Machine Learning (ML)

Machine Learning (ML) — это динамично развивающаяся подкатегория artificial intelligence (AI), которая позволяет компьютерным системам обучаться на данных и улучшать свою производительность без явного программирования под каждое правило. Вместо следования статичным жестко закодированным инструкциям machine learning algorithms выявляют закономерности в огромных объемах big data для принятия решений или прогнозирования. Эта способность лежит в основе многих современных технологий, позволяя компьютерам адаптироваться к новым сценариям путем обработки training data и совершенствования своей внутренней логики с течением времени на основе опыта.

Основные концепции и методы#

В основе ML лежат статистические методы построения интеллектуальных систем. Эта область обычно делится на три основные методологии в зависимости от того, как система обучается. Supervised learning предполагает обучение модели на размеченных наборах данных, где желаемый результат известен; этот метод часто используется в задачах image classification. И наоборот, unsupervised learning работает с неразмеченными данными, требуя от алгоритма самостоятельного поиска скрытых структур или кластеров. Наконец, reinforcement learning позволяет агентам обучаться методом проб и ошибок в интерактивной среде для максимизации награды. В современных достижениях часто используется deep learning — специализированная ветвь ML на основе neural networks, которая имитирует многоуровневую структуру человеческого мозга.

Реальные приложения#

Машинное обучение трансформировало многие отрасли за счет автоматизации сложных задач. Вот два конкретных примера его влияния:

• Автономные системы: В сфере computer vision модели ML, такие как Ultralytics YOLO26, используются для object detection в реальном времени. Эти системы выступают в роли «глаз» для autonomous vehicles, мгновенно распознавая пешеходов, другие автомобили и дорожные знаки для принятия мгновенных решений по безопасности.
• Медицинская диагностика: В healthcare алгоритмы ML анализируют сложные медицинские изображения для выявления аномалий, таких как опухоли, раньше традиционных методов. Обрабатывая исторические записи пациентов и используя medical image analysis, эти инструменты помогают врачам ставить точные диагнозы и составлять персонализированные планы лечения.

Внедрение машинного обучения#

Разработка решения на базе ML включает в себя жизненный цикл, известный как Machine Learning Operations (MLOps). Этот процесс начинается со сбора высококачественных данных и выполнения data annotation для подготовки входных данных для модели. Затем разработчики должны обучить модель, одновременно отслеживая такие проблемы, как overfitting, при котором система запоминает обучающие данные, но не может обобщать их на новую информацию.

Следующий фрагмент Python демонстрирует, как загрузить предобученную 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()

Разграничение ключевых терминов#

Важно отличать «Machine Learning» от связанных концепций. В то время как AI — это всеобъемлющая наука о создании умных машин, ML — это конкретное подмножество методов, используемых для достижения этого интеллекта с помощью данных. Кроме того, data science — это более широкая область, которая включает в себя ML, но также фокусируется на очистке данных, визуализации и статистическом анализе для извлечения бизнес-инсайтов. Такие фреймворки, как PyTorch и TensorFlow, предоставляют базовые инструменты для создания этих систем.

Чтобы упростить сложность обучения и развертывания этих моделей, облачные решения, такие как Ultralytics Platform, позволяют командам эффективно управлять наборами данных, обучать масштабируемые модели и выполнять model deployment на периферийные устройства.