Машинное обучение (ML)

Машинное обучение (ML) - это область искусственного интеллекта (ИИ), которая наделяет компьютеры способностью обучаться без явного программирования. Алгоритмы ML, впервые сформулированные такими первопроходцами, как Артур Сэмюэл, используют исторические данные для выявления закономерностей, составления прогнозов и улучшения своей работы с течением времени по мере получения дополнительной информации. Вместо того чтобы полагаться на разработчика, который должен написать статичный код для задачи, ML-модель обучается собственной логике непосредственно на основе данных, на которых она обучается. Эта способность к адаптации делает ML движущей силой многих современных технологий.

Отличие ОД от смежных терминов

Понимание ML также означает знание того, как она связана с другими ключевыми понятиями в этой области:

• Искусственный интеллект (ИИ): ИИ - это широкая концепция создания машин, способных к разумному поведению. ML - наиболее известный и успешный подход к достижению ИИ. Если ИИ - это всеобъемлющая цель, то ОД - это практическая методология, которая позволяет системам обучаться и адаптироваться.
• Глубокое обучение (DL): Глубокое обучение - это специализированная область ML, в которой используются сложные многослойные нейронные сети (НС), часто называемые глубокими нейронными сетями. Глубокое обучение позволило совершить значительный прорыв в работе со сложными данными, такими как изображения, звук и текст, и лежит в основе большинства современных моделей зрения.
• Добыча данных: Хотя обе области анализируют данные, цели у них разные. Добыча данных, по определению таких лидеров отрасли, как SAS, направлена на обнаружение ранее неизвестных закономерностей в больших массивах данных для получения информации, пригодной для использования человеком. В отличие от этого, ML использует закономерности для построения прогностических моделей, которые могут принимать самостоятельные решения на основе новых, невидимых данных.

Типы машинного обучения

Модели ML обычно делятся на категории в зависимости от того, как они учатся на данных:

• Контролируемое обучение: Наиболее распространенный тип, при котором модель обучается на основе помеченных данных, состоящих из пар вход-выход. Цель состоит в том, чтобы выучить функцию отображения, которая может предсказать выход для новых входных данных. Классическими примерами являются классификация изображений и обнаружение спама.
• Обучение без контроля: Модель получает немаркированные данные и должна самостоятельно найти закономерности или внутренние структуры, например сгруппировать точки данных в кластеры. Обнаружение аномалий и сегментация клиентов - распространенные примеры использования.
• Обучение с подкреплением: Агент обучается, взаимодействуя с окружающей средой. Он получает вознаграждение за желательные действия и наказание за нежелательные, стремясь максимизировать свое совокупное вознаграждение. Этот подход широко используется в робототехнике и стратегических играх.

Актуальность в искусственном интеллекте и компьютерном зрении

Машинное обучение является основополагающим элементом современного ИИ и особенно преобразующим в области компьютерного зрения (КВ). Такие задачи, как обнаружение объектов, сегментация изображений и оценка позы, в значительной степени опираются на модели машинного обучения для интерпретации и понимания визуальной информации. Современные модели, такие как Ultralytics YOLO, используют методы ML, в частности Deep Learning, для достижения высокой точности и скорости в приложениях реального времени.

Вот два примера ML в действии:

1. Анализ медицинских изображений: В области ИИ для здравоохранения ML-модели, обученные на таких наборах данных, как набор данных по опухолям головного мозга, могут анализировать снимки МРТ или КТ, чтобы обнаружить и очертить потенциальные аномалии. Это помогает рентгенологам, выделяя проблемные области, что позволяет быстрее и точнее ставить диагноз. Такие организации, как Национальный институт биомедицинской визуализации и биоинженерии (NIBIB), активно изучают возможности применения этих технологий.
2. Автономные транспортные средства: Самостоятельно управляемые автомобили используют набор ML-моделей для обработки данных с камер, LiDAR и радаров в режиме реального времени. В автомобильном ИИ эти модели используются для обнаружения и классификации объектов, таких как другие транспортные средства, пешеходы и дорожные знаки, что позволяет автомобилю безопасно ориентироваться в окружающей среде. Технологические платформы, такие как DRIVE от NVIDIA, построены на мощных возможностях ML.

Инструменты и фреймворки

Разработка и развертывание ML-моделей поддерживается богатой экосистемой инструментов. Такие фреймворки, как PyTorch (посетите официальный сайт PyTorch) и TensorFlow (посетите домашнюю страницу TensorFlow), предоставляют необходимые строительные блоки для создания нейронных сетей.

Платформы, такие как Ultralytics HUB, предлагают интегрированные среды, которые упрощают весь рабочий процесс - от управления наборами данных и обучения пользовательских моделей до развертывания и мониторинга моделей с помощью MLOps. Создание эффективной модели часто требует тщательной настройки гиперпараметров и глубокого понимания показателей производительности.