Gözetimli Öğrenme

Denetimli öğrenme, bir algoritmanın etiketli veri kümesini kullanarak giriş verilerini belirli çıktı hedeflerine eşlemeyi öğrendiği Makine Öğrenimi (ML) alanındaki temel bir paradigmadır. Bu eğitim çerçevesinde, "denetleyici", doğru cevapları sağlayan ve modelin eğitim sürecini yönlendiren etiketli veri kümesidir. Temel amaç, sistemi yeni ve görülmemiş test verilerinin çıktısını doğru bir şekilde tahmin edebilecek kadar iyi eğitmektir. Bu yaklaşım, e-posta spam filtrelerinden sofistike teşhis araçlarına kadar günümüzün en başarılı ticari Yapay Zeka (AI) uygulamalarının çoğunun temelini oluşturmaktadır.

Denetimli Öğrenmenin Mekanizması

Süreç, girdi (özellikler) ve istenen çıktılar (etiketler) çiftlerini içeren bir veri seti ile başlar. Model eğitim aşamasında, algoritma girdileri işler ve bir tahmin üretir. Kayıp fonksiyonu olarak bilinen matematiksel bir formül, modelin tahmini ile gerçek etiket arasındaki fark olan hatayı hesaplar. Bu, algoritmanın öğrenme sürecinde önemli bir adımdır.

Bu hatayı en aza indirmek için, Stochastic Gradient Descent (SGD) gibi bir optimizasyon algoritması, iç model ağırlıklarını yinelemeli olarak ayarlar. Bu döngü, model eğitim örneklerine aşırı uyum sağlamadan yüksek doğruluk elde edene kadar birçok dönem boyunca tekrarlanır. Daha derin bir teknik anlayış için, denetimli öğrenme üzerine Scikit-learn kılavuzu çeşitli algoritmalar hakkında mükemmel belgeler sunar.

Birincil Kategoriler

Denetimli öğrenme görevleri, genellikle çıktı değişkeninin doğasına göre iki ana kategoriye ayrılır:

• Görüntü Sınıflandırma: Çıktı, ayrık bir kategoridir. Amaç, bir görüntünün "araba" mı yoksa "kişi" mi içerdiğini belirlemek gibi sınıf etiketlerini tahmin etmektir. Ultralytics gibi son teknoloji modeller, bu görevleri yüksek verimlilikle gerçekleştirmek üzere tasarlanmıştır.
• Regresyon Analizi: Çıktı, sürekli bir sayısal değerdir. Örnekler arasında, metrekareye göre konut fiyatlarını tahmin etmek veya teslimatın varış zamanını tahmin etmek sayılabilir. Bu yöntemlerin istatistiksel temelini IBM'in doğrusal regresyon genel bakışında inceleyebilirsiniz.

Gerçek Dünya Uygulamaları

Denetimli öğrenme, birçok dönüştürücü teknolojinin arkasındaki itici güçtür:

1. Tıbbi Görüntü Analizi: Sağlık hizmetlerinde, binlerce anotasyonlu röntgen veya MRI taraması üzerinde eğitilmiş AI modelleri, doktorların anormallikleri tespit etmesine yardımcı olur. Örneğin, Beyin Tümörü Tespit veri setini kullanarak, bir sistem tümörleri yüksek hassasiyetle lokalize etmeyi öğrenebilir ve radyologlar için ikinci bir göz görevi görebilir.
2. Otonom Araçlar: Otonom araçlar, güvenli bir şekilde yol alabilmek için denetimli öğrenme yoluyla eğitilmiş Bilgisayar Görme (CV) sistemlerine dayanır. Yaya, trafik işareti ve şerit işaretleri ile etiketlenmiş büyük miktarda veriyi işleyerek, bu araçlar gerçek zamanlı kararlar almayı öğrenir. Waymo gibi sektör liderleri, karmaşık sensör verilerini yorumlamak için derin öğrenmeyi kullanır.

İlgili Kavramları Ayırt Etme

Yapay zeka alanını anlamak için, denetimli öğrenmeyi diğer paradigmalardan ayırmak faydalıdır:

• Denetimsiz Öğrenme: Bu yöntem, etiketlenmemiş verilerle ilgilenir. Algoritma, genellikle K-Means Kümeleme gibi teknikleri kullanarak benzer veri noktalarını gruplandırarak gizli yapıları veya kalıpları kendi başına bulmaya çalışır. .
• Pekiştirme Öğrenimi: Statik veri kümesi çiftleri yerine, bir ajan çevreyle etkileşime girerek öğrenir. Davranışını, robotik için merkezi bir kavram olan ödül veya ceza biçimindeki geri bildirimlere dayalı olarak iyileştirir. .
• Yarı Denetimli Öğrenme: Veri etiketleme pahalı olduğunda öğrenme doğruluğunu artırmak için az miktarda etiketli veriyi büyük bir etiketlenmemiş veri havuzuyla birleştiren hibrit bir yaklaşımdır. .

Kod Örneği: Sınıflandırıcıyı Eğitme

Modern kütüphaneler, denetimli öğrenmenin uygulanmasını kolaylaştırır. Aşağıdaki Python , bir YOLO11 sınıflandırma modelinin nasıl eğitileceğini göstermektedir. MNIST , el yazısı rakam tanıma için standart bir ölçüttür.

from ultralytics import YOLO

# Load a pretrained model (YOLO11n-cls) to start transfer learning
model = YOLO("yolo11n-cls.pt")

# Train the model using the MNIST dataset for 5 epochs
# The 'mnist160' dataset is automatically downloaded by Ultralytics
results = model.train(data="mnist160", epochs=5, imgsz=64)

# Run inference on a sample image to verify the learned behavior
print(model("https://ultralytics.com/images/bus.jpg"))