Gözetimli Öğrenme

Gözetimli öğrenme, bilgisayar bilimleri alanında baskın bir paradigmadır. Bir algoritmanın olduğu Makine Öğrenimi (ML) Doğru çıktı ile etiketlenmiş girdi verileri üzerinde eğitilmiştir. Bir sistemin keşfedebileceği diğer yöntemlerin aksine bu yaklaşım bir "denetleyici "ye dayanır - bu denetleyici etiketli veriler-öğrenmesürecini yönlendirmek için. Bu Birincil amaç, modelin girdi değişkenlerinden çıktı değişkenlerine yeterli sayıda eşleme fonksiyonu öğrenmesidir. Yeni, görülmemiş veriler için sonuçları tahmin edebilme doğruluğu. Bu metodoloji, pek çok kurum için temel teşkil etmektedir. ticari Yapay Zeka (AI) spam filtrelerinden gelişmiş filtrelere kadar çeşitli uygulamalar Bilgisayarlı Görme (CV) sistemleri.

Süreç Nasıl İşliyor

İş akışı, girdi (özellikler) ve istenen çıktı (etiketler) çiftlerini içeren bir veri kümesi ile başlar. Bu koleksiyon tipik olarak farklı alt kümelere ayrılır: modeli öğretmek için eğitim verileri, doğrulama verileri ayarlama parametreleri için ve nihai test verileri için değerlendirme.

Model eğitim aşaması sırasında algoritma girdi verileri ve bir tahmin yapar. olarak bilinen matematiksel bir formül kayıp fonksiyonu, bu kayıp fonksiyonu arasındaki farkı hesaplar. tahmin ve gerçek etiket. Bu hatayı en aza indirmek için, bir optimizasyon algoritması, örneğin gradyan inişi, iteratif olarak dahili model ağırlıkları. Bu döngü birçok geçiş boyunca devam eder, veya epoklar, model tatmin edici bir performans elde edene kadar eğitim setine aşırı uyum sağlamadan. Daha derin bir bakış için bu mekaniğe dalmak için, şu bölümleri keşfedebilirsiniz Scikit-learn denetimli öğrenme kılavuzu.

Denetimli Öğrenmenin Temel Kategorileri

Çoğu denetimli öğrenme problemi, çıktı değişkeninin türüne bağlı olarak iki ana kategoriye ayrılır:

• Görüntü Sınıflandırması: Görüntü Sınıflandırma çıktı değişkeni bir kategori veya sınıftır. Amaç, bir e-postanın aşağıdaki gibi olup olmadığını belirlemek gibi ayrık etiketleri tahmin etmektir "spam" veya "spam değil" ya da bir resmin "kedi" veya "köpek" içerip içermediği. Modern gibi mimariler Ultralytics YOLO11 bunlarda mükemmel Görsel verilerdeki örüntüleri hızlı bir şekilde tanımlayarak sınıflandırma görevleri.
• Regresyon: Çıktı değişkeni sürekli bir gerçek değerdir. Örnekler arasında emlak fiyatlarının metrekare bazında tahmin edilmesi veya borsa trendlerinin tahmin edilmesi. Bu yöntemlerin istatistiksel temelleri hakkında daha fazla bilgi için IBM'in regresyon analizine genel bakışı.

Bir Sınıflandırma Modelinin Uygulanması

Denetimli bir modelin eğitimi, üst düzey API'ler ile giderek daha erişilebilir hale gelmiştir. Aşağıdaki Python örneği bir YOLO11 modelinin, rakam sınıflandırması için standart bir ölçüt olan MNIST veri kümesi üzerinde nasıl eğitileceğini göstermektedir.

from ultralytics import YOLO

# Load a pretrained classification model
model = YOLO("yolo11n-cls.pt")

# Train the model on the MNIST dataset
# Ultralytics handles the download of the 'mnist160' dataset automatically
results = model.train(data="mnist160", epochs=5, imgsz=64)

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

Gerçek Dünya Uygulamaları

Denetimli öğrenme, çeşitli sektörlerde kritik teknolojilere güç vermektedir. Öne çıkan iki örnek şunlardır:

1. Otonom Araçlar: Sürücüsüz araçlar büyük ölçüde denetimli nesne algılama sistemleri ile eğitilmiş Öğrenme. Yayaların, trafik ışıklarının ve diğer araçların binlerce görüntüsünü içeren açıklamalı veri kümeleri Otomobilin yapay zekası tehlikeleri gerçek zamanlı olarak tanır ve yerini tespit eder. Gibi şirketler NVIDIA bu devasa verileri işlemek için derin öğrenmeden yararlanıyor güvenli navigasyon için sensör girdileri.
2. Tıbbi Görüntü Analizi: Sağlık hizmetlerinde modeller, tanıya yardımcı olmak için uzman radyologlar tarafından etiketlenen taramalar üzerinde eğitilir. Örneğin, bir Model, X-ışınları veya MRI'lardaki patolojilerin erken belirtilerini tespit etmeyi öğrenebilir. Araştırmacılar genellikle aşağıdaki gibi kaynaklardan yararlanır oluşturmak için Beyin Tümörü Tespiti veri kümesi klinik karar verme sürecini destekleyen sistemler.

İlgili Kavramları Ayırt Etme

Denetimli öğrenmeyi diğer makine öğrenimi paradigmalarından ayırmak önemlidir:

• Denetimsiz Öğrenme: Denetimli öğrenmenin aksine, bu yöntem etiketsiz verilerle ilgilenir. Amaç, gizli yapıları keşfetmektir, örneğin benzer satın alma alışkanlıklarına sahip müşterilerin gruplandırılması olarak küme analizi.
• Takviyeli Öğrenme: Bir ajan, doğru cevaplardan oluşan statik bir veri kümesinden öğrenmek yerine, bir ortamla etkileşime girerek öğrenir. Bu ödüller veya cezalar şeklinde geri bildirim alır. Sutton ve Barto'nun Takviyeli Öğrenmeye giriş.
• Yarı Denetimli Öğrenme: Bu yaklaşım, daha büyük bir etiketsiz veri havuzunun yanı sıra az miktarda etiketli veri kullanarak bir orta yol görevi görür. Öğrenme verimliliğini artırmak için veriler, genellikle verilerin etiketlenmesinin pahalı veya zaman alıcı olduğu durumlarda kullanılır.