Quiero aprender el reconocimiento de patrones, pero ¿qué matemáticas necesitaré antes de comenzar?

Answer 1

Es bueno que quieras aprender el Reconocimiento de patrones … Obtendrás una exposición a la Inteligencia Artificial a través de este tema, y ​​confía en mí, será muy útil a largo plazo … Incluso años atrás, opté por el Reconocimiento de patrones como optativo …

Entonces, ¿qué es el reconocimiento de patrones?

El reconocimiento de patrones es una rama del aprendizaje automático que se centra en el reconocimiento de patrones y regularidades en los datos, aunque en algunos casos se considera casi sinónimo de aprendizaje automático. En muchos casos, los sistemas de reconocimiento de patrones se entrenan con datos de “entrenamiento” etiquetados (aprendizaje supervisado), pero cuando no hay datos etiquetados disponibles, se pueden usar otros algoritmos para descubrir patrones previamente desconocidos (aprendizaje no supervisado).

¿Cuál es el currículo habitual de Reconocimiento de Patrones?

• Introducción y Preliminares Matemáticos: ¿Qué es el reconocimiento de patrones ?, Agrupamiento vs. Clasificación; Aplicaciones; Álgebra lineal, espacios vectoriales, teoría de la probabilidad, técnicas de estimación.
• Clasificación: regla de decisión de Bayes, probabilidad de error, tasa de error, clasificador de distancia mínima, distancia de Mahalanobis; Clasificador K-NN, funciones discriminantes lineales y límites de decisión no lineales, LDA de Fisher, perceptrón de una y varias capas, conjuntos de entrenamiento y pruebas, estandarización y normalización.
• Agrupamiento: Diferentes funciones de distancia y medidas de similitud, Mínimo dentro del criterio de distancia de agrupamiento, K-significa agrupamiento, vinculación simple y agrupamiento de vinculación completa, MST, medoides, DBSCAN, Visualización de conjuntos de datos, existencia de agrupaciones únicas o sin agrupaciones.
• Selección de características: declaración de problemas y usos, funciones de criterio basadas en la separabilidad probabilística, funciones de criterio basadas en la distancia entre clases, algoritmo de ramificación y límite, algoritmos de selección secuencial hacia adelante / hacia atrás, algoritmo (l, r).
• Extracción de características: PCA, Kernel PCA.
• Avances recientes en las relaciones públicas: PR estructural, SVM, FCM, Soft computing y Neuro-Fuzzy.

¿Cuáles son los requisitos previos de la asignatura Reconocimiento de patrones?

• Matemáticas: Espacios vectoriales, álgebra lineal, teoría de la probabilidad, estadística
• Ciencias de la computación: algoritmos

¿Cuáles son algunos buenos recursos para estudiar el Reconocimiento de Patrones?

1. RODuda, PEHart y DGStork, Clasificación de patrones, John Wiley, 2001.
2. Reconocimiento de patrones estadísticos; K. Fukunaga; Prensa académica, 2000.
3. S.Theodoridis y K. Koutroumbas, Reconocimiento de patrones, 4ª edición, Academic Press, 2009.
4. CMBishop, Reconocimiento de Patrones y Aprendizaje Automático, Springer, 2006.

Algunos enlaces más para ti …

Archivo UCI KDD

Asociación Internacional de Reconocimiento de Patrones

Espero que esta respuesta te ayude …

¡¡¡Disfruta aprendiendo!!!

Answer 2

Reconocimiento de patrones:

Este campo de estudio es la combinación de múltiples ramas de las matemáticas y las computadoras, ampliamente categorizadas como aprendizaje automático. Se ha diseñado un gran número de algoritmos de reconocimiento de patrones, en su mayoría basados ​​en el principio de partición y potencial utilizado para calcular estimaciones.

Básicamente, las Matemáticas que necesitará para desarrollar y abordar el reconocimiento de patrones son las mismas que las esenciales en el campo de la Inteligencia Artificial.

1. Los fundamentos de las matemáticas como el álgebra lineal, las estadísticas (especialmente para la minería de datos), un conocimiento bastante bueno de la teoría de probabilidades básica y avanzada, las matemáticas discretas son de suma importancia. Los vectores y los grupos básicos en lógica, máquinas de turing y lo más importante de las estructuras de datos y algoritmos y la teoría de juegos también son esenciales.
2. El análisis real básico, el análisis complejo y el análisis funcional le darán esa ventaja adicional esencial en este campo en particular
3. Análisis geométrico que involucra el uso de métodos geométricos para visualizar ecuaciones diferenciales parciales.
4. Cálculo de variaciones (funciones extremizantes)
5. Métodos de transformación y análisis.
6. El análisis numérico y la integración son muy necesarios para el cálculo de integrales multidimensionales muy grandes y algoritmos MRF.
7. Álgebra lineal numérica (Matrices y sus operaciones).
8. Lo más importante es la Investigación de Operaciones (Teoría de colas y otros modelos de procesos estocásticos, redes neuronales, análisis de decisiones).

Todos los temas mencionados anteriormente le dan una idea general de en qué se está metiendo. Las cosas exactas que son esenciales solo se pueden entender cuando estás en el proceso de aprendizaje o desarrollo. Una rápida ejecución de algoritmos desarrollados en este campo también le proporcionará la idea.

Espero que esto responda tu pregunta. 🙂

Answer 3

Todo el cálculo, álgebra. Luego, la integración / diferenciación, incluidos los grados altos, los casos complejos y específicos, etc. Teoría de la probabilidad, optimización matricial y cálculo relacionado. En la parte superior, lea el libro de Bishops sobre Reconocimiento de patrones completamente.

Answer 4

{cálculo, álgebra} ->

{teoría de la probabilidad, estadística, optimización} ->

{aprendizaje estadístico} ->

{teoría de la medida, análisis funcional, geometría diferencial, PDE…}