人大经济论坛 › 标签 › 模式识别

标签: 模式识别经管大学堂：名校名师名课

相关帖子	版块	作者	回复/查看	最后发表

模式识别和机器学习第二版	R语言论坛	caocheng8230 2008-9-29	14 13004	peterlovejin 2017-6-1 22:19:33
《神经网络模式识别及其实现》源程序	MATLAB等数学软件专版	weiqinghong_hwq 2007-7-26	48 11763	jmwrzh 2015-2-9 10:26:36
推荐经典名著：《模式识别和机器学习》2006	机器学习	prestige 2008-2-23	19 13912	yuan122600 2014-7-17 12:59:30
著名神经网络专家Pao《模式识别与神经网络》，中本版	MATLAB等数学软件专版	gssdzc 2010-3-6	3 2245	zhaochaodcxa 2014-1-5 15:33:02
自适应模式识别与神经网络	数据分析与数据挖掘	wjj0913 2010-1-25	6 2445	zdlcc 2014-1-3 15:35:09
ARMA模式识别与ACF、PACF间的关系	爱问频道	杨仲达 2013-6-25	0 1936	杨仲达 2013-6-25 10:33:16
学模式识别的想搞点经济学，求给点建议	爱问频道	songchunwei 2013-6-7	5 2158	真实精算 2013-6-11 20:23:18
中国标准化研究院数据分析、模式识别	经管类求职与招聘	bbpbbd 2013-4-15	1 1273	airways1 2013-4-17 13:01:25
关于数据挖掘和模式识别的关系和区别，请教，高手乱入吧	数据分析与数据挖掘	susky1990 2013-4-8	1 1869	susky1990 2013-4-8 11:14:46
模式识别与智能技术杨淑莹分类软 ...	数据分析与数据挖掘	shixiangzhou 2013-3-19	0 1369	shixiangzhou 2013-3-19 21:08:07
经典图书模式识别与机器学习	机器学习	lengmw 2009-7-10	3 6139	dagee 2011-9-25 13:53:45
价格模式识别及仓位调节工具	金融学（理论版）	liangtom 2010-3-29	7 2018	kangye 2011-7-29 11:24:04
模式识别领域必备工具箱matlab-PRtools	MATLAB等数学软件专版	haoyuanhong 2009-10-26	3 6343	jeng 2011-7-28 19:49:56
模式识别领域必备工具箱matlab-PRtools	MATLAB等数学软件专版	haoyuanhong 2009-10-26	3 3194	birdmanq1 2011-6-29 22:31:27
金融工程-数量化策略：利用模式识别进行短线择时	金融学（理论版）	wuzunxin 2010-3-24	5 4110	michaelaero 2010-11-5 10:22:40
《模式识别与神经网络》	MATLAB等数学软件专版	闵良超 2010-7-21	0 1576	闵良超 2010-7-21 17:24:26
神经网络-股价模式识别-NEC	金融工程（数量金融）与金融衍生品	liangtom 2010-3-29	4 2439	cz851218 2010-6-28 12:35:30
模式识别和机器学习第一版	R语言论坛	caocheng8230 2008-9-29	7 7060	fishfree 2010-1-11 14:03:31
联合证券-数量化策略：可交易组合的均线模式识别和择时交易-20090212	金融学（理论版）	xumw128 2009-2-18	0 2071	xumw128 2009-2-18 18:58:00
计算机视觉领域顶级科学家朱松纯在2008年全国模式识别学术会议上的讲座	计量经济学与统计软件	cd8166 2008-11-4	0 26945	cd8166 2008-11-4 07:31:00

更多...

