Kailangan ng mga computer ng tulong mula sa mga tao upang matuto. Ito ang "Machine Learning". Ang Machine Learning ay isang termino na nangangahulugan na pagtuturo sa mga computer na matuto mula sa datos, isang gawain sa pagsasaalang-alang sa pamamagitan ng mga modelo nang walang eksplisitong pagsasabansa. Ito ang bahagi kung paano nag-aaral ang isang bata — sa pamamagitan ng observasyon at pagsasanay, hindi lang sa pamamagitan ng pagsasalita. Ang katumpakan ay isa sa mga bagay na kinakailangan ng Machine Learning. Ito ang sumasagot kung gaano katumpak ang computer kapag umaalala ng isang bagay. Hindi bababa ang katumpakan, ang higit na malakas ang mga ito na mga paghuhula.
Ang Dynamic Time Warping ay isang paraan upang i-align ang time series data. Isipin na mayroon kang dalawang kulob-kulob na linya at gusto mong gawing makakatulad sila. Ang Dynamic Time Warping ay tulad ng pagbabago ng anyo ng isang kulob-kulob na linya upang mas madali itong ikumpara sa isa pang kulob-kulob na linya. Ang pagsamahin ng mga linya na ito ay nangangahulugan na mas madali para sa computer na matuto mula sa aming datos kapag sinusubok nating ipredict ang linya na ito.
Isang analogy upang maintindihan kung paano gumagana ang Dynamic Time Warping ay tulad ng sinusubukan mong humula sa traffic sa iyong tindahan bawat araw. Taon na nakakalipas na mga Bisita sa Tindahan. Ngunit hindi lahat ng araw ay gaya nito. May iba't ibang dami ng tao sa magkaibang araw, ilan ay masyado pang maaga at lahat ng metro ay labas habang iba ay araw ng ulan kapag kulang lang ang magsusulok na mga kaluluwa ang dumadaan. Kapag nagbabago ang datos, mahirap magforecast ng mga kinabukasan na bisita.
Hindi eksklusibo para sa Time Series Data, pero kahit papaanong. Kaya nitong magtrabaho kasama ang iba't ibang uri ng datos na nagiging sanhi ito upang maging isang napakalutang na alat. Isipin na ikaw ay nag-uusisa ng dalawang DNA sequence, na ang mga blueprint ng buhay mismo. Ang Dynamic Time Warping ay nag-aayos o kaunting pagbabago ng mga bahagi ng mga sequence para makakuha ng mga pakikipag-hambing. Sa pamamagitan nito, maaaring matukoy ng mga siyentipiko ang antas ng ugnayan o pagkakaiba sa pagitan ng mga sequence at maaaring makuha ang mga mahalagang aspeto na may kinalaman sa biyolohiya at medisina.
Ang pagkilala ng salita ay isa pang isyu. Kapag nakakarinig ang computer ng isang tao na nagsasalita, kailangan itong makapag-identidad kung ano ang sinasabi bilang isa sa mga salita o fraze na nasa kanyang database. Gayunpaman, hindi lahat ng mga tao ang naglalapat ng parehong mga salita sa eksaktong parehong paraan o may nariringson na ruido na maaaring magiging dahilan ng kadakilaan sa paghintulot. Sa pamamagitan ng dynamic time warping, maaring i-align ang datos ng salita upang madaling hanapin ng computer ang mababang antas ng kamalian sa pagitan ng kanyang transkrip at ng sinabi. Maaari itong magpatibay sa pagganap ng mga voice assistant at iba pang teknolohiya ng pagkilala ng salita.
Ang paggamit ng dynamic time warping ay nagbabago kung paano namin nakikita ang mga paghuhula. Ang mga paghuhula ay lahat tungkol sa pagsusuri kung ano ang darating sa kinabukasan; sa aspetong ito, ginagamit mo ang dataodi upang gawing ilang payak na hinala ng mga pangyayari. Maaaring maging sobrang benepisyo ito sa paggawa ng matalinong desisyon. Halimbawa, kung nagmamanage ka ng isang ospital (na sasabihin mo'y medyo cool), baka kailangan mong humula kung ilan ang mga pasyente na darating sa susunod na buwan para maipadala ang tamang bilang ng suplay na katulad ng wet-toilet-tissue na araw-araw lamang. Kung umorder ka ng sobra, siguradong iiwasan mo ang pagkakamali. Ayos ni Rua na mas peligroso pa ito: kung talaga mong tawaran, baka magkaubos sila. Ang dynamic timewarping ay papayagan kang humula ng mga numero sa kinabukasan base sa dating datos at tugunan ang mas mahusay na pamamahala ng mga yaman.
Ang DTW ay isa lamang sa mga kasangkot sa tool box ng machine learning. Ang unang isa ay isang malinaw na punto, ngunit patuloy na napakalaking kahalagahan lalo na sa kaso ng time series data. Ang Dynamic Time Warping ay nag-aayuda sa mga computer upang makabuo ng mas mabuting paghuhula sa pamamagitan ng pagsusuri sa datos para magkaroon ng mas konsistente. Maaari nito ring gamitin ang maraming iba't ibang larangan, mula sa pangangalusugan hanggang sa detalye at pagpapabuti ng mga desisyon.
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
