CV/ML 算法是计算机视觉 (CV) 和机器学习 (ML) 中使用的计算方法，用于分析视觉数据、识别模式和进行预测。 计算机视觉侧重于使机器能够解释图像或视频，而机器学习涉及训练模型以从数据中学习。 这些算法经常重叠——例如，卷积神经网络 (CNN) 可用于图像分类（一种 CV 任务），但它也是一种核心 ML 技术。 其目标是自动化传统上需要类似人类的感知或决策的任务，例如识别照片中的对象或预测用户行为。
在计算机视觉中，算法处理像素数据以提取有意义的信息。 一个常见的例子是 CNN，它使用多层滤波器来检测图像中的边缘、纹理和复杂特征。 例如，在标记照片上训练的 CNN 可以通过学习分层模式来区分猫和狗。 另一种 CV 算法是 YOLO（You Only Look Once），它通过将图像分成网格并预测边界框和类概率来执行实时对象检测。 对于分割任务，U-Net 广泛用于医学成像，以勾勒出特定区域，例如 MRI 扫描中的肿瘤。 这些算法依赖于边缘检测、特征匹配和几何变换等技术来解释视觉数据。
在机器学习中，算法从训练数据中泛化以进行预测或决策。 监督学习方法（如支持向量机 (SVM)）通过找到类别之间的最佳边界来对数据进行分类——例如，根据关键字过滤垃圾邮件。 无监督算法（如 k 均值聚类）将未标记的数据分组到聚类中，例如按购买行为对客户进行细分。 强化学习（用于机器人或游戏 AI）训练智能体通过试错来最大化奖励。 实际应用包括推荐系统（协同过滤）和异常检测（隔离森林）。 许多 ML 算法（如决策树或梯度提升模型）可以跨领域调整，但它们的有效性取决于数据质量、特征工程和超参数调整。 CV/ML 管道通常结合使用这些技术——例如，使用 CNN 提取图像特征，然后使用逻辑回归模型对其进行分类。