Машинное обучение (ML)

Машинное обучение (ML) — это динамичное подразделение искусственного интеллекта (AI), которое позволяет компьютерным системам учиться на данных и улучшать свою производительность без явного программирования каждого правила. Вместо того, чтобы следовать статическим, жестко запрограммированным инструкциям, алгоритмы машинного обучения выявляют закономерности в огромных массивах данных для принятия решений или прогнозирования. Эта способность является движущей силой многих современных технологий, позволяя компьютерам адаптироваться к новым сценариям путем обработки обучающих данных и совершенствования своей внутренней логики с течением времени на основе опыта.

Основные концепции и методы

В своей основе ML опирается на статистические методы для построения интеллектуальных систем. Эта область обычно разделяется на три основные методологии в зависимости от того, как система обучается. Обучение с учителем предполагает обучение модели на помеченных наборах данных, где известен желаемый результат, и эта техника обычно используется в задачах классификации изображений. Напротив, обучение без учителя имеет дело с непомеченными данными, что требует от алгоритма самостоятельного поиска скрытых структур или кластеров. Наконец, обучение с подкреплением позволяет агентам обучаться методом проб и ошибок в интерактивной среде, чтобы максимизировать вознаграждение. Современные достижения часто используют глубокое обучение, специализированную ветвь ML, основанную на нейронных сетях, которые имитируют слоистую структуру человеческого мозга.

Применение в реальном мире

Машинное обучение преобразовало множество отраслей промышленности за счет автоматизации сложных задач. Вот два конкретных примера его влияния:

• Автономные системы: В области компьютерного зрения модели машинного обучения, такие как Ultralytics , используются для обнаружения объектов в режиме реального времени . Эти системы действуют как «глаза» для автономных транспортных средств, мгновенно идентифицируя пешеходов, другие автомобили и дорожные знаки, чтобы принимать решения о безопасности за доли секунды.
• Медицинская диагностика: в сфере здравоохранения алгоритмы машинного обучения анализируют сложные медицинские изображения для detect , таких как опухоли, на более ранней стадии, чем традиционные методы. Обрабатывая исторические данные о пациентах и используя анализ медицинских изображений, эти инструменты помогают врачам ставить точные диагнозы и создавать индивидуальные планы лечения.

Реализация машинного обучения

Разработка решения ML включает в себя жизненный цикл, известный как операции машинного обучения (MLOps). Этот процесс начинается со сбора высококачественных данных и выполнения аннотации данных для подготовки входных данных для модели. Затем разработчики должны обучить модель, одновременно отслеживая такие проблемы, как переобучение, когда система запоминает обучающие данные, но не может обобщить их для новой информации.

Следующий Python демонстрирует, как загрузить предварительно обученную модель машинного обучения с помощью ultralytics пакет для выполнения вывода по изображению:

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()

Различие ключевых терминов

Важно отличать «машинное обучение» от смежных понятий. В то время как ИИ является общей наукой о создании интеллектуальных машин, МО представляет собой конкретный поднабор методов, используемых для достижения такого интеллекта с помощью данных. Кроме того, наука о данных является более широкой областью, которая включает в себя МО, но также фокусируется на очистке данных, визуализации и статистическом анализе для извлечения бизнес-инсайтов. Такие фреймворки, как PyTorch и TensorFlow предоставляют базовые инструменты для построения этих систем.

Для оптимизации сложных процессов обучения и развертывания этих моделей облачные решения, такие как Ultralytics , позволяют командам управлять наборами данных, обучать масштабируемые модели и эффективно развертывать модели на периферийных устройствах.