机器学习 (ML)

机器学习（ML）是人工智能（AI）的一个充满活力的子领域。 人工智能（AI）的一个动态子领域。 机器学习（ML）是人工智能（AI）的一个充满活力的子领域。 机器学习（ML）是人工智能（AI）的一个充满活力的子领域。人工智能先驱 阿瑟-塞缪尔（Arthur Samuel）于 1959 年提出，这门学科使计算机能够 根据历史信息识别模式、做出决策和预测结果。ML ML 算法不是遵循一套静态指令，而是根据训练数据建立数学模型 训练数据来做出预测或决策 无需明确编程来执行任务。

核心学习范式

机器学习算法一般按其学习数据的方式进行分类。了解这些范式 对于为特定问题选择正确的方法至关重要：

• 监督学习：监督学习 算法是在有标签的数据集上进行训练的，这意味着输入会带来正确的输出。模型学会将 将输入映射到输出，常用于图像分类和垃圾邮件过滤等任务。 图像分类和垃圾邮件过滤等任务。 相关资源 IBM 的监督学习指南等资源提供了更多 深入了解这些工作流程。
• 无监督学习在这种方法中 在这种方法中，算法处理未标记的数据，以发现隐藏的结构或模式，例如按购买行为对客户进行分组。 客户的购买行为。聚类等技术 聚类等技术是这种模式的基础。
• 强化学习： 代理通过在环境中执行行动并接收反馈（奖励或惩罚）来学习决策。 奖励或惩罚形式的反馈。这种方法对于训练代理执行复杂任务至关重要，例如在 机器人和战略游戏中的任务。
• 半监督学习： 这种混合方法使用少量标记数据和大量未标记数据，在标记成本高昂的情况下，往往能提高学习准确率。 当标注成本较高时，它往往能提高学习的准确性。

将 ML 与相关概念区分开来

虽然 ML 经常交替使用，但必须将其与数据科学生态系统中的相关术语区分开来：

• 深度学习（DL）：A 深度学习（DL）：ML 的一个专门子集，它使用多层 神经网络（NN）来模拟数据中的复杂模式。 建模。深度学习推动了以下领域的现代突破 计算机视觉 (CV)和自然语言 处理领域的现代突破。
• 数据挖掘：该领域侧重于 在大型数据集中发现以前未知的模式或关系。ML 侧重于预测和 决策，而数据挖掘则侧重于提取可操作的见解，通常由 SAS 分析。
• 人工智能（AI）： 旨在创造智能机器的总体领域。人工智能（AI）：旨在创造智能机器的总体领域。 方法来实现人工智能。

实际应用

机器学习是各行各业许多变革性技术背后的引擎。

1. 医疗保健领域的人工智能：ML 模型 正在通过执行 医学图像分析。算法可以 在核磁共振扫描中高精度地detect 肿瘤等异常情况，协助放射科医生进行早期疾病检测。 自然医学》等期刊上发表的研究报告经常重点介绍这些进步。 这些进步。
2. 汽车领域的人工智能： 自动驾驶汽车在很大程度上依赖人工智能来感知周围环境。 感知周围环境。根据大量驾驶录像训练的系统使用 物体检测来实时识别行人、其他车辆 其他车辆和交通标志，确保安全导航。像 Waymo这样的公司就利用了这些先进的感知堆栈。

实施机器学习

开发 ML 解决方案涉及收集数据、训练模型和部署推理。现代 框架，如 PyTorch和 TensorFlow等框架提供了构建这些系统的基本工具。

下面是使用 ultralytics 库，利用预先训练的 ML 模型进行推理。这表明现代 ML 工具可以轻松应用于计算机视觉任务。

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()

成功实施还需要仔细关注 模型部署策略和监控，以 防止出现过拟合等问题。 过拟合等问题。像 Scikit-learn等工具对传统的 ML 任务仍然至关重要，而 Ultralytics YOLO11架构则代表了 基于视觉的学习任务。