تشخیص الگوی چیست؟کار ، انواع و برنامه ها

تشخیص الگوی فرآیند شناسایی الگوهای داده یا منظم با استفاده از الگوریتم های رایانه را خودکار می کند.

محقق Vijay Kanade AI آخرین به روز شده: 17 مه 2023

• تشخیص الگوی به عنوان یک فرآیند تجزیه و تحلیل داده ها تعریف شده است که از الگوریتم های یادگیری ماشین برای طبقه بندی داده های ورودی به اشیاء ، کلاس ها یا دسته بندی ها بر اساس الگوهای شناخته شده ، ویژگی ها یا منظم در داده ها استفاده می کند.
• این برنامه چندین کاربرد در نجوم ، پزشکی ، روباتیک و سنجش از راه دور ماهواره ای دارد.
• در این مقاله اصول تشخیص الگوی ، نحوه عملکرد آن و برنامه های مختلف توضیح داده شده است.

فهرست مطالب

فهرست مطالب

• تشخیص الگوی چیست؟
• تشخیص الگوی چگونه کار می کند؟
• برنامه های تشخیص الگوی

تشخیص الگوی چیست؟

تشخیص الگوی یک فرایند تجزیه و تحلیل داده ها است که از الگوریتم های یادگیری ماشین برای طبقه بندی داده های ورودی به اشیاء ، کلاس ها یا دسته بندی ها بر اساس الگوهای شناخته شده ، ویژگی ها یا منظم در داده ها استفاده می کند. این برنامه چندین کاربرد در زمینه های نجوم ، پزشکی ، روباتیک و سنجش از راه دور ماهواره ای دارد.

تشخیص الگوی شامل دو روش طبقه بندی اولیه است:

• طبقه بندی تحت نظارت: در یک روش تشخیص الگوی نظارت شده ، یک انسان یک الگوریتم رایانه را برای تشخیص الگوهای مبتنی بر مجموعه داده های دارای برچسب از پیش تعریف شده آموزش می دهد. پس از شناسایی الگوی ، روش متعاقباً داده های جدید را طبقه بندی می کند.
• طبقه بندی بدون نظارت: در طبقه بندی بدون نظارت ، این مدل به طور مستقل و بدون هیچ گونه راهنمایی مستقیم از یک انسان می آموزد. الگوریتم رایانه بر اساس نمره شباهت آنها ، همبستگی بین عناصر مختلف داده (ورودی) را مشخص می کند و طبقه بندی داده ها را انجام می دهد.

تشخیص الگوی از طریق چندین رویکرد اجرا می شود. اگرچه تصمیم گیری در مورد یک رویکرد خاص برای انجام وظایف به رسمیت شناختن دشوار است ، ما در مورد شش روش محبوب که معمولاً توسط متخصصان و مشاغل برای تشخیص الگوی استفاده می شود ، بحث خواهیم کرد.

روشهای تشخیص الگوی

1. تشخیص الگوی آماری

این رویکرد تشخیص الگوی از داده های آماری تاریخی استفاده می کند که از الگوهای و نمونه ها یاد می گیرد. این روش مشاهدات را جمع می کند و آنها را برای تعریف یک مدل پردازش می کند. این مدل سپس در مورد مشاهدات جمع آوری شده تعمیم داده و قوانین را در مجموعه داده های جدید یا نمونه ها اعمال می کند.

2. تشخیص الگوی نحوی

تشخیص الگوی نحوی شامل الگوهای پیچیده ای است که می توانند با استفاده از یک رویکرد سلسله مراتبی شناسایی شوند. الگوهای بر اساس نحوه تعامل اولیه (به عنوان مثال ، حروف در یک کلمه) با یکدیگر برقرار می شوند. نمونه ای از این می تواند این باشد که چگونه بدوی ها در کلمات و جملات جمع می شوند. چنین نمونه های آموزشی توسعه قوانین دستوری را نشان می دهد که نشان می دهد چگونه جملات در آینده خوانده می شوند.

