Aprendizagem supervisionada

A aprendizagem supervisionada é um paradigma fundamental na aprendizagem automática (ML) em que um algoritmo aprende a partir de dados que foram manualmente rotulados com os resultados corretos. O objetivo principal é aprender uma função de mapeamento que possa prever o resultado de dados novos e não vistos. Pense nisto como aprender com um professor ou um "supervisor" que fornece as respostas corretas (etiquetas) durante a fase de formação. Esta abordagem é a espinha dorsal de muitas aplicações de Inteligência Artificial (IA) bem sucedidas, particularmente na visão computacional (CV).

Como funciona a aprendizagem supervisionada

O processo de aprendizagem supervisionada começa com um conjunto de dados selecionados que contém caraterísticas de entrada e etiquetas de saída correspondentes. Este conjunto de dados rotulados é dividido em dados de treino, dados de validação e dados de teste.

1. Treino: O modelo é alimentado com os dados de treino. Faz previsões para cada entrada e compara-as com as etiquetas corretas.
2. Correção de erros: A diferença entre a previsão do modelo e o rótulo real é quantificada por uma função de perda. Um algoritmo de otimização, como o gradiente descendente, ajusta os parâmetros internos do modelo, ou pesos do modelo, para minimizar este erro.
3. Iteração: Este processo é repetido durante muitas épocas, permitindo que o modelo aprenda os padrões subjacentes nos dados. O desempenho do modelo é monitorizado no conjunto de validação para evitar problemas como o sobreajuste.
4. Previsão: Uma vez treinado, o modelo pode fazer previsões em dados novos e não rotulados. A qualidade destas previsões é avaliada utilizando o conjunto de teste e as métricas de desempenho.

Todo esse fluxo de trabalho é simplificado em plataformas como o Ultralytics HUB, que simplifica o gerenciamento de conjuntos de dados, o treinamento de modelos e a implantação.

Tipos de problemas de aprendizagem supervisionada

As tarefas de aprendizagem supervisionada são normalmente classificadas em dois tipos principais:

• Classificação: O objetivo é prever uma categoria discreta ou um rótulo de classe. Por exemplo, um modelo de classificação de imagens pode ser treinado para classificar imagens como contendo um "gato" ou um "cão". Outros exemplos incluem a deteção de correio eletrónico não solicitado e a análise de sentimentos. Modelos como o Ultralytics YOLO podem ser treinados para tarefas de classificação de alto desempenho. Para ler mais, explore esta introdução à classificação.
• Regressão: O objetivo é prever um valor numérico contínuo. Por exemplo, um modelo poderia prever o preço de uma casa com base em caraterísticas como o seu tamanho e localização. Outras aplicações incluem a previsão do preço das acções e a previsão da temperatura. Uma visão geral da regressão pode ser encontrada neste guia de análise de regressão.

Aplicações no mundo real

A aprendizagem supervisionada está na base de inúmeros sistemas de IA modernos. Eis dois exemplos proeminentes:

1. Deteção de objectos em veículos autónomos: Os veículos autónomos dependem de modelos de deteção de objectos para identificar e localizar peões, outros veículos e sinais de trânsito. Estes modelos são treinados em vastos conjuntos de dados em que os objectos nas imagens são rotulados com caixas delimitadoras. O modelo treinado pode então processar feeds de vídeo em tempo real para tomar decisões críticas de condução. A Ultralytics fornece soluções poderosas para a IA na indústria automóvel.
2. Análise de imagens médicas: Nos cuidados de saúde, os modelos de aprendizagem supervisionada são utilizados para a análise de imagens médicas, como a deteção de tumores em exames de ressonância magnética ou de tomografia computorizada. Os radiologistas rotulam um grande número de exames, indicando a presença ou ausência de tumores. Uma rede neural convolucional (CNN) é então treinada com estes dados para ajudar no diagnóstico precoce. Por exemplo, os modelos podem ser treinados em conjuntos de dados para a deteção de tumores cerebrais.

Comparação com outros paradigmas de aprendizagem

A aprendizagem supervisionada é distinta de outros paradigmas primários de aprendizagem automática:

• Aprendizagem não supervisionada: Esta abordagem utiliza dados não rotulados, em que o algoritmo tenta encontrar padrões ou estruturas por si próprio, como o agrupamento de pontos de dados semelhantes(clustering) ou a redução das dimensões dos dados. Não aprende um mapeamento direto de entrada para saída a partir de respostas conhecidas. Leia uma visão geral da aprendizagem não supervisionada.
• Aprendizagem auto-supervisionada (SSL): Um subconjunto da aprendizagem não supervisionada em que os sinais de supervisão (etiquetas) são gerados automaticamente a partir dos próprios dados de entrada. Esta é uma técnica poderosa para pré-treinar modelos de base em grandes quantidades de dados não rotulados antes de os afinar para uma tarefa específica.
• Aprendizagem por reforço: Neste paradigma, um agente aprende a tomar sequências de decisões interagindo com um ambiente e recebendo recompensas ou penalizações com base nas suas acções. Aprende comportamentos óptimos através de tentativa e erro, em vez de aprender a partir de um conjunto de dados estático e rotulado. Explorar uma visão geral da aprendizagem por reforço.

Em resumo, a aprendizagem supervisionada é uma técnica poderosa e amplamente utilizada que utiliza dados rotulados para treinar modelos para tarefas de previsão. Constitui a espinha dorsal de muitas aplicações de IA bem sucedidas, incluindo as desenvolvidas e apoiadas pela Ultralytics, e é uma competência crucial para quem trabalha em ciência de dados ou IA.