机器学习 (ML)
探索机器学习：探索其核心概念、类型以及在 AI、计算机视觉和深度学习中的实际应用。立即了解更多！
机器学习 (ML) 是人工智能 (AI)的一个子领域，它使计算机能够在没有明确编程的情况下进行学习。由Arthur Samuel等先驱首次定义，ML 算法使用历史数据来识别模式、进行预测，并随着接触更多信息而提高其性能。ML 模型不是依赖开发人员为任务编写静态代码，而是直接从训练数据中学习自己的逻辑。这种自适应能力使 ML 成为当今许多最复杂技术背后的驱动力。
区分机器学习与相关术语
理解机器学习也意味着了解它与该领域其他关键概念的关系：
- 人工智能 (AI): AI 是创造具备智能行为机器的广泛概念。机器学习 (ML) 是实现 AI 最突出和最成功的方法。虽然 AI 是总体目标，但 ML 是使系统能够学习和适应的实用方法。
- 深度学习 (DL): 深度学习是 ML 的一个专门子领域，它使用复杂的多层神经网络 (NN)，通常称为深度神经网络。DL 在处理图像、声音和文本等复杂数据方面取得了重大突破，并为大多数最先进的视觉模型提供支持。
- 数据挖掘: 虽然这两个领域都分析数据，但它们的目标不同。正如 SAS 等行业领导者所定义的那样，数据挖掘侧重于发现大型数据集中以前未知的模式，从而为人类使用生成见解。相比之下，机器学习使用模式来构建预测模型，这些模型可以对新的、未见过的数据做出自主决策。
机器学习的类型
机器学习模型通常根据它们如何从数据中学习进行分类：
- 监督学习: 最常见的类型，其中模型从由输入-输出对组成的标记数据中学习。目标是学习一种映射函数，该函数可以预测新输入的输出。图像分类和垃圾邮件检测是经典示例。
- 无监督学习: 该模型被赋予未标记的数据，并且必须自行找到模式或内在结构，例如将数据点分组到集群中。异常检测和客户细分是常见的用例。
- 强化学习: 智能体通过与环境交互来学习。它会因理想的行为而获得奖励，并因不良行为而受到惩罚，目标是最大化其累积奖励。这种方法广泛应用于机器人技术和战略游戏。
在 AI 和计算机视觉中的相关性
机器学习是现代人工智能的基础支柱，尤其是在计算机视觉 (CV)领域具有变革意义。目标检测、图像分割和姿态估计等任务在很大程度上依赖于 ML 模型来解释和理解视觉信息。像Ultralytics YOLO这样的先进模型利用 ML 技术，特别是深度学习，在实时应用中实现高精度和速度。
以下是机器学习在实践中的两个例子：
- 医学影像分析: 在 医疗保健 AI 领域，在诸如 脑肿瘤数据集等数据集上训练的 ML 模型可以分析 MRI 或 CT 扫描，以检测和勾勒潜在的异常。这通过突出显示关注区域来协助放射科医生，从而实现更快、更准确的诊断。诸如 美国国家生物医学成像和生物工程研究所 (NIBIB) 等组织正在积极探索这些应用。
- 自动驾驶汽车: 自动驾驶汽车使用一套机器学习模型来实时处理来自摄像头、LiDAR 和雷达的数据。在汽车人工智能中，这些模型用于检测和分类物体，如其他车辆、行人和交通标志，使汽车能够安全地导航其环境。像 NVIDIA 的 DRIVE 这样的技术平台是围绕强大的机器学习能力构建的。
工具和框架
开发和部署机器学习模型由丰富的工具生态系统支持。诸如 PyTorch (请访问 PyTorch 官方网站) 和 TensorFlow (请访问 TensorFlow 主页) 等框架为创建神经网络提供了基本的构建模块。
诸如 Ultralytics HUB 这样的平台提供集成的环境，简化了整个工作流程，从管理数据集和训练自定义模型到通过MLOps进行模型部署和监控。创建一个有效的模型通常涉及仔细的超参数调整和对性能指标的深刻理解。
