Supervised Learning

Supervised learning ist ein grundlegender Ansatz in der artificial intelligence (AI), bei dem Algorithmen anhand von Eingabedaten trainiert werden, die mit der korrekten Ausgabe versehen wurden. Bei dieser Methode lernt das Modell, indem es seine eigenen Vorhersagen mit diesen bereitgestellten Labels vergleicht – im Wesentlichen gibt es also einen „Vorgesetzten“ (Supervisor), der es während des Trainingsprozesses korrigiert. Das primäre Ziel besteht darin, dass das System die Abbildungsfunktion von Eingaben auf Ausgaben so gut erlernt, dass es die Labels für neue, ungesunene test data präzise vorhersagen kann. Diese Technik ist die treibende Kraft hinter vielen der praktischsten und erfolgreichsten KI-Anwendungen, die heute im Einsatz sind, angefangen bei E-Mail-Spamfiltern bis hin zu Systemen für das autonome Fahren.

Wie überwachtes Lernen funktioniert#

Der Arbeitsablauf von supervised learning dreht sich um die Verwendung von labeled data. Es wird ein Datensatz zusammengestellt, bei dem jedes Trainingsbeispiel mit einem entsprechenden „Ground Truth“-Label verknüpft ist. Während der Phase des model training verarbeitet der Algorithmus die Eingabemerkmale und generiert eine Vorhersage. Eine mathematische Formel namens loss function misst dann den Fehler – also die Differenz zwischen der Vorhersage des Modells und dem tatsächlichen Label.

Um diesen Fehler zu minimieren, passt ein optimization algorithm wie Stochastic Gradient Descent (SGD) die internen Parameter des Modells oder die model weights iterativ an. Dieser Prozess wiederholt sich über viele Zyklen, die als epochs bezeichnet werden, bis das Modell ein zufriedenstellendes Maß an Genauigkeit erreicht, ohne dass es zu einer overfitting auf die Trainingsdaten kommt. Tools wie die Ultralytics Platform vereinfachen diesen gesamten Ablauf, indem sie die Annotation von Datensätzen, das Training und die Evaluierung in einer einheitlichen Umgebung verwalten.

Wichtige Arten des überwachten Lernens#

Probleme des überwachten Lernens werden basierend auf der Art der Zielvariablen im Allgemeinen in zwei Haupttypen unterteilt:

• Classification: Dies beinhaltet die Vorhersage einer diskreten Kategorie oder eines Klassenlabels. Ein häufiges Beispiel ist die object detection, bei der ein Modell Objekte in einem Bild identifiziert und lokalisiert, wie zum Beispiel „Auto“, „Person“ oder „Ampel“. Fortgeschrittene Modelle wie Ultralytics YOLO26 zeichnen sich bei solchen Aufgaben dadurch aus, dass sie mehrere Objekte in Echtzeit schnell klassifizieren und lokalisieren.
• Regression Analysis: Dies beinhaltet die Vorhersage eines kontinuierlichen numerischen Werts. Die Vorhersage des Preises eines Hauses anhand von Merkmalen wie Wohnfläche, Standort und Anzahl der Schlafzimmer ist beispielsweise ein Regressionsproblem. Mehr über die statistischen Grundlagen erfährst du in dieser introduction to regression analysis.

Praxisanwendungen#

Überwachtes Lernen treibt eine Vielzahl von Technologien in verschiedenen Branchen an:

1. Medizinische Diagnose: Durch das Training mit Tausenden von markierten Röntgen- oder MRT-Scans können KI-Modelle lernen, Anomalien wie Tumoren oder Brüche mit hoher Präzision zu erkennen. Dies unterstützt Radiologen dabei, schneller und präzisere Diagnosen zu stellen. Sieh dir an, wie YOLO11 is used for tumor detection, um die medizinische Auswirkung zu verstehen.

2. Betrugserkennung: Finanzinstitute nutzen überwachtes Lernen, um Transaktionsmuster zu überwachen. Durch das Training mit historischen Daten sowohl legitimer als auch betrügerischer Transaktionen können diese Systeme verdächtige Aktivitäten in Echtzeit markieren und Kunden vor Diebstahl schützen.

Überwachtes vs. unüberwachtes Lernen#

Es ist wichtig, überwachtes Lernen von unüberwachtem Lernen zu unterscheiden. Während überwachtes Lernen auf gelabelten Eingabe-Ausgabe-Paaren basiert, arbeitet unüberwachtes Lernen mit ungelabelten Daten. Bei unüberwachten Szenarien versucht der Algorithmus von selbst, verborgene Strukturen, Muster oder Gruppierungen in den Daten zu finden, wie etwa bei der Kundensegmentierung im Marketing. Überwachtes Lernen ist im Allgemeinen genauer für spezifische Aufgaben, bei denen historische Daten verfügbar sind, während unüberwachtes Lernen besser für die explorative Datenanalyse geeignet ist.

Praktisches Beispiel mit YOLO26#

Supervised learning ist von zentraler Bedeutung für das Training moderner Computer-Vision-Modelle. Das folgende Python-Snippet demonstriert, wie ein YOLO26-Modell anhand eines überwachten Datensatzes (COCO8) trainiert wird. Das Modell lernt aus den annotierten Bildern im Datensatz, um Objekte zu erkennen.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model using the 'coco8.yaml' dataset (supervised learning)
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)

# The model is now fine-tuned based on the supervised labels in the dataset

Dieser einfache Prozess nutzt im Hintergrund die Leistung von PyTorch, um komplexe Matrixoperationen und Gradientenberechnungen durchzuführen. Für diejenigen, die den Aspekt der Datenverwaltung optimieren möchten, bietet die Ultralytics Platform Tools für cloudbasiertes Training und automatische Annotation, wodurch der Workflow des supervised learning deutlich effizienter wird.