Komputery potrzebują pomocy ludzi, aby się uczyć. To jest "Uczenie Maszynowe". Uczenie maszynowe to termin oznaczający nauczanie komputerów korzystania z danych, ćwiczenie w rozumowaniu za pomocą modeli bez jawnego programowania. Jest to częściowo sposób, w jaki dziecko uczy się — przez obserwację i praktykę, a nie tylko przez słuchanie wykładów. Dokładność to jeden z aspektów, z którymi uczenie maszynowe się boryka. Odpowiada ona na pytanie, jak dokładny jest komputer podczas przewidywań. Im wyższa dokładność, tym bardziej solidne będą te przewidywania.
Dynamic Time Warping, sposób na dopasowanie danych szeregów czasowych. Załóżmy, że masz dwie drgające linie i chcesz dokonać między nimi porównania. Dynamiczne wygięcie czasowe to jak zmiana kształtu falistej linii, aby ułatwić jej porównanie z inną falistą linią. Dopasowanie tych linii oznacza, że jest łatwiej dla komputera uczyć się od naszych danych, gdy próbujemy przewidzieć tę linię.
Aby zrozumieć, jak działa Dynamic Time Warping, można użyć analogii przewidywania ruchu w sklepie codziennie. Liczba odwiedzin w poprzednim roku. Ale nie każdy dzień jest taki sam. Różne dni mają różny ruch, niektóre są bardzo ożywione i wszyscy są na mieście, podczas gdy inne przypadają na deszczowe dni, kiedy tylko kilka osób zagląda do sklepu. Gdy dane się zmieniają, staje się trudno prognozować przyszłe wizyty.
Nie wyłącznie dla danych szeregów czasowych, ale mimo wszystko. Jest zdolny do pracy z różnymi typami danych, co czyni go bardzo uniwersalnym narzędziem. Rozważmy porównanie dwóch sekwencji DNA, które są wzorcem życia samego. Dynamic Time Warping dopasowuje lub lekko przesuwa fragmenty sekwencji, aby umożliwić ich porównanie. W ten sposób naukowcy mogą ustalić stopień pokrewieństwa lub rozróżnienia między sekwencjami oraz potencjalnie odkryć istotne aspekty związane z biologią i medycyną.
Rozpoznawanie mowy to kolejny przykład. Gdy komputer słyszy, jak ktoś mówi, musi zidentyfikować, co zostało wypowiedziane jako jedno z słów lub fraz znajdujących się w jego bazie danych. Jednakże, nie wszyscy ludzie wymawiają te same słowa dokładnie w ten sam sposób, a dodatkowo tło czy hałas mogą utrudniać rozpoznanie. W tym podejściu, dynamiczne wyginanie czasu pozwala na dopasowanie danych mowy, dzięki czemu komputer może łatwo znaleźć niski wskaźnik błędów między transkrypcją a tym, co zostało powiedziane. To może poprawić wydajność asystentów głosowych i innych technologii rozpoznawania mowy.
Wykorzystanie dynamicznego wygięcia czasu zmienia sposób, w jaki postrzegamy przewidywania. Przewidywania towarzyszą zgadywaniu, co przyniesie przyszłość; w tym zakresie korzystasz z danych, aby zrobić pewne chaotyczne przybliżenia wydarzeń. Może to być bardzo korzystne podczas podejmowania mądrych decyzji. Na przykład, jeśli prowadzisz szpital (to byłoby całkiem fajne), może trzeba oszacować, ilu pacjentów przyjdzie w następnym miesiącu, aby odpowiednia liczba zaopatrzenia, tak mała jak chusteczki do toalety, dotarła akurat na czas. Jeśli zamówisz zbyt dużo, oczywiście będzie to marnowane. Rua wyjaśnia, że jest to bardziej ryzykowne: jeśli się pomylisz, mogą ich nie mieć. Dynamiczne wygięcie czasu umożliwi ci przewidywanie przyszłych wyników na podstawie poprzednich punktów danych i pozwoli na lepszą zarządzanie zasobami.
DTW to tylko jedno narzędzie wśród zestawu narzędzi do uczenia maszynowego. Pierwszy punkt jest oczywisty, ale nadal niezwykle ważny w przypadku danych szeregów czasowych. Dynamic Time Warping pomaga komputerom wydawać lepsze przewidywania, organizując dane tak, aby były spójne. Może być zastosowane w wielu różnych dziedzinach, od opieki zdrowotnej po handel detaliczny, ulepszając decyzje.