Scribd
Upload
43 views

Pattern Recognition

Pattern recognition is the automated recognition of patterns and regularities in data, with applications in fields like statistics, signal processing, and machine learning. Pattern recognition systems are commonly trained using labeled data, and can discover previously unknown patterns when unlabeled data is available. Pattern recognition focuses on signals and their acquisition and processing, and aims to provide reasonable outputs for all possible inputs by performing likely matching that accounts for statistical variation.

Uploaded by

Aishya Laely
Copyright
© © All Rights Reserved
Available Formats
Download as PDF, TXT or read online on Scribd
43 views

Pattern Recognition

Pattern recognition is the automated recognition of patterns and regularities in data, with applications in fields like statistics, signal processing, and machine learning. Pattern recognition systems are commonly trained using labeled data, and can discover previously unknown patterns when unlabeled data is available. Pattern recognition focuses on signals and their acquisition and processing, and aims to provide reasonable outputs for all possible inputs by performing likely matching that accounts for statistical variation.

Uploaded by

Aishya Laely
Copyright
© © All Rights Reserved
Available Formats
Download as PDF, TXT or read online on Scribd
You are on page 1/ 2

Pattern recognition is the automated recognition of patterns and regularities in data.

It has
applications in statistical data analysis, signal processing, image analysis, information
retrieval, bioinformatics, data compression, computer graphics and machine learning. Pattern
recognition has its origins in statistics and engineering; some modern approaches to pattern
recognition include the use of machine learning, due to the increased availability of big
data and a new abundance of processing power. These activities can be viewed as two facets
of the same field of application, and they have undergone substantial development over the
past few decades.
Pattern recognition systems are commonly trained from labeled "training" data. When
no labeled data are available, other algorithms can be used to discover previously unknown
patterns. KDD and data mining have a larger focus on unsupervised methods and stronger
connection to business use. Pattern recognition focuses more on the signal and also takes
acquisition and Signal Processing into consideration. It originated in engineering, and the term
is popular in the context of computer vision: a leading computer vision conference is
named Conference on Computer Vision and Pattern Recognition.
In machine learning, pattern recognition is the assignment of a label to a given input value. In
statistics, discriminant analysis was introduced for this same purpose in 1936. An example of
pattern recognition is classification, which attempts to assign each input value to one of a given
set of classes (for example, determine whether a given email is "spam" or "non-spam"). Pattern
recognition is a more general problem that encompasses other types of output as well. Other
examples are regression, which assigns a real-valued output to each input;[1] sequence labeling,
which assigns a class to each member of a sequence of values[2] (for example, part of speech
tagging, which assigns a part of speech to each word in an input sentence); and parsing, which
assigns a parse tree to an input sentence, describing the syntactic structure of the sentence.[3]
Pattern recognition algorithms generally aim to provide a reasonable answer for all possible
inputs and to perform "most likely" matching of the inputs, taking into account their statistical
variation. This is opposed to pattern matching algorithms, which look for exact matches in the
input with pre-existing patterns. A common example of a pattern-matching algorithm is regular
expression matching, which looks for patterns of a given sort in textual data and is included in
the search capabilities of many text editors and word processors.

Pengenalan pola adalah pengenalan otomatis pola dan keteraturan dalam data. Ini memiliki
aplikasi dalam analisis data statistik, pemrosesan sinyal, analisis gambar, pencarian informasi,
bioinformatika, kompresi data, grafik komputer dan pembelajaran mesin. Pengenalan pola
berasal dari statistik dan rekayasa; beberapa pendekatan modern untuk pengenalan pola
termasuk penggunaan pembelajaran mesin, karena ketersediaan data besar yang meningkat dan
kekuatan pemrosesan yang melimpah. Kegiatan ini dapat dilihat sebagai dua aspek dari bidang
aplikasi yang sama, dan mereka telah mengalami perkembangan substansial selama beberapa
dekade terakhir.

Sistem pengenalan pola biasanya dilatih dari data "pelatihan" berlabel. Ketika tidak ada data
berlabel yang tersedia, algoritma lain dapat digunakan untuk menemukan pola yang
sebelumnya tidak diketahui. KDD dan penambangan data memiliki fokus yang lebih besar pada
metode tanpa pengawasan dan koneksi yang lebih kuat untuk penggunaan bisnis. Pengenalan
pola lebih berfokus pada sinyal dan juga mempertimbangkan akuisisi dan Pemrosesan Sinyal.
Itu berasal dari teknik, dan istilah ini populer dalam konteks visi komputer: konferensi visi
komputer terkemuka bernama Konferensi Visi Komputer dan Pengenalan Pola.
Dalam pembelajaran mesin, pengenalan pola adalah pemberian label ke nilai input yang
diberikan. Dalam statistik, analisis diskriminan diperkenalkan untuk tujuan yang sama pada
tahun 1936. Contoh pengenalan pola adalah klasifikasi, yang mencoba menetapkan setiap nilai
input ke salah satu dari kumpulan kelas tertentu (misalnya, menentukan apakah email yang
diberikan adalah "spam" atau "non-spam"). Pengenalan pola adalah masalah yang lebih umum
yang mencakup jenis output lainnya juga. Contoh lain adalah regresi, yang memberikan output
bernilai nyata untuk setiap input;[1] pelabelan urutan, yang menetapkan kelas untuk setiap
anggota dari urutan nilai[2] (misalnya, penandaan bagian ucapan, yang menetapkan bagian
pidato untuk setiap kata dalam kalimat masukan); dan parsing, yang menetapkan pohon parse
ke kalimat masukan, yang menjelaskan struktur sintaksis kalimat.[3]

Algoritme pengenalan pola umumnya bertujuan untuk memberikan jawaban yang masuk akal
untuk semua input yang mungkin dan untuk melakukan pencocokan input yang "paling
mungkin", dengan mempertimbangkan variasi statistiknya. Ini bertentangan dengan algoritma
pencocokan pola, yang mencari kecocokan persis dalam input dengan pola yang sudah ada
sebelumnya. Contoh umum dari algoritma pencocokan pola adalah pencocokan ekspresi
reguler, yang mencari pola dari jenis tertentu dalam data tekstual dan termasuk dalam
kemampuan pencarian banyak editor teks dan pengolah kata.

You might also like