Supervised Learning

教師あり学習は、人工知能 (AI) における基礎的なアプローチであり、正しい出力タグが付与された入力データを使用してアルゴリズムを学習させます。この手法では、モデルは自身の予測結果と提供されたラベルを比較することで学習します。これは、トレーニングプロセス中にモデルを修正する「教師」が存在するようなものです。主な目的は、システムが入力から出力へのマッピング関数を十分に学習し、未知のテストデータに対して正確にラベルを予測できるようにすることです。この技術は、メールのスパムフィルターから自動運転システムに至るまで、今日活用されている多くの実用的かつ成功しているAIアプリケーションの原動力となっています。

Link to this section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展開されます。すべてのトレーニング例に対応する「正解（グラウンドトゥルース）」ラベルがペアになったデータセットが作成されます。モデル学習フェーズにおいて、アルゴリズムは入力特徴量を処理し、予測を生成します。その後、損失関数と呼ばれる数学的公式が、モデルの予測と実際のラベルとの差であるエラーを測定します。

To minimize this error, an optimization algorithm, such as Stochastic Gradient Descent (SGD), iteratively adjusts the model's internal parameters or model weights. This process repeats over many cycles, known as epochs, until the model achieves a satisfactory level of accuracy without overfitting to the training data. Tools like the Ultralytics Platform simplify this entire pipeline by managing dataset annotation, training, and evaluation in a unified environment.

Link to this section教師あり学習の主要なタイプ#

教師あり学習の課題は、ターゲット変数の性質に基づいて、主に2つのタイプに分類されます。

• 分類: これには、離散的なカテゴリまたはクラスラベルの予測が含まれます。一般的な例は物体検出であり、モデルは画像内の「車」、「人」、「信号機」などの物体を特定して位置を特定します。Ultralytics YOLO26 のような高度なモデルは、リアルタイムで複数の物体を高速に分類・特定することで、これらのタスクに秀でています。
• 回帰分析: これには、連続的な数値の予測が含まれます。例えば、面積、場所、寝室の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です。統計的な基礎については、この回帰分析入門で詳細を学ぶことができます。

Link to this section実社会での応用#

教師あり学習は、さまざまな業界にわたり膨大な数のテクノロジーを支えています。

1. 医療診断: 数千件のラベル付きX線画像やMRIスキャンで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精度で検出できるようになります。これは放射線科医による迅速かつ正確な診断を支援します。医療への影響については、YOLO11 がどのように腫瘍検出に使用されているかを参照してください。

2. 不正検出: 金融機関は、取引パターンを監視するために教師あり学習を利用しています。正規の取引と不正な取引の両方の履歴データを用いてトレーニングを行うことで、システムは疑わしいアクティビティをリアルタイムでフラグ立てし、顧客を盗難から守ります。

Link to this section教師あり学習 vs. 教師なし学習#

教師あり学習と教師なし学習を区別することは重要です。教師あり学習がラベル付きの入力-出力ペアに依存するのに対し、教師なし学習はラベルなしのデータを扱います。教師なし学習のシナリオでは、アルゴリズムはマーケティングにおける顧客セグメンテーションのように、データ内に隠れた構造、パターン、またはグループを自律的に発見しようとします。教師あり学習は履歴データが利用可能な特定のタスクにおいて一般的に精度が高く、一方、教師なし学習は探索的なデータ分析に適しています。

Link to this sectionYOLO26 を用いた実践的な例#

教師あり学習は、最新のコンピュータビジョンモデルをトレーニングする上で中心的な役割を果たします。以下の 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、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は、内部で PyTorch の能力を活用して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合理化したい方のために、Ultralytics Platform はクラウドベースのトレーニングや自動アノテーション用のツールを提供しており、教師あり学習のワークフローを大幅に効率化します。