Supervised Learning

Обучение с учителем — это фундаментальный подход в искусственном интеллекте (AI), при котором алгоритмы обучаются на входных данных, помеченных правильными выходными значениями. В этом методе модель учится, сравнивая собственные прогнозы с предоставленными метками, то есть получает «надзор», который исправляет её в процессе обучения. Основная цель заключается в том, чтобы система достаточно хорошо выучила функцию отображения входных данных в выходные и могла точно предсказывать метки для новых, ранее не встречавшихся тестовых данных. Этот метод лежит в основе многих наиболее практичных и успешных применений AI, используемых сегодня, от фильтров спама в электронной почте до систем автономного вождения.

Как работает обучение с учителем#

Рабочий процесс обучения с учителем строится вокруг использования размеченных данных. Формируется набор данных, в котором каждому обучающему примеру соответствует метка «истинного значения». На этапе обучения модели алгоритм обрабатывает входные признаки и формирует прогноз. Затем математическая формула, называемая функцией потерь, измеряет ошибку — разницу между прогнозом модели и фактической меткой.

Чтобы минимизировать эту ошибку, алгоритм оптимизации, например стохастический градиентный спуск (SGD), итеративно корректирует внутренние параметры модели, или веса модели. Этот процесс повторяется в течение множества циклов, называемых эпохами, пока модель не достигнет приемлемого уровня точности, не столкнувшись с переобучением на обучающих данных. Такие инструменты, как Ultralytics Platform, упрощают весь этот конвейер, объединяя разметку наборов данных, обучение и оценку в единой среде.

Основные типы обучения с учителем#

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

• Классификация: включает предсказание дискретной категории или метки класса. Распространённый пример — обнаружение объектов, при котором модель выявляет и определяет местоположение объектов на изображении, например «автомобиля», «человека» или «светофора». Продвинутые модели, такие как Ultralytics YOLO26, превосходно справляются с такими задачами, быстро классифицируя и локализуя несколько объектов в реальном времени.
• Регрессионный анализ: включает предсказание непрерывного числового значения. Например, предсказание стоимости дома на основе таких признаков, как площадь, местоположение и количество спален, является задачей регрессии. Подробнее о статистических основах можно узнать в этом материале: введение в регрессионный анализ.

Практические применения#

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

1. Медицинская диагностика: обучаясь на тысячах размеченных рентгеновских снимков или МРТ-сканов, модели AI могут с высокой точностью выявлять такие аномалии, как опухоли или переломы. Это помогает радиологам быстрее и точнее ставить диагнозы. Узнай, как YOLO11 используется для обнаружения опухолей, чтобы понять влияние этой технологии на медицину.

2. Обнаружение мошенничества: финансовые учреждения используют обучение с учителем для мониторинга моделей транзакций. Обучаясь на исторических данных как о легитимных, так и о мошеннических транзакциях, эти системы могут выявлять подозрительную активность в реальном времени, защищая клиентов от кражи.

Обучение с учителем и обучение без учителя#

Важно отличать обучение с учителем от обучения без учителя. В то время как обучение с учителем опирается на размеченные пары «входные данные — выходные значения», обучение без учителя работает с неразмеченными данными. В сценариях обучения без учителя алгоритм самостоятельно пытается находить в данных скрытые структуры, закономерности или группы, например сегменты клиентов в маркетинге. Обучение с учителем обычно обеспечивает более высокую точность для конкретных задач, если доступны исторические данные, тогда как обучение без учителя лучше подходит для исследовательского анализа данных.

Практический пример с Ultralytics YOLO26#

Обучение с учителем играет центральную роль в обучении современных моделей компьютерного зрения. Следующий фрагмент Python показывает, как обучить модель YOLO26 с использованием размеченного набора данных (COCO8). Модель учится на размеченных изображениях из набора данных, чтобы обнаруживать объекты.

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 вычисления градиентов. Если ты хочешь упростить управление данными, Ultralytics Platform предлагает инструменты для облачного обучения и автоматической разметки, значительно повышая эффективность рабочего процесса обучения с учителем.