Gözetimli Öğrenme

Denetimli öğrenme, bir algoritmanın doğru sonuçlarla manuel olarak etiketlenmiş verilerden öğrendiği makine öğreniminde (ML) temel bir paradigmadır. Temel amaç, yeni, görülmemiş veriler için çıktıyı tahmin edebilen bir eşleme fonksiyonu öğrenmektir. Bunu, eğitim aşamasında doğru cevapları (etiketleri) sağlayan bir öğretmen veya "süpervizör" ile öğrenmek olarak düşünün. Bu yaklaşım, özellikle bilgisayarlı görüde (CV) olmak üzere birçok başarılı Yapay Zeka (AI) uygulamasının temelini oluşturur.

Denetimli Öğrenme Nasıl Çalışır

Denetimli öğrenme süreci, girdi özellikleri ve karşılık gelen çıktı etiketlerini içeren düzenlenmiş bir veri kümesiyle başlar. Bu etiketli veri kümesi, eğitim verileri, doğrulama verileri ve test verilerine ayrılır.

1. Eğitim: Modele eğitim verileri verilir. Her girdi için tahminlerde bulunur ve bunları doğru etiketlerle karşılaştırır.
2. Hata Düzeltme: Modelin tahmini ile gerçek etiket arasındaki fark, bir kayıp fonksiyonu ile ölçülür. Optimizasyon algoritması, örneğin gradyan inişi, bu hatayı en aza indirmek için modelin dahili parametrelerini veya model ağırlıklarını ayarlar.
3. İterasyon: Bu işlem birçok epok için tekrarlanır ve modelin verilerdeki temel desenleri öğrenmesini sağlar. Modelin performansı, aşırı uyum (overfitting) gibi sorunları önlemek için doğrulama kümesinde izlenir.
4. Tahmin: Model eğitildikten sonra, yeni, etiketlenmemiş veriler üzerinde tahminler yapabilir. Bu tahminlerin kalitesi, test seti ve performans metrikleri kullanılarak değerlendirilir.

Bu iş akışının tamamı, veri kümesi yönetimini, model eğitimini ve dağıtımını basitleştiren Ultralytics HUB gibi platformlarda kolaylaştırılmıştır.

Denetimli Öğrenme Problemlerinin Türleri

Denetimli öğrenme görevleri tipik olarak iki ana türe ayrılır:

• Sınıflandırma (Classification): Amaç, ayrık bir kategori veya sınıf etiketi tahmin etmektir. Örneğin, bir görüntü sınıflandırma (image classification) modeli, görüntüleri "kedi" veya "köpek" içeriyor şeklinde sınıflandırmak üzere eğitilebilir. Diğer örneklere spam e-posta tespiti ve duygu analizi dahildir. Ultralytics YOLO gibi modeller, yüksek performanslı sınıflandırma görevleri için eğitilebilir. Daha fazla bilgi için sınıflandırmaya giriş (introduction to classification) konusunu inceleyin.
• Regresyon: Amaç, sürekli bir sayısal değeri tahmin etmektir. Örneğin, bir model bir evin fiyatını büyüklüğü ve konumu gibi özelliklere göre tahmin edebilir. Diğer uygulamalar arasında hisse senedi fiyatı tahmini ve sıcaklık tahmini yer alır. Regresyona genel bir bakış bu regresyon analizi kılavuzunda bulunabilir.

Gerçek Dünya Uygulamaları

Denetimli öğrenme, sayısız modern yapay zeka sistemini yönlendirir. İşte iki önemli örnek:

1. Otonom Araçlarda Nesne Algılama: Sürücüsüz arabalar, yayaları, diğer araçları ve trafik işaretlerini tanımlamak ve konumlandırmak için nesne algılama modellerine güvenir. Bu modeller, görüntüdeki nesnelerin sınırlayıcı kutularla etiketlendiği geniş veri kümeleri üzerinde eğitilir. Eğitilmiş model daha sonra kritik sürüş kararları almak için gerçek zamanlı video akışlarını işleyebilir. Ultralytics, otomotiv endüstrisindeki yapay zeka için güçlü çözümler sunar.
2. Tıbbi Görüntü Analizi: Sağlık hizmetlerinde, denetimli öğrenme modelleri, MRI veya BT taramalarında tümörleri tespit etmek gibi tıbbi görüntü analizi için kullanılır. Radyologlar çok sayıda taramayı etiketleyerek tümörlerin varlığını veya yokluğunu belirtir. Daha sonra, erken teşhise yardımcı olmak için bu veriler üzerinde bir evrişimsel sinir ağı (CNN) eğitilir. Örneğin, modeller beyin tümörü tespiti için veri kümeleri üzerinde eğitilebilir.

Diğer Öğrenme Paradigmaları ile Karşılaştırma

Gözetimli öğrenme, diğer temel makine öğrenimi paradigmalarından farklıdır:

• Gözetimsiz Öğrenme: Bu yaklaşım, algoritmanın benzer veri noktalarını gruplandırma (kümeleme) veya veri boyutlarını azaltma gibi kendi başına kalıplar veya yapılar bulmaya çalıştığı etiketlenmemiş verileri kullanır. Bilinen cevaplardan doğrudan bir girdi-çıktı eşlemesi öğrenmez. Bir Gözetimsiz Öğrenmeye Genel Bakış okuyun.
• Kendinden Denetimli Öğrenme (SSL): Denetleyici sinyallerinin (etiketler) giriş verilerinin kendisinden otomatik olarak oluşturulduğu denetimsiz öğrenmenin bir alt kümesi. Bu, belirli bir görev için ince ayar yapmadan önce büyük miktarda etiketlenmemiş veri üzerinde temel modelleri önceden eğitmek için güçlü bir tekniktir.
• Pekiştirmeli Öğrenme: Bu paradigmada, bir ajan bir ortamla etkileşim kurarak ve eylemlerine göre ödüller veya cezalar alarak karar dizileri vermeyi öğrenir. Statik, etiketlenmiş bir veri kümesinden ziyade, deneme yanılma yoluyla en uygun davranışları öğrenir. Bir Pekiştirmeli Öğrenmeye Genel Bakış keşfedin.

Özetle, denetimli öğrenme, tahmin görevleri için modelleri eğitmek üzere etiketlenmiş verilerden yararlanan güçlü ve yaygın olarak kullanılan bir tekniktir. Ultralytics tarafından geliştirilen ve desteklenenler de dahil olmak üzere birçok başarılı AI uygulamasının temelini oluşturur ve veri bilimi veya AI alanında çalışan herkes için çok önemli bir beceridir.