Računari trebaju ljudsku pomoć da uče. To je "Mašinsko Učenje". Mašinsko učenje je izraz koji znači poučavanje računara da uče iz podataka, vežbanje razmišljanja kroz modele bez eksplicitnog programiranja. To je deo načina na koji dijete uči — putem opažanja i vežbanja, a ne samo čuvanjem lekcije. Tačnost je jedan od aspekata sa kojim se mašinsko učenje bavi. Ona odgovara na pitanje koliko je računar tačan prilikom predviđanja nečega. Čim je tačnost veća, tim su te predviđanja robustnija.
Dinamičko poravnavanje po vremenu, način za poravnanje podataka vremenskih serija. Pretpostavite da imate dve izvijane linije i želite da ih usporedite. Dinamičko poravnavanje po vremenu je kao promena oblika izvijane linije kako bi bilo lakše uspoređivati sa drugom izvijanom linijom. Poravnanje ovih linija znači da je računaru lakše učiti iz naših podataka kada pokušavamo predvideti tu liniju.
Analoga da biste razumeli kako radi Dinamičko zakrivljanje vremena je kao da pokušavate da predvidite promet u vašoj prodavnici svaki dan. Posete prodavnici iz prošle godine. Ali nije svaki dan isti. Različiti dani imaju različitu publiku, neki su veoma oživljeni i svi su u metru tamo vani, dok drugi slučajevi mogu biti kišni kad samo nekoliko ludačkih duša zavrne. Kada se podaci menjaju, postaje teško prognozirati buduće posete.
Ne isključivo za Vremenske Serije Podataka, ali ipak. Moguće je raditi sa različitim tipovima podataka, što ga čini vrlo versatile alatkom. Razmotrite uspoređivanje dva DNA niza, koji su plava štampa života samog. Dinamičko zakrivljanje vremena poravnavaju ili malo pomjeraju dijelove nizova tako da se mogu napraviti usporedbe. Na ovaj način, naučnici bi mogli utvrditi stepen srodnosti ili razlikovanja između nizova i potencijalno otkriti značajne aspekte vezane uz biologiju i medicinu.
Prepoznavanje govora je još jedan primer. Kada računar čuje nekoga kako priča, mora da identifikuje šta je rečeno među rečima ili frazama koje se nalaze u njegovoj bazi podataka. Međutim, ne svi ljudi iste reči izgovaraju na tačno isti način, ili postoji pozadinska buka koja može da komplikuje slušanje. U ovom pristupu, dinamičko ravnanje vremena omogućava poravnanje podataka o govoru tako da računar lako može da pronađe mali stepen greške između svojeg transkripta i onoga što je rečeno. To može poboljšati performanse glasovnih asistenta i drugih tehnologija za prepoznavanje govora.
Korišćenje dinamičkog vremenskog savijanja menja način na koji gledamo na predviđanja. Predviđanja su u suštini pitanje pogađanja šta će se dogoditi u budućnosti; u tom smislu koristite podatke da napravite neka nepotpuna približna procena događaja. To može biti izuzetno korisno za donošenje mudrih odluka. Na primer, ako vodite bolnicu (što bi bilo prilično zanimljivo), možda ćete morati da procenite koliko pacijenata će dolaziti sledeći mesec kako bi odgovarajuće količine opreme stigle baš u vreme. Ako narucite previše, naravno, to će biti izgubljeno. Rua objašnjava da je to još opasnije: ako preskočite, onda mogu da se isprodaju. Dinamičko vremensko savijanje će vam omogućiti da predvidite buduće brojeve na osnovu prošlogodišnjih tačaka podataka i dozvoli bolji upravljanje resursima.
DTW je samo jedan alat iz skupa alata za mašinsko učenje. Prva tačka je očigledna, ali ipak ekstremno važna u slučaju vremenskih serija podataka. Dinamičko poravnavanje po vremenu (Dynamic Time Warping) pomaže računarima da donose bolje predviđanja organizujući podatke tako da se svestrane koherenetno. Ono može da se primeni na mnoge različite oblasti, od zdravstvene zaštite do maloprodaje i poboljšava odlučivanje.
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