3. تشخیص الگوی عصبی

این روش از شبکه های عصبی مصنوعی (ANN) استفاده می کند و از روابط ورودی/خروجی پیچیده و غیرخطی یاد می گیرد ، با داده ها سازگار می شود و الگوهای را تشخیص می دهد. محبوب ترین و مؤثرترین روش در شبکه های عصبی ، روش تغذیه به جلو است. در این روش ، یادگیری با ارائه بازخورد به الگوهای ورودی اتفاق می افتد. این تقریباً مانند انسان است که از تجربیات و اشتباهات گذشته خود یاد می گیرند. مدل مبتنی بر ANN به عنوان گرانترین روش تشخیص الگوی در مقایسه با سایر روشها به دلیل منابع محاسباتی درگیر در این فرآیند رتبه بندی می شود.

4- تطبیق الگوی

تطبیق الگو یکی از ساده ترین رویکردهای تشخیص الگوی است. در اینجا ، شباهت بین دو نهاد با تطبیق نمونه با الگوی مرجع تعیین می شود. چنین روشهایی به طور معمول در پردازش تصویر دیجیتال استفاده می شود ، جایی که بخش های کوچک یک تصویر با یک تصویر الگوی ذخیره شده مطابقت دارند. برخی از نمونه های دنیای واقعی آن شامل پردازش تصویر پزشکی ، تشخیص چهره و ناوبری ربات است.

5. رویکرد مبتنی بر فازی

در رویکرد فازی ، مجموعه ای از الگوهای بر اساس شباهت در ویژگی های الگوها تقسیم می شوند. هنگامی که ویژگی های منحصر به فرد یک الگوی به درستی تشخیص داده می شود ، داده ها را می توان به راحتی در فضای ویژگی شناخته شده طبقه بندی کرد. حتی سیستم بصری انسان نیز با وجود اسکن اشیاء برای مدت طولانی ، نتوانسته است قطعات خاصی را تشخیص دهد. همین امر در مورد دنیای دیجیتال نیز صادق است ، جایی که الگوریتم ها نمی توانند ماهیت دقیق یک شی را مشخص کنند. از این رو ، رویکرد فازی با هدف طبقه بندی اشیاء بر اساس چندین ویژگی مشابه در الگوهای شناسایی شده است.

6. رویکرد ترکیبی

یک رویکرد ترکیبی ترکیبی از روشهای فوق را برای استفاده از همه این روشها به کار می برد. این مجموعه از طبقه بندی کننده های مختلف برای تشخیص الگوهای جایی که هر طبقه بندی کننده در یک فضای خاص آموزش دیده است ، استفاده می کند. نتیجه گیری بر اساس نتایج جمع آوری شده از همه طبقه بندی ها نتیجه گرفته می شود.

تشخیص الگوی چگونه کار می کند؟

تشخیص الگو برای انواع داده ها از جمله تصویر، ویدئو، متن و صدا اعمال می شود. از آنجایی که مدل تشخیص الگو می تواند الگوهای تکرار شونده در داده ها را شناسایی کند، پیش بینی های انجام شده توسط چنین مدل هایی کاملا قابل اعتماد هستند.

تشخیص الگو شامل سه مرحله کلیدی است: تجزیه و تحلیل داده های ورودی، استخراج الگوها و مقایسه آن با داده های ذخیره شده. این فرآیند را می توان به دو مرحله دیگر تقسیم کرد:

1. فاز اکتشافی: در این مرحله، الگوریتم های کامپیوتری تمایل به کشف الگوهای داده دارند.
2. فاز توصیفی: در اینجا الگوریتم ها الگوهای شناسایی شده را گروه بندی کرده و به داده های جدید نسبت می دهند.

این مراحل را می توان بیشتر به ماژول های زیر تقسیم کرد:

1. جمع آوری داده ها

جمع آوری داده ها اولین گام در تشخیص الگو است. دقت تشخیص تا حد زیادی به کیفیت مجموعه داده ها بستگی دارد. به این ترتیب، استفاده از مجموعه داده های منبع باز ترجیح داده می شود و می تواند به جای فرآیندهای جمع آوری دستی داده ها در زمان صرفه جویی کند. بنابراین، دریافت داده ها از دنیای واقعی، فرآیند شناسایی را آغاز می کند.

