Machine Learning (ML)

Машинное обучение (ML) — это динамичное подмножество искусственного интеллекта (AI), которое позволяет компьютерным системам учиться на данных и повышать свою эффективность без явного программирования каждого правила. Вместо следования статичным, жестко заданным инструкциям, алгоритмы машинного обучения выявляют закономерности в огромных массивах больших данных для принятия решений или прогнозирования. Эта способность является двигателем многих современных технологий, позволяя компьютерам адаптироваться к новым сценариям путем обработки обучающих данных и уточнения своей внутренней логики с течением времени благодаря опыту.

Link to this sectionОсновные концепции и методы#

В своей основе ML опирается на статистические методы для создания интеллектуальных систем. Эту область обычно делят на три основных методологии в зависимости от способа обучения системы. Обучение с учителем предполагает обучение модели на размеченных наборах данных, где желаемый результат известен; этот метод часто используется в задачах классификации изображений. И наоборот, обучение без учителя работает с неразмеченными данными, требуя от алгоритма самостоятельного поиска скрытых структур или кластеров. Наконец, обучение с подкреплением позволяет агентам учиться методом проб и ошибок в интерактивной среде для максимизации вознаграждения. Современные достижения часто используют глубокое обучение — специализированную ветвь ML, основанную на нейронных сетях, которые имитируют многослойную структуру человеческого мозга.

Link to this sectionРеальные приложения#

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

• Автономные системы: В сфере компьютерного зрения ML-модели, такие как Ultralytics YOLO26, используются для обнаружения объектов в реальном времени. Эти системы выступают в роли «глаз» для автономных транспортных средств, мгновенно распознавая пешеходов, другие автомобили и дорожные знаки для принятия безопасных решений за доли секунды.
• Медицинская диагностика: В здравоохранении алгоритмы ML анализируют сложные медицинские изображения для выявления аномалий, таких как опухоли, раньше традиционных методов. Обрабатывая исторические записи пациентов и используя анализ медицинских изображений, эти инструменты помогают врачам ставить точные диагнозы и составлять персонализированные планы лечения.

Link to this sectionВнедрение машинного обучения#

Разработка ML-решения включает жизненный цикл, известный как Machine Learning Operations (MLOps). Этот процесс начинается со сбора высококачественных данных и выполнения разметки данных для подготовки входных данных для модели. Затем разработчики должны обучить модель, следя за такими проблемами, как переобучение, когда система запоминает обучающие данные, но не способна обобщать их на новую информацию.

Следующий фрагмент кода на Python демонстрирует, как загрузить предварительно обученную ML-модель 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()

Link to this sectionРазграничение ключевых терминов#

Важно отличать «Машинное обучение» от смежных концепций. В то время как AI — это всеобъемлющая наука о создании умных машин, ML — это специфическое 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.

Для оптимизации сложности обучения и развертывания таких моделей облачные решения, такие как Ultralytics Platform, позволяют командам эффективно управлять наборами данных, обучать масштабируемые модели и выполнять развертывание моделей на граничных устройствах.