Örüntü tanıma, İngilizce “Pattern Recognition” olarak bilinmektedir. Makine öğreniminde yaygın bir şekilde kullanılan bu ifade, dijital dünyadaki her şey olarak tanımlanabilmektedir. Örüntü tanıma tam olarak makine öğrenimi algoritması yardımıyla örüntülerin tanınma işlemidir. Makine öğrenimi içindeki verilerde kalıpların tanınması ve yorumlanmasını esas alan bir alandır. Örüntü tanıma sistemi ile bilgisayarın karmaşık veri kümeleri veya düzenli sistemleri otomatik olarak tanımlanması sağlanır. Aynı zamanda verilerin kategorize edilmesini sağlayan algoritmaların teknik açıdan çalışması ve geliştirilmesini içermektedir. Örüntü tanımada makine öğrenimi algoritması kullanılarak istatistiksek bilgilere dayalı olarak bilgi ve örüntülerden çıkarılan sonuçların sınıflandırılması olarak da tanımlanabilir. Bu modelin en önemli yönü uygulama potansiyelidir. Örüntü tanımanın esas amacı, içerisinde var olan bilgileri, örüntüleri veya yapıları tanımlamak ve çıkan verilerden anlamlı bilgiler ortaya koymaktır. Bu veri ve modeller, sayısal veri, görüntü, ses, dijital veri ya da metin olabilir. Kısacası çeşitli biçimlerde bulunabilmektedir. Veri analiz yöntemi olarak da bilinen örüntü tanıma, bilinen kalıpları hızlı bir şekilde tanıyabilmektedir. Pek çok alanda kullanılan bir sistemdir. Görüntü işleme, parmak izi tanıma, konuşma, dijital sözleşmeleri fotoğraflar, tıbbi görüntüler gibi uygulamalarda aktif bir şekilde kullanılmaktadır.
Örüntü tanıma sistemi birden fazla veri türlerini ele alarak otomatik görüntü işleme keşfiyle de ilgilidir. Basit bir örüntü tanıma uygulaması ham verileri işleyerek makinenin kullanabileceği bir formata getirmektedir. Böylece örüntüler sınıflandırılmakta ya da kümelenmektedir. Örüntü tanıma sistemi ile veri kümesi içerisindeki bilinen bilgilere kolay ve pratik bir şekilde ulaşılmaktadır. Bilinen nesnelerin yanında bilinmeyen, gizlenmiş olan nesneleri de tanır ve sınıflandırır. Bunu yaparken örüntü tanıma algoritmaları çalışmaktadır ve birkaç adımda ilerlemektedir. İlk olarak alakasız bilgileri ortadan kaldırarak analiz için uygun bir formata getirilmektedir. Ardından veriler işlenir ve özelliklere ayrılır. Çıkartılan bu özellikler ile örüntü modelleri oluşturulur ve model eğitilir. Son olarak ise görünmeyen veriler de tanımlanarak sınıflandırılmaktadır. Örüntü tanıma makinelerdeki verilerde gösterilen örüntülerin anlaşılmasını, yorumlanması ve geliştirilmesi üzerinde önemli rol oynamaktadır.