4、机器学习中的模式识别与意义判定

机器学习中的模式识别与意义判定

在当今科技飞速发展的时代，机器学习已经成为了一个备受关注的领域。然而，很多人可能不知道，如今机器学习中盛行的问题框架策略和实践，其实早在20世纪50年代到70年代就由从事模式识别问题研究的人员提出并传播开来。

模式识别研究的起源与发展

在20世纪50年代和60年代，模式识别研究通过不同的研究群体、研究问题和计算设备之间的相互作用逐步发展起来。当时的研究人员致力于将上下文意义的识别机械化，标准化不同机器学习系统的比较，并通过开创一门新学科来规范一套训练、技术和推理方法。

早期的模式识别研究人员提出了一种上下文意义的概念，这种概念既可以由人类执行，也可以由机器执行，并且强调与人类判断相当的性能可靠性，以及在面对前所未见的新数据时的稳健性能。这种上下文意义的概念在冷战时期的光学字符识别（OCR）研究问题中得到了体现和传播。例如，在OCR中，研究人员希望通过从示例中学习来做出有用的决策。

模式识别中的学习概念

模式识别中的学习具有多种含义，这些含义体现了研究人员对机器能够和应该学习内容的期望。在20世纪50年代后期的模式识别中，学习以从统计决策理论中借用的损失函数的形式在数学上得到体现。这种多义的学习将构建模式识别系统的日常技术决策与将创造力与生成上下文意义的机械方案联系起来的态度融合在一起。

研究人员面临着两个与知识相关的问题。第一个问题是在单个实验室层面，如何评估、比较和判断使用不同方法、设备和数据集的不同OCR系统。建立学习标准还有一个实际好处，就是让模式识别系统能够根据新数据判断和改进自身性能。第二个问题是关于专业身份，即是什么使模式识别成为一门值得拥有自己的会议、工作和资金的独特学科