机器学习（ML）

机器学习（ML）是人工智能（AI）的一个分支，主要是让计算机系统能够在没有明确编程的情况下从数据中学习。ML 算法不遵循预定义的规则，而是识别数据中的模式，从而做出预测或决策。随着时间的推移，这种学习过程可以让系统在接触到更多数据时提高性能。

定义与核心理念

机器学习的核心是创建能够根据数据学习并做出决策或预测的算法。这包括向 ML 算法提供数据，让它调整内部参数，以实现所需的结果，如准确的分类或预测。其核心理念是，只要有足够多的相关数据，机器就能学会解决问题或进行预测，而人工编程则过于复杂或耗时。这种能力在计算机视觉和自然语言处理等许多领域都至关重要。

机器学习的类型

机器学习包含多种类型的学习范式，每种范式都适用于不同的问题和数据类型。主要类型包括

• 监督学习：这是最常见的类型，算法从标记数据中学习。例如，在物体检测中，一个模型在带有边框和标签的图像上进行训练，以学会识别新图像中的物体。 Ultralytics YOLO例如，在 "图像 "和 "模型 "中，"图像 "和 "模型 "都是监督学习的优秀范例。
• 无监督学习：这种方法处理的是无标签数据，算法必须自己找到结构或模式。聚类和降维是无监督学习的常见任务。DBSCAN就是无监督聚类算法的一个例子。
• 强化学习：在这里，代理通过与环境互动来学习决策，以获得最大回报。这种类型常用于机器人和游戏中。马尔可夫决策过程（MDP）为理解强化学习提供了一个数学框架。
• 半监督学习：这是一种混合方法，同时使用标记数据和非标记数据。当标注数据稀少而非标注数据丰富时，这种方法尤其有用，通常能提高模型的准确性，减少大量标注的需要。

真实世界的应用

机器学习正在改变众多行业和日常应用。下面是两个具体的例子：

1. 医疗图像识别：医学图像分析使用 ML分析X 射线、核磁共振成像和 CT 扫描等医学图像，以检测疾病、肿瘤和异常。这有助于医疗保健专业人员进行诊断、治疗规划和异常检测，从而提供更快、更准确的医疗保健服务。例如，ML 可以协助医学成像中的肿瘤检测。
2. 零售业的推荐系统：电子商务平台使用基于 ML 的推荐系统分析用户行为和偏好，向用户推荐可能购买的产品。这些系统通过提供个性化的购物体验来提升客户体验、增加销售额并提高客户保留率。

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石，对计算机视觉的发展尤为重要。物体检测、图像分割和图像分类等计算机视觉任务在很大程度上依赖于机器学习算法来解释和理解视觉数据。像 PyTorch等框架和Ultralytics HUB 等平台为高效开发和部署计算机视觉应用的 ML 模型提供了工具和环境。

与深度学习的关系

深度学习（DL）是机器学习的一个子领域，它利用多层神经网络（深度神经网络）来分析数据。由于深度学习能够从原始数据中自动学习复杂的特征，它给许多 ML 任务，尤其是计算机视觉和自然语言处理带来了革命性的变化。Ultralytics YOLO 等模型利用深度学习架构在物体检测和相关任务中实现了最先进的性能。