Комп'ютерам потрібна допомога людей, щоб навчитися. Це називається "Машинне навчання". Машинне навчання — це термін, який означає навчання комп'ютерів на основі даних, процес міркування через моделі без явного програмування. Це частково схоже на те, як дитина навчається — через спостереження та практику, а не лише слухаючи лекції. Точність — це одна з речей, з якими працює Машинне навчання. Вона визначає, наскільки точним є комп'ютер під час прогнозування чого-небудь. Чим більша точність, тим більш надійними будуть ці прогнози.
Динамічне вирівнювання за часом — це спосіб вирівняти часові ряди даних. Уявіть, що у вас є дві хвилясті лінії, і ви хочете зробити порівняння між ними. Динамічне вирівнювання за часом — це як зміна форми хвилястої лінії, щоб легше було порівняти її з іншою хвилястою лінією. Вирівнювання цих ліній означає, що комп'ютеру буде легше навчатися на наших даних, коли ми намагаємося передбачити цю лінію.
Аналогія для зрозуміння того, як працює динамічне випukлення часу: це схоже на те, що ви намагаєтесь передбачити рух транспорту у вашому магазині кожного дня. Аудиторія відвідувань магазину минулого року. Але не кожен день такий самий. Різні дні мають різну кількість людей, деякі бувають дуже шумними, і весь метрополітен на зовні, а інші відбуваються у дощливий день, коли лише декілька випадкових душ сплескаються. Коли дані змінюються, стає важко прогнозувати майбутні відвідини.
Не тільки для часових рядів, але все ж таки. Вона може працювати з різними типами даних, що робить її дуже універсальним інструментом. Розглянемо порівняння двох ДНК послідовностей, які є блакитною карткою життя самої. Динамічне випуклення часу вирівнює або трохи зміщує частини послідовностей, щоб зробити порівняння. За допомогою цього учени можуть визначити ступінь спорідненості чи відмінності між послідовностями і потенційно виявити значущі аспекти, пов'язані з біологією та медициною.
Розпізнавання мовлення — це інший приклад. Коли комп'ютер чує, як хтось говорить, йому потрібно визначити, що було сказано, серед слів або фраз, які є у його базі даних. Проте не всі люди вимовляють однаково слова або є тлум шуму, що може затруднювати розпізнавання. У цьому підході динамічне вигинання часу дозволяє вирівняти дані мовлення, щоб комп'ютер легко знаходив низьку частоту помилок між своїм транскриптом та тим, що було сказано. Це може покращити продуктивність голосних асистентів та інших технологій розпізнавання мовлення.
Використання динамічного випрямлення часу змінює те, як ми сприймаємо прогнози. Прогнози — це все про припущення щодо того, що чекає нас у майбутньому; в даному випадку ви використовуєте dataodi для роботи наближених оцінок подій. Це може бути дуже корисно для прийняття мудрих рішень. Наприклад, якщо ви керуете лікарнєю (це було б досить класно), можливо, вам потрібно оцінити, скільки пацієнтів звернуться наступного місяця, щоб замовлення запасів, як мокрих хусточок, прибуло саме вчасно. Якщо ви замовите занадто багато, зрозуміло, що це буде втрачено. Руа пояснює, що пропуски є небезпечнішими: можливо, вони просто вичерпаються. Динамічне випрямлення часу дозволить вам прогнозувати майбутні показники на основі минулих точок даних і забезпечить краще управління ресурсами.
DTW — це тільки один інструмент серед набору інструментів машинного навчання. Перший момент є очевидним, але все ж дуже важливим у випадку даних часових рядів. Динамічне вирівнювання за часом допомагає комп'ютерам робити кращі прогнози, організовуючи дані так, щоб вони відповідно вирівнювались. Воно може бути застосовано в багатьох різних галузях, від охорони здоров'я до роздрібної торгівлі, покращуючи прийняття рішень.
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
