بازشناسی الگو
الگو همه چیز در این دنیای دییتال است. یک الگو را می توان به صورت فیزیکی مشاهده کرد یا با اعمال الگوریتم ها می توان آن را به صورت ریاضی مشاهده کرد.
مثال: رنگ های روی لباس، الگوی گفتار و غیره. در علوم کامپیوتر، یک الگو با استفاده از مقادیر ویژگی برداری نمایش داده می شود.
تشخیص الگو چیست؟
تشخیص الگو فرآیند شناسایی الگوها با استفاده از الگوریتم یادگیری ماشینی است. تشخیص الگو را می توان به عنوان طبقه بندی داده ها بر اساس دانش از قبل به دست آمده یا بر اساس اطلاعات آماری استخراج شده از الگوها و/یا نمایش آنها تعریف کرد. یکی از جنبه های مهم تشخیص الگو، پتانسیل کاربردی آن است.
مثال‌ها: تشخیص گفتار، شناسایی گوینده، تشخیص اسناد چندرسانه‌ای (MDR)، تشخیص خودکار پزشکی.
در یک برنامه تشخیص الگوی معمولی، داده‌های خام پردازش شده و به فرمی تبدیل می‌شوند که برای ماشین قابل استفاده است. تشخیص الگو شامل طبقه بندی و خوشه ای از الگوها است.
در طبقه بندی، یک برچسب کلاس مناسب به یک الگو بر اساس انتزاعی که با استفاده از مجموعه ای از الگوهای آموزشی یا دانش حوزه تولید می شود، اختصاص می یابد. طبقه بندی در یادگیری تحت نظارت استفاده می شود.
خوشه‌بندی بخشی از داده‌ها را ایجاد کرد که به تصمیم‌گیری، فعالیت تصمیم‌گیری خاص مورد علاقه ما کمک می‌کند. خوشه بندی در یادگیری بدون نظارت استفاده می شود.
ویژگی ها ممکن است به صورت متغیرهای باینری پیوسته، گسسته یا گسسته نمایش داده شوند. یک ویژگی تابعی از یک یا چند اندازه گیری است که به گونه ای محاسبه می شود که برخی از ویژگی های مهم شی را کمیت کند.
مثال: صورت خود را در نظر بگیرید، پس چشم، گوش، بینی و غیره از ویژگی های صورت است.
مجموعه ای از ویژگی ها که با هم جمع می شوند، بردار ویژگی ها را تشکیل می دهند.
مثال: در مثال بالا از صورت، اگر تمام ویژگی ها (چشم، گوش، بینی و غیره) با هم گرفته شوند، دنباله یک بردار ویژگی است ([چشم، گوش، بینی]). بردار ویژگی دنباله ای از یک ویژگی است که به صورت بردار ستونی d بعدی نشان داده می شود. در مورد گفتار، MFCC (ضریب سپسترال فرکانس مل) ویژگی طیفی گفتار است. دنباله 13 ویژگی اول یک بردار ویژگی را تشکیل می دهد.
تشخیص الگو دارای ویژگی های زیر است:
- سیستم تشخیص الگو باید الگوهای آشنا را سریع و دقیق تشخیص دهد
- اشیاء ناآشنا را بشناسید و طبقه بندی کنید
- تشخیص دقیق اشکال و اشیا از زوایای مختلف
- شناسایی الگوها و اشیاء حتی زمانی که تا حدی پنهان هستند
- الگوها را به سرعت و به راحتی و با خودکار تشخیص دهید.
آموزش و یادگیری در تشخیص الگو
یادگیری پدیده ای است که از طریق آن یک سیستم آموزش می بیند و برای به دست آوردن نتایج به شیوه ای دقیق سازگار می شود. یادگیری مهم‌ترین مرحله برای اینکه سیستم چقدر روی داده‌های ارائه شده به سیستم خوب عمل می‌کند، بستگی به الگوریتم‌هایی دارد که روی داده‌ها استفاده می‌شوند. کل مجموعه داده به دو دسته تقسیم می شود، یکی که در آموزش مدل یعنی مجموعه آموزشی استفاده می شود و دیگری برای آزمایش مدل بعد از آموزش، یعنی مجموعه تست استفاده می شود.
مجموعه آموزشی:
مجموعه آموزشی برای ساخت مدل استفاده می شود. این شامل مجموعه ای از تصاویر است که برای آموزش سیستم استفاده می شود. قوانین و الگوریتم های آموزشی برای ارائه اطلاعات مرتبط در مورد نحوه مرتبط کردن داده های ورودی با تصمیمات خروجی استفاده می شود. سیستم با اعمال این الگوریتم ها در مجموعه داده آموزش داده می شود، تمام اطلاعات مربوطه از داده ها استخراج می شود و نتایج به دست می آید. به طور کلی، 80٪ از داده های مجموعه داده برای داده های آموزشی گرفته می شود.
مجموعه تست:
داده های تست برای تست سیستم استفاده می شود. مجموعه داده هایی است که برای بررسی اینکه آیا سیستم پس از آموزش، خروجی درستی تولید می کند یا خیر استفاده می شود. به طور کلی، 20٪ از داده های مجموعه داده برای آزمایش استفاده می شود. داده های تست برای اندازه گیری دقت سیستم استفاده می شود. به عنوان مثال، سیستمی که مشخص می کند یک گل خاص متعلق به کدام دسته است، می تواند هفت دسته گل را به درستی از ده دسته و بقیه را اشتباه تشخیص دهد، سپس دقت 70٪ است.
مثال‌ها و توضیحات عملی:
الگو یک شیء فیزیکی یا یک مفهوم انتزاعی است. در حالی که در مورد طبقات حیوانات صحبت می شود، توصیف یک حیوان یک الگو خواهد بود. در حالی که در مورد انواع مختلف توپ صحبت می شود، توصیف توپ یک الگو است. در مورد توپ هایی که به عنوان الگو در نظر گرفته می شود، کلاس ها می تواند فوتبال، کریکت، توپ تنیس روی میز و ... باشد. با توجه به الگوی جدید، کلاس الگو تعیین می شود. انتخاب صفات و نمایش الگوها گام بسیار مهمی در طبقه بندی الگوها است. یک نمایش خوب، نمایشی است که از ویژگی های متمایز استفاده کند و همچنین بار محاسباتی را در طبقه بندی الگو کاهش دهد.
یک نمایش واضح از یک الگو یک بردار خواهد بود. هر عنصر از بردار می تواند یک ویژگی از الگو اولین عنصر t را نشان دهد.
