1、problem description and pipeline(問題描述和流水線)

OCR是optical character recognition的縮寫，翻譯過來就是光學字元辨識。照片中的OCR技術其實就是識別中照片中存在的字元，例如下面這幅圖：

關於過程，主要有以下幾個步驟：

首先是檢測文字，找到文字出現的區域，然後是對文字進行劃分變成一個個單一的字母，最後是對字母進行識別，附加功能是對識別出來的字母進行拼接，對得到的單詞進行拼寫檢查糾錯。也可以用流水線的方式表示：

2、sliding windows(滑動視窗)

滑動視窗是一種從影象中提取出特定物體的技術，上面的文字檢測使用的就是滑動視窗技術，這裡換一個例子，從圖片中檢測出行人：

為了檢測出行人，首先需要訓練一個模型來判斷什麼是行人，為此可以把標記好的行人的圖片和非行人的圖片放在一起訓練：

訓練好了模型，然後再用滑動視窗在影象上面掃描，判斷每個掃描區域內是否包含行人：

掃描時需要先指定視窗的大小，一般來說是先指定一個較小的視窗，在圖上掃描一遍之後再換一個較大的視窗進行掃描。最終就能把所有的行人掃描出來：

回到最早提出的文字檢測，通過滑動視窗掃描後的結果如下：

圖中白色區域就是有文字的地方，找出這些區域後，對區域中的文字進行分割，這時依然是採用滑動視窗的方法，只不過這裡不再是把字母當成正樣本，而是把分割區域當成正樣本：

3、getting lots of data:artificial data synthesis(獲取大量資料

-人工資料合成)

在上一講中我們知道如果模型的偏差值較小，訓練樣本越多意味著模型效果越好。不過有時弄到資料不是那麼簡單的，尤其是大量的資料。如果沒有足夠的資料來訓練，那麼就該人工創造出一些資料，例如我們可以把原來正常的圖片進行扭曲，就能得到新的資料，如果對於音訊，可以增加背景噪聲：

要注意的是如果加入無意義的噪聲和變換，那對於增加資料是沒有幫助的：

下面是關於獲取資料一些討論，例如必須要在偏差較小的前提下，在走入死衚衕時可以問問自己如何獲得10倍資料，也許會豁然開朗：

4、ceiling analysis:what part of the pipeline to work on next(上限分析

)

可以說，機器學習的過程就像一個流水線一樣由很多部分組成，顯然每個部分都具有一定的誤差，為了提高準確率，我們需要知道該對哪個部分進行進一步完善，這時就要用到上限分析方法，該方法依次假設流水線上的某個部分達到完美狀態，這樣輸出的資料將會是完美資料，那下一個部分獲取的是沒有誤差的完美資料，計算這個時候整個系統的準確率：

如上圖所示，文字識別中有四個部分組成，我們現在求出針對每個部分優化後的系統準確率，現在的問題是如何提高整個系統的準確率？從表中可以看到，假設我們優化了文字檢測這個部分，那麼準確率將會從72%增加到89%，如果我們優化字元分割這個部分，準確率只不過從89%提高到90%而已，如果優化了字元識別，準確率從90%提高到100%，相比之下，優化文字檢測帶來的提升最大，其次是字元識別。這樣分析得到的結果就是應該對文字檢測和字元識別進行優化。再舉一個人臉識別的例子：

可以看到，優化預處理(移去背景)帶來的準度率提升最高。

-------------------------------------弱弱的分割線---------------------------------------

這一講介紹了機器學習在日常生活中的應用-OCR技術，這個技術現在已經很常見了，很多路口識別車輛牌照的系統就是採用這個技術。作為機器學習十週課程的最後一講，很高興看到這裡回到了具體應用的層面，我覺得這才是機器學習的魅力所在，期待機器學習更美好的未來。感謝Andrew Ng教授，感謝Coursera。