การรู้จำรูปแบบ (pattern recognition) โดยทั่วไป หมายถึง ภาระกิจ เพื่อระบุว่าข้อมูลที่สำรวจมีสิ่งที่สนใจอยู่หรือไม่ หรือเพื่อระบุว่าข้อมูลที่สำรวจเป็นสิ่งที่สนใจประเภทใด หรือเพื่อระบุว่าสิ่งที่สนใจอยู่ที่ใดในข้อมูลที่สำรวจ หรือเพื่อประเมินค่าที่สนใจออกมาจากข้อมูลที่สำรวจ เป็นต้น.
การรู้จำรูปแบบนั้น มีอยู่ทั่วไปในธรรมชาติ เป็นความสามารถของสิ่งมีชีวิต เป็นส่วนสำคัญในพฤติกรรมทางสังคม แต่ในที่นี้ การรูปจำรูปแบบ จะเจาะจงเฉพาะกับ วิธีการที่จะทำให้คอมพิวเตอร์ มีความสามารถในการรู้จำรู้แบบ.
การรู้จำรูปแบบด้วยคอมพิวเตอร์ อาจทำได้หลายแนวทาง. แนวทางหนึ่งคือ แนวทางการกำหนดเกณฑ์ที่ชัดเจน (criteria-based or rule-based approach) รวมไปถึง การจับคู่กับแผ่นแบบ (template matching). สำหรับบางงาน เกณฑ์แม้จะชัดเจน แต่อาจจะไม่เจาะจงที่ตัวรูปแบบเอง ตัวอย่างเช่น การค้นหารูปแบบที่ปรากฏบ่อยๆ ในการศึกษาด้านพันธุกรรม บางครั้งอาจต้องการหาโมทีฟ (motif) หรือ ลำดับของสารพันธุกรรมสายยาวๆที่พบได้บ่อยที่สุด ซึ่งเกณฑ์อาจจะระบุชัดเจน เรื่องความยาวของสายพันธุกรรม และเรื่องความถี่ที่ปรากฎ แต่ไม่ได้ระบุลำดับของรหัสพันธุกรรมที่ค้นหา เป็นต้น.
อย่างไรก็ดี รูปแบบซึ่งเป็นการซ้ำเชิงโครงสร้าง อาจเป็นผลมาจากความสัมพันธ์สำคัญ ที่เชื่อมโยงข้อมูลกับรูปแบบนั้น. ดังนั้น การรู้จำรูปแบบ ก็เปรียบเสมือนการเรียนรู้ความสัมพันธ์สำคัญ ที่เชื่อมโยงระหว่างข้อมูลนำเข้าและรูปแบบที่สนใจนั้น. แนวทางหนึ่งที่สำคัญของการรู้จำรูปแบบที่จะอภิปรายในที่นี้ คือแนวทางของการเรียนรู้ของเครื่อง.
การเรียนรู้ของเครื่อง (machine learning) เป็นแนวทางสร้างโปรแกรมเพื่อการทำภาระกิจเป้าหมาย โดยโปรแกรมมีความสามารถในการปรับตัวเอง เพื่อให้ทำภาระกิจเป้าหมายได้ดีขึ้น และได้มีการให้โอกาสโปรแกรมในการปรับตัว (เรียกว่า การเรียนรู้).
ทอม มิทเชล\cite{Mitchell1997a} ได้ช่วยขยายความ โดยนิยามว่า การเรียนรู้ของเครื่อง คือ โปรแกรมคอมพิวเตอร์ที่มีการเรียนรู้จากประสบการณ์ $E$ ซึ่งเกี่ยวข้องกับภารกิจ $T$ ซึ่งวัดผลด้วยสมรรถนะของผลสัมฤทธิ์ $P$ แล้วสมรรถนะของการทำภารกิจ $T$ ที่วัดด้วย $P$ ปรับปรุงขึ้นได้จากประสบการณ์ $E$.
ตัวอย่างลักษณะเด่นของวิธีการเรียนรู้ของเครื่อง อาจปรากฏชัดอยู่ในตัวอย่าง งานของอาร์เธอร์ ซามูเอล (Arthur Samuel) ในปี ค.ศ. 1959 ที่ เขาเขียนโปรแกรมคอมพิวเตอร์เพื่อเล่นหมากฮอร์ส\cite{SamuelML} โดยที่ ตัวซามูเอลเองเล่นหมากฮอร์สไม่เก่งเลย. หากซามูเอลเขียนโปรแกรมด้วยแนวคิดดั่งเดิม เขาจะต้องหัดเล่นหมากฮอร์สให้เก่ง และโปรแกรมวิธีเดินหมากอย่างละเอียดให้กับคอมพิวเตอร์. ซามูเอลไม่ได้เลือกทำแบบนั้น เขาเลือกที่จะโปรแกรมคอมพิวเตอร์ ให้เล่นแข่งกันเอง และให้คอมพิวเตอร์เก็บผลว่า ตำแหน่งของหมากอย่างไรที่เป็นตำแหน่งที่ดี ซึ่งนำไปสู่ชัยชนะ หรือตำแหน่งไหนเป็นตำแหน่งไม่ดี และมักจะทำให้แพ้ แล้วให้โปรแกรมเลือกเดินหมากตามผลที่เก็บนั้น. หลังจากซามูเอลปล่อยให้โปรแกรมเล่นแข่งกันเองหลายหมื่นกระดาน โปรแกรมเล่นหมากฮอร์สของซามูเอลก็สามารถเล่นหมากฮอร์สได้ดีมาก และเล่นได้ดีกว่าตัวของซามูเอลเอง.
* Conference on Computer Vision and Pattern Recognition (CVPR)
* Conference on Neural Information Processing Systems (NeurIPS)
* International Conference on Machine Learning (ICML)
* International Conference on Learning Representations (ICLR)
* C. M. Bishop, Pattern Recognition and Machine Learning. Springer 2007
* I. Goodfellow et al., Deep Learning.The MIT Press 2016
* K. P. Murphy, Machine Learning: A Probabilistic Perspective. MIT Press 2012
* S. Haykin, Neural Networks and Learning Machines. Prentice Hall 2009