随着人工智能在近些年的崛起，机器学习、模式识别这两个词也成为了热门词汇，频繁出现在大众眼前。虽然常常听说机器学习与模式识别，但是却很少有人能清楚地区别两者。本文就带大家充分了解机器学习和模式识别的概念、区别和联系。
机器学习和模式识别怎么区分？
一、概念
1、机器学习
机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
机器根据某一事物的海量样本，总结出这一类型事物所具有的普遍规律，总结过程所使用的技能就是我们常说的算法。当足够多的样本使得算法能够总结出一套行之有效的规律后，机器就可以用这些规律对真实世界中的事件做出决策和预测。
2、模式识别
模式识别从十九世纪五十年代兴起，在二十世纪七八十年代风靡一时，是信息科学和人工智能的重要组成部分，主要被应用于图像分析与处理、语音识别、声音分类、通信、计算机辅助诊断、数据挖掘等方面。模式识别系统过程：特征提取与选择;训练学习;分类识别。例如人类见到一个东西之后，通常就会下意识地给其归类：是动物还是植物，属于哪一门纲目属科，是否可以药用，有果实吗，花朵是否漂亮，是否有毒……这一大串归类构成了人们对于这种事物的整体认知。这就属于人类对于模式的识别，这种技能对于人们甚至是一些动物来说，是非常简单而且几乎是与生俱来的。
二、区别
1、发展趋势不同
从发展史上来讲，这对孪生兄弟都是人工智能历史中辉煌一时的流派。其中模式识别可以归入人工智能领域的元老级别。尽管模式识别看起来很高大上，而且也有了较长时间的应用，但是其效果似乎总是差强人意。似乎已经有些过气的征兆，正在慢慢没落消亡。而机器学习则是人工智能领域最基础也是人气最高的天王级选手。
2、应用范围不同
机器学习目前是在狭义的人工智能领域走得比较快，但是广度还是模式识广。模式识别在很多经典领域，如信号处理，计算机图像与计算机视觉，自然语言分析等都不断有新发展。
3、判断重点不同
机器学习根据样本训练模型，如训练好的神经网络是一个针对特定分类问题的模型;重点在于“学习”，训练模型的过程就是学习;机器学习的落脚点是思考。机器学习侧重于在特征不明确的情况下，用某种具有普适性的算法给定分类规则。而机器学习的概念可以类比聚类分析(聚类本身就是一种典型的机器学习方法)，对“类”的严格定义尚不明确，更谈不上检验。
模式识别是根据已有的特征，通过参数或者非参数的方法给定模型中的参数，从而达到判别目的的。学过多元统计的可以这样理解：模式识别的概念可以类比判别分析，是确定的，可检验的，有统计背景的(或者更进一步说有机理性基础理论背景)。
