Supervised Learning

Überwachtes Lernen ist ein grundlegender Ansatz in der künstlichen Intelligenz (AI), bei dem Algorithmen anhand von Eingabedaten trainiert werden, die mit der korrekten Ausgabe versehen sind. Bei dieser Methode lernt das Modell, indem es seine eigenen Vorhersagen mit den bereitgestellten Kennzeichnungen vergleicht – im Wesentlichen gibt es dabei einen „Supervisor“, der es während des Trainings korrigiert. Das Hauptziel besteht darin, dass das System die Zuordnungsfunktion von Eingaben zu Ausgaben so gut erlernt, dass es die Kennzeichnungen für neue, bisher unbekannte Testdaten präzise vorhersagen kann. Diese Technik ist die treibende Kraft hinter vielen der praktischsten und erfolgreichsten KI-Anwendungen, die heute eingesetzt werden – von E-Mail-Spamfiltern bis hin zu Systemen für autonomes Fahren.

So funktioniert überwachtes Lernen#

Der Arbeitsablauf des überwachten Lernens basiert auf der Verwendung gekennzeichneter Daten. Dazu wird ein Datensatz zusammengestellt, bei dem jedes Trainingsbeispiel mit einer entsprechenden „Ground-Truth“-Kennzeichnung verknüpft ist. Während der Phase des Modelltrainings verarbeitet der Algorithmus die Eingabemerkmale und erzeugt eine Vorhersage. Eine mathematische Formel, die als Verlustfunktion bezeichnet wird, misst anschließend den Fehler – die Differenz zwischen der Vorhersage des Modells und der tatsächlichen Kennzeichnung.

Um diesen Fehler zu minimieren, passt ein Optimierungsalgorithmus, beispielsweise der stochastische Gradientenabstieg (SGD), iterativ die internen Parameter des Modells oder die Modellgewichte an. Dieser Prozess wird über viele Zyklen wiederholt, die als Epochen bezeichnet werden, bis das Modell ein zufriedenstellendes Maß an Genauigkeit erreicht, ohne sich an die Trainingsdaten zu stark anzupassen. Tools wie die Ultralytics Platform vereinfachen diese gesamte Pipeline, indem sie Datenannotation, Training und Evaluierung in einer einheitlichen Umgebung verwalten.

Wichtige Arten des überwachten Lernens#

Probleme des überwachten Lernens werden anhand der Art der Zielvariable im Allgemeinen in zwei Haupttypen eingeteilt:

• Klassifikation: Dabei wird eine diskrete Kategorie oder Klassenkennzeichnung vorhergesagt. Ein häufiges Beispiel ist die Objekterkennung, bei der ein Modell Objekte innerhalb eines Bildes identifiziert und lokalisiert, etwa ein „Auto“, eine „Person“ oder eine „Ampel“. Fortschrittliche Modelle wie Ultralytics YOLO26 zeichnen sich bei diesen Aufgaben aus, indem sie mehrere Objekte in Echtzeit schnell klassifizieren und lokalisieren.
• Regressionsanalyse: Dabei wird ein kontinuierlicher numerischer Wert vorhergesagt. Beispielsweise ist die Vorhersage des Preises eines Hauses anhand von Merkmalen wie Wohnfläche, Lage und Anzahl der Schlafzimmer ein Regressionsproblem. Mehr über die statistischen Grundlagen erfährst du in dieser Einführung in die Regressionsanalyse.

Anwendungen in der Praxis#

Überwachtes Lernen bildet die Grundlage für eine große Bandbreite an Technologien in verschiedenen Branchen:

1. Medizinische Diagnose: Durch das Training mit Tausenden gekennzeichneten Röntgen- oder MRT-Aufnahmen können KI-Modelle lernen, Anomalien wie Tumore oder Frakturen mit hoher Präzision zu erkennen. Dies unterstützt Radiologen dabei, schneller und genauer zu diagnostizieren. 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 zu legitimen als auch zu betrügerischen Transaktionen können diese Systeme verdächtige Aktivitäten in Echtzeit kennzeichnen und Kunden vor Diebstahl schützen.

Überwachtes und unüberwachtes Lernen#

Es ist wichtig, überwachtes Lernen von unüberwachtem Lernen zu unterscheiden. Während überwachtes Lernen auf gekennzeichneten Paaren aus Eingabe und Ausgabe basiert, arbeitet unüberwachtes Lernen mit nicht gekennzeichneten Daten. In Szenarien des unüberwachten Lernens versucht der Algorithmus, verborgene Strukturen, Muster oder Gruppierungen innerhalb der Daten selbstständig zu finden, beispielsweise Kundensegmente im Marketing. Überwachtes Lernen ist für bestimmte Aufgaben, bei denen historische Daten verfügbar sind, im Allgemeinen genauer, während sich unüberwachtes Lernen besser für die explorative Datenanalyse eignet.

Praktisches Beispiel mit Ultralytics YOLO26#

Überwachtes Lernen ist zentral für das Training moderner Computer-Vision-Modelle. Das folgende Python-Snippet zeigt, wie ein YOLO26-Modell mithilfe eines überwachten Datensatzes (COCO8) trainiert wird. Das Modell lernt aus den gekennzeichneten 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 Leistungsfähigkeit von PyTorch, um komplexe Matrixoperationen und Gradientenberechnungen durchzuführen. Wenn du die Datenverwaltung effizienter gestalten möchtest, bietet die Ultralytics Platform Tools für cloudbasiertes Training und automatische Annotation, wodurch der Arbeitsablauf des überwachten Lernens deutlich effizienter wird.