Mønstergenkendelse i kunstig intelligens handler om at finde brugbare strukturer i data og omsætte dem til klassifikation, forudsigelse, gruppering eller afvigelsesdetektion. Fokus er processen fra data til model, forskellen på centrale metoder, typiske fejl, bias og de kontrolpunkter, der afgør om et mønster kan bruges forsvarligt.

Data processering gør rå data brugbare gennem indsamling, kontrol, rensning, transformation og levering til analyse, automatisering eller AI. Begrebet dækker både tekniske datapipelines og behandling af personoplysninger, hvor formål, kvalitet, sikkerhed og dokumentation afgør, om resultatet kan bruges ansvarligt.

Machine learning er den brede metode til at lære mønstre fra data, mens deep learning er en underkategori med dybe neurale netværk. Fokus er forskellen i data, feature engineering, beregningskraft, forklarbarhed og praktiske valg mellem klassiske modeller og dybe netværk.