Machine Learning (ML)

Machine Learning (ML) is a dynamic subset of artificial intelligence (AI) that empowers computer systems to learn from data and improve their performance without being explicitly programmed for every rule. Instead of following static, hard-coded instructions, machine learning algorithms identify patterns within vast amounts of big data to make decisions or predictions. This capability is the engine behind many modern technologies, allowing computers to adapt to new scenarios by processing training data and refining their internal logic over time through experience.

Link to this section核心概念与技术#

从根本上说，ML 依赖统计技术来构建智能系统。根据系统的学习方式，该领域通常分为三种主要方法。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 图像分类 任务中常用的技术。相反，无监督学习 处理未标记的数据，要求算法自行发现隐藏的结构或聚类。最后，强化学习 使智能体能够在交互式环境中通过试错来学习，以最大化奖励。现代进展通常利用 深度学习，这是一种基于 神经网络 的专业 ML 分支，模仿了人类大脑的层级结构。

Link to this section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：

• 自动驾驶系统： 在 计算机视觉 领域，像 Ultralytics YOLO26 这样的 ML 模型被用于实时 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、其他车辆和交通标志，从而做出瞬间的安全决策。
• 医学诊断： 在 医疗保健 领域，ML 算法分析复杂的医学影像，比传统方法更早地检测出肿瘤等异常情况。通过处理历史患者记录并利用 医学图像分析，这些工具可以辅助医生做出准确诊断并制定个性化的治疗方案。

Link to this section实现机器学习#

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 以准备模型输入。然后，开发者必须在训练模型的同时监控诸如 过拟合 之类的问题，即系统记住了训练数据但无法推广到新信息的情况。

以下 Python 代码片段演示了如何使用 ultralytics 包加载预训练的 ML 模型以在图像上执行推理：

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()

Link to this section区分关键术语#

区分“机器学习”与相关概念很重要。虽然 AI 是创建智能机器的总括性科学，但 ML 是通过数据实现该智能的具体方法子集。此外，数据科学 是一个更广泛的领域，它不仅包含 ML，还专注于数据清洗、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。

为了简化训练和部署这些模型的复杂性，云原生解决方案（如 Ultralytics Platform）允许团队高效地管理数据集、训练可扩展模型，并处理向边缘设备的 模型部署。