dmshar

Вводите в Google "рамка старых краев фото"
Берете любую понравившуюся рамку, накладываете как верхний слой в Фотошоп. Можно еще поиграться и использовать найденную рамку в качестве маской слоя.
Эффект примерно одинаков.

Дело в том, что название "теория распознавания образов" впервые в русскоязычной научной литературе появилось в 60-70-ых годах прошлого столетия как очень неудачный перевод английского "Pattern recognition". И под этой теорией подразумевалось то, что сегодня подразумевается под Machine Learning - т.е. наука, которая занимается методами извлечения скрытых паттернов (шаблонов) - статических или динамических - в данных. Соответственно если вас интересует именно методы построения "интеллектуальных систем" (хотя мне очень не нравиться этот термин)- стоит смотреть в этом направлении, включая Data Mining, ANN, Deep Learning и т.д.
С другой стороны, сегодня, когда говорят о "распознавании образов" очень часто имеют ввиду распознавание визуальных образов - обнаружение лиц на фотографиях, распознавание изображений на картинках, распознавание рукописного текста и производные от этих задач. Замечу, что часто (вернее - как правило) для решения этих задач используются методы и средства из абзаца выше. Однако я не уверен, что системы этого класса можно отнести к "интеллектуальным" - т.к. как правило они решают одну, специальную задачи и интеллекта там ровно столько, сколько и в любом современном численном методе решения математических задач.
Я не привожу названий конкретных книг ни по первой ни по второй теме - их огромное множество. У каждого советующего - свои "лучшие" книги. Даже на тостере десятки тем, где такие книги можно найти. Но надеюсь что мой пост поможет вам более четко определится, что-же именно вас интересует и дальше целенаправленно искать в нужном направлении понимая, куда и зачем вы идете.

OpenCV (https://opencv.org/)
Реализована на C/C++, поддерживается работа с Python, Java, Ruby, Matlab, Lua, PHP и пр.
Универсальная библиотека работы с изображениями с открытым исходным кодом. Номер 1 по распространенности.

Для того, что-бы начать заниматься машинным обучением надо в первую очередь научиться работать с информацией. Не с информацией вообще, а с САМОСТОЯТЕЛЬНЫМ (!!!!) поиском ответов на интересующие вас вопросы, а не беспомощным вопрошанием на форуме, "с чего начать", "что мне учить", - потом будет "а в каком порядке", потом - "по каким книгам", потом - "как быстро".... Эта тема постоянно обсасывается на Medium, на AnalyticsVidhya, на DataScienceCentral, на KDnuggets, на cyberforum.ru, на десятках других формуах. А есть еще StackOverflow, есть другие сайты.Посмотрите - прежде чем задавать такие детские вопросы - хотя-бы - сам Тостер. Тут десятки если не сотни аналогичных вопросов с ответами. Почем у вы решили, что полезнее задать вопрос в сто первый раз, чем один раз самому поискать и найти ответы?
Ну, если вас там в Atlanta_Boston вдруг отключили от Гуугл, то сделаю это за вас:
https://proglib.io/p/learn-data/
https://ru.stackoverflow.com/questions/678970/Книг...
https://dev.by/news/kak-izuchit-data-science
Очередной вопрос по ИИ и математике: какие темы надо знать?
Очередной вопрос о том как начать в машинное обучение. Как начать, чтобы понять интересно ли мне этим заниматься или нет?
Какие книги для начинающего по Data Science?

1. Различие в объеме между 2 ГБ и "несколькими терабайтами" - очень немаленькая. Вы уверены, что терабайтные объемы будут вами достигнуты в обозримом будущем?
2. В фаловой системе NTFS теоретический размер файла может быть до 32 эксабайт. Практически - немного меньше, но думаю, вам должно хватить.
3. Глупо или не глупо держать в файле зависит не от объема информации, а от того, что вы хотите с ней делать. Если просто хранить в нужном формате а потом скармливать своей нейронке, то переход к любой БД вам ничего не даст, кроме замедления работы и УВЕЛИЧЕНИЯ расхода ресурсов.
4. Если вы перейдете к БД, то у вас два пути. Либо перед загрузкой в нейронку переформатировать ваши данные - возможно не все сразу, а по частям - в формат, воспринимаемый нейронкой. Либо писать свой код работы с БД, и имплементировать его в используемую библиотеку (благо много нейронок имеют его в виде Open Source). Варианты не сильно отличаются друг от друга по сложности.
5. "Не хватит оперативки" - это если вы используете алгоритм класса "in memory". Надо искать (или писать нейронку), которая лишена этого недостатка. Такие вопросы можно гууглить по ключевому слову "Streaming algorithm".
5. Если действительно вдруг вы выскочите в область Big Data c необходимостью работы в потоковом режиме(пока вы явно не там) - то придется посмотреть в область Hadoop и Spark. Но это - совсем другая история.

Задача предсказания победителя в матче ничем не отличается от задачи классификации животного. Только в спортивной задаче объектом классификации выступает "матч" который включает описание команд, в нем принявших участие. Результат классификации - соответственно не "кошки"/"собачки", а "победа команды 1"/ "победа команды 2".
Соответствующие "готовые реализации" есть и в Python, и в R, да и в практической любой библиотеке по Machine Learning.

Зачем вам аж целая нейронная сеть, когда задача предсказания одномерного временного ряда прекрасно решалась и решается методами классического анализа этих самых временных рядов и описана в любой книге по Machine Learning (и разумеется - в любом университетском курсе анализа временных рядов - уже лет эдак 50).
Типичный набор инструментов - базовый python + пакет scikit-learn. При острой необходимости - расширяем пакетами statsmodel и pandas. При необходимости вывода графики - matplotlib и/или seaborn. Покроет практически все мыслимые и немыслимые потребности в решении вашей задачи.

Вариантов ответов на ваш вопрос - огромное множество. Но если информация аж трехлетней давности для вас - устарела (хотя я не понимаю, как могут устаревать базовые, фундаментальные знания . Да и более свежих версий на Тостере - навалом. Ну да ладно) , то вот вам новейшее изыскание на заданную тему
https://dev.by/news/kak-izuchit-data-science