पैटर्न पहचान डेटा से निकाले गए पैटर्न के आधार पर किसी अवलोकन को एक वर्ग निर्दिष्ट करने का कार्य है। यह एक ऐसा क्षेत्र है जो कंप्यूटर एल्गोरिदम के माध्यम से डेटा में नियमितताओं की स्वचालित खोज और इन नियमितताओं का उपयोग करके क्रियाएँ करने से संबंधित है, जैसे डेटा को विभिन्न श्रेणियों में वर्गीकृत करना। हालांकि समान, पैटर्न पहचान को पैटर्न मशीनों के साथ भ्रमित नहीं किया जाना चाहिए, जिनमें पैटर्न पहचान क्षमताएँ हो सकती हैं लेकिन उनका प्राथमिक कार्य उभरते पैटर्न को अलग करना और बनाना है। इस अनुशासन की उत्पत्ति सांख्यिकी और इंजीनियरिंग में हुई है, और आधुनिक दृष्टिकोण बड़े डेटा और प्रचुर प्रोसेसिंग शक्ति की उपलब्धता के कारण तेजी से मशीन लर्निंग पर निर्भर हैं।
पैटर्न पहचान प्रणालियाँ आमतौर पर लेबल किए गए प्रशिक्षण डेटा से प्रशिक्षित होती हैं, जहाँ प्रत्येक उदाहरण एक सही आउटपुट के साथ जोड़ा जाता है। जब लेबल किया गया डेटा उपलब्ध नहीं होता है, तो एल्गोरिदम अप्रशिक्षित तरीकों के माध्यम से पहले से अज्ञात पैटर्न खोज सकते हैं। यह क्षेत्र सिग्नल पर ही केंद्रित है, जिसमें अधिग्रहण और सिग्नल प्रोसेसिंग शामिल है, और यह कंप्यूटर विज़न के संदर्भ में लोकप्रिय है; एक प्रमुख सम्मेलन कंप्यूटर विज़न और पैटर्न पहचान सम्मेलन है। मशीन लर्निंग में, पैटर्न पहचान किसी दिए गए इनपुट मान को एक लेबल निर्दिष्ट करना है, जबकि सांख्यिकी में, विभेदक विश्लेषण 1936 में इस उद्देश्य के लिए पेश किया गया था।
आउटपुट के प्रकार
पैटर्न पहचान में सरल वर्गीकरण से परे विभिन्न प्रकार के आउटपुट शामिल हैं। वर्गीकरण प्रत्येक इनपुट मान को दिए गए वर्गों के एक सेट में से एक को निर्दिष्ट करने का प्रयास करता है, जैसे यह निर्धारित करना कि कोई ईमेल स्पैम है या नहीं। प्रतिगमन प्रत्येक इनपुट के लिए एक वास्तविक-मूल्यवान आउटपुट निर्दिष्ट करता है, जैसे घर की कीमत की भविष्यवाणी करना। अनुक्रम लेबलिंग एक अनुक्रम के प्रत्येक सदस्य को एक वर्ग निर्दिष्ट करती है, उदाहरण के लिए भाषण-भाग टैगिंग, जो एक वाक्य में प्रत्येक शब्द को उसकी व्याकरणिक भूमिका के साथ लेबल करती है। पार्सिंग एक इनपुट वाक्य को एक पार्स ट्री निर्दिष्ट करती है, जो इसकी वाक्यात्मक संरचना का वर्णन करती है। इन कार्यों का साझा लक्ष्य सभी संभावित इनपुट के लिए एक उचित उत्तर उत्पन्न करना है, सांख्यिकीय भिन्नता को ध्यान में रखते हुए "सबसे संभावित" मिलान करना, पैटर्न मिलान एल्गोरिदम के विपरीत जो सटीक मिलान की तलाश करते हैं, जैसे टेक्स्ट एडिटर में नियमित अभिव्यक्ति मिलान।
सीखने के प्रतिमान
पैटर्न पहचान को आमतौर पर उपयोग की जाने वाली सीखने की प्रक्रिया द्वारा वर्गीकृत किया जाता है। पर्यवेक्षित सीखना हाथ से लेबल किए गए उदाहरणों के एक प्रशिक्षण सेट को मानता है; एक सीखने की प्रक्रिया एक मॉडल उत्पन्न करती है जो प्रशिक्षण डेटा पर अच्छा प्रदर्शन करती है जबकि नए डेटा पर सामान्यीकरण करती है, अक्सर ओकाम के उस्तरे के अनुसार सरलता को प्राथमिकता देती है। अप्रशिक्षित सीखना कोई हाथ से लेबल किया गया डेटा नहीं मानता है और अंतर्निहित पैटर्न खोजने का प्रयास करता है, जिसमें वर्गीकरण का अप्रशिक्षित समकक्ष क्लस्टरिंग है, जो बहुआयामी वेक्टर स्पेस में दूरी जैसे समानता मापों के आधार पर इनपुट को समूहित करता है। अर्ध-पर्यवेक्षित सीखना लेबल किए गए डेटा के एक छोटे सेट को अधिक मात्रा में अलेबल डेटा के साथ जोड़ता है। कुछ क्षेत्रों में, शब्दावली भिन्न होती है; उदाहरण के लिए, सामुदायिक पारिस्थितिकी "वर्गीकरण" का उपयोग उस चीज़ के लिए करती है जिसे आमतौर पर क्लस्टरिंग कहा जाता है।
