教師あり学習
教師あり学習が、ラベル付きデータでAIを強化し、正確な予測や、物体検出、感情分析などのアプリケーションを可能にする仕組みをご覧ください。
教師あり学習は、機械学習（ML）における基本的なパラダイムであり、アルゴリズムは正しい結果で手動でラベル付けされたデータから学習します。主な目標は、新しい、見えないデータに対する出力を予測できるマッピング関数を学習することです。トレーニングフェーズ中に正しい答え（ラベル）を提供する教師または「監督者」と一緒に学習することを考えてください。このアプローチは、特にコンピュータビジョン（CV）において、多くの成功した人工知能（AI）アプリケーションのバックボーンです。
教師あり学習はどのように機能するか
教師あり学習プロセスは、入力特徴と対応する出力ラベルを含むキュレーションされたデータセットから始まります。このラベル付きデータセットは、トレーニングデータ、検証データ、およびテストデータに分割されます。
- トレーニング： モデルにトレーニングデータが与えられます。各入力に対して予測を行い、それらを正しいラベルと比較します。
- 誤差修正: モデルの予測と実際のラベルの間の差は、損失関数によって定量化されます。最適化アルゴリズム（勾配降下法など）は、この誤差を最小限に抑えるために、モデルの内部パラメータ（つまりモデルの重み）を調整します。
- イテレーション: このプロセスは多くのエポックで繰り返され、モデルがデータの基礎となるパターンを学習できるようになります。モデルのパフォーマンスは、過学習などの問題を回避するために、検証セットで監視されます。
- 予測： 学習後、モデルは新しいラベルなしデータに対して予測を行うことができます。これらの予測の品質は、テストセットとパフォーマンス指標を使用して評価されます。
このワークフロー全体は、Ultralytics HUBのようなプラットフォーム上で効率化されており、データセットの管理、モデルのトレーニング、デプロイメントが簡素化されます。
教師あり学習問題の種類
教師あり学習タスクは通常、次の2つの主要なタイプに分類されます。
- 分類: 目標は、離散的なカテゴリまたはクラスラベルを予測することです。たとえば、画像分類モデルは、画像を「猫」または「犬」を含むものとして分類するようにトレーニングされる場合があります。その他の例としては、スパムメールの検出や感情分析があります。Ultralytics YOLOのようなモデルは、高性能な分類タスクのためにトレーニングできます。詳細については、分類の概要をご覧ください。
- 回帰: 目標は、連続した数値を予測することです。たとえば、モデルは、サイズや場所などの特徴に基づいて家の価格を予測できます。その他のアプリケーションには、株価予測や気温予測などがあります。回帰の概要は、この回帰分析ガイドに記載されています。
実際のアプリケーション
教師あり学習は、現代のAIシステムの数え切れないほどの原動力となっています。次に、2つの著名な例を示します。
- 自動運転車における物体検出: 自動運転車は、歩行者、他の車両、および交通標識を識別および特定するために、物体検出モデルに依存しています。これらのモデルは、画像内のオブジェクトがバウンディングボックスでラベル付けされた膨大なデータセットでトレーニングされています。トレーニングされたモデルは、リアルタイムのビデオフィードを処理して、重要な運転上の意思決定を行うことができます。Ultralyticsは、自動車産業におけるAIのための強力なソリューションを提供します。
- 医療画像解析: 医療では、教師あり学習モデルは、MRIまたはCTスキャンで腫瘍を検出するなど、医療画像解析に使用されます。放射線科医は多数のスキャンにラベルを付け、腫瘍の有無を示します。次に、畳み込みニューラルネットワーク（CNN）がこのデータでトレーニングされ、早期診断を支援します。たとえば、モデルは脳腫瘍検出用のデータセットでトレーニングできます。
他の学習パラダイムとの比較
教師あり学習は、他の主要な機械学習パラダイムとは異なります。
- 教師なし学習: このアプローチでは、ラベルなしデータを使用し、アルゴリズムは類似したデータ点のグループ化（クラスタリング）やデータ次元の削減など、独自のパターンや構造を見つけようとします。既知の答えから直接入力から出力へのマッピングを学習するわけではありません。教師なし学習の概要をご覧ください。
- 自己教師あり学習（SSL）: 教師あり信号（ラベル）が入力データ自体から自動的に生成される教師なし学習のサブセット。基盤モデルを特定のタスクのためにファインチューニングする前に、大量のラベルなしデータで事前トレーニングするための強力な手法です。
- 強化学習: このパラダイムでは、エージェントは環境と相互作用し、その行動に基づいて報酬またはペナルティを受け取ることで、一連の意思決定を行うことを学習します。静的なラベル付きデータセットからではなく、試行錯誤を通じて最適な行動を学習します。強化学習の概要をご覧ください。
要約すると、教師あり学習は、ラベル付きデータを活用して予測タスクのためのモデルをトレーニングする、強力で広く使用されている手法です。これは、Ultralyticsによって開発およびサポートされているものを含む、多くの成功したAIアプリケーションのバックボーンを形成し、データサイエンスまたはAIに携わるすべての人にとって重要なスキルです。
