Überwachtes Lernen

Überwachtes Lernen ist ein grundlegendes Paradigma im maschinellen Lernen (ML), bei dem ein Algorithmus aus Daten lernt, die manuell mit den korrekten Ergebnissen beschriftet wurden. Das Hauptziel ist das Erlernen einer Abbildungsfunktion, die die Ausgabe für neue, ungesehene Daten vorhersagen kann. Stellen Sie sich das Lernen mit einem Lehrer oder einem "Betreuer" vor, der während der Trainingsphase die richtigen Antworten (Labels) liefert. Dieser Ansatz ist das Rückgrat vieler erfolgreicher Anwendungen der künstlichen Intelligenz (KI), insbesondere im Bereich Computer Vision (CV).

Wie Supervised Learning funktioniert

Der überwachte Lernprozess beginnt mit einem kuratierten Datensatz, der Eingabe-Features und entsprechende Ausgabe-Labels enthält. Dieser gelabelte Datensatz wird in Trainingsdaten, Validierungsdaten und Testdaten aufgeteilt.

1. Training: Das Modell wird mit den Trainingsdaten gefüttert. Es trifft Vorhersagen für jede Eingabe und vergleicht diese mit den korrekten Labels.
2. Fehlerkorrektur: Die Differenz zwischen der Vorhersage des Modells und der tatsächlichen Bezeichnung wird durch eine Loss-Funktion quantifiziert. Ein Optimierungsalgorithmus, wie z. B. Gradientenabstieg, passt die internen Parameter des Modells oder die Modellgewichte an, um diesen Fehler zu minimieren.
3. Iteration: Dieser Prozess wird für viele Epochen wiederholt, wodurch das Modell die zugrunde liegenden Muster in den Daten erlernen kann. Die Leistung des Modells wird auf dem Validierungsset überwacht, um Probleme wie Overfitting zu vermeiden.
4. Vorhersage: Nach dem Training kann das Modell Vorhersagen auf neuen, unbeschrifteten Daten treffen. Die Qualität dieser Vorhersagen wird anhand des Testdatensatzes und der Leistungsmetriken bewertet.

Dieser gesamte Workflow wird auf Plattformen wie Ultralytics HUB optimiert, was die Verwaltung von Datensätzen, das Modelltraining und die Bereitstellung vereinfacht.

Arten von überwachten Lernproblemen

Überwachte Lernaufgaben werden typischerweise in zwei Haupttypen unterteilt:

• Klassifizierung: Das Ziel ist die Vorhersage einer diskreten Kategorie oder Klassenbezeichnung. Beispielsweise könnte ein Bildklassifizierungs-Modell trainiert werden, um Bilder als „Katze“ oder „Hund“ zu klassifizieren. Weitere Beispiele sind die Erkennung von Spam-E-Mails und die Sentimentanalyse. Modelle wie Ultralytics YOLO können für leistungsstarke Klassifizierungsaufgaben trainiert werden. Für weitere Informationen lesen Sie diese Einführung in die Klassifizierung.
• Regression: Ziel ist die Vorhersage eines kontinuierlichen numerischen Wertes. Beispielsweise könnte ein Modell den Preis eines Hauses basierend auf Merkmalen wie Größe und Lage vorhersagen. Weitere Anwendungen sind die Vorhersage von Aktienkursen und die Vorhersage der Temperatur. Einen Überblick über die Regression finden Sie in diesem Leitfaden zur Regressionsanalyse.

Anwendungsfälle in der Praxis

Überwachtes Lernen treibt unzählige moderne KI-Systeme an. Hier sind zwei prominente Beispiele:

1. Objekterkennung in autonomen Fahrzeugen: Selbstfahrende Autos sind auf Objekterkennungsmodelle angewiesen, um Fußgänger, andere Fahrzeuge und Verkehrszeichen zu identifizieren und zu lokalisieren. Diese Modelle werden anhand umfangreicher Datensätze trainiert, in denen Objekte in Bildern mit Bounding Boxes gekennzeichnet sind. Das trainierte Modell kann dann Echtzeit-Video-Feeds verarbeiten, um kritische Fahrentscheidungen zu treffen. Ultralytics bietet leistungsstarke Lösungen für KI in der Automobilindustrie.
2. Medizinische Bildanalyse: Im Gesundheitswesen werden Modelle für überwachtes Lernen für die medizinische Bildanalyse verwendet, z. B. zur Erkennung von Tumoren in MRT- oder CT-Scans. Radiologen kennzeichnen eine große Anzahl von Scans und geben das Vorhandensein oder Fehlen von Tumoren an. Ein Convolutional Neural Network (CNN) wird dann mit diesen Daten trainiert, um bei der Früherkennung zu helfen. Beispielsweise können Modelle auf Datensätzen zur Erkennung von Hirntumoren trainiert werden.

Vergleich mit anderen Lernparadigmen

Überwachtes Lernen unterscheidet sich von anderen primären Paradigmen des maschinellen Lernens:

• Unüberwachtes Lernen: Dieser Ansatz verwendet unbeschriftete Daten, wobei der Algorithmus versucht, selbstständig Muster oder Strukturen zu finden, z. B. das Gruppieren ähnlicher Datenpunkte (Clustering) oder das Reduzieren von Datendimensionen. Es lernt keine direkte Eingabe-Ausgabe-Zuordnung von bekannten Antworten. Lesen Sie eine Übersicht über unüberwachtes Lernen.
• Selbstüberwachtes Lernen (SSL): Eine Untergruppe des unüberwachten Lernens, bei dem die Überwachungssignale (Labels) automatisch aus den Eingabedaten selbst generiert werden. Dies ist eine leistungsstarke Technik für das Pre-Training von Foundation Models auf riesigen Mengen unbeschrifteter Daten, bevor sie für eine bestimmte Aufgabe feinabgestimmt werden.
• Reinforcement Learning: In diesem Paradigma lernt ein Agent, Sequenzen von Entscheidungen zu treffen, indem er mit einer Umgebung interagiert und Belohnungen oder Strafen basierend auf seinen Aktionen erhält. Er lernt optimales Verhalten durch Ausprobieren und Irrtum, anstatt aus einem statischen, beschrifteten Datensatz. Entdecken Sie eine Übersicht über Reinforcement Learning.

Zusammenfassend lässt sich sagen, dass überwachtes Lernen eine leistungsstarke und weit verbreitete Technik ist, die gelabelte Daten verwendet, um Modelle für Vorhersageaufgaben zu trainieren. Es bildet das Rückgrat vieler erfolgreicher KI-Anwendungen, einschließlich der von Ultralytics entwickelten und unterstützten, und ist eine entscheidende Fähigkeit für alle, die im Bereich Data Science oder KI arbeiten.