相关日志

分享转载--AI,DM,ML,PR：人工智能、数据挖掘、机器学习和模式识别关系与区别: dream9876 2015-3-25 13:58; 数据挖掘和机器学习的区别和联系，周志华有一篇很好的论述《机器学习与数据挖掘》可以帮助大家理解。数据挖掘受到很多学科领域的影响，其中数据库、机器学习、统计学无疑影响最大。简言之，对数据挖掘而言，数据库提供数据管理技术，机器学习和统计学提供数据分析技术。由于统计学往往醉心于理论的优美而忽视实际的效用，因此，统计学界提供的很多技术通常都要在机器学习界进一步研究，变成有效的机器学习算法之后才能再进入数据挖掘领域。从这个意义上说，统计学主要是通过机器学习来对数据挖掘发挥影响，而机器学习和数据库则是数据挖掘的两大支撑技术。从数据分析的角度来看，绝大多数数据挖掘技术都来自机器学习领域，但机器学习研究往往并不把海量数据作为处理对象，因此，数据挖掘要对算法进行改造，使得算法性能和空间占用达到实用的地步。同时，数据挖掘还有自身独特的内容，即关联分析。而模式识别和机器学习的关系是什么呢，传统的模式识别的方法一般分为两种：统计方法和句法方法。句法分析一般是不可学习的，而统计分析则是发展了不少机器学习的方法。也就是说，机器学习同样是给模式识别提供了数据分析技术。至于，数据挖掘和模式识别，那么从其概念上来区分吧，数据挖掘重在发现知识，模式识别重在认识事物。机器学习的目的是建模隐藏的数据结构，然后做识别、预测、分类等。因此，机器学习是方法，模式识别是目的。 ----------------------------------------------------------------- 人工智能（Artificial Intelligence，AI）、机器学习（Machine Learning，ML）、模式识别（Pattern Recognition，、 PR）数据挖掘（Data Mining， DM）信息检索、（Information Retrieval，IR）……我想起之前在 BeBeyond 的一个同学，我说我做 ML 的，他说“我做 DM 的，我们都是搞计算机的呢！”后来我才明白，ML 和 DM 根本就没有多大区别。其实，上面列的这些学科本质上都没有太大区别，只不过它们要解决的核心问题不同，而运用的数学模型如出一辙。先说 AI。这个词大众比较熟悉，通常一个电子游戏的 AI 直接决定了游戏的可玩性。简单的 AI 比如超级玛丽里会扔刺猬的云怪，复杂的 AI 比如红色警戒中需要操纵整个国家的电脑敌人。我很小的时候就在想这些算法得有多么复杂。慢慢地我意识到电脑控制方式与我不一样。我是单线程的，在一个时间点上要么控制坦克进攻，要么控制基地建设；而电脑的每个单位都有独立的思考能力和通信能力。这些是通过设计逻辑来实现的（难怪在 98 年买的电脑上跑一点也不卡），比如坦克的逻辑可能是“IF 附近的友军收到攻击，THEN 前去支援”，矿车的逻辑可能是“IF 受到攻击， THEN 向基地撤退”……等等。 AI 其实就是计算机自动做决策。做决策的原则可以是上面简单的条件判断，可以是穷举，也可以是多个因素连接成的网络，比如下图（称为贝叶斯网络，Bayesian Network），这是一个通过判断是否有地震和盗窃的简单的智能系统。用贝叶斯网络做决策，需要设置的参数都是概率形式的，比如地震发生的概率是 2.6%，盗窃发生的概率是 12.4%，地震发生时警报响的概率是 72%……等等。这些参数有了之后，当有一天警报响起，系统就能够回溯地计算出警报响是由地震发生还是盗窃发生引起的。下面说 ML。ML 是最可怕的部分。上面说的 AI 系统的规则都是人为设定的，所以它的表现绝大多数情况在人们的期待以内。而 ML 算法可能使系统变得过分地聪明。一个绝佳的 ML 例子见以下链接。 http://en.akinator.com/ 这是一个网络小游戏，你在心中想一个人物，然后算法会问你一系列的一般疑问句（比如“这个人是科学家吗？”）你回答 Yes 或者 No。若干个问题后，算法会知道你心中的人物是谁了（通常比你预计的要快）。