(一) 模式识别入门

1. 模式识别系统的主要框架

Ans:
一个典型的模式识别系统，通常包括以下四个主要部分：

原始数据的获取和预处理；
特征提取与选择；
分类（Classification） / 聚类（Clustering）;
后处理。

对于监督模式识别（supervised pattern recognition）和非监督模式识别（unsupervised pattern recognition），具体的过程稍有不同：

（1）监督模式识别：

已知要划分的类别，并且能够获得一定数量的类别已知的训练样本。
基本流程图：

一般步骤：
(1) 分析问题：深入研究该领域的问题。分析该问题是否为模式识别问题，并标出研究对象的类别，分析在问题中，哪些特征因素可能影响分类。
(2) 原始特征提取：设计实验，获取样本集，对样本进行观测和预处理，获取可能影响分类的特征向量（原始特征）。
(3) 特征提取与选择：可能需要一些算法对特征进行再提取与选择。
(4) 分类器设计：选择一定的分类器，对已知样本集进行训练。
(5) 分类决策：评价分类器性能；对于未知样本实施同样的过程，必要时还要进行进一步的后处理。

（2）非监督模式识别：

要划分的类别未知，没有类别已知的训练样本，很多情况下甚至连类别的数量都是未知的。
基本流程图：

一般步骤：
(1) 分析问题：深入研究该领域的问题。分析该问题是否为模式识别问题、是否能够找到聚类方法进行研究，分析在问题中，哪些特征因素可能影响聚类结果。
(2) 原始特征提取：设计实验，获取样本集，对样本进行观测和预处理，获取可能影响聚类的特征向量（原始特征）。
(3) 特征提取与选择：可能需要一些算法对特征进行再提取与选择。
(4) 聚类分析：选择一定的模式识别方法，对样本集进行聚类分析。
(5) 结果解释：考察聚类结果的性能；根据领域的专业知识，对聚类的含义进行解释；对于新的未知样本，使用聚类结果对其进行分类。

2. 如何判断问题是否能用机器学习解决

以下哪些问题能够用机器学习解决，哪些不能？过程如何？是否需要训练数据？
人脸识别、语音识别、自动驾驶、天气预报、股票指数预测、相面算命、星座运势、素数预测、雾霾预测、预测是否留课堂作业。

能够使用机器学习解决	不能使用机器学习解决
人脸识别，语音识别，自动驾驶、天气预报、股票指数预测、素数预测、雾霾预测、是否留课堂作业	相面算命、星座运势

3. 机器学习是否就是人工智能？人工智能是否就是机器学习？

人工智能和机器学习是不可分割的两部分，但是不能认为人工智能=机器学习。人工智能是一个很老的概念，自出现以来已经经历了三次浪潮，人工智能是指人创造的物体具有智能的一种技术。
准确来说机器学习是人工智能的一部分，人工智能除了包含机器学习，还包含非机器学习（如专家系统）。而我们熟悉的“深度学习”又是机器学习的一部分，它们之间的关系可以用下图表示：

机器学习只是人工智能实现的一种方式，因为其功能强大，可以在一定程度上代表人工智能技术，但是它并不能完全等价于人工智能技术。除此之外，我们现在实现的大部分人工智能技术都是以“弱智能”的方式存在的，而我们在很多科幻电影中看到的人工智能往往是以一种“强智能”的方式展示的；距离实现真正的人工智能，我们还有很多路要走。

Reference

[1]朱玲,吴心玥.人工智能在气象领域的应用述评[J].广东气象,2019,41(01):35-39.
[2]厉国强. 基于机器学习的股指预测算法[D].天津工业大学,2017.
[3] 付江龙,王叶丹,黄俊凯.基于梯度下降算法的雾霾指数预测研究[J].科学技术创新,2019(10):71-72.
[4]曲悦,钱旭,宋洪庆,何杰,李剑辉,修昊.基于机器学习的北京市PM2.5浓度预测模型及模拟分析[J].工程科学学报,2019,41(03):401-407.
[5]刘杰,杨鹏,吕文生,刘阿古达木,刘俊秀.基于气象因素的PM_(2.5)质量浓度预测模型[J].山东大学学报(工学版),2015,45(06):76-83.