Modeļu atpazīšana ir sistēmas spēja atpazīt modeļus datu kopās, paļaujoties uz ieprogrammētām, kā arī apgūtām zināšanām. Tā ir svarīga datorzinātnes sastāvdaļa, jo tā ļauj izstrādāt sistēmas, kas spēj veikt sarežģītu datu analīzi. Tas var palīdzēt pētniekiem ātri kārtot datus, lai atrastu nozīmīgu informāciju, jo viņiem nav manuāli jālasa dati, lai atrastu interesējošās vietas. Modeļu atpazīšana var būt noderīga arī kļūdu, krāpšanas un citu problēmu pamanīšanai datu kopās.
Tas atšķiras no modeļu saskaņošanas, kurā sistēma var precīzi saskaņot materiālus, izmantojot zināmu datu bāzi. Skaidru šīs atšķirības piemēru var redzēt e-pasta filtros. Daudziem tīmekļa e-pasta kontiem ir surogātpasta mape. E-pasta pakalpojumu sniedzējs skenē ienākošos pastu un izmanto šablona atpazīšanu, lai identificētu surogātpastu un ievietotu to šajā mapē. Lietotājs var arī filtrēt savu e-pastu, lūdzot klientam nomest e-pastu no konkrēta sūtītāja vai ar noteiktu saturu noteiktā mapē.
Lai pārbaudītu surogātpastu, ir jāspēj atpazīt vispārīgus modeļus, piemēram, konkrētu vārdu klātbūtni, zināmas aizdomīgas interneta protokola (IP) adreses un citus sarkanos karogus, kas var atzīmēt burtu kā viltotu. Tas ir vairāk uzlabots nekā filtrs, kas vienkārši lūdz sistēmai saskaņot modeļus. Ja sistēma redz vārdu vai sūtītāju, kas atbilst rakstam, tā var pārvietot e-pastu uz atbilstošo mapi.
Sarežģīti algoritmi atbalsta modeļa atpazīšanu. Sistēma var izmantot vairākus līdzekļus, lai izpētītu ienākošos datus un izlemtu, kā vislabāk tos apstrādāt. To var ieprogrammēt, lai veiktu noteiktas funkcijas, piemēram, aizdomīgu vai bojātu datu maršrutēšana uz noteiktu vietu, datu klasificēšana jēgpilnā veidā un tā tālāk. Sistēma spēj mācīties un izmanto to kā rīku, lai uzlabotu modeļu atpazīšanu. Katru reizi, kad lietotājs atzīmē, piemēram, e-pastu kā surogātpastu, sistēma skenē e-pastu, lai uzzinātu par to vairāk, un sistēma turpmāk nepieļaus kļūdu, ievietojot līdzīgus e-pasta ziņojumus iesūtnē.
Datorzinātnieki izstrādā jaunas modeļu atpazīšanas metodes laboratorijas un pētniecības vidē. Tos var izmantot dažādiem uzdevumiem, un tiem ir nepieciešams izveidot neironu tīklus, kas spēj mijiedarboties ar datiem un laika gaitā mainīties. Dažas programmas ir ārkārtīgi sarežģītas un spēj ļoti detalizēti atpazīt modeli, bet citas ir vienkāršotākas. Šādas programmas samazina datu analīzei nepieciešamo cilvēku stundu skaitu un var uztvert lietas, kuras cilvēks var palaist garām, piemēram, pierādījumus par krāpšanu pārkāpumu veidā, kas aptver tūkstošiem apdrošināšanas prasību.