机器学习（ML）

核心理念

机器学习背后的核心理念是创建和使用能够处理输入数据并学习生成所需输出的算法。这一学习过程通常包括向算法输入大型数据集，然后算法调整其内部参数（通常称为模型权重），以最小化误差（通常用损失函数来衡量）或最大化预测或分类的准确性。有效的 ML 通常依赖于彻底的数据预处理，以便为学习算法清理输入数据并使其结构适当。最终目标是让机器能够自主解决复杂问题或做出准确预测，这通常需要特征工程等技术来选择最相关的数据特征。

机器学习的类型

机器学习通常分为几种主要类型，每种类型适用于不同类型的任务和数据：

• 监督学习:该算法从标记数据集中学习，这意味着每个数据点都被标记为正确的输出。目标是学习一个映射函数，以预测新的、未见过的输入的输出。常见的任务包括回归和图像分类。探索有监督学习与无监督学习的比较。
• 无监督学习:该算法处理无标记数据，旨在发现数据本身的隐藏模式或内在结构。常见的任务包括聚类（对相似数据点进行分组）（如K-Means）和降维（简化数据）。
• 强化学习 (RL):该算法通过与环境互动来学习。它的行动会受到奖励或惩罚，从而学会选择能在一段时间内使累积奖励最大化的行动。RL 常用于机器人、游戏和导航系统。阅读深度强化学习概述。
• 半监督学习:这种方法结合使用少量标记数据和大量非标记数据进行训练，在监督学习和非监督学习之间架起了一座桥梁。

真实世界的应用

机器学习推动着无数领域的创新。下面是几个突出的例子：

• 医学影像分析:ML 模型分析医学扫描（如 X 射线、CT、核磁共振成像），协助放射科医生检测异常情况，如识别肿瘤或其他病变，通常可提前诊断并改善患者预后。这是人工智能在医疗保健领域的一个关键领域。放射学研究：人工智能》重点介绍了正在取得的进展。
• 自动驾驶汽车:自动驾驶汽车在感知环境、物体检测（识别行人、其他车辆、交通标志）、车道保持和导航等任务中严重依赖于 ML。Waymo等公司展示了这一技术。了解更多有关人工智能在汽车领域的应用。

其他应用包括推荐系统（如 Netflix 或亚马逊）、金融欺诈检测、自然语言处理 (NLP) 和优化零售库存管理。

ML 与相关术语

• 人工智能与 ML： 人工智能（AI）是一个广泛的领域，它创造的机器可以执行通常需要人类智能的任务。ML 是人工智能的一个子集，专门研究从数据中学习的系统。
• ML 与深度学习： 深度学习（DL）是 ML 的一个专门子集，它使用复杂的多层神经网络（NN）从大型数据集中学习复杂的模式。ML 使用各种算法，而深度学习尤其擅长处理图像和文本等非结构化数据。
• ML 与数据挖掘： 数据挖掘涉及从大型数据集中发现模式和见解。ML 通常使用这些模式来建立预测模型。虽然数据挖掘与人工智能相关并使用类似的技术，但数据挖掘强调的是模式发现，而人工智能强调的是基于所学模式的预测或决策。

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础支柱，在计算机视觉（CV）领域尤其具有变革性。物体检测、图像分割和姿态估计等任务在很大程度上依赖于机器学习模型来解释和理解视觉信息。最先进的模型如 Ultralytics YOLO等先进模型利用 ML 技术，尤其是深度学习技术，在实时应用中实现了高精度和高速度。您可以探索Ultralytics YOLO 模型比较，了解性能差异。

框架，如 PyTorch(访问PyTorch 官方网站）和 TensorFlow等框架提供了开发和训练 ML 模型所需的工具。Ultralytics HUB等平台提供集成环境，简化了从管理数据集、训练自定义模型到模型部署和监控（MLOps）的流程。要有效创建模型，通常需要仔细调整超参数并了解性能指标。