Supervised Learning

Denetimli öğrenme, artificial intelligence (AI) alanında algoritmaların doğru çıkışla etiketlenmiş girdi verileri üzerinde eğitildiği temel bir yaklaşımdır. Bu yöntemde model, kendi tahminlerini sağlanan bu etiketlerle karşılaştırarak öğrenir; esasen eğitim sürecinde onu düzeltecek bir "gözetmene" sahiptir. Temel amaç, sistemin girdilerden çıktılara eşleme fonksiyonunu, yeni ve görülmemiş test data için etiketleri doğru bir şekilde tahmin edebilecek kadar iyi öğrenmesidir. Bu teknik, e-posta istenmeyen posta filtrelerinden otonom sürüş sistemlerine kadar bugün kullanımda olan en pratik ve başarılı AI uygulamalarının birçoğunun arkasındaki itici güçtür.

Denetimli Öğrenme Nasıl Çalışır#

Denetimli öğrenmenin iş akışı labeled data kullanımına dayanır. Her eğitim örneğinin karşılık gelen bir "gerçek dünya (ground truth)" etiketiyle eşleştirildiği bir veri kümesi oluşturulur. model training aşamasında algoritma girdi özelliklerini işler ve bir tahmin üretir. loss function adı verilen matematiksel bir formül daha sonra hatayı—modelin tahmini ile gerçek etiket arasındaki farkı—ölçer.

Bu hatayı en aza indirmek için Stochastic Gradient Descent (SGD) gibi bir optimization algorithm, modelin dahili parametrelerini veya model weights değerlerini yinelemeli olarak ayarlar. Bu süreç, model epochs adı verilen birçok döngü boyunca, eğitim verilerine overfitting yapmadan tatmin edici bir doğruluk düzeyine ulaşana kadar tekrarlanır. Ultralytics Platform gibi araçlar, veri kümesi ek açıklamasını, eğitimini ve değerlendirmesini tek bir birleşik ortamda yöneterek tüm bu ardışık düzeni basitleştirir.

Denetimli Öğrenmenin Temel Türleri#

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

• Classification: Bu, ayrık bir kategoriyi veya sınıf etiketini tahmin etmeyi içerir. Yaygın bir örnek, bir modelin "araba", "kişi" veya "trafik ışığı" gibi nesneleri bir görüntü içinde tanımlayıp konumlandırdığı object detection işlemidir. Ultralytics YOLO26 gibi gelişmiş modeller, birden fazla nesneyi gerçek zamanlı olarak hızla sınıflandırarak ve konumlandırarak bu görevlerde üstün başarıs sağlar.
• Regression Analysis: Bu, sürekli bir sayısal değeri tahmin etmeyi içerir. Örneğin, bir evin fiyatını metrekare, konum ve yatak odası sayısı gibi özelliklere dayanarak tahmin etmek bir regresyon problemidir. İstatistiksel temeller hakkında bu introduction to regression analysis üzerinden daha fazla bilgi edinebilirsiniz.

Gerçek Dünya Uygulamaları#

Denetimli öğrenme, farklı sektörlerde çok çeşitli teknolojilere güç sağlar:

1. Tıbbi Teşhis: Binlerce etiketli röntgen veya MRI taraması üzerinde eğitim alarak, AI modelleri tümörler veya kırıklar gibi anormallikleri yüksek hassasiyetle tespit etmeyi öğrenebilir. Bu, radyologların daha hızlı ve daha doğru teşhisler koymasına yardımcı olur. Tıbbi etkiyi anlamak için YOLO11 is used for tumor detection nasıl kullanıldığına bakın.

2. Dolandırıcılık Tespiti: Finans kuruluşları, işlem modellerini izlemek için denetimli öğrenmeyi kullanır. Hem meşru hem de dolandırıcılık içeren işlemlerin geçmiş verileri üzerinde eğitim alan bu sistemler, şüpheli etkinlikleri gerçek zamanlı olarak işaretleyerek müşterileri hırsızlıktan koruyabilir.

Denetimli ve Denetimsiz Öğrenme Karşılaştırması#

Denetimli öğrenmeyi denetimsiz öğrenmeden ayırmak önemlidir. Denetimli öğrenme etiketli girdi-çıktı çiftlerine güvenirken, denetimsiz öğrenme etiketlenmemiş verilerle çalışır. Denetimsiz senaryolarda algoritma, pazarlamadaki müşteri segmentasyonu gibi veriler içindeki gizli yapıları, kalıpları veya gruplandırmaları kendi başına bulmaya çalışır. Denetimli öğrenme, geçmiş verilerin mevcut olduğu belirli görevler için genellikle daha doğrudur; denetimsiz öğrenme ise keşifsel veri analizi için daha uygundur.

Ultralytics YOLO26 ile Pratik Örnek#

Denetimli öğrenme, modern bilgisayarla görü modellerini eğitmenin merkezinde yer alır. Aşağıdaki Python kod parçacığı, denetimli bir veri kümesi (COCO8) kullanarak bir YOLO26 modelinin nasıl eğitileceğini göstermektedir. Model, nesneleri tespit etmek 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 gücünden yararlanır. Veri yönetimi yönünü kolaylaştırmak isteyenler için Ultralytics Platform, bulut tabanlı eğitim ve otomatik etiketleme için araçlar sunarak denetimli öğrenme iş akışını önemli ölçüde daha verimli hale getirir.