2. پیش پردازش

هنگامی که داده ها به عنوان ورودی دریافت می شوند، الگوریتم ها مرحله پیش پردازش را شروع می کنند، جایی که داده ها پاک می شوند و ناخالصی ها برای تولید مجموعه داده های جامع که پیش بینی های خوبی را ارائه می دهند، ثابت می شوند. پیش پردازش شامل تقسیم بندی داده ها است. به عنوان مثال، وقتی به عکس دسته جمعی ارسال شده توسط یکی از دوستان در رسانه های اجتماعی نگاه می کنید، متوجه می شوید که با برخی از چهره های موجود در تصویر آشنا هستید که توجه شما را به خود جلب می کند. این همان معنای پیش پردازش است.

پیش پردازش با بهبود همراه است. به عنوان مثال، در نظر بگیرید که همان عکس را مشاهده می کنید، اما ده سال قدیمی تر است. اکنون، برای اینکه مطمئن شوید چهره های آشنا واقعی هستند، شروع به مقایسه چشم ها، رنگ پوست و سایر ویژگی های فیزیکی آن ها می کنید. اینجاست که افزایش اتفاق می افتد. این شامل یک فرآیند صاف کردن و عادی سازی است که سعی می کند تصویر را از تغییرات قوی تصحیح کند. در نتیجه، تفسیر داده ها برای مدل ها آسان می شود.

3. استخراج ویژگی

در مرحله بعد، ویژگی ها از داده های ورودی از پیش پردازش شده استخراج می شوند. در اینجا، داده های ورودی به یک بردار ویژگی تبدیل می شوند که نشان دهنده نسخه کاهش یافته مجموعه ای از ویژگی ها است. این مرحله مشکل ابعاد بالای مجموعه داده ورودی را حل می کند. این بدان معنی است که به جای استفاده از کل مجموعه داده، فقط ویژگی های مرتبط استخراج می شوند.

پس از استخراج ویژگی ها، باید ویژگی هایی را با بالاترین پتانسیل برای ارائه نتایج دقیق انتخاب کنید. پس از انتخاب چنین ویژگی هایی، آنها برای طبقه بندی بیشتر ارسال می شوند.

4. طبقه بندی

سپس ویژگی های استخراج شده با الگوی مشابه ذخیره شده در پایگاه داده مقایسه می شوند. در اینجا ، یادگیری می تواند به روشی تحت نظارت و بدون نظارت اتفاق بیفتد. روش تحت نظارت دانش قبلی در مورد هر دسته از الگوی دارد ، در حالی که یادگیری روش بدون نظارت در پرواز اتفاق می افتد. از آنجا که در نهایت الگوهای با داده های ذخیره شده مطابقت دارند ، طبقه بندی داده های ورودی اتفاق می افتد.

5. پس از پردازش

طبقه بندی با یک مرحله پس از پردازش دنبال می شود ، که در مورد بهترین راه ها برای استفاده از نتایج برای هدایت کارآمد سیستم تصمیم می گیرد. علاوه بر این ، این شامل تجزیه و تحلیل هر بخش از داده های شناسایی شده یا طبقه بندی شده برای به دست آوردن بینش بیشتر است. این بینش های استخراج شده سپس در عمل برای کارهای تشخیص الگوی آینده اجرا می شوند.

برنامه های تشخیص الگوی

تشخیص الگوی از ابزارهای مختلفی مانند تجزیه و تحلیل داده های آماری ، احتمال ، هندسه محاسباتی ، یادگیری ماشین و پردازش سیگنال استفاده می کند تا از داده ها استنباط کند. از آنجا که مدل تشخیص به طور گسترده در صنایع مورد استفاده قرار می گیرد ، برنامه های آن از دید رایانه ، تشخیص شی و تشخیص گفتار و متن تا پردازش رادار متفاوت است.

بیایید به برخی از مناطق برجسته نگاه کنیم که به رسمیت شناختن الگوی از یک طریق یا روش دیگر وجود دارد.

