패턴인식 예제

이 문서에서는 패턴 인식에 대한 기계 학습 접근 방식에 중점을 둡니다. 패턴 인식 시스템은 많은 경우에 레이블이 지정된 “교육” 데이터(감독 학습)에서 학습되지만 레이블이 지정된 데이터가 없는 경우 다른 알고리즘을 사용하여 이전에 알려지지 않은 패턴(감독되지 않은 학습)을 검색할 수 있습니다. 기계 학습은 감독 학습 방법[모호한 토론]에 대한 일반적인 용어이며 인공 지능에서 비롯되는 반면 KDD 및 데이터 마이닝은 감독되지 않은 방법과 비즈니스 사용에 대한 강력한 연결에 더 중점을 둡니다. 패턴 인식은 엔지니어링에서 기원을 가지고 있으며, 용어는 컴퓨터 비전의 맥락에서 인기가있다 : 선도적 인 컴퓨터 비전 컨퍼런스는 컴퓨터 비전 및 패턴 인식에 회의라는 이름입니다. 패턴 인식에서는 패턴을 공식화, 설명 및 시각화하는 데 더 많은 관심이 있을 수 있지만 기계 학습은 전통적으로 인식률을 극대화하는 데 중점을 둡니다. 그러나 이러한 모든 도메인은 인공 지능, 엔지니어링 및 통계에 대한 뿌리에서 크게 발전해 왔으며, 개발과 아이디어를 서로 통합함으로써 점점 더 유사해지고 있습니다. 의학 에서 패턴 인식은 컴퓨터 지원 진단 (CAD) 시스템의 기초입니다. CAD는 의사의 해석과 결과를 뒷받침하는 절차를 설명합니다. 패턴 인식 기술의 다른 일반적인 응용 프로그램은 자동 음성 인식, 여러 범주로 텍스트의 분류 (예를 들어, 스팸 / 비 스팸 이메일 메시지), 우편 봉투에 손으로 쓴 우편 번호의 자동 인식, 인간의 얼굴 의 이미지의 자동 인식, 또는 의료 형태에서 필기 이미지 추출. [12] 마지막 두 예는 패턴 인식 시스템에 대한 입력으로서 디지털 이미지를 다루는 패턴 인식의 하위 주제 이미지 분석을 형성한다. [13] [14] 많은 일반적인 패턴 인식 알고리즘은 통계적 추론을 사용하여 주어진 인스턴스에 가장 적합한 레이블을 찾는 다는 점에서 본질적으로 확률적입니다.

단순히 “최적” 레이블을 출력하는 다른 알고리즘과 달리 종종 확률적 알고리즘은 지정된 레이블에 의해 설명되는 인스턴스의 확률을 출력합니다. 또한 많은 확률 알고리즘은 단순히 단일 최고의 레이블이 아닌 N의 일부 값에 대해 관련 확률이 있는 N-best 레이블 목록을 출력합니다. 가능한 레이블의 수가 상당히 작은 경우(예: 분류의 경우), N은 가능한 모든 레이블의 확률이 출력되도록 설정될 수 있습니다. 확률 알고리즘은 비 확률 적 알고리즘에 비해 많은 장점이 있습니다 : 패턴 인식은 끊임없이 변화하는 시장에서 지속적인 개선과 진화를 가능하게하는 회사에 대한 전략적 이점을 제공합니다. 순차적 성질의 모든 정보는 패턴 인식 알고리즘에 의해 처리될 수 있으므로 시퀀스를 이해할 수 있고 실용적으로 사용할 수 있습니다. 즉, 패턴 인식은 그 특징으로 사물을 식별하는 것입니다. 이러한 패턴은 ebbs 및 흐름, 스파이크 및 평평한 선을 통해 데이터 스토리를 전달합니다. 패턴 인식 분야는 컴퓨터 알고리즘을 사용하여 데이터의 규칙성을 자동으로 검색하고 이러한 규칙성을 사용하여 데이터를 다른 범주로 분류하는 등의 작업을 수행합니다.

[3] 패턴 인식은 일반적으로 출력 값을 생성하는 데 사용되는 학습 절차의 유형에 따라 분류된다. 감독 학습은 올바른 출력으로 수작업으로 적절하게 레이블이 지정된 인스턴스 집합으로 구성된 학습 데이터 집합(교육 집합)이 제공되었다고 가정합니다.