Glossário

Reconhecimento de padrões

O que é Reconhecimento de padrões?

O reconhecimento de padrões é a identificação automática de regularidades, estruturas ou características recorrentes em dados como imagens, sons, textos ou medições. Os sistemas atribuem novas observações a categorias conhecidas ou descobrem grupos sem rótulos predefinidos. Entre as aplicações contam-se o reconhecimento facial, o reconhecimento de escrita manual, a inspeção de qualidade na produção e a deteção de transações invulgares. A disciplina é um alicerce importante da aprendizagem automática.

Temas

fundamentos
classificação
análise de dados

Experimentar o KI.ordo

Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.

Iniciar demonstração

← Todos os termos

Termos relacionados

Aprendizagem automática

O machine learning é um ramo da inteligência artificial em que os computadores deduzem padrões a partir de dados, em vez de cada regra ser programada explicitamente. Consoante a tarefa, os modelos aprendem com exemplos etiquetados (supervisionada), com dados não etiquetados (não supervisionada) ou através de recompensas (por reforço). As aplicações vão de filtros de spam e previsões de procura a recomendações de produtos. A qualidade depende muito da quantidade e da qualidade dos dados de treino.

fundamentos
IA
+1

Reconhecimento de imagem

O reconhecimento de imagem é uma área da visão computacional em que o software identifica o que uma imagem mostra – objetos, pessoas, texto, logótipos ou cenas. Baseia-se normalmente em redes neuronais treinadas com grandes quantidades de imagens rotuladas. As aplicações vão do controlo de qualidade na produção e da organização de fotografias de produtos até ao apoio à imagiologia médica. Com imagens de pessoas, a proteção de dados e o possível enviesamento exigem especial atenção.

Visão computacional
Análise de imagem
+1

Classificador

Um classificador é um modelo ou método que atribui entradas a uma de várias categorias predefinidas. As variantes clássicas, como as árvores de decisão ou o naive Bayes, são treinadas com exemplos etiquetados; os modelos de linguagem também podem ordenar textos com base numa descrição das categorias. As utilizações típicas incluem a deteção de spam, a triagem de pedidos de clientes por tema e a categorização de recibos. A qualidade é medida com métricas como a exatidão, a precisão e a revocação.

Classificação
Aprendizagem automática
+1

Modelo

Clustering

O clustering é um método de aprendizagem não supervisionada que divide pontos de dados em grupos com base na sua semelhança, sem categorias predefinidas. Revela padrões que ninguém tinha identificado antes – por exemplo, segmentos de clientes com comportamentos de compra semelhantes. Com textos, o clustering ajuda a organizar centenas de pedidos de clientes por temas como entrega, faturação ou reclamações e mostra onde está o foco.

aprendizagem não supervisionada
agrupamento
+1

Modelo