Apprendimento supervisionato

L'apprendimento supervisionato è un paradigma dominante nel campo dell'apprendimento automatico (ML). Machine Learning (ML) in cui un algoritmo viene un algoritmo viene addestrato su dati di input che sono stati etichettati con l'output corretto. A differenza di altri metodi in cui un sistema può esplorare dati autonomamente, questo approccio si affida a un "supervisore" - i dati etichettati - per guidare il processo di apprendimento. dati etichettati perguidare il processo di apprendimento. L'obiettivo primario L'obiettivo principale è che il modello apprenda una funzione di mappatura dalle variabili di ingresso a quelle di uscita con un'accuratezza sufficiente a con sufficiente accuratezza da poter prevedere i risultati di nuovi dati non visti. Questa metodologia è alla base di molti commerciale intelligenza artificiale (AI) commerciali di Intelligenza Artificiale (IA), dai filtri antispam ai sistemi avanzati di sistemi avanzati di visione artificiale (CV).

Come funziona il processo

Il flusso di lavoro inizia con un set di dati contenente coppie di input (caratteristiche) e output desiderati (etichette). Questa raccolta è tipicamente suddiviso in sottoinsiemi distinti: dati di addestramento per l'apprendimento del modello, dati di convalida per la per la regolazione dei parametri e i dati di test per la valutazione finale. valutazione finale.

Durante la fase di addestramento del modello, l'algoritmo elabora i dati di dati in ingresso e fa una previsione. Una formula matematica nota come funzione di perdita calcola la differenza tra questa previsione e l'etichetta reale. Per minimizzare questo errore, un algoritmo di ottimizzazione, come discesa del gradiente, regola iterativamente i pesi interni del modello. pesi interni del modello. Questo ciclo continua per molti passaggi, o epoche, fino a quando il modello non raggiunge prestazioni soddisfacenti senza un adattamento eccessivo all'insieme di addestramento. Per un approfondimento di questi meccanismi, è possibile consultare la guida di Scikit-learn sull'apprendimento supervisionato.

Categorie fondamentali dell'apprendimento supervisionato

La maggior parte dei problemi di apprendimento supervisionato rientra in due categorie principali, basate sul tipo di variabile di output:

• Classificazione delle immagini: La variabile di variabile di uscita è una categoria o classe. L'obiettivo è prevedere etichette discrete, ad esempio determinare se un'e-mail è "spam" o "non spam" o se un'immagine contiene un "gatto" o un "cane". "spam" o "non spam", o se una foto contiene un "gatto" o un "cane". Le moderne architetture architetture moderne come Ultralytics YOLO11 eccellono in questi classificazione, identificando rapidamente gli schemi nei dati visivi.
• Regressione: La variabile di uscita è un valore reale continuo. Esempi sono la previsione dei prezzi degli immobili in base alla metratura o la previsione dell'andamento del mercato azionario. previsioni sull'andamento del mercato azionario. Per saperne di più sui fondamenti statistici di questi metodi, consultate la IBM sull'analisi di regressione.

Implementazione di un modello di classificazione

L'addestramento di un modello supervisionato è diventato sempre più accessibile con API di alto livello. Il seguente esempio Python mostra come addestrare un modello YOLO11 sul dataset MNIST , un benchmark standard per la classificazione delle cifre.

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"))

Applicazioni nel mondo reale

L'apprendimento supervisionato alimenta tecnologie critiche in diversi settori. Due esempi importanti sono:

1. Veicoli autonomi: Le auto a guida autonoma si affidano in larga misura a sistemi di rilevamento degli oggetti addestrati tramite apprendimento supervisionato. I dataset annotati contenenti migliaia di immagini di pedoni, semafori e altri veicoli consentono all'IA dell'auto di riconoscere e individuare i pericoli in tempo reale. l'intelligenza artificiale dell'auto di riconoscere e localizzare i pericoli in tempo reale. Aziende come NVIDIA utilizzano il deep learning per elaborare questi sensori per una navigazione sicura.
2. Analisi delle immagini mediche: Nel settore sanitario, i modelli vengono addestrati su scansioni etichettate da radiologi esperti per assistere nella diagnosi. Ad esempio, un modello può imparare a identificare i primi segni di patologie nelle radiografie o nelle risonanze magnetiche. I ricercatori utilizzano spesso risorse come il set di dati per il rilevamento dei tumori cerebrali per costruire sistemi che supportano il processo decisionale clinico.

Distinguere i concetti correlati

È importante differenziare l'apprendimento supervisionato da altri paradigmi di apprendimento automatico:

• Apprendimento non supervisionato: A differenza dell'apprendimento supervisionato, questo metodo tratta dati non etichettati. L'obiettivo è scoprire strutture nascoste, come come il raggruppamento di clienti con abitudini di acquisto simili attraverso analisi dei cluster.
• Apprendimento per rinforzo: Invece di imparare da un insieme statico di risposte corrette, un agente impara interagendo con l'ambiente. Riceve un feedback sotto forma di riceve un feedback sotto forma di premi o penalità, un concetto dettagliato nell'introduzione al Reinforcement Learning di Sutton e Barto.
• Apprendimento semi-supervisionato: Questo approccio agisce come una via di mezzo, utilizzando una piccola quantità di dati etichettati insieme a un pool più ampio di dati non etichettati per migliorare l'efficienza dell'apprendimento. per migliorare l'efficienza dell'apprendimento, spesso utilizzato quando l'etichettatura dei dati è costosa o richiede molto tempo.