模式识别与机器学习基本思想讲解

对我们这些搞模式识别的人来讲，很难一下子把思维模式从模式识别切换到机器学习，从算法流程角度讲：
    
1）模式识别是先人为定义辨识度高的特征，再使用算法对特征进行提取，最终使用一个BP神经网络或SVM进行分类。
    
2）机器学习则不一样了，其中核心体现在了深度学习和数据这两个概念上，这时我们的关注点应该放在数据上，放在深度学习模型的特点上，因此机器学习的流程先是首先对数据进行梳理，之后用深度学习自动提取特征，通过该特征进行识别。
    
由此可见，从模式识别向机器学习的思维转变关键是要放弃手动特征提取的想法，而是要把注意力转移到数据的梳理和学习模型的选择上，只要数据和模型准备好了，合理的特征就会被提取出来，至于怎么提取出来的，不用想太多。
    
我们可以从两种经典的算法提取出两种认知模式，一种是自上而下的认知模式，一种是自下而上的认知模式。
    
模式识别是自上而下的，既首先要求我们对信号有了提前系统的认知，我们非常明确输入信号具有哪些辨识度高的特征，根据这些特征得到这个模型。而机器学习是自下而上的，就是我们对输入抱有未知的态度，带有探索的精神一点点的去尝试修正，最终形成一个适用性强精度高的模型。
    
两种认知模式对我们的生活都非常有用，比如一些软件产品开发，那一定要以自上而下的模式开发，必须非常清楚输入是什么，在什么样的输出下达到什么预期。而对于不确定性大的事情，则需要自下而上的认知模式，不要着急下定论，也不要因为某个特殊事件而改变态度。
    
因此模式识别具有更多主观的成分，既我们已经认定某些特征具有决定性作用。而机器学习相对更客观一些，既我们不对数据进行太多的假设，而是设计好框架让其自动的发现更有价值的特征。