Глоссарий

Машинное обучение (ML)

Открой для себя машинное обучение: Изучи его основные понятия, типы и реальные применения в искусственном интеллекте, компьютерном зрении и глубоком обучении. Узнай больше прямо сейчас!

Обучай модели YOLO просто
с помощью Ultralytics HUB.

Узнай больше

Машинное обучение (ML) - это фундаментальная ветвь искусственного интеллекта (ИИ), которая позволяет компьютерным системам обучаться на основе данных и улучшать свою производительность при выполнении конкретных задач, не будучи явно запрограммированными. Вместо того чтобы полагаться на жестко закодированные правила, системы ML используют алгоритмы для анализа огромных объемов данных, выявления закономерностей и принятия решений или предсказаний на основе этих закономерностей. Эта способность позволяет системам адаптироваться и повышать свою точность со временем, по мере того как они сталкиваются с большим количеством данных.

Основная концепция

Центральная идея машинного обучения заключается в создании и использовании алгоритмов, которые могут обрабатывать входные данные и учиться выдавать желаемый результат. Этот процесс обучения обычно включает в себя подачу больших наборов данных алгоритму, который затем настраивает свои внутренние параметры, чтобы минимизировать ошибки или максимизировать точность своих предсказаний или классификаций. Эффективность ML часто зависит от тщательной предварительной обработки данных, чтобы убедиться, что входные данные подходят для алгоритма обучения. Конечная цель - дать машинам возможность автономно решать сложные задачи или делать точные прогнозы.

Типы машинного обучения

Машинное обучение обычно подразделяется на несколько основных типов, каждый из которых подходит для разных типов задач и данных:

Применение в реальном мире

Машинное обучение способствует инновациям в бесчисленных областях. Вот несколько ярких примеров:

Актуальность в области искусственного интеллекта и компьютерного зрения

Машинное обучение является основополагающим столпом современного ИИ и особенно преобразующим в области компьютерного зрения (КВ). Такие задачи, как обнаружение объектов, сегментация изображений и распознавание лиц, в значительной степени опираются на модели МЛ для интерпретации и понимания визуальной информации. Современные модели, такие как Ultralytics YOLO используют методы ML для достижения высокой точности и скорости. Такие фреймворки, как PyTorch и платформы, такие как Ultralytics HUB, предоставляют инструменты, необходимые для разработки, обучения и развертывания этих сложных ML-моделей.

Отношение к глубокому обучению

Глубокое обучение (Deep Learning, DL) - это специализированное подполе в рамках машинного обучения. Оно фокусируется на использовании нейронных сетей (НС) с несколькими слоями (глубокие архитектуры) для моделирования сложных паттернов в данных. DL значительно расширило возможности ML, особенно в областях, связанных с неструктурированными данными, такими как изображения, текст и звук, потому что оно может автоматически изучать иерархические признаки без ручной разработки признаков. Подробнее об основах ты можешь узнать из этого обзора Neural Networks Explained. Многие продвинутые модели компьютерного зрения, в том числе разработанные Ultralytics, основаны на принципах глубокого обучения.

Читать полностью