Обучение с учителем

Обучение с учителем – это фундаментальная парадигма в машинном обучении (ML), где алгоритм учится на данных, которые были вручную помечены с правильными результатами. Основная цель состоит в том, чтобы изучить функцию отображения, которая может прогнозировать выходные данные для новых, невидимых данных. Думайте об этом как об обучении с учителем или "супервайзером", который предоставляет правильные ответы (метки) во время фазы обучения. Этот подход является основой многих успешных приложений искусственного интеллекта (AI), особенно в компьютерном зрении (CV).

Как работает обучение с учителем (Supervised Learning)

Процесс обучения с учителем начинается с курируемого набора данных, содержащего входные признаки и соответствующие выходные метки. Этот размеченный набор данных разделен на данные обучения, данные валидации и данные тестирования.

1. Обучение: Модели передаются данные для обучения. Она делает прогнозы для каждого ввода и сравнивает их с правильными метками.
2. Коррекция ошибок: Разница между предсказанием модели и фактической меткой количественно определяется функцией потерь. Алгоритм оптимизации, такой как градиентный спуск, корректирует внутренние параметры модели или веса модели, чтобы минимизировать эту ошибку.
3. Итерация: Этот процесс повторяется много эпох, что позволяет модели изучить основные закономерности в данных. Производительность модели отслеживается на проверочном наборе, чтобы предотвратить такие проблемы, как переобучение.
4. Прогнозирование: После обучения модель может делать прогнозы на новых, неразмеченных данных. Качество этих прогнозов оценивается с использованием тестового набора и метрик производительности.

Весь этот рабочий процесс оптимизирован на таких платформах, как Ultralytics HUB, что упрощает управление наборами данных, обучение моделей и развертывание.

Типы задач обучения с учителем

Задачи обучения с учителем обычно делятся на два основных типа:

• Классификация: Цель состоит в том, чтобы предсказать дискретную категорию или метку класса. Например, модель классификации изображений может быть обучена классифицировать изображения как содержащие "кошку" или "собаку". Другие примеры включают обнаружение спама в электронной почте и анализ тональности. Модели, такие как Ultralytics YOLO, могут быть обучены для выполнения высокопроизводительных задач классификации. Для дальнейшего чтения ознакомьтесь с этим введением в классификацию.
• Регрессия: Цель состоит в том, чтобы предсказать непрерывное числовое значение. Например, модель может предсказать цену дома на основе таких характеристик, как его размер и местоположение. Другие применения включают прогнозирование цен на акции и прогнозирование температуры. Обзор регрессии можно найти в этом руководстве по регрессионному анализу.

Применение в реальном мире

Обучение с учителем управляет бесчисленными современными системами ИИ. Вот два ярких примера:

1. Детекция объектов в автономных транспортных средствах: Самоуправляемые автомобили полагаются на модели обнаружения объектов для идентификации и определения местоположения пешеходов, других транспортных средств и дорожных знаков. Эти модели обучаются на огромных наборах данных, где объекты на изображениях помечены ограничивающими рамками. Затем обученная модель может обрабатывать видеопотоки в реальном времени для принятия критически важных решений при вождении. Ultralytics предоставляет мощные решения для ИИ в автомобильной промышленности.
2. Анализ медицинских изображений: В здравоохранении модели обучения с учителем используются для анализа медицинских изображений, например, для обнаружения опухолей на МРТ или КТ-сканах. Рентгенологи маркируют большое количество сканов, указывая на наличие или отсутствие опухолей. Затем сверточная нейронная сеть (CNN) обучается на этих данных, чтобы помочь в ранней диагностике. Например, модели можно обучать на наборах данных для обнаружения опухолей головного мозга.

Сравнение с другими парадигмами обучения

Обучение с учителем отличается от других основных парадигм машинного обучения:

• Обучение без учителя: Этот подход использует неразмеченные данные, где алгоритм пытается самостоятельно найти закономерности или структуры, такие как группировка похожих точек данных (кластеризация) или уменьшение размерности данных. Он не изучает прямое отображение ввода в вывод из известных ответов. Ознакомьтесь с обзором обучения без учителя.
• Самообучение без учителя (Self-Supervised Learning, SSL): Подмножество обучения без учителя, где контролирующие сигналы (метки) генерируются автоматически из самих входных данных. Это мощный метод для предварительного обучения базовых моделей на огромных объемах неразмеченных данных перед их тонкой настройкой для конкретной задачи.
• Обучение с подкреплением: В этой парадигме агент учится принимать последовательности решений, взаимодействуя с окружающей средой и получая вознаграждения или штрафы на основе своих действий. Он изучает оптимальное поведение посредством проб и ошибок, а не на основе статического набора данных с метками. Ознакомьтесь с обзором обучения с подкреплением.

В заключение, обучение с учителем — это мощный и широко используемый метод, который использует размеченные данные для обучения моделей для задач прогнозирования. Он составляет основу многих успешных приложений ИИ, включая те, которые разработаны и поддерживаются Ultralytics, и является важным навыком для всех, кто работает в области науки о данных или ИИ.