Supervised Learning

Обучение с учителем — это фундаментальный подход в искусственном интеллекте (ИИ), при котором алгоритмы обучаются на входных данных, помеченных правильными выходными значениями. В этом методе модель учится, сравнивая свои прогнозы с предоставленными метками, по сути имея «учителя», который корректирует ее в процессе обучения. Основная цель состоит в том, чтобы система достаточно хорошо изучила функцию отображения входных данных в выходные, чтобы она могла точно предсказывать метки для новых, ранее не виденных тестовых данных. Эта техника является движущей силой многих наиболее практичных и успешных приложений ИИ, используемых сегодня, от фильтров спама в электронной почте до систем автономного вождения.

Link to this sectionКак работает обучение с учителем#

Рабочий процесс обучения с учителем вращается вокруг использования размеченных данных. Подготавливается набор данных, в котором каждый обучающий пример связан с соответствующей меткой «истинных данных» (ground truth). Во время фазы обучения модели алгоритм обрабатывает входные признаки 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 Stochastic Gradient Descent (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, не допуская переобучения на обучающих данных. Инструменты, такие как Ultralytics Platform, упрощают весь этот конвейер, управляя аннотированием наборов данных, обучением и оценкой в единой среде.

Link to this sectionОсновные типы обучения с учителем#

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

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

Link to this sectionРеальные 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 отклонения, такие как опухоли или переломы. Это помогает радиологам быстрее и точнее ставить 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.

Link to this sectionОбучение 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.

Link to this sectionПрактический пример с YOLO26#

Обучение с учителем является центральным элементом 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 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 задействует мощь PyTorch для выполнения сложных матричных операций и вычислений градиентов. Для тех, кто хочет оптимизировать аспект управления данными, Ultralytics Platform предлагает инструменты для облачного обучения и автоматической аннотации, делая рабочий процесс обучения с учителем значительно более эффективным.