Vad är mönsterigenkänning?

Mönsterigenkänning är ett systems förmåga att känna igen mönster inom uppsättningar av data, förlita sig på programmerad och lärd kunskap. Detta är en viktig del av datavetenskapen, eftersom det möjliggör utveckling av system som kan komplex dataanalys. Detta kan hjälpa forskare att sortera data snabbt för att hitta meningsfull information, eftersom de inte behöver läsa igenom uppgifterna manuellt för att hitta intressanta punkter. Mönsterigenkänning kan också vara användbart för att upptäcka fel, bedrägeri och andra problem inom datamängder.

Detta skiljer sig från mönstermatchning, där systemet exakt kan matcha material genom att använda en känd databas. Ett tydligt exempel på denna distinktion kan ses i e -postfilter. Många webbaserade e-postkonton har en skräppostmapp. E -postleverantören skannar inkommande post och använder mönsterigenkänning för att identifiera skräppost och släppa den i den här mappen. Användaren kan också filtrera sitt e -postmeddelande och ber klienten släppa e -post från en partikelAR -avsändare eller med särskilt innehåll i en specifik mapp.

Handlingen för att kontrollera om skräppost kräver förmågan att känna igen allmänna mönster, till exempel närvaron av specifika ord, kända misstänkta internetprotokoll (IP) adresser och andra röda flaggor som kan markera en bokstav som falska. Detta är mer avancerat än ett filter, som helt enkelt ber systemet att matcha mönster. Om systemet ser ett ord eller avsändare som passar mönstret kan det flytta e -postmeddelandet till lämplig mapp.

komplexa algoritmer stödmönsterigenkänning. Systemet kan använda flera medel för att utforska inkommande data och bestämma hur man bäst hanterar det. Det kan programmeras för att utföra specifika funktioner, till exempel att dirigera misstänkta eller korrupta data till en viss plats, klassificera data på ett meningsfullt sätt och så vidare. Systemet kan lära sig och använder detta som ett verktyg för att bli bättre på mönsterigenkänning. Varje gångEn användare flaggar ett e -postmeddelande som skräppost, till exempel, systemet skannar e -postmeddelandet för att lära sig mer om det, och systemet fortsätter inte att göra misstaget att sätta liknande e -postmeddelanden i inkorgen.

datavetare utvecklar nya mönsterigenkänningstekniker i labb- och forskningsmiljöer. Dessa kan tillämpas på en mängd olika uppgifter och kräva konstruktion av neurala nätverk som kan interagera med data och ändra över tid. Vissa program är extremt sofistikerade och kan mycket detaljerat mönsterigenkänning, och andra är mer förenklade. Sådana program minskade antalet mänskliga timmar som krävs för att analysera data och kan fånga saker som en människa kan missa, till exempel bevis på bedrägeri i form av oegentligheter som sträcker sig över tusentals försäkringsanspråk.