Supervised Learning

Denetimli öğrenme, bir modelin etiketli örneklerden, yani doğru yanıtla eşleştirilmiş ve genellikle temel gerçek olarak adlandırılan girdilerden çıktılara eşleme öğrenmesini sağlayan makine öğrenmesi (ML) dalıdır. Eğitim sırasında modelin tahminleri bu etiketlerle karşılaştırılır ve farkı azaltmak için parametreleri ayarlanır. Amaç genellemedir: modelin daha önce hiç görmediği yeni girdiler için doğru tahminler üretmesi. Spam filtreleri, kredi puanlama, talep tahmini, görüntü sınıflandırıcıları ve nesne algılayıcıları dahil olmak üzere yaygın biçimde kullanılan birçok ML sistemi denetimlidir.

Denetimli Öğrenme Nasıl Çalışır#

Denetimli bir veri kümesi, (girdi, etiket) çiftlerinden oluşur ve modeli uydurmak için eğitim verilerine, ayarları belirlemek ve ne zaman durulacağını seçmek için doğrulama verilerine ve performansın tarafsız son değerlendirmesi için test verilerine ayrılır. Her eğitim yığını için model tahminler üretir, bir kayıp fonksiyonu bu tahminlerin etiketlerden ne kadar uzak olduğunu ölçer ve stokastik gradyan inişi gibi bir iyileştirme algoritması, kaybı azaltmak için model ağırlıklarını günceller. Eğitim kümesinin bir kez işlenmesine epoch denir; eğitim genellikle doğrulama puanı izlenirken birçok epoch boyunca sürer.

Eğitim kaybı düşmeye devam ederken doğrulama puanı kötüleşen bir model aşırı öğreniyordur: aktarılabilir örüntüleri öğrenmek yerine gürültü de dahil olmak üzere eğitim etiketlerini ezberliyordur. Daha fazla veri, veri artırma, düzenlileştirme ve erken durdurma bu durumu önlemeye yardımcı olur.

Sınıflandırma, Regresyon ve Yapılandırılmış Çıktılar#

• Sınıflandırma: Bir şeyin spam olup olmadığı veya bir görüntünün 1.000 ImageNet sınıfından hangisini gösterdiği gibi ayrık bir kategori tahmin eder.
• Regresyon: Ev fiyatı, yarının talebi veya bir nesneye olan mesafe gibi sürekli bir değer tahmin eder; doğrusal regresyon en basit modeldir.
• Yapılandırılmış çıktılar: Görüntüyle ilgili birçok görev her iki yöntemi birleştirir. Nesne algılama her nesneyi sınıflandırır ve kutu koordinatlarını regresyonla tahmin eder; segmentasyon her pikseli sınıflandırır, poz tahmini ise anahtar nokta konumlarını regresyonla tahmin eder.

Aynı denetimli öğrenme yöntemi, tablo verilerinde lojistik regresyon gibi klasik algoritmalardan, rastgele ormanlardan ve gradyan artırmalı ağaçlardan; görüntüler, ses ve metin üzerinde çalışan derin sinir ağlarına kadar çok farklı modellere uygulanır.

Etiketli Veriler ve Maliyeti#

Etiketler insan etiketleyicilerden, geçmiş dolandırıcılık vakaları veya satın alma işlemleri gibi kayıtlardan ve ölçüm araçlarından gelir; kaliteleri modelin kalitesine üst sınır koyar. Sistematik etiketleme hataları, tutarsız açıklama kuralları, sınıf dengesizliği ve eğitim ile test kümeleri arasındaki veri sızıntısı, geliştirme sırasında iyi puan alıp dağıtımda başarısız olan modellerin yaygın nedenleridir. Veri etiketleme çoğu zaman bir projenin en pahalı kısmı olduğundan, ilişkili yöntemler gereken etiket sayısını azaltır. Aktif öğrenme, etiketleyicilerden yalnızca en bilgilendirici örnekleri etiketlemelerini ister; aktarım öğrenimi ise büyük bir veri kümesi üzerinde önceden eğitilmiş bir modelle başlar ve yeni görev için çok daha az etiketli örnek gerektirir.

YOLO26 eğitimi, etiketli görüntüler üzerinde denetimli öğrenmedir: Her eğitim görüntüsünde tüm nesnelerin sınıf kimliklerini ve normalize edilmiş kutu koordinatlarını listeleyen bir etiket dosyası bulunur; eğitim modu, tahmin edilen sınıflar ve kutularla etiketler arasındaki kaybı azaltmak için modeli günceller. Bu örnek, uçtan uca çalışan bir eğitim işlem hattını kontrol etmek amacıyla COCO veri kümesinden alınmış 8 görüntülük bir örnek olan COCO8 üzerinde 4 eğitim ve 4 doğrulama görüntüsü kullanarak önceden eğitilmiş ağırlıklara ince ayar yapar:

from ultralytics import YOLO

# COCO veri kümesinin tamamında önceden eğitilmiş ağırlıklarla başla
model = YOLO("yolo26n.pt")

# Denetimli eğitim: Görüntüler, kutu ve sınıf etiketleriyle eşleştirilir
results = model.train(data="coco8.yaml", epochs=3, imgsz=640)

Denetimli Öğrenme ve Diğer Öğrenme Paradigmaları#

• Denetimsiz öğrenme: Etiket kullanmaz; kümeleme veya sıkıştırılmış temsiller gibi yapıları yalnızca girdilerde arar.
• Yarı denetimli öğrenme: Az sayıda etiketli örneği büyük bir etiketsiz örnek kümesiyle birlikte kullanarak eğitim yapar; çoğu zaman etiketsiz verilerdeki güvenilir tahminlere sözde etiketler atar.
• Öz denetimli öğrenme: Bir cümledeki sonraki sözcük veya görüntüde gizlenmiş bir parça gibi etiketleri verinin kendisinden oluşturur. Büyük dil modelleri ve görüntü temel modelleri, denetimli ince ayardan önce bu yöntemle önceden eğitilir.
• Pekiştirmeli öğrenme: Her durum için doğru eylemi belirten bir etiket olmadan, bir ortamda gerçekleştirilen eylemler karşılığında kazanılan ödüllerden öğrenir.
• Az örnekli öğrenme: Ön eğitimden edinilen bilgiden yararlanarak genellikle her sınıf için 1 ila 10 etiketli örnekle yeni sınıfları tanır.