ISSN 1789-8919
e-ISSN 2786-1562
A mesterséges intelligencia (AI) használatának jelentősége az idő előrehaladtával egyre növekszik és a gazdaság egyre több szektorába betör a mesterséges intelligencia. Mára már nem az válik kérdésessé, hogy használjuk-e egyáltalán a mesterséges intelligenciát, hanem az a kérdés, hogyan tudnánk fokozni a használatát még több munkafolyamatban, feladatban.
A mintafelismerés egy rendkívül fontos része a mesterséges intelligenciának, mert a felismert minták alapul szolgálnak a későbbi döntéshozatali folyamatokban. A vizsgálat szekunder adatelemzésen alapul, figyelembe véve a vonatkozó nemzetközi szakirodalmat.
A kutatás a mesterséges intelligencia által támogatott mintafelismerés alapos áttekintésére összpontosít az AI dinamikus területén. A kutatás célja, hogy megvizsgálja azokat a kulcsfontosságú összetevőket, amelyek támogatják a mintafelismerést az AI-rendszerekben és sikeressé teszik azt.
Ugyanakkor feltárja ennek a technológiának a széles körű felhasználási területeit, illetve előretekint a lehetséges jövőbeli fejlesztésekre, hogy megfigyeljük, miként befolyásolhatja a mesterséges intelligencia által támogatott mintafelismerés a jövő technológiáit. A mesterséges intelligencia drámaian javítani fogja a mintafelismerő rendszerek adatfeldolgozási hatékonyságát, a kategorizálás pontosságát és az adatkészletek adaptálhatóságát.
A mesterséges intelligencia fejlődése elősegíti a hozzáférhetőséget, a hatékonyságot és a pontosságot az automatizálástól az orvosi döntéshozatalig terjedő munkakörökben, valamint ezenkívül számos iparágat fejleszt és integrál. Az Európai Unió alapos mesterséges intelligencia-stratégiát dolgozott ki, és jelentősen megnövelte a mesterséges intelligencia megvalósításának, kutatásának és fejlesztésének finanszírozását. A téma időszerűsége és gyors fejlődése miatt lényeges a téma folyamatos vizsgálata.
Abdi, H.,Valentin, D., & Edelman, B. (1999). Neural networks (No. 124). Statistics in Medicine, 19(16). https://doi.org/10.1002/1097-0258(20000830)19:16<2199::AID-SIM475>3.0.CO;2-C
Abramson, N., Braverman, D., & Sebestyen, G. (1963). Pattern recognition and machine learning. IEEE Transactions on Information Theory, 9(4), 257–261. https://doi.org/10.1109/tit.1963.1057854
Alloghani, M., Al-Jumeily, D., Mustafina, J., Hussain, A. &, Aljaaf, A.J. (2020). A Systematic Review on Supervised and Unsupervised Machine Learning Algorithms for Data Science. In: Berry, M., Mohamed, A., Yap, B. (Eds.) Supervised and Unsupervised Learning for Data Science. Unsupervised and Semi-Supervised Learning. Springer, Cham. https://doi.org/10.1007/978-3-030-22475-2_1
Cateni, S., & Colla, V. (2013). Data processing for outliers detection. Pattern Recognition: Methods and Application, 1-18. Corpus ID: 125899499. https://www.semanticscholar.org/paper/Data-processing-for-outliers-detection-Cateni-Colla/f6df892c359719ed71ba408c380343c8535a6615
Cateni, S., Vannucci, M., Vannocci, M., & Colla, V. (2012). Variable selection and feature extraction through artificial intelligence techniques. Multivariate analysis in management, engineering and the Science, 6, 103-118. https://doi.org/10.5772/53862
Chaudhuri, A., Mandaviya, K., Badelia, P., & Ghosh, S.K. (2017) Optical Character Recognition Systems. In: Optical Character Recognition System for Different Languages with Soft Computing, Studies in Fuzziness and Soft Computing, Springer International Publishing, New York. https://doi.org/10.1007/978-3-319-50252-6_2
Chen, M., Challita, U., Saad, W., Yin, C., & Debbah, M. (2017). Machine learning for wireless networks with artificial intelligence: A tutorial on neural networks. IEEE Communications Surveys & Tutorials. https://doi.org/10.48550/arXiv.1710.02913
Creswell, A., White, T., Dumoulin, V., Arulkumaran, K., Sengupta, B., & Bharath, A. A. (2018). Generative adversarial networks: An overview. IEEE signal processing magazine, IEEE Explore, 35(1), 53-65. https://doi.org/10.1109/MSP.2017.2765202
