模式识别基本概念

什么是模式识别？

模式识别是人工智能的一个分支。模式识别的任务指对带有标记的样本数据中训练识别系统，或者无标识的样本数据中发现模式。

模式：是指存在于时间和空间中可观测性，可度量性和可区分性的信息。

模式识别：对模式进行分析与处理，进而实现描述，辨识，分类与解译。基本上都是在做分类问题。例如：数据点分类，文本信息分类，语音信号分类，图像与视觉信息识别与分类等。

人工智能相关学科领域？

模式识别，机器学习，数据挖掘，自然语言处理，计算机视觉等。

生成模型和判别模型概念与区别？

生成模型：输入的训练样本数据和其输出概率密度函数具有一定的关系得出，模型的学习目的是为了得到其每个数据对应的概率密度函数。然后可以根据对应的概率密度函数，进而根据概率判断测试数据所属的类别。表示各个类别的内部结构或特征分布。
例如：

参数模型：高斯模型，狄利克雷函数分布，朴素贝叶斯，隐马尔可夫模型。非参数模型：直方图法，Parzen窗，K-nearst-neighbor(K-NN)。

判别模型：模型学习的目的主要是直接得到判别函数Y=f(x)或边界，对于其数据的概率概率密度函数的具体值并不关注，主要关注不同数据样本之间的差异性和区别性。（能够区分测试数据集不同的类别）。

例如：

神经网络，逻辑回归，支持向量机(SVM)和核方法，决策树和Boosting。

具体详细介绍可参考博客：https://blog.csdn.net/zouxy09/article/details/8195017

监督（Supervised），非监督（Unsupervised）和半监督（Semi-Supervised）？

简言之就是：带有类别标签的训练样本数据为监督式，未知样本数据类别标签即为非监督。训练样本一部分有标签，一部分没有标签，为半监督。

参数和非参数？

主要是体现在研究训练样本的概率密度函数的分布过程中。

参数模型：训练数据样本的整体分布已知，具体模型内某些参数是未知量，需要通过学习（一定的模型方式迭代）求解参数。

非参数模型：训练数据样本的整体分布未知。