Máy tính cần sự giúp đỡ của con người để học hỏi. Đây là "Học Máy". Học máy là thuật ngữ chỉ việc dạy máy tính học từ dữ liệu, một hoạt động suy luận thông qua mô hình mà không cần lập trình rõ ràng. Đó cũng là một phần cách trẻ em học — thông qua quan sát và thực hành, chứ không chỉ đơn thuần là được giảng giải. Độ chính xác là một khía cạnh mà Học Máy xử lý. Nó trả lời cho câu hỏi máy tính chính xác như thế nào khi dự đoán điều gì đó. Độ chính xác càng cao, những dự đoán này sẽ càng mạnh mẽ.
Dynamic Time Warping, một phương pháp để căn chỉnh dữ liệu chuỗi thời gian. Hãy tưởng tượng bạn có hai đường cong uốn lượn và bạn muốn so sánh giữa chúng. Dynamic time warping giống như thay đổi hình dạng của một đường cong uốn lượn để dễ dàng so sánh với một đường cong khác. Việc căn chỉnh những đường này có nghĩa là việc học từ dữ liệu của chúng ta sẽ dễ dàng hơn cho máy tính khi chúng ta cố gắng dự đoán đường này.
Một phép so sánh để hiểu cách Dynamic time warping hoạt động là giống như bạn đang cố gắng dự đoán lưu lượng giao thông trong cửa hàng của mình mỗi ngày. Số lượng khách truy cập vào cửa hàng năm ngoái. Nhưng không phải ngày nào cũng như vậy. Các ngày khác nhau có số lượng người khác nhau, một số ngày thì đông đúc và tất cả các tuyến metro đều tấp nập, trong khi những ngày khác lại mưa, chỉ có vài người thong dong ghé qua. Khi dữ liệu thay đổi, việc dự báo lượt truy cập trong tương lai trở nên khó khăn.
Không chỉ dành riêng cho Dữ liệu Thời gian (Time Series Data), nhưng dù sao đi nữa. Nó có khả năng làm việc với nhiều loại dữ liệu khác nhau, điều này khiến nó trở thành một công cụ rất linh hoạt. Hãy nghĩ đến việc so sánh hai chuỗi DNA, vốn là bản thiết kế của chính sự sống. Dynamic time warping căn chỉnh hoặc slightly shifts (dịch nhẹ) các phần của các chuỗi để có thể thực hiện các phép so sánh. Bằng cách này, các nhà khoa học có thể xác định mức độ liên quan hoặc sự khác biệt giữa các chuỗi và có thể phát hiện ra những khía cạnh quan trọng liên quan đến sinh học và y học.
Nhận diện giọng nói là một ví dụ khác. Khi máy tính nghe ai đó nói, nó phải xác định những gì được nói ra là một trong các từ hoặc cụm từ có trong cơ sở dữ liệu của nó. Tuy nhiên, không phải ai cũng phát âm các từ giống nhau hoặc có tiếng ồn nền làm cho việc nghe trở nên khó khăn. Trong phương pháp này, biến dạng thời gian động cho phép dữ liệu giọng nói được căn chỉnh để máy tính có thể dễ dàng tìm thấy tỷ lệ lỗi thấp giữa bản ghi âm và những gì đã được nói. Điều này có thể cải thiện hiệu suất của trợ lý giọng nói và các công nghệ nhận diện giọng nói khác.
Việc sử dụng warping thời gian động đang thay đổi cách chúng ta nhận thức về các dự đoán. Dự đoán là việc đoán xem tương lai sẽ như thế nào; trong trường hợp này, bạn sử dụng dữ liệu để đưa ra những ước lượng không hoàn toàn chính xác về các sự kiện. Điều này có thể rất hữu ích trong việc đưa ra quyết định khôn ngoan. Ví dụ, nếu bạn điều hành một bệnh viện (điều đó khá tuyệt), có lẽ bạn cần phải ước tính số lượng bệnh nhân sẽ đến vào tháng tới để đảm bảo rằng số lượng vật tư cỡ khăn vệ sinh ướt được cung cấp đúng lúc. Nếu bạn đặt hàng quá nhiều thì tất nhiên sẽ gây lãng phí. Rua giải thích rằng việc thiếu hụt còn nguy hiểm hơn: nếu bạn bỏ qua, có thể họ sẽ hết hàng. Warping thời gian động sẽ giúp bạn dự đoán các con số trong tương lai dựa trên các điểm dữ liệu trong quá khứ và cho phép quản lý nguồn lực tốt hơn.
DTW chỉ là một công cụ trong hộp công cụ học máy. Điểm đầu tiên là một điều rõ ràng, nhưng vẫn cực kỳ quan trọng trong trường hợp dữ liệu chuỗi thời gian. Dynamic Time Warping giúp máy tính đưa ra các dự đoán tốt hơn bằng cách sắp xếp dữ liệu để nó đồng bộ hóa một cách có logic. Nó có thể áp dụng vào nhiều lĩnh vực khác nhau, từ chăm sóc sức khỏe đến bán lẻ và cải thiện việc ra quyết định.
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