برنامه های تشخیص الگوی

1. تشخیص تصویر

امروز ، ابزارهای تشخیص تصویر توسط سیستم های امنیتی و نظارت در بخش ها به کار می روند. این دستگاه ها به طور همزمان چندین جریان ویدیویی را ضبط و نظارت می کنند. این به تشخیص متجاوزان بالقوه کمک می کند. همین فناوری تشخیص تصویر در مراکز تجاری ، شرکت های فناوری اطلاعات و امکانات تولید به عنوان سیستم شناسه چهره استفاده می شود.

نتیجه دیگر همان برنامه توسط "سیستم تشخیص احساسات" ارائه شده است. "در اینجا ، تشخیص الگوی برای تصاویر و فیلم های ویدئویی برای تجزیه و تحلیل و تشخیص احساسات انسانی مخاطب در زمان واقعی اعمال می شود. هدف از چنین سیستمهایی شناسایی خلق و خو ، احساسات و هدف کاربران است. بنابراین ، از مدل های یادگیری عمیق برای تشخیص الگوهای بیان صورت و زبان بدن افراد استفاده می شود. این داده ها می توانند توسط سازمانها برای تنظیم دقیق کمپین های بازاریابی خود و در نتیجه بهبود تجربه مشتری استفاده شوند.

یکی دیگر از موارد استفاده از تشخیص تصویر ، "تشخیص شی" است. این یک ابزار کلیدی برای برنامه های جستجوی بصری است. در این حالت ، اشیاء موجود در یک بخش تصویر یا ویدیویی مشخص و برچسب گذاری می شوند. این پایه و اساس جستجوی بصری را تشکیل می دهد که در آن کاربران می توانند تصاویر دارای برچسب را جستجو و مقایسه کنند.

به لطف تحول دیجیتالی در صنایع ، سیستم های هوش مصنوعی مبتنی بر تشخیص تصویر بسیار محبوب شده اند. براساس گزارشی که اخیر توسط تحقیقات بازار کارشناسی ارشد ، بازار جهانی تشخیص تصویر در سال 2022 29. 9 میلیارد دلار بود و پیش بینی می شود بین سالهای 2023 و 2028 در CAGR 14. 80 ٪ گسترش یابد.

2. تشخیص الگوی متن و NLP

الگوریتم های تشخیص به طور معمول برای شناسایی الگوهای در داده های متنی استفاده می شود ، که در آن زمان در برنامه هایی مانند ترجمه متن ، تصحیح گرامر ، تشخیص سرقت ادبی و غیره استفاده می شود. برخی از الگوریتم های تشخیص الگوی مبتنی بر یادگیری ماشین برای طبقه بندی اسناد و تشخیص خودکار متن های حساس به طور خودکار استفاده می شوند. بشراین امر در مورد بخش های مالی و بیمه صدق می کند ، جایی که تشخیص الگوی متن برای تشخیص کلاهبرداری استفاده می شود.

3. اسکن اثر انگشت

امروزه تقریباً تمام تلفن های هوشمند و لپ تاپ ها دارای ویژگی شناسایی اثر انگشت برای محافظت از دستگاه در برابر دسترسی غیرمجاز هستند. این امر به این دلیل است که این دستگاه های هوشمند از تجزیه و تحلیل الگوی برای یادگیری ویژگی های اثر انگشت خود استفاده کرده اند و تصمیم می گیرند درخواست دسترسی کاربر را مجاز یا انکار کنند.

4- تجزیه و تحلیل فعالیت لرزه ای

هنگام مشاهده چگونگی وقوع زمین لرزه ها و سایر مصیبت های طبیعی پوسته زمین ، تشخیص الگوی ابزاری مؤثر برای مطالعه چنین پارامترهای زمینی است. به عنوان مثال ، محققان می توانند سوابق لرزه ای را مطالعه کرده و الگوهای مکرر را برای توسعه مدلهای مقاوم در برابر فاجعه شناسایی کنند که می توانند اثرات لرزه ای را به موقع کاهش دهند.

5. تشخیص صوتی و صدا

دستیاران شخصی و مبدل های گفتار به متن سیستم های تشخیص صدا و صدا هستند که بر اساس اصول تشخیص الگوی اجرا می شوند. به عنوان مثال ، الکسا سیری و سامسونگ ابزاری هستند که سیگنال های صوتی و صوتی را درک و تجزیه و تحلیل می کنند تا معنای کلمات و عبارات را درک کنند و وظایف مرتبط را انجام دهند.

