Học máy (ML)

Học máy (Machine Learning - ML) là một nhánh năng động của trí tuệ nhân tạo (AI) cho phép các hệ thống máy tính học hỏi từ dữ liệu và cải thiện hiệu suất mà không cần được lập trình cụ thể cho từng quy tắc. Thay vì tuân theo các chỉ dẫn tĩnh, được mã hóa cứng, các thuật toán học máy xác định các mẫu trong lượng lớn dữ liệu để đưa ra quyết định hoặc dự đoán. Khả năng này là động lực đằng sau nhiều công nghệ hiện đại, cho phép máy tính thích ứng với các tình huống mới bằng cách xử lý dữ liệu huấn luyện và tinh chỉnh logic nội bộ của chúng theo thời gian thông qua kinh nghiệm.

Khái niệm và kỹ thuật cốt lõi

Về cơ bản, học máy (ML) dựa trên các kỹ thuật thống kê để xây dựng các hệ thống thông minh. Lĩnh vực này thường được phân loại thành ba phương pháp chính dựa trên cách hệ thống học hỏi. Học có giám sát liên quan đến việc huấn luyện một mô hình trên các tập dữ liệu được gắn nhãn, trong đó đầu ra mong muốn đã được biết trước, một kỹ thuật thường được sử dụng trong các nhiệm vụ phân loại hình ảnh . Ngược lại, học không giám sát xử lý dữ liệu không được gắn nhãn, yêu cầu thuật toán tự tìm ra các cấu trúc hoặc cụm ẩn. Cuối cùng, học tăng cường cho phép các tác nhân học hỏi thông qua thử và sai trong một môi trường tương tác để tối đa hóa phần thưởng. Những tiến bộ hiện đại thường sử dụng học sâu , một nhánh chuyên biệt của ML dựa trên mạng nơ-ron mô phỏng cấu trúc phân lớp của não người.

Các Ứng dụng Thực tế

Máy học đã làm thay đổi nhiều ngành công nghiệp bằng cách tự động hóa các tác vụ phức tạp. Dưới đây là hai ví dụ cụ thể về tác động của nó:

• Hệ thống tự hành: Trong lĩnh vực thị giác máy tính , các mô hình học máy như Ultralytics YOLO26 được sử dụng để phát hiện đối tượng trong thời gian thực. Các hệ thống này hoạt động như "đôi mắt" cho các phương tiện tự hành , ngay lập tức nhận diện người đi bộ, các phương tiện khác và biển báo giao thông để đưa ra các quyết định an toàn trong tích tắc.
• Chẩn đoán y tế: Trong lĩnh vực chăm sóc sức khỏe , các thuật toán học máy phân tích hình ảnh y tế phức tạp để detect Các bất thường như khối u được phát hiện sớm hơn so với các phương pháp truyền thống. Bằng cách xử lý hồ sơ bệnh án trước đây và sử dụng phân tích hình ảnh y tế , các công cụ này hỗ trợ bác sĩ đưa ra chẩn đoán chính xác và lập kế hoạch điều trị cá nhân hóa.

Triển khai học máy

Việc phát triển một giải pháp học máy bao gồm một vòng đời được gọi là Vận hành Học máy (MLOps) . Quá trình này bắt đầu bằng việc thu thập dữ liệu chất lượng cao và thực hiện chú thích dữ liệu để chuẩn bị đầu vào cho mô hình. Sau đó, các nhà phát triển phải huấn luyện mô hình đồng thời theo dõi các vấn đề như quá khớp (overfitting ), trong đó hệ thống ghi nhớ dữ liệu huấn luyện nhưng không thể khái quát hóa cho thông tin mới.

Sau đây Python Đoạn mã này minh họa cách tải mô hình ML đã được huấn luyện trước bằng cách sử dụng... ultralytics Gói phần mềm dùng để thực hiện suy luận trên ảnh:

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()

Phân biệt các thuật ngữ chính

Điều quan trọng là phải phân biệt "Học máy" với các khái niệm liên quan. Trong khi Trí tuệ nhân tạo (AI) là ngành khoa học bao quát về việc tạo ra các máy móc thông minh, thì Học máy (ML) là tập hợp con cụ thể của các phương pháp được sử dụng để đạt được trí thông minh đó thông qua dữ liệu. Hơn nữa, khoa học dữ liệu là một lĩnh vực rộng lớn hơn, bao gồm cả ML nhưng cũng tập trung vào việc làm sạch dữ liệu, trực quan hóa và phân tích thống kê để trích xuất thông tin kinh doanh. Các framework như PyTorch và TensorFlow cung cấp các công cụ nền tảng để xây dựng các hệ thống này.

Để đơn giản hóa quá trình huấn luyện và triển khai các mô hình phức tạp này, các giải pháp dựa trên nền tảng đám mây như Ultralytics Platform cho phép các nhóm quản lý tập dữ liệu, huấn luyện các mô hình có khả năng mở rộng và xử lý việc triển khai mô hình lên các thiết bị biên một cách hiệu quả.