
التحديد الآلي للانتظامات أو البنى في البيانات.التعرف على الأنماط هو العملية الآلية لتحديد الانتظامات أو البنى أو الاتجاهات في البيانات. وهو حجر الزاوية في الذكاء الاصطناعي الحديث، إذ يمكّن الآلات من تصنيف الصور، ونسخ الكلام، وكشف الشذوذ، وحتى التنبؤ بالأحداث المستقبلية. يعتمد هذا المجال على الإحصاء وعلوم الحاسوب والفيزياء، وتتراوح أساليبه بين الخوارزميات التقليدية مثل أشجار القرار والشبكات العصبية العميقة التي تتعلم السمات الهرمية مباشرة من البيانات الخام.
ظهر المجال في خمسينيات وستينيات القرن العشرين مع الأعمال المبكرة على العصبونات الاصطناعية (البيرسبترونات) التي قام بها فرانك روزنبلات. وقد أدى تطوير خوارزمية الانتشار العكسي في ثمانينيات القرن العشرين، والتي عمّمها ديفيد روميلهارت وجيفري هينتون، إلى إحياء الاهتمام، مما قاد إلى ثورة التعلم العميق في العقد الثاني من القرن الحادي والعشرين.
في جوهره، يتضمن التعرف على الأنماط تدريب نموذج على مجموعة من الأمثلة، حيث يتعلم النموذج ربط بيانات الإدخال (مثل قيم البكسل أو قراءات الحساسات) بمخرجات محددة (مثل 'قطة' أو 'ليست قطة'). ويتم ذلك غالبًا عبر التحسين: يعدّل النموذج معالمه الداخلية لتقليل الخطأ بين توقعاته والإجابات الصحيحة. في الشبكات العصبية، يحدث هذا عبر الانتشار العكسي، حيث تنتشر إشارة الخطأ إلى الخلف عبر طبقات العصبونات الاصطناعية، لتحسين أوزانها. وبعد التدريب، يمكن للنموذج التعميم على بيانات جديدة غير مألوفة من خلال إيجاد الأنماط التي تعلمها أثناء التدريب. وهناك طرق أكثر غرابة، مثل الحوسبة بالخزان، تستخدم شبكات عشوائية ثابتة لإسقاط المدخلات في فضاء عالي الأبعاد حيث يصبح الفصل الخطي أسهل.
يدعم التعرف على الأنماط كل شيء بدءًا من التعرف على الوجوه في الهواتف الذكية وتحليل الصور الطبية (مثل كشف الأورام في فحوصات الرنين المغناطيسي) وصولًا إلى المساعدات الصوتية ومرشحات البريد العشوائي والنماذج التنبؤية للأحداث المناخية مثل الجفاف.
يمكن لشبكة عصبية حديثة واحدة أن تُدرَّب على التعرف على أنماط عبر مجالات مختلفة تمامًا، من تحديد اضمحلال الجسيمات في فيزياء الطاقة العالية إلى التنبؤ بالكلمة التالية في جملة، باستخدام نفس المبادئ الرياضية الأساسية.