6. مراقبت های بهداشتی

اهمیت شناخت الگوی در حوزه پزشکی با مقاله اخیر منتشر شده توسط Nature Communications در فوریه 2021 برجسته شد. فرض بر این بود که Covid-19 بیش از افراد جوان بر گروه سنی بالاتر تأثیر می گذارد ، و محققان MIT تصور می کردند که این تنها نیستبه دلیل پیری سیستم ایمنی بدن بلکه به دلیل تغییرات ریه که همراه با افزایش سن است.

جامعه علمی در MIT تصاویر ریه سالمندان را مورد مطالعه قرار داد و از تشخیص الگوی برای شناسایی تغییر در الگوهای ریه گروههای قدیمی استفاده کرد. این مطالعه نشان داد که پیری باعث سفت شدن بافت های ریه شده و بیان ژن های مختلفی نسبت به مواردی که در افراد جوان مشاهده می شود نشان می دهد.

از چنین تکنیک های تشخیص الگوی نیز برای تشخیص و پیش بینی سرطان استفاده می شود. به عنوان مثال ، سیستم های پشتیبانی از تصمیم گیری بالینی (CDSS) از روشهای تشخیص الگوی برای تشخیص بیماران بر اساس علائم خود استفاده می کنند ، در حالی که سیستم های تشخیص به کمک رایانه (CAD) به پزشکان در تفسیر تصاویر پزشکی کمک می کند. کاربردهای CAD شامل سرطان پستان ، سرطان ریه و غیره است.

7. رسانه های اجتماعی

تشخیص الگوی می تواند در سیستم عامل های رسانه های اجتماعی به عنوان یک ابزار امنیتی به کار گرفته شود. این می تواند برای یافتن پست های توهین آمیز ، شناسایی فعالان مظنون مذهبی ، شناسایی مجرمان یا صفر در توییت هایی که باعث ناآرامی های داخلی می شوند ، استفاده شود. همچنین می تواند برای شناسایی پست ها یا اظهارنظرهایی که نشان دهنده خودآزاری و افکار خودکشی است ، استفاده شود.

در حالی که رسانه های اجتماعی هر روز مقادیر زیادی از داده ها را تولید می کنند ، هوش مصنوعی می تواند این داده ها را به اطلاعات عملی تبدیل کند. به عنوان مثال ، شناخته شده است که فیس بوک برای تشخیص حساب های جعلی با استفاده از عکس های پروفایل یک فرد ، از تشخیص الگوی استفاده می کند.

8. امنیت سایبری

شبکه های سازمانی می توانند از سیستم های امنیتی مبتنی بر تشخیص الگوی استفاده کنند که روند فعالیت را تشخیص داده و به تغییر رفتار کاربر برای مسدود کردن هکرهای احتمالی پاسخ می دهند. اگر تیم های امنیت سایبری دسترسی فوری به الگوهای بدافزار داشته باشند ، می توانند قبل از حمله یا تهدید به شبکه ، اقدامات مناسبی انجام دهند. به عنوان مثال ، سیستم های تشخیص نفوذ فیلترهای هوش مصنوعی هستند که در داخل یک شبکه شرکتی قرار می گیرند و به دنبال تهدیدات احتمالی در شبکه هستند.

9. روباتیک

در دوران مدرن ، نیروهای وظیفه روباتیک در صنایع رایج شده اند. روبات ها به طور فزاینده ای برای انجام کارهای خطرناک به کار می روند. به عنوان مثال ، تشخیص مواد رادیواکتیو امروزه توسط روبات ها انجام می شود. این دستگاه ها برای انجام کار از تشخیص الگوی استفاده می کنند. در این حالت ، دوربین ربات تصاویر یک معدن را ضبط می کند ، ویژگی های تبعیض آمیز را استخراج می کند و از الگوریتم های طبقه بندی برای تفکیک تصاویر در معرض خطرناک یا غیرقانونی بر اساس ویژگی های شناسایی شده استفاده می کند.

