Supervised Learning

教師あり学習は人工知能 (AI)における基本アプローチであり、アルゴリズムは正しい出力がタグ付けされた入力データを使ってトレーニングされます。この手法では、モデルは自身の予測と提供されたラベルを比較することで学習し、本質的にはトレーニングプロセス中にそれを修正する「スーパーバイザー」が存在します。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も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、今日使用されている最も実用的で成功している多くのAIアプリケーションの原動力となっています。

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展開されます。すべてのトレーニングサンプルに対応する「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キュレートされます。モデルトレーニングフェーズでは、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。その後、損失関数と呼ばれる数式がエラー（モデルの予測と実際のラベルの差）を測定します。

このエラーを最小限にするため、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やモデルウェイトを反復的に調整します。このプロセスは、トレーニングデータに過学習することなくモデルが満足のいく精度レベルに達するまで、エポックとして知られる多数のサイクルにわたって繰り返されます。Ultralytics Platformのようなツールは、統合環境でデータセットのアノテーション、トレーニング、評価を管理することで、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: これは、離散的なカテゴリまたはクラスラベルを予測することに関係します。一般的な例はオブジェクト検出であり、モデルは画像内の「車」、「人」、「信号機」などのオブジェクト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オブジェクトを迅速に分類およびローカライズすることにより、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ことに関係します。たとえば、床面積、立地、部屋数などの特徴量に基づいて家屋の価格を予測することは回帰問題です。統計的基礎の詳細については、こちらの回帰分析入門をご覧ください。

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: 何千ものラベル付きX線やMRIスキャンでトレーニングすることにより、AIモデルは腫瘍や骨折などの異常を高精度で検出することを学習できます。これにより、放射線科医がより迅速かつ正確な診断を下すことが支援されます。医療への影響を理解するには、腫瘍検出にYOLO11がどのように使用されているかをご覧ください。

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。

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。

YOLO26 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のトレーニングの中心となります。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てオブジェクトを検出します。

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

この単純なプロセスは、複雑な行列演算と勾配計算を実行するために、内部でPyTorchのパワーを活用しています。データ管理の側面を効率化したい人向けに、Ultralytics Platformは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。