pattern recognition

El reconocimiento de patrones es el reconocimiento automatizado de patrones y regularidades en los datos. Aunque similares, el reconocimiento de patrones (PR) no debe confundirse con las máquinas de patrones (PM) que pueden poseer capacidades de (PR) pero cuya función principal es distinguir y crear patrones emergentes. PR tiene aplicaciones en el análisis de datos estadísticos, el procesamiento de señales, el análisis de imágenes, la recuperación de información, la bioinformática, la compresión de datos, los gráficos por computadora y el aprendizaje automático. El reconocimiento de patrones tiene sus orígenes en la estadística y la ingeniería; algunos enfoques modernos al reconocimiento de patrones incluyen el uso del aprendizaje automático, debido a la mayor disponibilidad de big data y una nueva abundancia de poder de procesamiento. Los sistemas de reconocimiento de patrones se entrenan comúnmente a partir de datos de "entrenamiento" etiquetados. Cuando no se dispone de datos etiquetados, se pueden usar otros algoritmos para descubrir patrones previamente desconocidos. KDD y la minería de datos tienen un mayor enfoque en los métodos no supervisados y una conexión más fuerte con el uso empresarial. El reconocimiento de patrones se centra más en la señal y también tiene en cuenta la adquisición y el procesamiento de señales. Se originó en la ingeniería, y el término es popular en el contexto de la visión por computadora: una conferencia líder en visión por computadora se llama Conference on Computer Vision and Pattern Recognition. En el aprendizaje automático, el reconocimiento de patrones es la asignación de una etiqueta a un valor de entrada dado. En estadística, el análisis discriminante se introdujo con este mismo propósito en 1936. Un ejemplo de reconocimiento de patrones es la clasificación, que intenta asignar cada valor de entrada a uno de un conjunto dado de clases (por ejemplo, determinar si un correo electrónico dado es "spam"). El reconocimiento de patrones es un problema más general que abarca otros tipos de salida también. Otros ejemplos son la regresión, que asigna una salida de valor real a cada entrada; el etiquetado de secuencias, que asigna una clase a cada miembro de una secuencia de valores (por ejemplo, el etiquetado de partes del discurso, que asigna una parte del discurso a cada palabra en una oración de entrada); y el análisis sintáctico, que asigna un árbol de análisis a una oración de entrada, describiendo la estructura sintáctica de la oración. Los algoritmos de reconocimiento de patrones generalmente buscan proporcionar una respuesta razonable para todas las entradas posibles y realizar una coincidencia "más probable" de las entradas, teniendo en cuenta su variación estadística. Esto se opone a los algoritmos de coincidencia de patrones, que buscan coincidencias exactas en la entrada con patrones preexistentes.