机器学习 (ML)

机器学习 (ML) 是 人工智能 (AI) 的一个动态子集，它赋能计算机系统从数据中学习并提高其性能，而无需为每个规则进行显式编程。它不遵循静态的硬编码指令，而是由 机器学习算法 在海量的 大数据 中识别模式，从而做出决策或预测。这种能力是许多现代技术背后的引擎，使计算机能够通过处理 训练数据 并随着时间的推移通过经验完善其内部逻辑来适应新场景。

核心概念与技术

从根本上讲，ML 依赖于统计技术来构建智能系统。该领域通常根据系统学习方式分为三种主要方法。监督学习 涉及在已知期望输出的标记数据集上训练模型，这是一种常用于 图像分类 任务的技术。相反，无监督学习 处理未标记数据，要求算法自行发现隐藏结构或聚类。最后，强化学习 使智能体能够在交互式环境中通过试错学习，以最大化奖励。现代进展通常利用 深度学习，它是 ML 的一个专门分支，基于模仿人脑分层结构的 神经网络。

实际应用

机器学习通过自动化复杂任务，改变了众多行业。以下是其影响的两个具体示例：

• 自动系统：在计算机视觉领域，像Ultralytics YOLO26这样的机器学习模型用于实时目标检测。这些系统充当自动驾驶车辆的“眼睛”，即时识别行人、其他汽车和交通标志，以做出瞬间安全决策。
• 医学诊断：在 医疗健康领域，机器学习（ML）算法分析复杂的医学影像，比传统方法更早地detect肿瘤等异常。通过处理历史患者记录并利用 医学图像分析，这些工具辅助医生做出准确诊断并制定个性化治疗方案。

实施机器学习

开发 ML 解决方案涉及一个称为 机器学习运维 (MLOps) 的生命周期。此过程始于收集高质量数据并执行 数据标注，为模型准备输入。开发人员随后必须训练模型，同时监控诸如 过拟合 等问题，即系统记忆训练数据但无法泛化到新信息的情况。

以下 Python 代码片段演示了如何使用 ultralytics 包对图像执行推理：

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()

关键术语的区分

区分“机器学习”与相关概念很重要。尽管 AI 是创建智能机器的总体科学，但 ML 是通过数据实现该智能的特定方法子集。此外，数据科学 是一个更广泛的领域，它包含 ML，但也侧重于数据清洗、可视化和统计分析，以提取商业洞察。像 PyTorch 和 TensorFlow 这样的框架提供了构建这些系统的底层工具。

为了简化这些模型的训练和部署复杂性，Ultralytics Platform等云原生解决方案使团队能够高效地管理数据集、训练可扩展模型，并处理模型部署到边缘设备。