European Commission. (2023a). EU invests €220 million to test AI solutions for healthcare, food, industry, and everyday life, Shaping Europe’s digital future. News Article| Publication 29 June 2023. https://digital-strategy.ec.europa.eu/en/news/eu-invests-eu220-million-test-ai-solutions-healthcare-food-industry-and-everyday-life
European Commission. (2023b). Sectorial AI Testing and Experimentation Facilities under the Digital Europe. Shaping Europe’s digital future. 29 June 2023. https://digital-strategy.ec.europa.eu/en/activities/testing-and-experimentation-facilities
European Commission. (2023c). Commission opens access to EU supercomputers to speed up artificial intelligence development. Press release. IP/23/5739. Brussels 16 November 2023
Fu, K. S. (1982). Applications of pattern recognition. CRC press. Boca Raton,(pp. 38-61). https://doi.org/10.1201/9781351069809
Hua, Y., Guo, J., & Zhao, H. (2015). Deep belief networks and deep learning. Proceedings of 2015 International Conference on Intelligent Computing and Internet of Things. IEEE Explore. (pp. 1-4). https://doi.org/10.1109/ICAIOT.2015.7111524
Isheawy, N. A. M., & Hasan, H. (2015). Optical character recognition (OCR) system. IOSR Journal of Computer Engineering, e-ISSN, 2278-0661. https://doi.org/10.9790/0661-17222226
Liu, J., Sun, J., & Wang, S. (2006). Pattern recognition: An overview. IJCSNS International Journal of Computer Science and Network Security, 6(6), 57-61.
Lopez P., & Walter H. (2020). Chapter 11 - Autoencoders. Machine Learning Methods and Applications to Brain Disorders, Academic Press. 193-208. https://doi.org/ 10.1016/B978-0-12-815739-8.00011-0
Medsker, L. R., & Jain, L. C. (2001). Recurrent neural networks. Design and Applications, 5(64-67), 2. CRC Press. https://doi.org/10.1201/9781003040620
Mori, S., Suen, C. Y., & Yamamoto, K. (1992). Historical review of OCR research and development. Proceedings of the IEEE, IEEE Xplore, 80(7), 1029-1058. https://doi.org/10.1109/5.156468
O'Shea, K., & Nash, R. (2015). An introduction to convolutional neural networks. Cornell University. arXiv. https://doi.org/10.48550/arXiv.1511.08458
Ozgur, A. (2004). Supervised and unsupervised machine learning techniques for text document categorization. Master’s Thesis, Boğaziçi University. İstanbul.
Park, S. H., & Lee, S. P. (1998). EMG pattern recognition based on artificial intelligence techniques. IEEE transactions on Rehabilitation Engineering, IEEE Explore, 6(4), 400-405. https://doi.org/10.1109/86.736154
Prorok, M. (2022). Applications of artificial intelligence systems. Deliberationes, 15, (Különszám), 73-88. https://doi.org/10.54230/Delib.2022.K.SZ.76
Saba, T., & Rehman, A. (2013). Effects of artificially intelligent tools on pattern recognition. International Journal of machine learning and cybernetics, 4, 155-162. https://doi.org/10.1007/s13042-012-0082-z
Sandhu, T. H. (2018). Machine learning and natural language processing—A review. International Journal of Advanced Research in Computer Science, 9(2), 582–584. https://doi.org/10.26483/ijarcs.v9i2.5799
Shinde, S. P., & Deshmukh, V. P. (2011). Implementation of Pattern Recognition Techniques and Overview of its Applications in various areas of Artificial Intelligence. International Journal of Advances in Engineering & Technology, 1(4), 127. https://api.semanticscholar.org/CorpusID:61658349
Sondak, N. E., & Sondak, V. K. (1989). Neural networks and artificial intelligence. Proceedings of the twentieth SIGCSE technical symposium on Computer science education. ACM Digital Library. (pp. 241-245). https://doi.org/10.1145/65293.71221
Szabadföldi I. (2022). A mesterséges intelligenciával támogatott nyílt információszerzés (OSINT) – evolúció és kihívások. Nemzetbiztonsági szemle, 10(1), 30–51. https://doi.org/10.32561/nsz.2022.1.3.
Theodoridis, S., & Koutroumbas, K. (2006). Pattern recognition. Second Edition. Elsevier. 1-11. eBook ISBN: 9780080513621
