지도 학습

지도 학습은 알고리즘이 올바른 결과로 수동 레이블링된 데이터로부터 학습하는 머신 러닝(ML)의 기본 패러다임입니다. 주된 목표는 새로운 미지의 데이터에 대한 출력을 예측할 수 있는 매핑 함수를 학습하는 것입니다. 훈련 단계에서 정답(레이블)을 제공하는 교사 또는 "감독자"와 함께 학습하는 것으로 생각하십시오. 이 접근 방식은 특히 컴퓨터 비전(CV)에서 많은 성공적인 인공 지능(AI) 애플리케이션의 근간입니다.

지도 학습 작동 방식

지도 학습 과정은 입력 특징과 해당 출력 레이블을 포함하는 선별된 데이터 세트로 시작됩니다. 이 레이블이 지정된 데이터 세트는 학습 데이터, 검증 데이터 및 테스트 데이터로 분할됩니다.

1. 학습: 모델에 학습 데이터가 제공됩니다. 각 입력에 대한 예측을 수행하고 이를 올바른 레이블과 비교합니다.
2. 오류 수정: 모델의 예측과 실제 레이블 간의 차이는 손실 함수에 의해 정량화됩니다. 경사 하강법과 같은 최적화 알고리즘은 이 오류를 최소화하기 위해 모델의 내부 매개변수 또는 모델 가중치를 조정합니다.
3. 반복: 이 프로세스는 여러 에포크 동안 반복되어 모델이 데이터의 기본 패턴을 학습할 수 있도록 합니다. 모델의 성능은 과적합과 같은 문제를 방지하기 위해 유효성 검사 세트에서 모니터링됩니다.
4. 예측: 훈련이 완료되면 모델은 새로운 레이블이 지정되지 않은 데이터에 대한 예측을 수행할 수 있습니다. 이러한 예측의 품질은 테스트 세트와 성능 지표를 사용하여 평가됩니다.

이 전체 워크플로는 Ultralytics HUB와 같은 플랫폼에서 간소화되어 데이터 세트 관리, 모델 학습 및 배포를 단순화합니다.

지도 학습 문제의 유형

지도 학습 작업은 일반적으로 두 가지 주요 유형으로 분류됩니다.

• 분류(Classification): 목표는 이산 범주 또는 클래스 레이블을 예측하는 것입니다. 예를 들어 이미지 분류 모델은 이미지를 "고양이" 또는 "개"를 포함하는 것으로 분류하도록 훈련될 수 있습니다. 다른 예로는 스팸 이메일 감지 및 감성 분석이 있습니다. Ultralytics YOLO와 같은 모델은 고성능 분류 작업을 위해 훈련될 수 있습니다. 자세한 내용은 분류 소개를 참조하십시오.
• 회귀: 목표는 연속적인 숫자 값을 예측하는 것입니다. 예를 들어 모델은 크기 및 위치와 같은 기능을 기반으로 집 가격을 예측할 수 있습니다. 다른 응용 프로그램으로는 주가 예측 및 온도 예측이 있습니다. 회귀 분석에 대한 개요는 이 회귀 분석 가이드에서 확인할 수 있습니다.

실제 애플리케이션

지도 학습은 수많은 현대 AI 시스템을 구동합니다. 다음은 두 가지 주요 예시입니다.

1. 자율 주행 차량의 객체 감지: 자율 주행 자동차는 객체 감지 모델을 사용하여 보행자, 다른 차량 및 교통 표지판을 식별하고 찾습니다. 이러한 모델은 이미지의 객체에 경계 상자로 레이블이 지정된 방대한 데이터 세트에서 훈련됩니다. 훈련된 모델은 실시간 비디오 피드를 처리하여 중요한 운전 결정을 내릴 수 있습니다. Ultralytics는 자동차 산업의 AI를 위한 강력한 솔루션을 제공합니다.
2. 의료 영상 분석: 헬스케어 분야에서 지도 학습 모델은 MRI 또는 CT 스캔에서 종양을 탐지하는 것과 같은 의료 영상 분석에 사용됩니다. 방사선 전문의는 종양의 존재 여부를 나타내는 많은 수의 스캔에 레이블을 지정합니다. 그런 다음 합성곱 신경망(CNN)이 조기 진단을 지원하기 위해 이 데이터를 기반으로 학습됩니다. 예를 들어 뇌종양 탐지 데이터 세트에서 모델을 학습할 수 있습니다.

다른 학습 패러다임과의 비교

지도 학습은 다른 주요 머신 러닝 패러다임과 구별됩니다.

• 비지도 학습: 이 접근 방식은 레이블이 지정되지 않은 데이터를 사용하며, 알고리즘은 유사한 데이터 포인트 그룹화(클러스터링) 또는 데이터 차원 축소와 같이 자체적으로 패턴이나 구조를 찾으려고 시도합니다. 알려진 답변에서 직접적인 입력-출력 매핑을 학습하지 않습니다. 비지도 학습 개요를 읽어보십시오.
• 자체 지도 학습(SSL): 감독 신호(레이블)가 입력 데이터 자체에서 자동으로 생성되는 비지도 학습의 하위 집합입니다. 이는 특정 작업에 대해 미세 조정하기 전에 방대한 양의 레이블이 지정되지 않은 데이터에 대해 기반 모델을 사전 훈련하는 데 유용한 기술입니다.
• 강화 학습: 이 패러다임에서 에이전트는 환경과 상호 작용하고 자신의 행동에 따라 보상이나 벌칙을 받음으로써 일련의 결정을 내리는 방법을 학습합니다. 정적인 레이블 지정 데이터 세트가 아닌 시행착오를 통해 최적의 행동을 학습합니다. 강화 학습 개요를 살펴보세요.

요약하자면, 지도 학습은 레이블이 지정된 데이터를 활용하여 예측 작업을 위한 모델을 훈련하는 강력하고 널리 사용되는 기술입니다. 이는 Ultralytics에서 개발하고 지원하는 것을 포함하여 많은 성공적인 AI 애플리케이션의 중추를 형성하며 데이터 과학 또는 AI 분야에서 일하는 모든 사람에게 중요한 기술입니다.