Обучение с учителем

Обучение с учителем — это основополагающий подход в искусственном интеллекте (ИИ), при котором алгоритмы обучаются на входных данных, которые были помечены правильным выходом. В этом методе модель обучается путем сравнения своих собственных предсказаний с предоставленными метками, по сути имея «наставника», который корректирует ее в процессе обучения. Основная цель состоит в том, чтобы система достаточно хорошо изучила функцию сопоставления входных и выходных данных , чтобы она могла точно предсказывать метки для новых, невиданных тестовых данных. Эта техника является движущей силой многих из наиболее практичных и успешных приложений ИИ, используемых сегодня, от фильтров спама в электронной почте до автономных систем вождения.

Как работает обучение с учителем (Supervised Learning)

Рабочий процесс контролируемого обучения основан на использовании меченых данных. Создается набор данных, в котором каждый учебный пример сопоставляется с соответствующей меткой «истинного значения». На этапе обучения модели алгоритм обрабатывает входные характеристики и генерирует прогноз. Затем математическая формула, называемая функцией потерь, измеряет ошибку — разницу между прогнозом модели и фактической меткой.

Чтобы минимизировать эту ошибку, алгоритм оптимизации, такой как стохастический градиентный спуск (SGD), итеративно корректирует внутренние параметры модели или веса модели. Этот процесс повторяется в течение многих циклов, называемых эпохами, до тех пор, пока модель не достигнет удовлетворительного уровня точности без переобучения на обучающих данных. Такие инструменты, как Ultralytics , упрощают весь этот процесс за счет управления аннотацией, обучением и оценкой наборов данных в единой среде.

Основные типы обучения с учителем

Задачи контролируемого обучения обычно подразделяются на два основных типа в зависимости от характера целевой переменной:

• Классификация: Включает в себя прогнозирование дискретной категории или классовой метки. Типичным примером является обнаружение объектов, когда модель идентифицирует и локализует объекты на изображении, такие как «автомобиль», «человек» или «светофор». Передовые модели, такие как Ultralytics , отлично справляются с этими задачами, быстро классифицируя и локализуя несколько объектов в режиме реального времени.
• Регрессионный анализ: он включает в себя прогнозирование непрерывного числового значения. Например, прогнозирование цены дома на основе таких характеристик, как площадь, местоположение и количество спален, является задачей регрессии. Вы можете узнать больше о статистических основах в этом введении в регрессионный анализ.

Применение в реальном мире

Обучение с учителем лежит в основе широкого спектра технологий в различных отраслях:

1. Медицинская диагностика: благодаря обучению на тысячах маркированных рентгеновских снимков или МРТ-сканов модели ИИ могут научиться с высокой точностью detect , такие как опухоли или переломы. Это помогает радиологам ставить более быстрые и точные диагнозы. Посмотрите, как YOLO11 для обнаружения опухолей , чтобы понять его влияние на медицину.
2. Обнаружение мошенничества: Финансовые учреждения используют контролируемое обучение для мониторинга моделей транзакций. Благодаря обучению на исторических данных как законных, так и мошеннических транзакций, эти системы могут в режиме реального времени выявлять подозрительную деятельность, защищая клиентов от краж.

Обучение с учителем и обучение без учителя

Важно различать контролируемое обучение и неконтролируемое обучение. В то время как контролируемое обучение опирается на помеченные пары вход-выход, неконтролируемое обучение работает с непомеченными данными. В сценариях без контроля алгоритм пытается самостоятельно найти скрытые структуры, паттерны или группировки в данных, например сегментацию клиентов в маркетинге. Обучение с контролем, как правило, более точно для конкретных задач, где доступны исторические данные, тогда как обучение без контроля лучше подходит для исследовательского анализа данных.

Практический пример с YOLO26

Обучение с учителем играет центральную роль в обучении современных моделей компьютерного зрения. Следующий Python демонстрирует, как обучить модель YOLO26 с использованием набора данных с учителем (COCO8). Модель учится на помеченных изображениях в наборе данных, чтобы detect .

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 использует возможности PyTorch для выполнения сложных матричных операций и вычислений градиента. Для тех, кто хочет оптимизировать управление данными, Ultralytics предлагает инструменты для обучения в облаке и автоматической аннотации, что значительно повышает эффективность рабочего процесса контролируемого обучения.