Supervised Learning

L’apprendimento supervisionato è il ramo del machine learning (ML) in cui un modello impara a mappare gli input sugli output a partire da esempi etichettati, cioè input associati alla risposta corretta, spesso chiamata verità fondamentale. Durante l’addestramento, le previsioni del modello vengono confrontate con le etichette e i parametri vengono regolati per ridurre la differenza. L’obiettivo è la generalizzazione: ottenere previsioni accurate su nuovi input mai visti dal modello. Molti dei sistemi di ML più diffusi sono supervisionati, tra cui filtri antispam, sistemi di valutazione del credito, previsioni della domanda, classificatori di immagini e rilevatori di oggetti.

Come funziona l'apprendimento supervisionato#

Un dataset supervisionato è una raccolta di coppie (input, etichetta), suddivisa in dati di addestramento per adattare il modello, dati di convalida per regolare le impostazioni e decidere quando fermarsi, e dati di test per una stima finale e imparziale delle prestazioni. Per ogni batch di addestramento, il modello genera previsioni, una funzione di perdita misura quanto si discostano dalle etichette e un algoritmo di ottimizzazione come la discesa stocastica del gradiente aggiorna i pesi del modello per ridurre la perdita. Un passaggio sull’intero set di addestramento è un’epoca; di solito l’addestramento prosegue per molte epoche, monitorando il punteggio di convalida.

Un modello che continua a ridurre la perdita di addestramento mentre il punteggio di convalida peggiora è soggetto a overfitting: memorizza le etichette di addestramento, compreso il loro rumore, invece di apprendere schemi trasferibili. Più dati, l’aumento dei dati, la regolarizzazione e l’arresto anticipato contrastano questo fenomeno.

Classificazione, regressione e output strutturati#

• Classificazione: prevede una categoria discreta, ad esempio spam o non spam, oppure quale delle 1.000 classi di ImageNet è rappresentata da un’immagine.
• Regressione: prevede un valore continuo, come il prezzo di una casa, la domanda di domani o la distanza da un oggetto; la regressione lineare è il modello più semplice.
• Output strutturati: molte attività di visione combinano entrambe le cose. Il rilevamento degli oggetti classifica ogni oggetto e stima le coordinate del relativo riquadro, la segmentazione classifica ogni pixel e la stima della posa calcola le posizioni dei punti chiave.

La stessa procedura supervisionata si applica a modelli molto diversi, dagli algoritmi classici come la regressione logistica, le foreste casuali e gli alberi con boosting del gradiente per i dati tabellari alle reti neurali profonde per immagini, audio e testo.

Dati etichettati e relativo costo#

Le etichette provengono da annotatori umani, da record come casi passati di frode o acquisti e da strumenti di misurazione; la loro qualità pone un limite a quella del modello. Errori sistematici di etichettatura, regole di annotazione incoerenti, squilibrio tra classi e fuga di dati tra set di addestramento e test sono cause frequenti di modelli che ottengono buoni risultati in fase di sviluppo ma falliscono in produzione. Poiché l'etichettatura dei dati è spesso la parte più costosa di un progetto, i metodi correlati riducono il numero di etichette necessarie. L'apprendimento attivo chiede agli annotatori di etichettare solo i campioni più informativi; il transfer learning parte da un modello preaddestrato su un dataset ampio, riducendo notevolmente gli esempi etichettati necessari per un nuovo task.

L’addestramento di YOLO26 è apprendimento supervisionato su immagini etichettate: ogni immagine di addestramento ha un file di etichette che elenca l’ID di classe di ogni oggetto e le coordinate normalizzate del riquadro, e la modalità di addestramento aggiorna il modello per ridurre la perdita tra le classi e i riquadri previsti e le relative etichette. Questo esempio ottimizza i pesi preaddestrati su COCO8, un campione di 8 immagini del dataset COCO, con 4 immagini di addestramento e 4 di convalida, per verificare che una pipeline di addestramento funzioni dall’inizio alla fine:

from ultralytics import YOLO

# Parti da pesi preaddestrati sull’intero dataset COCO
model = YOLO("yolo26n.pt")

# Addestramento supervisionato: immagini associate alle etichette dei riquadri e delle classi
results = model.train(data="coco8.yaml", epochs=3, imgsz=640)

Apprendimento supervisionato e altri paradigmi di apprendimento#

• Apprendimento non supervisionato: non usa etichette e individua la struttura nei soli input, ad esempio cluster o rappresentazioni compresse.
• Apprendimento semi-supervisionato: addestra il modello su un piccolo insieme etichettato e uno grande non etichettato, spesso assegnando pseudo-etichette alle previsioni sicure sui dati non etichettati.
• Apprendimento auto-supervisionato: ricava le etichette dai dati stessi, ad esempio la parola successiva di una frase o una porzione nascosta di un’immagine; è il metodo usato per preaddestrare i modelli linguistici di grandi dimensioni e i modelli visivi di base prima dell’ottimizzazione supervisionata.
• Apprendimento per rinforzo: apprende dai premi ottenuti tramite azioni in un ambiente, senza un’azione corretta etichettata per ogni situazione.
• Apprendimento few-shot: riconosce nuove classi a partire da pochi esempi etichettati, in genere da 1 a 10 per classe, basandosi sulle conoscenze acquisite con il preaddestramento.