模式识别（Pattern Recognition）和机器学习（Machine Learning）
模式识别强调的是对当前样例的分类与聚类，而机器学习强调的是设计一个能使对当前样例分类聚类的目标函数，侧重于训练学习算法。机器通过训练学习后才能用来应用于模式的识别。机器学习就是分类器、决策函数的设计。模式识别由数据获取、预处理、特征提取、分类决策、分类器设计五部分组成，主要研究问题是特征的选取与优化、分类判别、聚类判别。机器学习侧重于通过提取的特征训练样例进行分类器的设计。
·
模式识别强调的是对当前样例的分类与聚类，而机器学习强调的是设计一个能使对当前样例分类聚类的目标函数，侧重于训练学习算法。
机器通过训练学习后才能用来应用于模式的识别。
机器学习就是分类器、决策函数的设计。
模式识别由数据获取、预处理、特征提取、分类决策、分类器设计五部分组成，主要研究问题是特征的选取与优化、分类判别、聚类判别。
机器学习侧重于通过提取的特征训练样例进行分类器的设计。
数据的获取涉及传感器技术
数据的预处理就是去噪、滤波、波形变换，自然涉及信号分析与处理、数字信号处理等学科
特征提取涉及信号变换、空间变换、降维等方法，涉及线性代数、复变函数与积分变换等学科，当然微积分是必备的基础
既然涉及到数据必定和测度观测、样本、真值、置信区间等有关，又需要对分类器的优劣也需要进行置信区间的评估，这样就需要统计学的知识
分类决策与分类器设计需要进行建模与参数优化，自然就涉及到数学建模、机器学习、统筹决策、动态规划、最优化理论与技术、智能计算等领域
机器学习中的训练样例是已经经过特征提取后的数据，而模式识别用特征向量来描述样本，所以机器学习中的训练数据D等同于模式识别中的特征向量X。
CSDN联合极客时间，共同打造面向开发者的精品内容学习社区，助力成长！
更多推荐
1
0- 0
已为社区贡献2条内容
所有评论(0)