Supervised Learning

L'apprendimento supervisionato è un approccio fondamentale nell'intelligenza artificiale (IA) in cui gli algoritmi vengono addestrati su dati di input contrassegnati con l'output corretto. In questo metodo, il modello impara confrontando le proprie previsioni con queste etichette fornite, avendo essenzialmente un "supervisore" che lo corregge durante il processo di addestramento. L'obiettivo principale è che il sistema impari la funzione di mappatura dagli input agli output in modo abbastanza efficace da poter prevedere accuratamente le etichette per nuovi dati di test non visti. Questa tecnica è la forza trainante dietro molte delle applicazioni di IA più pratiche e di successo oggi in uso, che spaziano dai filtri anti-spam per email ai sistemi di guida autonoma.

Link to this sectionCome funziona l'apprendimento supervisionato#

Il flusso di lavoro dell'apprendimento supervisionato ruota attorno all'uso di dati etichettati. Viene curato un dataset in cui ogni esempio di addestramento è associato a una corrispondente etichetta di "ground truth". 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: la differenza tra la previsione del modello e l'etichetta reale.

Per ridurre al minimo questo errore, un algoritmo di ottimizzazione, come Stochastic Gradient Descent (SGD), regola 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 precisione soddisfacente senza overfitting sui dati di addestramento. Strumenti come la Ultralytics Platform semplificano l'intera pipeline gestendo l'annotazione, l'addestramento e la valutazione del dataset in un ambiente unificato.

Link to this sectionTipi principali di apprendimento supervisionato#

I problemi di apprendimento supervisionato sono generalmente classificati in due tipi principali basati sulla natura della variabile target:

• Classificazione: Ciò comporta la previsione di una categoria discreta o di un'etichetta di classe. Un esempio comune è l'object detection, in cui un modello identifica e localizza oggetti all'interno di un'immagine, come "auto", "persona" o "semaforo". Modelli avanzati come Ultralytics YOLO26 eccellono in questi compiti classificando e localizzando rapidamente oggetti multipli in tempo reale.
• Analisi di regressione: Ciò comporta la previsione di un valore numerico continuo. Ad esempio, prevedere il prezzo di una casa basandosi su caratteristiche come metratura, posizione e numero di camere da letto è un problema di regressione. Puoi imparare di più sui fondamenti statistici in questa introduzione all'analisi di regressione.

Link to this sectionApplicazioni nel mondo reale#

L'apprendimento supervisionato alimenta una vasta gamma di tecnologie in diversi settori:

1. Diagnosi medica: Addestrandosi su migliaia di radiografie o scansioni MRI etichettate, i modelli di IA possono imparare a rilevare anomalie come tumori o fratture con alta precisione. Questo assiste i radiologi nel fare diagnosi più veloci e accurate. Scopri come YOLO11 è utilizzato per il rilevamento dei tumori per comprendere l'impatto medico.

2. Rilevamento delle frodi: Le istituzioni finanziarie utilizzano l'apprendimento supervisionato per monitorare i modelli di transazione. Addestrandosi su dati storici sia di transazioni legittime che fraudolente, questi sistemi possono segnalare attività sospette in tempo reale, proteggendo i clienti dai furti.

Link to this sectionApprendimento supervisionato vs. non supervisionato#

È importante distinguere l'apprendimento supervisionato dall'apprendimento non supervisionato. Mentre l'apprendimento supervisionato si basa su coppie input-output etichettate, l'apprendimento non supervisionato lavora con dati non etichettati. Negli scenari non supervisionati, l'algoritmo cerca di trovare strutture, modelli o raggruppamenti nascosti all'interno dei dati per conto proprio, come la segmentazione dei clienti nel marketing. L'apprendimento supervisionato è generalmente più accurato per compiti specifici in cui sono disponibili dati storici, mentre l'apprendimento non supervisionato è migliore per l'analisi esplorativa dei dati.

Link to this sectionEsempio pratico con YOLO26#

L'apprendimento supervisionato è fondamentale per l'addestramento dei moderni modelli di computer vision. Il seguente snippet Python mostra come addestrare un modello YOLO26 utilizzando un dataset supervisionato (COCO8). Il modello impara dalle immagini etichettate nel dataset per rilevare 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 sotto il cofano per eseguire complesse operazioni matriciali e calcoli di gradiente. Per chi cerca di ottimizzare l'aspetto della gestione dei dati, la Ultralytics Platform offre strumenti per l'addestramento basato su cloud e l'auto-annotazione, rendendo il flusso di lavoro dell'apprendimento supervisionato significativamente più efficiente.