Supervised Learning

教師あり学習は、正しい出力がタグ付けされた入力データを使ってアルゴリズムを訓練する、人工知能 (AI)における基礎的なアプローチです。この方法では、モデルは提供されたラベルと自身の予測を比較して学習し、基本的にはトレーニングプロセス中に誤りを修正する「監督者」が存在するような仕組みです。主な目標は、システムが入力から出力への写像関数を十分に学習し、新しい未知のテストデータに対してラベルを正確に予測できるようにすることです。この手法は、メールのスパムフィルターから自動運転システムまで、現在利用されている最も実用的で成功している多くのAIアプリケーションを支えています。

教師あり学習の仕組み#

教師あり学習のワークフローは、ラベル付きデータの使用を中心に構成されています。データセットは、すべてのトレーニング例に対応する「正解」ラベルが付くように作成されます。モデルのトレーニング段階では、アルゴリズムが入力特徴量を処理して予測を生成します。次に、損失関数と呼ばれる数式が、モデルの予測と実際のラベルとの差である誤差を測定します。

この誤差を最小化するため、確率的勾配降下法 (SGD)などの最適化アルゴリズムが、モデルの内部パラメーターやモデルの重みを反復的に調整します。このプロセスはエポックと呼ばれる多数のサイクルにわたって繰り返され、トレーニングデータに対して過学習することなく、モデルが十分な精度を達成するまで続きます。Ultralytics Platformなどのツールは、データセットのアノテーション、トレーニング、評価を統合された環境で管理することで、このパイプライン全体を簡素化します。

教師あり学習の主な種類#

教師あり学習の問題は、通常、目的変数の性質に基づいて主に2種類に分類されます。

• 分類: これは、離散的なカテゴリーまたはクラスラベルを予測する処理です。一般的な例として物体検出があり、モデルが画像内の「車」、「人」、「信号機」などの物体を識別して位置を特定します。Ultralytics YOLO26などの高度なモデルは、複数の物体をリアルタイムで高速に分類し、位置を特定することで、これらのタスクに優れています。
• 回帰分析: これは、連続的な数値を予測する処理です。たとえば、延べ床面積、立地、寝室数などの特徴に基づいて住宅価格を予測することは、回帰問題に該当します。統計的な基礎については、こちらの回帰分析入門で詳しく学習できます。

実世界での利用例#

教師あり学習は、さまざまな業界の幅広いテクノロジーを支えています。

1. 医療診断: 数千枚のラベル付きX線画像やMRIスキャンを使ってトレーニングすることで、AIモデルは腫瘍や骨折などの異常を高い精度で検出できるようになります。これにより、放射線科医はより迅速かつ正確に診断できるようになります。医療分野への影響を理解するには、YOLO11による腫瘍検出をご覧ください。

2. 不正検出: 金融機関は、教師あり学習を使用して取引パターンを監視しています。正当な取引と不正な取引の両方に関する過去のデータでトレーニングすることで、これらのシステムは疑わしい活動をリアルタイムで検出し、顧客を盗難から守ることができます。

教師あり学習と教師なし学習の比較#

教師あり学習と教師なし学習を区別することが重要です。教師あり学習がラベル付きの入力と出力のペアに依存するのに対し、教師なし学習はラベルなしデータを使用します。教師なし学習のシナリオでは、アルゴリズムがデータ内の隠れた構造、パターン、グループを独自に見つけようとします。たとえば、マーケティングにおける顧客セグメンテーションなどです。教師あり学習は、過去のデータが利用できる特定のタスクでは一般により高い精度を実現しますが、教師なし学習は探索的データ分析に適しています。

Ultralytics YOLO26を使った実践例#

教師あり学習は、最新のコンピュータービジョンモデルのトレーニングの中心です。次のPythonスニペットは、教師ありデータセット（COCO8）を使用してYOLO26モデルをトレーニングする方法を示しています。モデルは、データセット内のラベル付き画像から学習して物体を検出します。

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

このシンプルなプロセスでは、内部でPyTorchの機能を活用し、複雑な行列演算と勾配計算を実行します。データ管理の側面を効率化したい場合は、Ultralytics Platformがクラウドベースのトレーニングと自動アノテーションのためのツールを提供し、教師あり学習のワークフローを大幅に効率化します。