Mustererkennung


Die Mustererkennung ist ein Zweig der maschinellen Lernens , die in auf der Erkennung von Mustern und Regelmäßigkeiten konzentriert sich Daten , obwohl es in einigen Fällen als fast synonym sein mit maschinellem Lernen. [1] Mustererkennungssysteme sind in vielen Fällen von der Bezeichnung „Ausbildung“ Daten (ausgebildete wachtes Lernen ), aber wenn keine markierten Daten verfügbar andere Algorithmen sind , können verwendet werden , um zuvor unbekannte Muster (entdecken nicht überwachtes Lernen ).

Die Begriffe der Mustererkennung, maschinelles Lernen, Data Mining und Wissensentdeckung in Datenbanken (KDD) sind schwer zu trennen, da sie weitgehend in ihrem Umfang überlappen. Maschinelles Lernen ist die allgemeine Bezeichnung für überwachte Lernmethoden [ fragwürdige ] und stammt aus der künstlichen Intelligenz , während KDD und Data Mining einen größeren Fokus auf unüberwachten Methoden haben und stärkere Verbindung zu geschäftlichen Einsatz. Mustererkennung hat seinen Ursprung im Maschinenbau und der Begriff ist sehr beliebt im Zusammenhang mit Computer – Vision : eine führende Computer – Vision – Konferenz namens Konferenz über Computer Vision und Mustererkennung . Bei der Mustererkennung kann es ein höheres Interesse geben, das Muster zu formalisieren, zu erklären und zu visualisieren, während das maschinelle Lernen traditionell auf die Maximierung der Erkennungsraten fokussiert ist. Dennoch haben sich alle diese Domänen wesentlich von ihren Wurzeln in der künstlichen Intelligenz, Technik und Statistik entwickelt und sind durch die Integration von Entwicklungen und Ideen von einander immer ähnlicher geworden.

In maschinellen Lernens , ist die Mustererkennung die Zuordnung eines Etiketts an einem bestimmten Eingangswert. In der Statistik Diskriminanzanalyse wurde für diesen gleichen Zweck eingeführt 1936. Ein Beispiel für die Mustererkennung ist Klassifikation , die jeden Eingangswert einer aus einer gegebenen Menge von zuzuweisen versucht Klassen (beispielsweise bestimmen , ob eine bestimmte E – Mail ist „Spam“ Oder „Nicht-Spam“). Die Mustererkennung ist jedoch ein allgemeineres Problem, das auch andere Ausgangstypen umfasst. Andere Beispiele sind Regression , die eine reellwertige Ausgangs jedem Eingang zuweist; Sequenzmarkierung , die jedem Mitglied einer Folge von Werten eine Klasse zugewiesen (zum Beispiel Teil der Rede Tagging , die eine zuweist Teil der Rede zu jedem Wort in einem Eingabesatz); und Parsen , die eine zuweist Parserbaum zu einem eingegebenen Satz, beschreibt die syntaktische Struktur des Satzes. [ Bearbeiten ]

Mustererkennungsalgorithmen zielen allgemein darauf ab, eine vernünftige Antwort für alle möglichen Eingaben zu liefern und eine & ldquor; höchstwahrscheinliche „Übereinstimmung der Eingaben unter Berücksichtigung ihrer statistischen Variationen durchzuführen. Dies steht im Gegensatz zu Pattern – Matching – Algorithmen, die mit bereits bestehenden Mustern in der Eingabe für exakte Übereinstimmungen zu suchen. Ein typisches Beispiel für ein Muster-Matching – Algorithmus ist für reguläre Ausdrücke Anpassung, die für Muster einer bestimmten Art in Textdaten aussieht und in den Suchfunktionen von vielen enthaltenen Texteditoren und Textverarbeitungsprogrammen . Im Gegensatz zur Mustererkennung wird die Musteranpassung im allgemeinen nicht als eine Art von maschinellem Lernen betrachtet, obwohl Musteranpassungsalgorithmen (insbesondere mit ziemlich allgemeinen, sorgfältig abgestimmten Mustern) manchmal in der Lage sind, eine gleichwertige Ausgabe der Art zu liefern, die durch Mustererkennung bereitgestellt wird Algorithmen.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.