Machine Learning (ML)

Машинное обучение (ML) — это динамично развивающееся направление искусственного интеллекта (AI), которое позволяет компьютерным системам учиться на данных и повышать свою производительность без явного программирования каждого правила. Вместо следования статическим инструкциям, заданным в коде вручную, алгоритмы машинного обучения выявляют закономерности в огромных объемах больших данных, чтобы принимать решения или делать прогнозы. Эта возможность лежит в основе многих современных технологий, позволяя компьютерам адаптироваться к новым сценариям благодаря обработке данных для обучения и постепенному совершенствованию внутренней логики на основе накопленного опыта.

Основные концепции и методы#

В своей основе ML опирается на статистические методы для создания интеллектуальных систем. Обычно эту область разделяют на три основные методологии в зависимости от того, как система обучается. Обучение с учителем предполагает обучение модели на размеченных наборах данных, где известен требуемый результат; этот метод часто используется в задачах классификации изображений. Напротив, обучение без учителя работает с неразмеченными данными, и алгоритм самостоятельно выявляет скрытые структуры или кластеры. Наконец, обучение с подкреплением позволяет агентам учиться методом проб и ошибок во взаимодействующей среде, чтобы максимизировать вознаграждение. Современные разработки часто используют глубокое обучение — специализированную ветвь ML, основанную на нейронных сетях, имитирующих многоуровневую структуру человеческого мозга.

Практические применения#

Машинное обучение преобразило множество отраслей благодаря автоматизации сложных задач. Вот два наглядных примера его влияния:

• Автономные системы: В области компьютерного зрения модели ML, такие как Ultralytics YOLO26, используются для обнаружения объектов в реальном времени. Эти системы служат «глазами» автономных транспортных средств, мгновенно распознавая пешеходов, другие автомобили и дорожные знаки, чтобы принимать решения, критически важные для безопасности.
• Медицинская диагностика: В сфере здравоохранения алгоритмы ML анализируют сложные медицинские изображения и выявляют такие аномалии, как опухоли, раньше традиционных методов. Обрабатывая исторические медицинские записи и используя анализ медицинских изображений, эти инструменты помогают врачам ставить точные диагнозы и составлять персонализированные планы лечения.

Внедрение машинного обучения#

Разработка решения на основе ML включает жизненный цикл, известный как операции машинного обучения (MLOps). Этот процесс начинается со сбора высококачественных данных и выполнения разметки данных для подготовки входных данных модели. Затем разработчики должны обучить модель, отслеживая такие проблемы, как переобучение, при котором система запоминает обучающие данные, но не может обобщать полученные знания на новую информацию.

Следующий фрагмент кода на Python показывает, как загрузить предварительно обученную модель ML с помощью пакета ultralytics для выполнения инференса на изображении:

from ultralytics import YOLO

# Load the advanced YOLO26 model (nano version)
model = YOLO("yolo26n.pt")

# Perform object detection on an image source
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the results to see the identified objects
results[0].show()

Различия между ключевыми терминами#

Важно отличать «машинное обучение» от связанных с ним концепций. AI — это общая область, посвященная созданию интеллектуальных машин, а ML — конкретное подмножество методов, используемых для достижения такого интеллекта с помощью данных. Кроме того, наука о данных — это более широкая область, которая включает ML, но также сосредоточена на очистке данных, визуализации и статистическом анализе для получения бизнес-инсайтов. Такие фреймворки, как PyTorch и TensorFlow, предоставляют базовые инструменты для создания этих систем.

Чтобы упростить процесс обучения и развертывания этих моделей, облачные решения, такие как Ultralytics Platform, позволяют командам эффективно управлять наборами данных, обучать масштабируемые модели и выполнять развертывание моделей на периферийных устройствах.