Apprendimento supervisionato

L'apprendimento supervisionato è un paradigma fondamentale dell'apprendimento automatico (ML) in cui un algoritmo impara da dati che sono stati etichettati manualmente con i risultati corretti. L'obiettivo principale è quello di apprendere una funzione di mappatura in grado di prevedere l'output per nuovi dati non visti. Si tratta di un apprendimento con un insegnante o un "supervisore" che fornisce le risposte corrette (etichette) durante la fase di addestramento. Questo approccio è la spina dorsale di molte applicazioni di Intelligenza Artificiale (IA) di successo, in particolare nella computer vision (CV).

Come funziona l'apprendimento supervisionato

Il processo di apprendimento supervisionato inizia con un set di dati curati contenenti le caratteristiche di input e le corrispondenti etichette di output. Questo set di dati etichettati viene suddiviso in dati di addestramento, dati di validazione e dati di test.

1. Addestramento: Il modello viene alimentato con i dati di addestramento. Fa delle previsioni per ogni ingresso e le confronta con le etichette corrette.
2. Correzione degli errori: La differenza tra la previsione del modello e l'etichetta reale è quantificata da una funzione di perdita. Un algoritmo di ottimizzazione, come la discesa del gradiente, regola i parametri interni del modello, o i pesi del modello, per minimizzare questo errore.
3. Iterazione: Questo processo viene ripetuto per molte epoche, consentendo al modello di apprendere i modelli sottostanti nei dati. Le prestazioni del modello vengono monitorate sul set di validazione per evitare problemi di overfitting.
4. Previsione: Una volta addestrato, il modello può fare previsioni su nuovi dati non etichettati. La qualità di queste previsioni viene valutata utilizzando il set di test e le metriche di prestazione.

L'intero flusso di lavoro è ottimizzato da piattaforme come Ultralytics HUB, che semplifica la gestione dei set di dati, la formazione dei modelli e la distribuzione.

Tipi di problemi di apprendimento supervisionato

I compiti di apprendimento supervisionato sono tipicamente classificati in due tipi principali:

• Classificazione: L'obiettivo è prevedere una categoria discreta o un'etichetta di classe. Ad esempio, un modello di classificazione delle immagini potrebbe essere addestrato per classificare le immagini come contenenti un "gatto" o un "cane". Altri esempi sono il rilevamento delle e-mail di spam e l'analisi del sentiment. Modelli come Ultralytics YOLO possono essere addestrati per compiti di classificazione ad alte prestazioni. Per ulteriori informazioni, leggete questa introduzione alla classificazione.
• Regressione: L'obiettivo è prevedere un valore numerico continuo. Ad esempio, un modello potrebbe prevedere il prezzo di una casa in base a caratteristiche come le dimensioni e la posizione. Altre applicazioni includono la previsione dei prezzi delle azioni e la previsione della temperatura. Una panoramica sulla regressione è disponibile in questa guida all'analisi di regressione.

Applicazioni del mondo reale

L'apprendimento supervisionato è alla base di innumerevoli sistemi di intelligenza artificiale moderni. Ecco due esempi importanti:

1. Rilevamento degli oggetti nei veicoli autonomi: Le auto a guida autonoma si affidano a modelli di rilevamento degli oggetti per identificare e localizzare pedoni, altri veicoli e segnali stradali. Questi modelli sono addestrati su vaste serie di dati in cui gli oggetti nelle immagini sono etichettati con caselle di delimitazione. Il modello addestrato può quindi elaborare i feed video in tempo reale per prendere decisioni di guida critiche. Ultralytics offre soluzioni potenti per l'IA nel settore automobilistico.
2. Analisi delle immagini mediche: Nel settore sanitario, i modelli di apprendimento supervisionato vengono utilizzati per l'analisi delle immagini mediche, ad esempio per rilevare i tumori nelle scansioni MRI o CT. I radiologi etichettano un gran numero di scansioni, indicando la presenza o l'assenza di tumori. Una rete neurale convoluzionale (CNN) viene quindi addestrata su questi dati per aiutare la diagnosi precoce. Ad esempio, i modelli possono essere addestrati su set di dati per il rilevamento dei tumori cerebrali.

Confronto con altri paradigmi di apprendimento

L'apprendimento supervisionato si distingue da altri paradigmi primari di apprendimento automatico:

• Apprendimento non supervisionato: Questo approccio utilizza dati non etichettati, in cui l'algoritmo cerca di trovare schemi o strutture da solo, come il raggruppamento di punti di dati simili(clustering) o la riduzione delle dimensioni dei dati. Non apprende una mappatura diretta tra input e output da risposte note. Leggete una panoramica sull'apprendimento non supervisionato.
• Apprendimento auto-supervisionato (SSL): Un sottoinsieme dell'apprendimento non supervisionato in cui i segnali di supervisione (etichette) sono generati automaticamente dai dati di input stessi. Si tratta di una tecnica potente per pre-addestrare i modelli di base su grandi quantità di dati non etichettati prima di metterli a punto per un compito specifico.
• Apprendimento per rinforzo: In questo paradigma, un agente impara a prendere sequenze di decisioni interagendo con un ambiente e ricevendo ricompense o penalità in base alle sue azioni. Il comportamento ottimale viene appreso per tentativi ed errori, piuttosto che da un insieme di dati statici ed etichettati. Esplora una panoramica sull'apprendimento per rinforzo.

In sintesi, l'apprendimento supervisionato è una tecnica potente e ampiamente utilizzata che sfrutta i dati etichettati per addestrare modelli per compiti predittivi. Costituisce la spina dorsale di molte applicazioni di AI di successo, comprese quelle sviluppate e supportate da Ultralytics, ed è un'abilità cruciale per chiunque lavori nella scienza dei dati o nell'AI.