10. تشخیص شخصیت نوری

تشخیص شخصیت نوری OCR تصاویر اسکن شده از متن ، عکس و تصاویر را به اسناد قابل ویرایش تبدیل می کند. فرایند تشخیص شخصیت ، نیاز به نوشتن اسناد را به صورت دستی ، صرفه جویی در وقت و افزایش کارایی از بین می برد. به عنوان مثال ، ویراستاران اسناد PDF و کتابخانه های دیجیتال به چنین برنامه هایی با ویژگی های تشخیص شخصیت داخلی اشاره می کنند.

11. برنامه نویسی

برنامه نویسی زمینه دیگری است که در آن تشخیص الگوی به طور گسترده ای استفاده می شود. تشخیص الگوی به توسعه دهندگان در شناسایی خطاها در کدها کمک می کند. برخی از نمونه های محبوب عبارتند از:

• GitHub Copilot: این ابزار AI-محور در کنار یک ویرایشگر کار می کند و برخی از خطوط کد یا کل توابع را پیشنهاد می کند. این ابزاری سازگار با توسعه دهنده است که توسط Github و OpenAI طراحی شده و از چندین زبان برنامه نویسی مانند JavaScript ، TypeScript ، Python ، Go و Ruby پشتیبانی می کند. این یک ابزار برنامه نویسی پیشرفته است که نه تنها کد را توصیه می کند بلکه الگوریتم ها یا تست های واحد را نیز پیشنهاد می کند. این ابزار بر روی میلیاردها خط کد از منابع عمومی آموزش داده می شود.
• Tabnine: این یکی دیگر از دستیار های هوش مصنوعی برای برنامه نویسان است. مدل های آن پیشنهادهایی را برای هر ضربه ای که توسط یک کاربر ساخته شده است ارائه می دهد. علاوه بر این ، توصیه ها به صورت کل خطوط یا توابع در IDE ها هستند. این پشتیبانی از IDE های مختلف مانند VScode ، Android Studio ، IntelliJ ، Eclipse و WebStorm پشتیبانی می کند.
• Clever-Commit: این یک دستیار برنامه نویسی است که توسط Mozilla با همکاری Ubisoft طراحی شده است. ابزار AI بر اساس یک مطالعه پژوهشی 2018 است که یک رویکرد هوشمندانه (ترکیبی از سطح تکنیک های پیشگیری از اشکال) را پیشنهاد می کند. دستیار نه تنها کد نادرست را مشخص می کند بلکه تغییرات احتمالی در آن را نیز نشان می دهد.

بردن

از آنجا که برنامه های تشخیص الگوی آینده نگر تر و هوشمند تر می شوند ، سیستم های پیشرفته AI برای اتوماسیون کامل وظایف و حل مشکلات تحلیلی پیچیده کاملاً مناسب هستند. در حالی که امکانات بی پایان در مورد آنچه که چنین ابزارهای هوشمند هوشمند می توانند به آن دست یابند وجود دارد ، آینده شناخت الگوی در دست NLP ، تشخیص پزشکی ، روباتیک و دید رایانه در میان دیگران نهفته است.

آیا این مقاله به شما در درک نقش تشخیص الگوی در سیستم های مدرن AI کمک کرده است؟در زیر نظر دهید یا به ما اطلاع دهید در فیس بوک یک پنجره جدید باز می شود ، توییتر یک پنجره جدید را باز می کند ، یا LinkedIn یک پنجره جدید باز می کند. ما از اینکه ازت خبر داشته باشیم خوشحال میشویم!

منبع تصویر: Shutterstock

اطلاعات بیشتر در مورد هوش مصنوعی

• AI باریک در مقابل ژنرال AI در مقابل Super AI: مقایسه کلیدی
• یادگیری ماشین چیست؟تعریف ، انواع ، برنامه ها و روندهای سال 2022
• 10 کتابخانه یادگیری ماشین پایتون در سال 2022
• تجزیه و تحلیل داده ها چیست؟تعریف ، انواع و برنامه ها
• محاسبات همه جا (محاسبات فراگیر) چیست؟معنی ، لایه ها ، نمونه ها و برنامه ها