之所以说这是一个 ML 系统，是因为它不仅做决策下一个问题该问什么、已经问的问题和答案能推出什么结果，它还在不断地自我改进。比如说，我心中想的人物是亚运会的吉祥物阿和（几年前这个游戏推出时它肯定不知道阿和是谁），于是在很多个问题过后，这个 ML 算法猜成喜羊羊了，然后我告诉它“你猜错了，我想的是阿和”，于是，它会更新它的决策网络，增加阿和这个节点，改变各个概率值。下次有人想阿和的，它就可能猜中了。所以，从上面的例子可以看出，ML 重点研究的是算法的学习过程，强调的是一个反馈的框架。一开始系统可能很弱智，但是经过长期训练后它能做出很高超的决策。举个我的例子。比如说，我老板希望能做一个自动作曲的系统，要求能做莫扎特风格的钢琴奏鸣曲，而听起来不能像海顿和贝多芬。想一想这个决策规则就复杂得看似不可能实现，也许 10000 个 IF...THEN...也不能实现。但是从 ML 的角度来思考，就变得有可能了。我可以把莫扎特已有的乐谱输入给系统，告诉它这是好结果；再把海顿和贝多芬的给系统，告诉它这是坏结果。然后就期待这个系统能够学到点什么。当然，真正实现起来设计这个学习框架是有难度的，不过 ML 是正确的思路。接下来说的是 PR。我本科时北邮的课程就叫模式识别。PR 充满了工程的思维方式，“解决问题是关键，不关心系统在理论上是否最优”。比如人脸识别、癌细胞识别、语言识别、入侵检测等等，拿各种分类器（SVM、神经网络神马的）一个一个试，用最好的那个分类器来应用就 OK 了。然后是 DM。DM 是一项应运而生的科学，正因为互联网蓬勃发展，才吸引那么多人研究 DM。个人认为 Google 之所以比百度聪明，就是因为 Google 的 DM 牛。对于成千上万个网页（看做是众多单词组成的序列），DM 算法可能发现“新闻”、“报导”、“记者”等词语是具有关联性的，于是用户在搜索“新闻”这个关键词时，与“新闻”相关的词也可能提供对用户有价值的信息。总之，DM 是从数据中挖掘出高层的语义关联信息。再举个我的例子。我前一段时间做了一个音乐结构分段的算法，旨在将音乐中主歌、副歌这些结构单元自动分离。DM 中就有一个热门的算法能够达到我的目的，如下图，把《Creep》分解成为两个部分。技术细节就省略吧。最后，提一提 IR。IR 的目的希望互联网能够变得更加人性化。比如你在搜索引擎中输入“推荐个便宜的可以玩桌游的地方”，算法一方面从这句话中提取 IR （retrieve）出有用的信息：是个地方，要可以玩桌游，便不便宜自己看着办；另一方面从网络上取出（retrieve）合理的网页给用户。总结一下吧。只要跟决策有关系的都能叫 AI，所以说 PR、DM、IR 属于 AI 的具体应用应该没有问题。研究的东西则不太一样， ML 强调自我完善的过程。 Anyway，这些学科都是相通的，Google 也是越来越聪明的，不是么。前一段时间看到关于机器阅卷比人工靠谱的消息。也许在不久的将来会有一大批人失业，机器会代替会记、医生、甚至程序员。也许，机器的智能会产生很多很多的争议，但是我们必须承认，在不太需要创造性的工作中，我们真的比不上机器的。最好的方式大概就是机器与人协同合作。 CCRMA 的 Jonathan Berger 来北京演讲，他提到的 sonification 给我挺大的启发。他说：“我们买西瓜时拍一拍就知道西瓜是否熟了，因为人耳对于这种音色可以做决策，而机器目前还很难做到。监测工作很辛苦，比如核电站工作人员需要成天盯着很多很多数据，不停地做决策，判断是否出异常。为什么不能把数据通过某种算法变换出某种音色，工作人员只需要学习什么是正常的声音，什么是异常的声音，听就行了，这与听拍西瓜的声音是一样的道理。” 摘录于：http://www.cnblogs.com/growup/archive/2011/04/26/2029393.html http://wenku.baidu.com/view/c1b5120103d8ce2f0066233a.html http://blog.163.com/suifengxxj%40126/blog/static/48617195201182252013312/; 23 次阅读|0 个评论