようとしているようなものです。前年度の店舗訪問者数。ただし、毎日がこうなるわけではありません。日によって客層が異なり、非常に華やかで地下鉄が全開のときもあれば、雨の日でぶらぶらしている人が数人しか来ないときもあります。データが変化すると、将来の訪問を予測することが難しくなります。
時系列データ専用ではありませんが、とにかく、さまざまな種類のデータを処理できるため、非常に汎用性の高いツールとなっています。生命そのものの青写真である 2 つの DNA 配列を比較する場合を考えてみましょう。ダイナミック タイム ワーピングは、比較ができるように配列の一部を揃えたり、わずかにずらしたりします。このようにして、科学者は配列間の関連性や独自性の程度を確かめ、生物学や医学に関連する重要な側面を明らかにできる可能性があります。
音声認識もその 1 つです。コンピューターが誰かの話し声を聞くと、その内容がデータベース内の単語またはフレーズの 1 つであると認識する必要があります。ただし、すべての人が同じ単語をまったく同じように発音するわけではありません。また、背景の雑音によって聞き取りにくくなることもあります。このアプローチでは、ダイナミック タイム ワーピングによって音声データを調整できるため、コンピューターはトランスクリプトと実際に話された内容の間の誤り率が低いことを簡単に見つけることができます。これにより、音声アシスタントやその他の音声認識テクノロジーのパフォーマンスが向上します。
ダイナミック タイム ワーピングの活用により、予測に対する認識が変わります。予測とは、未来に何が起こるかを推測することです。この点で、dataodi を利用してイベントの不規則な近似値を作成します。これは、賢明な決定を下す上で非常に有利です。たとえば、病院を経営している場合 (これはかなりすばらしいことです)、来月何人の患者が来るかを予測して、ウェット トイレット ペーパー サイズの備品が時間どおりに到着するようにする必要があるかもしれません。注文しすぎると、もちろん無駄になります。Rua は、これはこれよりも危険だと説明します。注文をスキップすると、売り切れてしまう可能性があります。ダイナミック タイム ワーピングを使用すると、過去のデータ ポイントに基づいて将来の数を予測し、リソースをより適切に管理できます。
DTW は、機械学習ツールボックスの中の 1 つのツールにすぎません。最初の点は明白ですが、時系列データの場合には非常に重要です。ダイナミック タイム ワーピングは、データを整理して一貫性のあるものにすることで、コンピューターが予測精度を向上させるのに役立ちます。これは、医療から小売まで、さまざまな分野に適用でき、意思決定を強化できます。