Überwachtes Lernen

Wie das überwachte Lernen funktioniert

Der Prozess beginnt mit einem sorgfältig vorbereiteten Datensatz, bei dem jeder Datenpunkt aus Eingangsmerkmalen und einem entsprechenden korrekten Ausgangslabel besteht. Dies erfordert oft einen erheblichen Aufwand bei der Datenerfassung und -beschriftung. Bei einer Bildklassifizierungsaufgabe wären die Eingaben beispielsweise Bilder (die vielleicht mit Techniken aus Bibliotheken wie OpenCV vorverarbeitet wurden), und die Beschriftungen wären die Kategorien, zu denen sie gehören (z. B. "Katze", "Hund"). Der Algorithmus macht iterativ Vorhersagen für die Trainingsdaten und passt seine internen Parameter (oder Modellgewichte) mithilfe eines Optimierungsalgorithmus wie Stochastic Gradient Descent (SGD) oder Adam an, um die Differenz zwischen seinen Vorhersagen und den tatsächlichen Bezeichnungen zu minimieren. Dieser Unterschied wird durch eine Verlustfunktion gemessen. Dieses Training wird fortgesetzt, oft über mehrere Epochen hinweg, bis das Modell eine zufriedenstellende Genauigkeit oder andere relevante Leistungskennzahlen auf separaten Validierungsdaten erreicht hat.

Relevanz und Anwendungen

Überwachtes Lernen ist unglaublich vielseitig und ermöglicht eine Vielzahl von Anwendungen, bei denen historische Daten zukünftige Ereignisse vorhersagen oder neue Informationen klassifizieren können. Durch seine Fähigkeit, direkt aus markierten Beispielen zu lernen, eignet es sich für Aufgaben, die eine hohe Präzision erfordern. Viele Aufgaben im Bereich Computer Vision (CV) beruhen in hohem Maße auf überwachtem Lernen, einschließlich der Aufgaben, die von modernen Modellen wie Ultralytics YOLO.

Hier sind zwei konkrete Beispiele:

• Medizinische Bildanalyse: Überwachte Lernmodelle können auf medizinischen Scans (wie MRT- oder CT-Scans) trainiert werden, die von Radiologen beschriftet wurden, um Tumore in der medizinischen Bildgebung zu erkennen. Dies unterstützt medizinisches Fachpersonal bei der Diagnose und ist ein wichtiger Bestandteil vieler KI-Lösungen im Gesundheitswesen. Siehe verwandte Forschungsergebnisse aus Quellen wie Radiologie: Künstliche Intelligenz.
• Stimmungsanalyse: Algorithmen lernen aus Textdaten, die mit Stimmungskategorien (z. B. positiv, negativ, neutral) gekennzeichnet sind, um automatisch die Stimmung in neuen Texten, wie z. B. Kundenrezensionen oder Posts in sozialen Medien, zu bestimmen. Dies ist wertvoll für die Marktforschung und die Markenüberwachung. Erfahre mehr über Stimmungsanalyse.

Weitere gängige Anwendungen sind die Objekterkennung in Bildern und Videos (für autonome Fahrzeuge und Sicherheitssysteme), die Filterung von Spam-E-Mails, die Vorhersage von Immobilienpreisen (eine Regressionsaufgabe ) und die Gesichtserkennung. Sie wird auch in der KI für ein intelligenteres Bestandsmanagement im Einzelhandel und in der KI in der Landwirtschaft eingesetzt.

Schlüsselkonzepte

Mehrere Konzepte sind für das Verständnis und die effektive Anwendung von überwachtem Lernen von zentraler Bedeutung:

• Beschriftete Daten: Die Grundlage des überwachten Lernens, bestehend aus Eingabedaten, die mit korrekten Ausgabemarken gepaart sind. Die Qualität und Quantität der beschrifteten Daten haben einen großen Einfluss auf die Leistung des Modells. Häufig werden Tools und Plattformen zur Datenbeschriftung verwendet.
• Feature Engineering: Der Prozess der Auswahl, Umwandlung oder Erstellung von Eingangsmerkmalen, um die Leistung des Modells zu verbessern. Während es beim Deep Learning aufgrund der automatischen Merkmalsextraktion weniger wichtig ist, bleibt es beim traditionellen ML wichtig. Siehe Feature-Engineering-Glossar.
• Klassifizierung vs. Regression: Zwei Haupttypen von überwachten Lernaufgaben. Klassifizierung sagt diskrete Kategorien voraus (z. B. Spam/Nicht-Spam, YOLO für Klassifizierung), während Regression kontinuierliche Werte vorhersagt (z. B. Preis, Temperatur).
• Gängige Algorithmen: Viele Algorithmen fallen unter das überwachte Lernen, darunter die lineare Regression, die logistische Regression, Support Vector Machines (SVM), Entscheidungsbäume, Zufallswälder und verschiedene Arten von Neuronalen Netzen (NN), insbesondere Convolutional Neural Networks (CNNs) für Sehaufgaben.
• Frameworks und Tools: Bibliotheken wie PyTorch und TensorFlow bieten Werkzeuge für die Erstellung und das Training von überwachten Modellen. Plattformen wie Ultralytics HUB bieten integrierte Umgebungen für den gesamten ML-Lebenszyklus, von der Datensatzverwaltung bis zur Modellbereitstellung.

Vergleich mit anderen Lernparadigmen

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

• Unüberwachtes Lernen: Bei diesem Ansatz werden unmarkierte Daten verwendet, wobei der Algorithmus versucht, selbständig Muster oder Strukturen zu finden, wie z. B. die Gruppierung ähnlicher Datenpunkte(Clustering) oder die Reduzierung der Datendimensionen. Der Algorithmus lernt keine direkte Zuordnung von Eingabe zu Ausgabe aus bekannten Antworten. Lies einen Überblick über unüberwachtes Lernen.
• Verstärkungslernen: Bei diesem Paradigma lernt ein Agent, eine Reihe von Entscheidungen zu treffen, indem er mit einer Umgebung interagiert und für seine Handlungen Belohnungen oder Bestrafungen erhält. Er lernt das optimale Verhalten durch Versuch und Irrtum und nicht durch gelernte Beispiele. Erkunde einen Überblick über Reinforcement Learning.

Zusammenfassend lässt sich sagen, dass das überwachte Lernen eine leistungsstarke und weit verbreitete Technik ist, bei der markierte Daten genutzt werden, um Modelle für Vorhersageaufgaben zu trainieren. Es bildet das Rückgrat vieler erfolgreicher KI-Anwendungen, einschließlich derer, die von Ultralytics entwickelt und unterstützt werden, und ist eine wichtige Fähigkeit für alle, die im Bereich Data Science oder KI arbeiten.