Supervised Learning

Denetimli öğrenme, algoritmaların doğru çıktıyla etiketlenmiş girdi verileri üzerinde eğitildiği yapay zekâ (AI) alanındaki temel yaklaşımlardan biridir. Bu yöntemde model, eğitim süreci boyunca kendisini düzeltmesi için bir "denetleyiciye" sahipmiş gibi, kendi tahminlerini sağlanan etiketlerle karşılaştırarak öğrenir. Temel amaç, sistemin girdilerden çıktılara eşleme işlevini, yeni ve daha önce görülmemiş test verileri için etiketleri doğru şekilde tahmin edebilecek kadar iyi öğrenmesidir. Bu teknik, e-posta spam filtrelerinden otonom sürüş sistemlerine kadar günümüzde kullanılan en pratik ve başarılı yapay zekâ uygulamalarının çoğunun temelini oluşturur.

Denetimli Öğrenme Nasıl Çalışır#

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

Bu hatayı en aza indirmek için Stokastik Gradyan İnişi (SGD) gibi bir optimizasyon algoritması, modelin dahili parametrelerini veya model ağırlıklarını yinelemeli olarak ayarlar. Epoch olarak bilinen çok sayıda döngü boyunca tekrarlanan bu süreç, model eğitim verilerine aşırı uyum sağlamadan tatmin edici bir doğruluk düzeyine ulaşana kadar devam eder. Ultralytics Platform gibi araçlar, veri kümesi açıklamalarını, eğitimi ve değerlendirmeyi birleşik bir ortamda yöneterek bu işlem hattının tamamını kolaylaştırır.

Denetimli Öğrenmenin Temel Türleri#

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

• Sınıflandırma: Ayrık bir kategori veya sınıf etiketini tahmin etmeyi içerir. Yaygın bir örnek, bir modelin görüntü içindeki "araba", "insan" veya "trafik ışığı" gibi nesneleri tanımlayıp konumlandırdığı nesne algılamadır. Ultralytics YOLO26 gibi gelişmiş modeller, birden fazla nesneyi gerçek zamanlı olarak hızlıca sınıflandırıp konumlandırarak bu görevlerde üstün performans gösterir.
• Regresyon Analizi: Sürekli bir sayısal değeri tahmin etmeyi içerir. Örneğin, metrekare, konum ve yatak odası sayısı gibi özelliklere dayanarak bir evin fiyatını tahmin etmek bir regresyon problemidir. İstatistiksel temeller hakkında daha fazla bilgiyi bu regresyon analizine giriş içeriğinde bulabilirsin.

Gerçek Dünya Uygulamaları#

Denetimli öğrenme, farklı sektörlerde çok çeşitli teknolojilere güç verir:

1. Tıbbi Tanı: Binlerce etiketli röntgen veya MRI taraması üzerinde eğitilen yapay zekâ modelleri, tümör veya kırık gibi anormallikleri yüksek hassasiyetle algılamayı öğrenebilir. Bu, radyologların daha hızlı ve doğru tanılar koymasına yardımcı olur. Tıbbi etkisini anlamak için YOLO11'in tümör algılamada nasıl kullanıldığını inceleyebilirsin.

2. Sahtekârlık Algılama: Finans kuruluşları, işlem kalıplarını izlemek için denetimli öğrenmeyi kullanır. Hem meşru hem de sahtekârlık içeren işlemlere ait geçmiş veriler üzerinde eğitilen bu sistemler, şüpheli etkinlikleri gerçek zamanlı olarak işaretleyerek müşterileri hırsızlığa karşı koruyabilir.

Denetimli ve Denetimsiz Öğrenme#

Denetimli öğrenmeyi denetimsiz öğrenmeden ayırt etmek önemlidir. Denetimli öğrenme etiketli girdi-çıktı çiftlerine dayanırken denetimsiz öğrenme etiketsiz verilerle çalışır. Denetimsiz senaryolarda algoritma, pazarlamadaki müşteri segmentasyonu gibi gizli yapıları, kalıpları veya grupları verilerin içinde kendi başına bulmaya çalışır. Geçmiş verilerin mevcut olduğu belirli görevlerde denetimli öğrenme genellikle daha doğrudur; denetimsiz öğrenme ise keşifsel veri analizi için daha uygundur.

Ultralytics YOLO26 ile Uygulamalı Örnek#

Denetimli öğrenme, modern bilgisayarlı görü modellerinin eğitiminin merkezinde yer alır. Aşağıdaki Python kod parçacığı, 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'un gücünden yararlanır. Veri yönetimi sürecini kolaylaştırmak isteyenler için Ultralytics Platform, bulut tabanlı eğitim ve otomatik açıklama araçları sunarak denetimli öğrenme iş akışını önemli ölçüde daha verimli hâle getirir.