Pettern recognition is automated of patterns and regularities in data.

It has applications in
statiscal data analys,signal processing, image analysis, information recognition has its origins in
statistic and engineering; some modern approaches to pattern recognition include the use of
machine learning, due to the increased availability of big data and a new abudance of processing
power. These actvites can be viewed as two facets of the same field of application, and they have
undergone subtantia development over the past few decades.

Pattern recognition systems are commonly trained from labeled “training” data. When no labeled
data are available, other algorithms caen be used to discover previousky unknown pattern. KDD
and data mining have a larger focus on unsupervised methods and stronger connection to
business use. Pattern recognition focuses more on the signal and also takes acquisition and
Signal Processing into consideration. It originated in engineering. And the term is popular in the
context of computer vision: a leading computer vision conference is named Conference on
Computer Vision and Pattern Recognition.

In machine learning pattern recognition is the assignment of a label to a given input value. In
statistics, discriminant analysis was introduced for this same purpose in 1936. An example of
pattern recognition is classification, which attempts to assign each input value to one of a given
set of classes (for example, determine whether a given email is "spam" or "non-spam"). Pattern
recognition is a more general problem that encompasses other types of output as well. Other
examples are regression, which assigns a real-valued output to each input;[1] sequence labeling,
which assigns a class to each member of a sequence of values[2] (for example, part of speech
tagging, which assigns a part of speech to each word in an input sentence); and parsing, which
assigns a parse tree to an input sentence, describing the syntactic structure of the sentence.[3]
Pattern recognition algorithms generally aim to provide a reasonable answer for all possible
inputs and to perform "most likely" matching of the inputs, taking into account their statistical
variation. This is opposed to pattern matching algorithms, which look for exact matches in the
input with pre-existing patterns. A common example of a pattern-matching algorithm is regular
expression matching, which looks for patterns of a given sort in textual data and is included in
the search capabilities of many text editors and word processors. WAKTU PENGERJAAN
30.15,22

Pengenalan pola adalah pengenalan otomatis pola dan keteraturan dalam data. Ini memiliki
aplikasi dalam analisis data statistik, pemrosesan sinyal, analisis gambar, pencarian informasi,
bioinformatika, kompresi data, grafik komputer dan pembelajaran mesin. Pengenalan pola
berasal dari statistik dan rekayasa; beberapa pendekatan modern untuk pengenalan pola
termasuk penggunaan pembelajaran mesin, karena ketersediaan data besar yang meningkat dan
kekuatan pemrosesan yang melimpah. Kegiatan ini dapat dilihat sebagai dua aspek dari bidang
aplikasi yang sama, dan mereka telah mengalami perkembangan substansial selama beberapa
dekade terakhir.
Sistem pengenalan pola biasanya dilatih dari data "pelatihan" berlabel. Ketika tidak ada data
berlabel yang tersedia, algoritma lain dapat digunakan untuk menemukan pola yang sebelumnya
tidak diketahui. KDD dan penambangan data memiliki fokus yang lebih besar pada metode
tanpa pengawasan dan koneksi yang lebih kuat untuk penggunaan bisnis. Pengenalan pola lebih
berfokus pada sinyal dan juga mempertimbangkan akuisisi dan Pemrosesan Sinyal. Itu berasal
dari teknik, dan istilah ini populer dalam konteks visi komputer: konferensi visi komputer
terkemuka bernama Konferensi Visi Komputer dan Pengenalan Pola.

Dalam pembelajaran mesin, pengenalan pola adalah pemberian label ke nilai input yang
diberikan. Dalam statistik, analisis diskriminan diperkenalkan untuk tujuan yang sama pada
tahun 1936. Contoh pengenalan pola adalah klasifikasi, yang mencoba menetapkan setiap nilai
input ke salah satu dari kumpulan kelas tertentu (misalnya, menentukan apakah email yang
diberikan adalah "spam" atau "non-spam"). Pengenalan pola adalah masalah yang lebih umum
yang mencakup jenis output lainnya juga. Contoh lain adalah regresi, yang memberikan output
bernilai nyata untuk setiap input;[1] pelabelan urutan, yang menetapkan kelas untuk setiap
anggota dari urutan nilai[2] (misalnya, penandaan bagian ucapan, yang menetapkan bagian
pidato untuk setiap kata dalam kalimat masukan); dan parsing, yang menetapkan pohon parse ke
kalimat masukan, yang menjelaskan struktur sintaksis kalimat.[3]

Algoritme pengenalan pola umumnya bertujuan untuk memberikan jawaban yang masuk akal
untuk semua input yang mungkin dan untuk melakukan pencocokan input yang "paling
mungkin", dengan mempertimbangkan variasi statistiknya. Ini bertentangan dengan algoritma
pencocokan pola, yang mencari kecocokan persis dalam input dengan pola yang sudah ada
sebelumnya. Contoh umum dari algoritma pencocokan pola adalah pencocokan ekspresi reguler,
yang mencari pola dari jenis tertentu dalam data tekstual dan termasuk dalam kemampuan
pencarian banyak editor teks dan pengolah kata. WAKTU PENGERJAAN 20.15,11