Supervised Learning

Überwachtes Lernen ist ein grundlegender Ansatz in der künstlichen Intelligenz (KI), bei dem Algorithmen mit Eingabedaten trainiert werden, die mit der korrekten Ausgabe versehen sind. Bei dieser Methode lernt das Modell durch den Vergleich seiner eigenen Vorhersagen mit diesen bereitgestellten Labels, wobei es im Grunde einen „Aufseher“ gibt, der es während des Trainings korrigiert. Das Hauptziel besteht darin, dass das System die Abbildungsfunktion von Eingaben zu Ausgaben so gut erlernt, dass es die Labels für neue, unbekannte Testdaten präzise vorhersagen kann. Diese Technik ist die treibende Kraft hinter vielen der praktischsten und erfolgreichsten KI-Anwendungen, die heute im Einsatz sind, von E-Mail-Spamfiltern bis hin zu Systemen für autonomes Fahren.

Link to this sectionWie überwachtes Lernen funktioniert#

Der Arbeitsablauf des überwachten Lernens dreht sich um die Verwendung von gelabelten Daten. Es wird ein Datensatz kuratiert, bei dem jedes Trainingsbeispiel mit einem entsprechenden „Ground Truth“-Label gepaart ist. Während der Phase des Modelltrainings verarbeitet der Algorithmus die Eingabemerkmale und generiert eine Vorhersage. Eine mathematische Formel, die als Verlustfunktion bezeichnet wird, misst dann den Fehler – die Differenz zwischen der Vorhersage des Modells und dem tatsächlichen Label.

Um diesen Fehler zu minimieren, passt ein Optimierungsalgorithmus, wie z. B. Stochastic Gradient Descent (SGD), iterativ die internen Parameter oder Modellgewichte des Modells an. Dieser Vorgang wiederholt sich über viele Zyklen, sogenannte Epochen, hinweg, bis das Modell eine zufriedenstellende Genauigkeit erreicht, ohne Overfitting auf die Trainingsdaten zu betreiben. Tools wie die Ultralytics Platform vereinfachen diesen gesamten Prozess, indem sie Datensatz-Annotation, Training und Evaluierung in einer einheitlichen Umgebung verwalten.

Link to this sectionWichtige Arten des überwachten Lernens#

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

• Klassifizierung: Dies beinhaltet die Vorhersage einer diskreten Kategorie oder eines Klassenlabels. Ein häufiges Beispiel ist die Objekterkennung, bei der ein Modell Objekte innerhalb eines Bildes identifiziert und lokalisiert, wie z. B. „Auto“, „Person“ oder „Ampel“. Fortschrittliche Modelle wie Ultralytics YOLO26 zeichnen sich bei diesen Aufgaben dadurch aus, dass sie mehrere Objekte in Echtzeit schnell klassifizieren und lokalisieren.
• Regressionsanalyse: Dies beinhaltet die Vorhersage eines kontinuierlichen numerischen Wertes. Beispielsweise ist die Vorhersage des Preises eines Hauses basierend auf Merkmalen wie Quadratmeterzahl, Standort und Anzahl der Schlafzimmer ein Regressionsproblem. Mehr über die statistischen Grundlagen erfährst du in dieser Einführung in die Regressionsanalyse.

Link to this sectionPraxisanwendungen#

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

1. Medizinische Diagnose: Durch das Training mit Tausenden von gelabelten Röntgenbildern oder MRT-Aufnahmen können KI-Modelle lernen, Anomalien wie Tumore oder Frakturen mit hoher Präzision zu erkennen. Dies unterstützt Radiologen dabei, schnellere und genauere Diagnosen zu stellen. Sieh dir an, wie YOLO11 zur Tumorerkennung eingesetzt wird, um die medizinischen Auswirkungen 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.

Link to this sectionÜberwachtes 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.

Link to this sectionPraktisches Beispiel mit YOLO26#

Überwachtes Lernen ist zentral für das Training moderner Computer-Vision-Modelle. Der folgende Python-Schnipsel demonstriert, wie man ein YOLO26-Modell mithilfe eines überwachten Datensatzes (COCO8) trainiert. Das Modell lernt aus den gelabelten 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 die Leistungsfähigkeit von PyTorch im Hintergrund, um komplexe Matrixoperationen und Gradientenberechnungen durchzuführen. Für diejenigen, die den Aspekt des Datenmanagements optimieren möchten, bietet die Ultralytics Platform Tools für Cloud-basiertes Training und Auto-Annotation, was den Workflow des überwachten Lernens erheblich effizienter macht.