模式識別與機器學習，為了能夠讓機器執行和完成識別任務，必須對分類識別對象進行科學的抽象，建立它的數學模型，用以描述和代替識別對象，這種對象的描述即為模式。
模式識別與機器學習概念
模式識別系統過程：
特徵提取與選擇
訓練學習
分類識別
模式識別過程從信息層次、形態轉換上講，是由分析對象的物理空間通過特徵提取轉換為模式的特徵空間，然後通過分類識別轉換為輸出的類別空間。
特徵提取是對研究對象本質的特徵進行量測並講結果數值化或將對象分解並符號化，形成特徵矢量、符號串或關係圖，產生代表對象的模式。
特徵選擇是在滿足分類識別正確率的條件下，按某種準則盡量選用對正確分類識別作用較大的特徵，從而用較少的特徵來完成分類識別任務。
模式識別與機器學習注意
在模式採集和預處理中，一般要用到模數(A/D)轉換。A/D轉換必須注意：
採樣率，必須滿足採樣定理
量化等級，取決於精度要求
在數據採集過程中，一般我們會進行一些預處理過程，如
去雜訊：消除或減少模式採集中的雜訊及其它干擾，提高信雜比(信噪比)
去模糊：消除或減少數據圖像模糊及幾何失真，提高清晰度
模式結構轉換：例如把非線性模式轉變為線性模式，以利於後續處理，等等
預處理的方法包括:濾波，變換，編碼，歸一化等
特徵提取/選擇的目的：降低維數，減少內存消耗，使分類錯誤減小
分類:把特徵空間劃分成類空間，影響分類錯誤率的因數：
分類方法
分類器的設計
提取的特徵
樣本質量
模式識別的主流技術有：
統計模式識別
結構模式識別
模糊模式識別
人工神經網路方法
人工智慧方法
子空間法
統計模式識別直接利用各類的分布特徵或隱含地利用概率密度函數、後驗概率等概念進行分類識別。基本的技術有聚類分析、判別類域代數界面法、統計決策法、最近鄰法等。
結構模式識別將對象分解為若干基本單元，即基元；其結構關係可以用字元串或圖來表示，即句子；通過對句子進行句法分析，根據文法而決定其類別。
模糊模式識別將模式或模式類作為模糊集，將其屬性轉化為隸屬度，運用隸屬函數、模糊關係或模糊推理進行分類識別。
人工神經網路方法由大量的基本單元，即神經元互聯而成的非線性動態系統。
總之，模式識別與機器學習給大家簡單的介紹了一些，希望大家多看看。