Supervised Learning

L'apprendimento supervisionato è un approccio fondamentale nell'intelligenza artificiale (AI), in cui gli algoritmi vengono addestrati su dati di input associati all'output corretto. In questo metodo, il modello impara confrontando le proprie previsioni con le etichette fornite, avendo essenzialmente un "supervisore" che lo corregge durante il processo di addestramento. L'obiettivo principale è fare in modo che il sistema apprenda la funzione di mappatura dagli input agli output abbastanza bene da poter prevedere con precisione le etichette per nuovi dati di test mai osservati. Questa tecnica è alla base di molte delle applicazioni di intelligenza artificiale più pratiche e di successo oggi in uso, dai filtri antispam per le email ai sistemi di guida autonoma.

Come funziona l'apprendimento supervisionato#

Il flusso di lavoro dell'apprendimento supervisionato ruota attorno all'uso di dati etichettati. Viene creato un dataset in cui ogni esempio di addestramento è associato a un'etichetta di "verità di riferimento" corrispondente. Durante la fase di addestramento del modello, l'algoritmo elabora le caratteristiche di input e genera una previsione. Una formula matematica chiamata funzione di perdita misura quindi l'errore, ovvero la differenza tra la previsione del modello e l'etichetta effettiva.

Per ridurre al minimo questo errore, un algoritmo di ottimizzazione, come la discesa del gradiente stocastico (SGD), modifica iterativamente i parametri interni del modello o i pesi del modello. Questo processo si ripete per molti cicli, noti come epoche, finché il modello non raggiunge un livello di accuratezza soddisfacente senza incorrere nell'overfitting sui dati di addestramento. Strumenti come la Ultralytics Platform semplificano l'intera pipeline gestendo annotazione del dataset, addestramento e valutazione in un ambiente unificato.

Principali tipi di apprendimento supervisionato#

I problemi di apprendimento supervisionato vengono generalmente suddivisi in due tipi principali in base alla natura della variabile target:

• Classificazione: consiste nel prevedere una categoria discreta o un'etichetta di classe. Un esempio comune è il rilevamento degli oggetti, in cui un modello identifica e localizza gli oggetti all'interno di un'immagine, come "auto", "persona" o "semaforo". I modelli avanzati come Ultralytics YOLO26 eccellono in questi compiti classificando e localizzando rapidamente più oggetti in tempo reale.
• Analisi di regressione: consiste nel prevedere un valore numerico continuo. Ad esempio, prevedere il prezzo di una casa in base a caratteristiche come superficie, posizione e numero di camere da letto è un problema di regressione. Puoi approfondire i fondamenti statistici in questa introduzione all'analisi di regressione.

Applicazioni nel mondo reale#

L'apprendimento supervisionato alimenta un'ampia gamma di tecnologie in diversi settori:

1. Diagnosi medica: addestrando migliaia di radiografie o scansioni di risonanza magnetica (MRI) etichettate, i modelli di intelligenza artificiale possono imparare a rilevare con elevata precisione anomalie come tumori o fratture. Questo aiuta i radiologi a formulare diagnosi più rapide e accurate. Scopri come YOLO11 viene utilizzato per il rilevamento dei tumori per comprendere l'impatto in ambito medico.

2. Rilevamento delle frodi: gli istituti finanziari utilizzano l'apprendimento supervisionato per monitorare i modelli delle transazioni. Addestrando questi sistemi su dati storici relativi sia a transazioni legittime sia fraudolente, è possibile segnalare attività sospette in tempo reale, proteggendo i clienti dai furti.

Apprendimento supervisionato e non supervisionato#

È importante distinguere l'apprendimento supervisionato dall'apprendimento non supervisionato. Mentre l'apprendimento supervisionato si basa su coppie input-output etichettate, quello non supervisionato opera su dati non etichettati. Negli scenari non supervisionati, l'algoritmo cerca autonomamente strutture nascoste, schemi o raggruppamenti nei dati, come la segmentazione dei clienti nel marketing. L'apprendimento supervisionato è generalmente più accurato per attività specifiche quando sono disponibili dati storici, mentre quello non supervisionato è più adatto all'analisi esplorativa dei dati.

Esempio pratico con Ultralytics YOLO26#

L'apprendimento supervisionato è fondamentale per addestrare i moderni modelli di visione artificiale. Il seguente frammento Python mostra come addestrare un modello YOLO26 utilizzando un dataset supervisionato (COCO8). Il modello impara dalle immagini etichettate del dataset a rilevare gli oggetti.

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

Questo semplice processo sfrutta la potenza di PyTorch per eseguire, sotto il cofano, operazioni complesse sulle matrici e calcoli dei gradienti. Per chi desidera semplificare l'aspetto della gestione dei dati, la Ultralytics Platform offre strumenti per l'addestramento basato sul cloud e l'auto-annotazione, rendendo il flusso di lavoro dell'apprendimento supervisionato significativamente più efficiente.