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.

核心概念与技术#

在其基础上，ML 依靠统计技术来构建智能系统。根据系统的学习方式，该领域通常分为三大主要方法。监督学习涉及在已知期望输出的标注数据集上训练模型，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注的数据，要求算法自行寻找隐藏的结构或聚类。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，这是一个基于模仿人脑分层结构的神经网络的 ML 专业分支。

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：

• **自主系统：**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汽车的“眼睛”，即时识别行人、其他车辆和交通标志，以做出瞬息之间的安全决策。
• **医学诊断：**在医疗保健领域，ML 算法分析复杂的医学影像，以便比传统方法更早地检测出肿瘤等异常。通过处理历史病历并利用医学图像分析，这些工具可协助医生做出准确的诊断并制定个性化的治疗方案。

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。此过程从收集高质量数据和执行数据标注开始，以为模型准备输入。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却无法泛化到新信息。

以下 Python 代码片段展示了如何使用 ultralytics 软件包加载预训练的 ML 模型来对图像执行推理：

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()

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体科学，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。PyTorch和TensorFlow等框架为构建这些系统提供了底层工具。

为了简化训练和部署这些模型的复杂性，诸如Ultralytics 平台之类的云原生解决方案允许团队高效地管理数据集、训练可扩展的模型以及处理到边缘设备的模型部署。