지도 학습

지도 학습은 머신 러닝(ML) 의 기본 패러다임으로, 알고리즘이 올바른 결과로 수동으로 레이블이 지정된 데이터로부터 학습하는 것입니다. 주요 목표는 보이지 않는 새로운 데이터에 대한 결과를 예측할 수 있는 매핑 함수를 학습하는 것입니다. 학습 단계에서 정답(레이블)을 제공하는 교사 또는 '슈퍼바이저'와 함께 학습한다고 생각하면 됩니다. 이 접근 방식은 특히 컴퓨터 비전(CV)에서 많은 성공적인 인공 지능(AI) 애플리케이션의 근간을 이루고 있습니다.

지도 학습의 작동 방식

지도 학습 프로세스는 입력 특징과 해당 출력 레이블이 포함된 선별된 데이터 세트에서 시작됩니다. 이 레이블이 지정된 데이터 세트는 학습 데이터, 검증 데이터, 테스트 데이터로 나뉩니다.

1. 학습: 모델에 학습 데이터를 입력합니다. 각 입력에 대해 예측을 하고 올바른 레이블과 비교합니다.
2. 오류 수정: 모델의 예측과 실제 라벨 간의 차이는 손실 함수로 정량화됩니다. 경사 하강과 같은 최적화 알고리즘은 모델의 내부 파라미터 또는 모델 가중치를 조정하여 이 오류를 최소화합니다.
3. 반복: 이 프로세스는 여러 시대에 걸쳐 반복되어 모델이 데이터의 기본 패턴을 학습할 수 있도록 합니다. 모델의 성능은 유효성 검사 세트에서 모니터링되어 과적합과 같은 문제를 방지합니다.
4. 예측: 학습이 완료되면 모델은 레이블이 지정되지 않은 새로운 데이터에 대해 예측을 수행할 수 있습니다. 이러한 예측의 품질은 테스트 세트와 성능 메트릭을 사용하여 평가됩니다.

이 전체 워크플로는 데이터 집합 관리, 모델 교육 및 배포를 간소화하는 Ultralytics HUB와 같은 플랫폼에서 간소화됩니다.

지도 학습 문제의 유형

지도 학습 작업은 일반적으로 두 가지 주요 유형으로 분류됩니다:

• 분류: 분류의 목표는 불연속적인 카테고리 또는 클래스 레이블을 예측하는 것입니다. 예를 들어, 이미지 분류 모델은 이미지를 "고양이" 또는 "개"가 포함된 것으로 분류하도록 학습될 수 있습니다. 다른 예로는 스팸 이메일 탐지 및 감정 분석이 있습니다. Ultralytics YOLO와 같은 모델은 고성능 분류 작업을 위해 훈련할 수 있습니다. 더 자세히 알아보려면 분류에 대한 소개를 살펴보세요.
• 회귀: 회귀: 연속적인 수치 값을 예측하는 것이 목표입니다. 예를 들어, 모델은 집의 크기와 위치와 같은 특징을 기반으로 집의 가격을 예측할 수 있습니다. 다른 응용 분야로는 주가 예측과 온도 예측 등이 있습니다. 회귀에 대한 개요는 이 회귀 분석 가이드에서 확인할 수 있습니다.

실제 애플리케이션

지도 학습은 수많은 최신 AI 시스템을 구동합니다. 다음은 두 가지 대표적인 예입니다:

1. 자율주행 차량의 물체 감지: 자율주행차는 물체 감지 모델을 사용하여 보행자, 다른 차량, 교통 표지판을 식별하고 위치를 파악합니다. 이러한 모델은 이미지의 객체에 경계 상자로 레이블이 지정된 방대한 데이터 세트에서 학습됩니다. 그런 다음 학습된 모델은 실시간 비디오 피드를 처리하여 중요한 주행 결정을 내릴 수 있습니다. Ultralytics는 자동차 산업에서 AI를 위한 강력한 솔루션을 제공합니다.
2. 의료 이미지 분석: 의료 분야에서 지도 학습 모델은 MRI 또는 CT 스캔에서 종양을 감지하는 등의 의료 이미지 분석에 사용됩니다. 방사선 전문의는 수많은 스캔 이미지에 종양의 유무를 나타내는 라벨을 붙입니다. 그런 다음 이 데이터에 컨볼루션 신경망(CNN) 을 학습시켜 조기 진단을 지원합니다. 예를 들어, 뇌종양 탐지를 위한 데이터 세트로 모델을 학습시킬 수 있습니다.

다른 학습 패러다임과의 비교

지도 학습은 다른 주요 머신 러닝 패러다임과 구별됩니다:

• 비지도 학습: 이 접근 방식은 레이블이 없는 데이터를 사용하여 알고리즘이 유사한 데이터 포인트를 그룹화(클러스터링)하거나 데이터 차원을 줄이는 등 스스로 패턴이나 구조를 찾으려고 시도하는 방식입니다. 알려진 답변에서 직접 입력-출력 매핑을 학습하지 않습니다. 비지도 학습 개요를 읽어보세요.
• 자기 지도 학습(SSL): 입력 데이터 자체에서 감독 신호(레이블)가 자동으로 생성되는 비지도 학습의 하위 집합입니다. 이는 특정 작업에 맞게 모델을 미세 조정하기 전에 방대한 양의 레이블이 없는 데이터에 대해 기초 모델을 사전 학습시키는 강력한 기술입니다.
• 강화 학습: 이 패러다임에서 에이전트는 환경과 상호 작용하고 자신의 행동에 따라 보상 또는 불이익을 받음으로써 일련의 결정을 내리는 방법을 학습합니다. 정적이고 레이블이 지정된 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 근간을 형성하며, 데이터 과학 또는 AI 분야에서 일하는 모든 사람에게 중요한 기술입니다.