Краткая статья, которая поможет любому получить фору в области распознавания образов.
В этой статье рассматриваются темы, указанные ниже: -
- Определение распознавания образов.
- Приложения распознавания образов.
- Блок-схема, поясняющая схему.
- Парадигмы машинного обучения.
Что такое распознавание образов?
Распознавание образов можно определить как классификацию данных на основе полученных знаний или на основе статистической информации, извлеченной из образов и их представлений.
Переходя к приложениям PR (с этого момента я бы назвал распознавание образов PR: p): -
а) Биомедицинская обработка изображений.
б) Оптическое распознавание символов.
в) Распознавание мультимедийных документов. и т. д. и т. д.….
С точки зрения непрофессионала, все, от ваших рекомендаций Netflix до ваших любимых торговых сайтов, использует PR в качестве ключевой концепции. Мы разберемся во всех этих вещах после того, как рассмотрим общую идеологию PR.
Пояснение к блок-схеме: -
а) Датчик преобразует изображения, звуки или другой физический вход в данные сигнала.
б) Сегментация - это часть, которая позволяет отделить воспринимаемый объект от фонового шума.
c) Средство извлечения признаков измеряет свойства объекта и выбирает те особенности, которые важны для классификации.
г) Классификатор использует эти признаки для отнесения обнаруженного объекта к категории.
e) Наконец, постпроцессор может принять во внимание другие соображения, такие как стоимость ошибки, чтобы принять решение о соответствующих действиях.
ПАРАДИГМЫ МАШИННОГО ОБУЧЕНИЯ (WTF - это парадигма ... ну, это сложный термин для обозначения простого шаблона или модели.)
Прежде чем углубляться в сложные вещи, давайте познакомимся с некоторыми основными терминами, относящимися к машинному обучению.
Обучение: - Обучение относится к некоторой форме алгоритма уменьшения ошибок на наборе обучающих данных.
a) Обучение с учителем: -При обучении с учителем уровень категории, содержащий выходные данные в виде метки, предоставляется вместе с входными данными для каждого шаблона обучения и направлен на снижение общей стоимости ошибки для каждой итерации.
б) Неконтролируемое обучение: -В этом обучении нет метки для выходных данных, а категоризация или кластеризация полностью выполняется на основе сходства поведения.
c) Обучение с подкреплением: - В этом обучении для обучения классификатора вводятся входные данные и вычисляется предварительная категория метки. Обучение происходит с критиком, который решает, правильна или неправильна предварительная категория. Существует обучающая обратная связь, которая продолжается до тех пор, пока предварительная категория не достигнет желаемой категории.
Давайте закончим статью цитатой, которая побудила меня проявить интерес к этой области. Цитата звучит примерно так: «Когда происходит информационная перегрузка, распознавание образов - это инструмент для определения истины».