विशेषताएँ और प्रतिनिधित्व
प्रत्येक इनपुट उदाहरण औपचारिक रूप से विशेषताओं के एक वेक्टर द्वारा वर्णित होता है, जो सभी ज्ञात विशेषताओं का विवरण बनाते हैं। ये विशेषता वेक्टर बहुआयामी स्पेस में बिंदुओं को परिभाषित करते हैं, जिससे डॉट उत्पाद और कोण जैसे वेक्टर संचालन की अनुमति मिलती है। विशेषताएँ श्रेणीबद्ध (नाममात्र, जैसे लिंग या रक्त प्रकार), क्रमिक (आदेशित आइटम जैसे "बड़ा", "मध्यम", "छोटा"), पूर्णांक-मूल्यवान (जैसे शब्द गणना), या वास्तविक-मूल्यवान (जैसे रक्तचाप माप) हो सकती हैं। कई एल्गोरिदम को श्रेणीबद्ध डेटा की आवश्यकता होती है, इसलिए वास्तविक-मूल्यवान या पूर्णांक-मूल्यवान डेटा को समूहों में विभाजित किया जा सकता है, जैसे 5 से कम, 5 और 10 के बीच, या 10 से अधिक।
संभाव्य वर्गीकरणकर्ता
कई सामान्य पैटर्न पहचान एल्गोरिदम संभाव्य हैं, जो किसी उदाहरण के लिए सर्वोत्तम लेबल खोजने के लिए सांख्यिकीय अनुमान का उपयोग करते हैं। गैर-संभाव्य एल्गोरिदम के विपरीत जो केवल एक सर्वोत्तम लेबल आउटपुट करते हैं, संभाव्य एल्गोरिदम अक्सर एक विश्वास मान आउटपुट करते हैं, जो लेबल द्वारा उदाहरण के वर्णित होने की संभावना का प्रतिनिधित्व करता है। वे संबंधित संभावनाओं के साथ एन-सर्वोत्तम लेबल की एक सूची भी आउटपुट कर सकते हैं। जब संभावित लेबल की संख्या छोटी होती है, तो एन को सभी लेबल के लिए संभावनाएँ आउटपुट करने के लिए सेट किया जा सकता है। संभाव्य एल्गोरिदम विश्वास मान प्रदान करने जैसे लाभ प्रदान करते हैं, जो निर्णय लेने और कई वर्गीकरणकर्ताओं को संयोजित करते समय उपयोगी होते हैं।
अनुप्रयोग और आधुनिक संदर्भ
पैटर्न पहचान के सांख्यिकीय डेटा विश्लेषण, सिग्नल प्रोसेसिंग, छवि विश्लेषण, सूचना पुनर्प्राप्ति, जैव सूचना विज्ञान, डेटा संपीड़न, कंप्यूटर ग्राफिक्स और मशीन लर्निंग में अनुप्रयोग हैं। डेटाबेस में ज्ञान खोज (KDD) और डेटा माइनिंग का अप्रशिक्षित तरीकों और व्यावसायिक उपयोग पर अधिक ध्यान है, जबकि पैटर्न पहचान सिग्नल प्रोसेसिंग और इंजीनियरिंग मूल पर जोर देती है। डीप लर्निंग और तंत्रिका नेटवर्क के उदय ने क्षेत्र को बदल दिया है, जिससे कंप्यूटर विज़न और प्राकृतिक भाषा प्रसंस्करण में सफलताएँ संभव हुई हैं। OpenAI और Google DeepMind जैसी संस्थाओं द्वारा विकसित आधुनिक प्रणालियाँ पैटर्न पहचान सिद्धांतों पर बहुत अधिक निर्भर करती हैं, जिन्हें अक्सर ट्रांसफार्मर और बड़े भाषा मॉडल के माध्यम से लागू किया जाता है। यह क्षेत्र NVIDIA जैसी कंपनियों से हार्डवेयर में प्रगति (हालांकि प्रदान की गई सूची में नहीं, लेख बाहरी लिंक से बचता है) और Amazon Web Services और Azure जैसे क्लाउड प्लेटफार्मों के साथ विकसित होता रहता है।
इतिहास और प्रमुख व्यक्ति
पैटर्न पहचान की जड़ें सांख्यिकी और इंजीनियरिंग में हैं, जिसमें 1936 में विभेदक विश्लेषण में प्रारंभिक कार्य शामिल है। Bernard Widrow जैसे अग्रणी ने प्रारंभिक तंत्रिका नेटवर्क में योगदान दिया, जबकि Thomas Dietterich और Michael Jordan ने मशीन लर्निंग सिद्धांत को आगे बढ़ाया। MIT CSAIL, Stanford AI Lab, और Carnegie Mellon University जैसे शोध संस्थान इसके विकास में केंद्रीय रहे हैं। हाथ से बनाई गई विशेषताओं से सीखे गए प्रतिनिधित्व तक क्षेत्र का विकास कृत्रिम बुद्धिमत्ता में व्यापक रुझानों को दर्शाता है, जहाँ पैटर्न पहचान धारणा और निर्णय लेने के लिए एक मौलिक क्षमता के रूप में कार्य करती है।