机器学习（ML）

机器学习（ML）是人工智能（AI）的一个子领域，它赋予计算机在没有明确编程的情况下进行学习的能力。机器学习算法最早是由亚瑟-塞缪尔等先驱者定义的，它利用历史数据来识别模式、进行预测，并随着时间的推移在接触更多信息后提高性能。ML 模型不依赖于开发人员为某项任务编写静态代码，而是直接从所训练的数据中学习自己的逻辑。这种自适应能力使 ML 成为当今许多最尖端技术背后的驱动力。

将 ML 与相关术语区分开来

理解 ML 还意味着了解它与该领域其他关键概念的关系：

• 人工智能（AI）：人工智能是一个广义的概念，即创造能够进行智能行为的机器。ML 是实现人工智能最显著、最成功的方法。人工智能是总体目标，而 ML 则是允许系统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。深度学习在处理图像、声音和文本等复杂数据方面取得了重大突破，并为最先进的视觉模型提供了动力。
• 数据挖掘：虽然这两个领域都分析数据，但目标不同。根据SAS 等行业领导者的定义，数据挖掘侧重于在大型数据集中发现以前未知的模式，从而产生可供人类使用的见解。相比之下，ML 利用模式来建立预测模型，从而能够对新的、未见过的数据做出自主决策。

机器学习的类型

ML 模型通常根据其学习数据的方式进行分类：

• 监督学习：最常见的类型，模型从由输入-输出对组成的标注数据中学习。目标是学习一个映射函数，该函数可以预测新输入的输出。图像分类和垃圾邮件检测就是典型的例子。
• 无监督学习：模型获得的是无标记数据，必须自己找到模式或内在结构，例如将数据点分组。异常检测和客户细分是常见的使用案例。
• 强化学习：代理通过与环境互动来学习。它对理想的行动给予奖励，对不理想的行动给予惩罚，目的是使累积奖励最大化。这种方法广泛应用于机器人和战略游戏。

人工智能和计算机视觉的相关性

机器学习是现代人工智能的基础支柱，在计算机视觉（CV）领域尤其具有变革性。物体检测、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。最先进的模型，如Ultralytics YOLO，利用 ML 技术，尤其是深度学习技术，在实时应用中实现了高精度和高速度。

下面是两个应用 ML 的例子：

1. 医学图像分析：在医疗保健领域的人工智能中，在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，以检测和概述潜在的异常情况。这有助于放射科医生突出需要关注的区域，从而更快、更准确地做出诊断。美国国家生物医学成像和生物工程研究所（NIBIB）等机构正在积极探索这些应用。
2. 自动驾驶汽车：自动驾驶汽车使用一套 ML 模型来实时处理来自摄像头、激光雷达和雷达的数据。在汽车人工智能中，这些模型用于检测其他车辆、行人和交通标志等物体并对其进行分类，从而使汽车能够安全地导航周围环境。英伟达™（NVIDIA®）的DRIVE等技术平台就是围绕强大的ML功能而构建的。

工具和框架

开发和部署 ML 模型离不开丰富的工具生态系统的支持。PyTorch（访问PyTorch 官方网站）和TensorFlow（访问TensorFlow 主页）等框架提供了创建神经网络的基本构件。

Ultralytics HUB等平台提供的集成环境可以简化整个工作流程，从管理数据集、训练自定义模型到通过MLOps 部署和监控模型。创建一个有效的模型通常需要仔细调整超参数，并深入了解性能指标。