Aprendizaje Supervisado

El aprendizaje supervisado es un paradigma dominante en el campo del aprendizaje automático (AM), en el que un algoritmo se algoritmo se entrena con datos de entrada etiquetados con la salida correcta. A diferencia de otros métodos en los que un sistema puede explorar datos de forma autónoma, este enfoque se basa en un "supervisor" -los datos etiquetados- para guiar el proceso de aprendizaje. paraguiar el proceso de aprendizaje. El objetivo principal de El objetivo principal es que el modelo aprenda una función de mapeo de las variables de entrada a las variables de salida con la precisión suficiente para que pueda predecir los resultados de las variables de entrada y de salida. precisión suficiente para que pueda predecir los resultados de datos nuevos y desconocidos. Esta metodología es la base de muchos modelos comerciales Inteligencia Artificial (IA) inteligencia artificial (IA), desde filtros de sistemas avanzados de visión por ordenador (CV).

Cómo funciona el proceso

El flujo de trabajo comienza con un conjunto de datos que contiene pares de entradas (características) y salidas deseadas (etiquetas). Esta colección suele dividirse en subconjuntos distintos: datos de entrenamiento para enseñar el modelo, datos de validación para ajustar los parámetros y datos de prueba para la evaluación final. evaluación final.

Durante la fase de entrenamiento del modelo, el algoritmo procesa los datos de entrada y realiza una predicción. Una fórmula matemática conocida como función de pérdida calcula la diferencia entre esta predicción y la etiqueta real. Para minimizar este error, un algoritmo de optimización, como el descenso de gradiente, ajusta iterativamente las ponderaciones internos del modelo. Este ciclo continúa durante muchas pasadas o épocas, hasta que el modelo alcanza un rendimiento satisfactorio sin sobreajustarse al conjunto de entrenamiento. Para profundizar esta mecánica, puede consultar la guía de Scikit-learn sobre aprendizaje supervisado.

Categorías básicas del aprendizaje supervisado

La mayoría de los problemas de aprendizaje supervisado se dividen en dos categorías principales en función del tipo de variable de salida:

• Clasificación de imágenes: La variable de salida es una categoría o clase. El objetivo es predecir etiquetas discretas, como determinar si un correo electrónico es "spam" o "no spam", o si una imagen contiene un "gato" o un "perro". Las arquitecturas modernas de arquitecturas como Ultralytics YOLO11 destacan en estas tareas de clasificación identificando rápidamente patrones en los datos visuales.
• Regresión: La variable de salida es un valor real continuo. Los ejemplos incluyen la predicción de los precios de bienes raíces sobre la base de pies cuadrados o predecir las tendencias del mercado de valores. Puede obtener más información sobre los fundamentos estadísticos de estos métodos en Visión general del análisis de regresión de IBM.

Implantación de un modelo de clasificación

El entrenamiento de un modelo supervisado es cada vez más accesible gracias a las API de alto nivel. El siguiente ejemplo Python muestra cómo entrenar un modelo YOLO11 en el conjunto de datos MNIST , una referencia estándar para la clasificación de dígitos.

from ultralytics import YOLO

# Load a pretrained classification model
model = YOLO("yolo11n-cls.pt")

# Train the model on the MNIST dataset
# Ultralytics handles the download of the 'mnist160' dataset automatically
results = model.train(data="mnist160", epochs=5, imgsz=64)

# Run inference on a sample image to verify the supervised learning
print(model("https://ultralytics.com/images/bus.jpg"))

Aplicaciones en el mundo real

El aprendizaje supervisado impulsa tecnologías críticas en diversos sectores. Dos ejemplos destacados son:

1. Vehículos autónomos: Los coches autónomos dependen en gran medida de sistemas de detección de objetos entrenados mediante supervisado. Los conjuntos de datos anotados que contienen miles de imágenes de peatones, semáforos y otros vehículos permiten a la IA del coche reconocer y localizar peligros en tiempo real. a la IA del coche reconocer y localizar peligros en tiempo real. Empresas como NVIDIA utilizan el aprendizaje profundo para procesar estas enormes de sensores para una navegación segura.
2. Análisis de imágenes médicas: En el ámbito sanitario, los modelos se entrenan a partir de exploraciones etiquetadas por radiólogos expertos para ayudar en el diagnóstico. Por ejemplo, un modelo modelo puede aprender a identificar signos tempranos de patologías en radiografías o resonancias magnéticas. Los investigadores suelen utilizar recursos como el conjunto de datos de detección de tumores cerebrales sistemas de apoyo a la toma de decisiones clínicas.

Distinguir conceptos relacionados

Es importante diferenciar el aprendizaje supervisado de otros paradigmas de aprendizaje automático:

• Aprendizaje no supervisado: A diferencia del aprendizaje supervisado, este método trabaja con datos no etiquetados. El objetivo es descubrir estructuras ocultas, como como la agrupación de clientes con hábitos de compra similares mediante análisis de conglomerados.
• Aprendizaje por refuerzo: En lugar de aprender a partir de un conjunto estático de datos de respuestas correctas, un agente aprende interactuando con un entorno. En recibe retroalimentación en forma de recompensas o penalizaciones, un concepto detallado en la introducción al aprendizaje por refuerzo de Sutton y Barto. introducción al aprendizaje por refuerzo de Sutton y Barto.
• Aprendizaje semisupervisado: Este enfoque actúa como un término medio, utilizando una pequeña cantidad de datos etiquetados junto con un conjunto mayor de datos sin etiquetar. de datos no etiquetados para mejorar la eficacia del aprendizaje. Suele utilizarse cuando etiquetar datos es caro o lleva mucho tiempo.