Supervised Learning

Обучение с учителем — это основополагающий подход в искусственном интеллекте (ИИ), при котором алгоритмы обучаются на входных данных, помеченных правильными выходными данными. В этом методе модель учится, сравнивая свои собственные предсказания с предоставленными метками, получая по сути «руководителя», который исправляет её в процессе обучения. Основная цель заключается в том, чтобы система достаточно хорошо усвоила функцию отображения входных данных в выходные, чтобы точно предсказывать метки для новых, ранее не встречавшихся тестовых данных. Эта техника является движущей силой многих из наиболее практичных и успешных приложений ИИ, используемых сегодня, от спам-фильтров электронной почты до систем автономного вождения.

Как работает обучение с учителем#

Рабочий процесс обучения с учителем строится вокруг использования размеченных данных. Создается набор данных, в котором каждый обучающий пример сопряжен с соответствующей меткой «истинного значения» (ground truth). Во время фазы обучения модели алгоритм обрабатывает входные признаки и генерирует предсказание. Математическая формула, называемая функцией потерь, затем измеряет ошибку — разницу между предсказанием модели и фактической меткой.

Чтобы минимизировать эту ошибку, алгоритм оптимизации, такой как стохастический градиентный спуск (SGD), итеративно настраивает внутренние параметры модели или веса модели. Этот процесс повторяется в течение множества циклов, известных как эпохи, пока модель не достигнет удовлетворительного уровня точности без переобучения на обучающих данных. Такие инструменты, как Ultralytics Platform, упрощают весь этот пайплайн, управляя аннотированием наборов данных, обучением и оценкой в единой среде.

Основные типы обучения с учителем#

Задачи обучения с учителем обычно делятся на два основных типа в зависимости от характера целевой переменной:

• Классификация: Это предполагает предсказание дискретной категории или метки класса. Распространенным примером является обнаружение объектов, где модель определяет и находит объекты на изображении, такие как «автомобиль», «человек» или «светофор». Передовые модели вроде Ultralytics YOLO26 преуспевают в таких задачах, быстро классифицируя и локализуя несколько объектов в реальном времени.
• Регрессионный анализ: Это предполагает предсказание непрерывного числового значения. Например, прогнозирование цены дома на основе таких характеристик, как площадь в квадратных футах, местоположение и количество спален, является задачей регрессии. Ты можешь узнать больше о статистических основах в этом введении в регрессионный анализ.

Реальные приложения#

Обучение с учителем поддерживает огромный спектр технологий в различных отраслях:

1. Медицинская диагностика: Обучаясь на тысячах размеченных рентгеновских снимков или МРТ-сканов, модели ИИ могут научиться с высокой точностью обнаруживать аномалии, такие как опухоли или переломы. Это помогает рентгенологам ставить более быстрые и точные диагнозы. Посмотри, как YOLO11 используется для обнаружения опухолей, чтобы понять медицинское влияние.

2. Обнаружение мошенничества: Финансовые учреждения используют обучение с учителем для мониторинга шаблонов транзакций. Обучаясь на исторических данных как легитимных, так и мошеннических операций, эти системы могут помечать подозрительную активность в реальном времени, защищая клиентов от краж.

Обучение с учителем против обучения без учителя#

Важно различать обучение с учителем и обучение без учителя. В то время как обучение с учителем опирается на размеченные пары вход-выход, обучение без учителя работает с неразмеченными данными. В сценариях без учителя алгоритм пытается самостоятельно найти скрытые структуры, закономерности или группировки внутри данных, например, сегментацию клиентов в маркетинге. Обучение с учителем, как правило, более точное для конкретных задач, где доступны исторические данные, в то время как обучение без учителя лучше подходит для разведочного анализа данных.

Практический пример с Ultralytics YOLO26#

Обучение с учителем имеет центральное значение для обучения современных моделей компьютерного зрения. Следующий фрагмент на Python демонстрирует, как обучить модель YOLO26 с использованием размеченного набора данных (COCO8). Модель учится на размеченных изображениях в наборе данных для обнаружения объектов.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model using the 'coco8.yaml' dataset (supervised learning)
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)

# The model is now fine-tuned based on the supervised labels in the dataset

Этот простой процесс задействует возможности PyTorch "под капотом" для выполнения сложных матричных операций и вычислений градиентов. Для тех, кто хочет оптимизировать аспект управления данными, Ultralytics Platform предлагает инструменты для облачного обучения и авторазметки, делая рабочий процесс обучения с учителем значительно более эффективным.