Supervised Learning

Denetimli öğrenme, algoritmaların doğru çıktılarla etiketlenmiş girdi verileri üzerinde eğitildiği, yapay zeka (AI) alanında temel bir yaklaşımdır. Bu yöntemde model, kendi tahminlerini sağlanan bu etiketlerle karşılaştırarak öğrenir ve eğitim sürecinde onu düzelten bir "denetmen"e sahip olur. Temel amaç, sistemin girdilerden çıktılara giden eşleme fonksiyonunu, yeni ve görülmemiş test verileri için etiketleri doğru bir şekilde tahmin edebilecek kadar iyi öğrenmesidir. Bu teknik, e-posta spam filtrelerinden otonom sürüş sistemlerine kadar günümüzde kullanılan en pratik ve başarılı yapay zeka uygulamalarının arkasındaki itici güçtür.

Link to this sectionDenetimli Öğrenme Nasıl Çalışır#

Denetimli öğrenmenin iş akışı, etiketli verilerin kullanımına dayanır. Her eğitim örneğinin karşılık gelen bir "gerçeklik" (ground truth) etiketiyle eşleştirildiği bir veri kümesi oluşturulur. Model eğitimi aşamasında algoritma, girdi özelliklerini işler ve bir tahmin üretir. Ardından kayıp fonksiyonu adı verilen matematiksel bir formül, hatayı, yani modelin tahmini ile gerçek etiket arasındaki farkı ölçer.

To minimize this error, an optimization algorithm, such as Stochastic Gradient Descent (SGD), iteratively adjusts the model's internal parameters or model weights. This process repeats over many cycles, known as epochs, until the model achieves a satisfactory level of accuracy without overfitting to the training data. Tools like the Ultralytics Platform simplify this entire pipeline by managing dataset annotation, training, and evaluation in a unified environment.

Link to this sectionDenetimli Öğrenmenin Temel Türleri#

Denetimli öğrenme problemleri, hedef değişkenin doğasına göre genellikle iki ana türe ayrılır:

• Sınıflandırma: Bu, ayrık bir kategoriyi veya sınıf etiketini tahmin etmeyi içerir. Yaygın bir örnek, bir modelin görüntü içindeki "araba", "insan" veya "trafik ışığı" gibi nesneleri tanımladığı ve konumlandırdığı nesne algılama işlemidir. Ultralytics YOLO26 gibi gelişmiş modeller, birden fazla nesneyi gerçek zamanlı olarak hızlı bir şekilde sınıflandırıp konumlandırarak bu görevlerde üstünlük sağlar.
• Regresyon Analizi: Bu, sürekli bir sayısal değeri tahmin etmeyi içerir. Örneğin, metrekare, konum ve yatak odası sayısı gibi özelliklere dayalı olarak bir evin fiyatını tahmin etmek bir regresyon problemidir. İstatistiksel temeller hakkında daha fazla bilgiyi bu regresyon analizine giriş kaynağında bulabilirsin.

Link to this sectionGerçek Dünya Uygulamaları#

Denetimli öğrenme, farklı sektörlerde çok çeşitli teknolojilere güç sağlar:

1. Tıbbi Tanı: Yapay zeka modelleri, binlerce etiketli röntgen veya MRI taraması üzerinde eğitilerek tümör veya kırık gibi anormallikleri yüksek hassasiyetle tespit etmeyi öğrenebilir. Bu, radyologların daha hızlı ve daha doğru teşhisler koymalarına yardımcı olur. Tıbbi etkisini anlamak için YOLO11'in tümör tespiti için nasıl kullanıldığını inceleyebilirsin.

2. Dolandırıcılık Tespiti: Finans kuruluşları, işlem modellerini izlemek için denetimli öğrenmeyi kullanır. Hem meşru hem de dolandırıcılık içeren işlemlerin geçmiş verileri üzerinde eğitim alan bu sistemler, şüpheli etkinlikleri gerçek zamanlı olarak işaretleyerek müşterileri hırsızlıktan koruyabilir.

Link to this sectionDenetimli ve Denetimsiz Öğrenme Karşılaştırması#

Denetimli öğrenmeyi denetimsiz öğrenmeden ayırmak önemlidir. Denetimli öğrenme etiketli girdi-çıktı çiftlerine güvenirken, denetimsiz öğrenme etiketlenmemiş verilerle çalışır. Denetimsiz senaryolarda algoritma, pazarlamadaki müşteri segmentasyonu gibi veriler içindeki gizli yapıları, kalıpları veya gruplandırmaları kendi başına bulmaya çalışır. Denetimli öğrenme, geçmiş verilerin mevcut olduğu belirli görevler için genellikle daha doğrudur; denetimsiz öğrenme ise keşifsel veri analizi için daha uygundur.

Link to this sectionYOLO26 ile Pratik Örnek#

Denetimli öğrenme, modern bilgisayarlı görü modellerini eğitmenin merkezindedir. Aşağıdaki Python kod parçası, denetimli bir veri kümesi (COCO8) kullanarak bir YOLO26 modelinin nasıl eğitileceğini gösterir. Model, nesneleri algılamak için veri kümesindeki etiketli görüntülerden öğrenir.

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

Bu basit süreç, karmaşık matris işlemlerini ve gradyan hesaplamalarını gerçekleştirmek için arka planda PyTorch gücünden yararlanır. Veri yönetimi tarafını kolaylaştırmak isteyenler için Ultralytics Platform, bulut tabanlı eğitim ve otomatik etiketleme araçları sunarak denetimli öğrenme iş akışını önemli ölçüde daha verimli hale getirir.