Узнать о распознавании образов

машинное обучение
Узнать о распознавании образов

О распознавании образов

Распознавание образов является важным проявлением человеческого интеллекта.Люди обладают сильными способностями к распознаванию образов, которые могут распознавать тысячи конкретных веществ, а также могут распознавать абстрактные узоры вещей высокого уровня. Обучение человека распознаванию образов начинается с детства, зная, что это цветы и растения, то есть голубое небо и белые облака. Эти простые вещи для человека на самом деле являются очень сложным разумным поведением.

О режиме

Образец можно рассматривать как правило, которое можно использовать для описания прототипа вещей или для характеристики характеристик вещей, таких как форма цветка, звук лая собаки и т. д. Мы абстрагируем различные модели от жизненного опыта, и когда у нас есть эти базовые знания, мы можем судить о самых разных вещах.

Например, когда мы видим следующую картинку, мы думаем: это изображение морского пейзажа, то есть мы распознаем изображение морского пейзажа вместо изображения человека и распознаем, что изображение включает в себя пляж, море, синеву. небо и белые облака. И наша идентификация моря происходит не потому, что мы помним форму моря, все формы моря разные, а в соответствии с цветовыми характеристиками моря, которые мы видели раньше, плюс характеристики соседнего моря и пляжного неба, чтобы определить море.

image

Классификация

Человеческое распознавание вещей на самом деле состоит в том, чтобы классифицировать вещи в значительной степени.Это похоже на различные цветы на картинке ниже.Когда мы видим колокольчик, мы думаем, что это своего рода цветок, и когда мы видим мандалу, мы также думаем это своего рода цветок.К разным цветам мы все относим их и считаем цветами. Точно так же есть люди, деревья, автомобили и т. д., которые относятся к концепции классификации, и когда соответствующая вещь видна, она будет классифицирована.

image

Распознавание шаблонов человеком включает в себя множество расплывчатых и абстрактных классификаций в реальной жизни, например, имеет ли человек высокий IQ, очень ли человек хорош, здоров ли человек и т. Д. Для их определения требуются разные стандарты. Это также распознавание образов.

метод распознавания образов

Основные методы распознавания образов делятся на две категории: методы, основанные на знаниях, и методы, основанные на данных.

  • К методам, основанным на знаниях, относятся, в основном, методы, аналогичные экспертным системам: по результатам исследования экспертами тех или иных объектов или закономерностей суммируются признаки, описывающие те или иные категории, и по этим признакам аргументируются неизвестные образцы.
  • Метод, основанный на данных, в основном позволяет модели абстрагировать модель от данных, но нам необходимо предварительно определить определенные характеристики.Он не опирается на исследовательские знания экспертов по определенным диалогам или шаблонам.На самом деле, люди, которые специализируются на Распознавание образов также невозможно изучить во всех областях, поэтому методы, основанные на данных, более удобны.

Оба метода на самом деле имеют свои преимущества и недостатки.

  • Мы можем думать, что метод на основе данных основан на статистике.По выборкам статистически получаются различные признаки для получения классификатора.Мы не можем полагаться на экспертные знания во всем процессе.Мы знаем только, что некоторые признаки связаны с результаты классификации.Но мы не обязательно точно знаем, что это за связи. Наоборот, в этом как раз и заключается ее недостаток.Иногда мы хотим точно знать прямую внутреннюю связь между признаками и классификацией, но в это время мы ничего не можем сделать.Главная причина в том, что внутренний механизм модели, основанной на методах данных, устарел. не был тщательно изучен Это больше похоже на черный ящик, и есть выборочные различия и неопределенность проблемы.
  • Методы, основанные на знаниях, позволяют явно интерпретировать результаты классификации, и если мы уже знаем взаимосвязь между признаками и классификациями, то непосредственное использование методов, основанных на знаниях, обычно будет работать лучше, поскольку экспертные знания являются явными.

Для нас имеет смысл выполнять эту работу только тогда, когда должна существовать какая-то регулярность между признаками и классификацией при распознавании образов, но если они совершенно случайны, то распознавание образов не удается.

Общие сценарии

  • распознавание языка
  • Оптическое распознавание символов (OCR) и распознавание рукописных символов
  • таргетинг на изображения
  • Выявление рака для студентов-медиков
  • Геологическая идентификация

Общий процесс распознавания образов

  1. Анализ проблемы, проанализируйте, может ли проблема использовать распознавание образов, и проанализируйте, какие особенности объекта связаны с результатами классификации.
  2. Сбор образцов, сбор образцов в соответствии с характеристиками и результатами классификации, которые необходимо использовать при анализе проблемы.
  3. Для обработки образцов может потребоваться выполнение операций предварительной обработки исходных характеристик образцов, таких как маркировка и нормализация.
  4. Обучение классификатора, выбор алгоритма классификации, построение модели и использование образцов для обучения модели.
  5. Оценка производительности модели на основе ранее полученных образцов, определенных признаков и модели, обученной построенной моделью для оценки производительности.
  6. Итерация модели, текущий эффект модели может быть неудовлетворительным, и функции должны быть определены заново, или исходные функции могут быть обработаны для получения новых функций, а затем снова обучены, и эффект будет оценен.

------------- Рекомендуем прочитать ------------

Краткое изложение моих проектов с открытым исходным кодом (машинное и глубокое обучение, НЛП, сетевой ввод-вывод, AIML, протокол mysql, чат-бот)

Зачем писать «Анализ проектирования ядра Tomcat»

2018 Алгоритмы структуры сводных данных

Сборник статей по машинному обучению за 2018 г.

Сводка статей о глубине Java за 2018 г.

Резюме по обработке естественного языка за 2018 г.

Резюме глубокого обучения за 2018 г.

Сводка статей об исходном коде JDK за 2018 г.

Обзор Java Concurrency Core за 2018 г.

Итоговые чтения за 2018 г.


Поговори со мной, задай мне вопросы:

Добро пожаловать, чтобы следовать: