Машинное обучение (ML)

Машинное обучение (ML) - это динамично развивающаяся область искусственного интеллекта (ИИ), которая фокусируется на разработке систем, способных обучаться на основе данных и улучшать свою производительность с течением времени без необходимости без явного программирования на каждое конкретное правило. Введена первопроходцем Артуром Сэмюэлем в 1959 году, эта дисциплина позволяет компьютерам выявлять закономерности, принимать решения и предсказывать результаты на основе исторической информации. Вместо того чтобы следовать вместо того чтобы следовать статичному набору инструкций, алгоритмы ML строят математическую модель на основе обучающих данных, чтобы делать прогнозы или принимать решения не будучи явно запрограммированными на выполнение этой задачи.

Основные парадигмы обучения

Алгоритмы машинного обучения обычно делятся на категории по способу обучения на основе данных. Понимание этих парадигм важно для выбора правильного подхода к решению конкретной задачи:

• Контролируемое обучение: Алгоритм Алгоритм обучается на наборе данных с метками, то есть на вход поступают правильные выходные данные. Модель учится сопоставлять входные данные с выходными, что обычно используется в таких задачах, как классификация изображений и фильтрация спама. Такие ресурсы, как Руководство IBM по контролируемому обучению предлагает более подробное более глубокое понимание этих рабочих процессов.
• Неподконтрольное обучение: В При таком подходе алгоритм обрабатывает немаркированные данные, чтобы обнаружить скрытые структуры или закономерности, например, группировку клиентов по покупательскому поведению. Такие методы, как кластеризация, являются основополагающими для этой парадигмы.
• Обучение с подкреплением: Агент учится принимать решения, выполняя действия в среде и получая обратную связь в виде вознаграждения или наказания. Этот метод очень важен при обучении агентов сложным задачам, таким как робототехнике и стратегических играх.
• Полуподконтрольное обучение: Этот гибридный подход использует небольшое количество меченых данных в сочетании с большим количеством немеченых данных, что часто повышает точность обучения, когда маркировка стоит дорого.

Отличие ОД от смежных концепций

Несмотря на частое взаимозаменяемое употребление, в экосистеме науки о данных важно отличать ML от смежных терминов:

• Глубокое обучение (DL): A Специализированное подмножество ML, которое использует многослойные нейронные сети (НС) для моделирования сложных закономерностей в данных. Глубокое обучение способствует современным прорывам в компьютерном зрении (CV) и обработке естественного языка обработке данных.
• Добыча данных: Эта область специализируется на обнаружении ранее неизвестных закономерностей или взаимосвязей в больших массивах данных. В то время как ML фокусируется на прогнозировании и принятии решений, добыча данных сосредоточена на извлечении действенных идей, часто описываемых SAS Analytics.
• Искусственный интеллект (ИИ): Всеобъемлющая область, направленная на создание умных машин. ML - это практическое подмножество, которое предоставляет статистические методы для достижения ИИ.

Применение в реальном мире

Машинное обучение - это двигатель многих революционных технологий в различных отраслях.

1. ИИ в здравоохранении: ML-модели совершают революцию в диагностике, выполняя анализа медицинских изображений. Алгоритмы могут detect аномалии, например опухоли, на снимках МРТ с высокой точностью, помогая радиологам выявлять заболевания на ранних стадиях. Исследования, публикуемые в таких журналах, как Nature Medicine, часто освещают эти достижения.
2. ИИ в автомобилестроении: Автономные транспортные средства в значительной степени полагаются на ИИ для для восприятия окружающей обстановки. Системы, обученные на огромном количестве видеозаписей вождения, используют обнаружение объектов для идентификации пешеходов, других других автомобилей и дорожных знаков в режиме реального времени, обеспечивая безопасную навигацию. Такие компании, как Waymo, используют эти передовые системы восприятия.

Реализация машинного обучения

Разработка решения ML включает в себя сбор данных, обучение модели и ее развертывание для выводов. Современные фреймворки, такие как PyTorch и TensorFlow предоставляют необходимые инструменты для создания таких систем.

Ниже приведен краткий пример использования ultralytics библиотека для выполнения выводов с предварительно обученной ML моделью. Это демонстрирует, насколько легко современные инструменты ML могут быть применены к задачам компьютерного зрения.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model suitable for object detection
model = YOLO("yolo11n.pt")

# Run inference on a remote image to detect objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the detection results with bounding boxes
results[0].show()

Успешное внедрение также требует пристального внимания к стратегии развертывания модели и мониторинга, чтобы предотвращения таких проблем, как чрезмерная подгонка, когда модель обучается слишком хорошо усваивает обучающие данные и не может обобщить их на новые входные данные. Такие инструменты, как Scikit-learn остаются жизненно важными для традиционных задач ML, в то время как Ultralytics YOLO11 представляет собой передовую архитектуру для задач обучения на основе технического зрения.