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，以尽量减少误差或尽量提高预测或分类的准确性。有效的 ML 通常取决于彻底的数据预处理，以确保输入数据适合学习算法。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。

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：模型从标记数据中学习，其中每个数据点都有已知的输入和输出。这在回归和图像分类等任务中很常见。
• 无监督学习：模型可识别无标记数据中的模式和结构，而无需预定义输出。技术包括聚类和降维。查找 "无监督学习概述"，了解更多详情。
• 强化学习：代理通过在环境中不断尝试和犯错，努力使奖励信号最大化，从而学会做出一系列决策。有关背景信息，请参阅 "强化学习概述"。

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：

• 医疗保健：ML 算法可用于医学图像分析，协助医生诊断疾病，如识别扫描图像中的肿瘤。
• 交通和零售：人工智能为自动驾驶汽车的功能提供动力，并通过需求预测和用于更智能零售库存管理的人工智能等应用优化零售业的运营。有关更多信息，请参阅《零售业中的人工智能概述》。

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、图像分割和面部识别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等最先进的模型利用 ML 技术实现了高精度和高速度。框架，如 PyTorch等框架和Ultralytics HUB等平台为开发、训练和部署这些复杂的 ML 模型提供了必要的工具。

与深度学习的关系

深度学习（DL）是机器学习中的一个专门子领域。它侧重于使用具有多层（深度架构）的神经网络（NN）来为数据中的复杂模式建模。深度学习大大提高了 ML 的能力，尤其是在处理图像、文本和声音等非结构化数据的领域，因为它可以自动学习分层特征，而无需人工特征工程。您可以从 "神经网络概述 "中了解更多基本知识。许多先进的计算机视觉模型，包括Ultralytics 开发的模型，都是基于深度学习原理。