Supervised Learning

Học máy có giám sát là một phương pháp nền tảng trong trí tuệ nhân tạo (AI), nơi các thuật toán được huấn luyện trên dữ liệu đầu vào đã được gắn nhãn với kết quả đầu ra chính xác. Trong phương pháp này, model học bằng cách so sánh các dự đoán của chính nó với các nhãn được cung cấp này, về cơ bản là có một "giám sát viên" để điều chỉnh nó trong quá trình huấn luyện. Mục tiêu chính là hệ thống học được hàm ánh xạ từ đầu vào đến đầu ra đủ tốt để nó có thể dự đoán chính xác nhãn cho dữ liệu kiểm thử mới, chưa từng thấy trước đây. Kỹ thuật này là động lực đằng sau nhiều ứng dụng AI thực tế và thành công nhất hiện nay, từ bộ lọc thư rác email đến các hệ thống lái xe tự động.

Link to this sectionCách hoạt động của học máy có giám sát#

Quy trình làm việc của học máy có giám sát xoay quanh việc sử dụng dữ liệu được gắn nhãn. Một tập dữ liệu được chọn lọc trong đó mỗi ví dụ huấn luyện được ghép nối với nhãn "sự thật cơ bản" (ground truth) tương ứng. Trong giai đoạn huấn luyện model, thuật toán xử lý các đặc trưng đầu vào và tạo ra dự đoán. Một công thức toán học được gọi là hàm mất mát sau đó sẽ đo lường sai số—sự khác biệt giữa dự đoán của model và nhãn thực tế.

Để giảm thiểu sai số này, một thuật toán tối ưu hóa, chẳng hạn như Stochastic Gradient Descent (SGD), sẽ lặp lại quá trình điều chỉnh các tham số nội bộ hoặc trọng số model của model. Quá trình này lặp lại qua nhiều chu kỳ, được gọi là epochs, cho đến khi model đạt được mức độ chính xác thỏa đáng mà không bị quá khớp với dữ liệu huấn luyện. Các công cụ như Ultralytics Platform đơn giản hóa toàn bộ quy trình này bằng cách quản lý việc chú thích tập dữ liệu, huấn luyện và đánh giá trong một môi trường thống nhất.

Link to this sectionCác loại học máy có giám sát chính#

Các bài toán học máy có giám sát thường được chia thành hai loại chính dựa trên bản chất của biến mục tiêu:

• Phân loại: Điều này liên quan đến việc dự đoán một danh mục hoặc nhãn lớp rời rạc. Một ví dụ phổ biến là phát hiện đối tượng, nơi một model xác định và định vị các đối tượng trong một hình ảnh, chẳng hạn như "xe hơi", "người" hoặc "đèn giao thông". Các model tiên tiến như Ultralytics YOLO26 vượt trội trong các tác vụ này nhờ khả năng phân loại và định vị nhanh chóng nhiều đối tượng trong thời gian thực.
• Phân tích hồi quy: Điều này liên quan đến việc dự đoán một giá trị số liên tục. Ví dụ: dự đoán giá của một ngôi nhà dựa trên các đặc điểm như diện tích, vị trí và số lượng phòng ngủ là một bài toán hồi quy. Bạn có thể tìm hiểu thêm về các cơ sở thống kê trong phần giới thiệu về phân tích hồi quy này.

Link to this sectionCác ứng dụng trong thực tế#

Học máy có giám sát thúc đẩy một loạt các công nghệ trên nhiều ngành công nghiệp khác nhau:

1. Chẩn đoán y tế: Bằng cách huấn luyện trên hàng ngàn ảnh X-quang hoặc bản quét MRI được gắn nhãn, các model AI có thể học cách phát hiện các bất thường như khối u hoặc vết gãy với độ chính xác cao. Điều này hỗ trợ các bác sĩ chẩn đoán hình ảnh đưa ra chẩn đoán nhanh hơn và chính xác hơn. Hãy xem cách YOLO11 được sử dụng để phát hiện khối u để hiểu về tác động y tế của nó.

2. Phát hiện gian lận: Các tổ chức tài chính sử dụng học máy có giám sát để theo dõi các mô hình giao dịch. Bằng cách huấn luyện trên dữ liệu lịch sử của cả các giao dịch hợp pháp và gian lận, các hệ thống này có thể gắn cờ hoạt động đáng ngờ trong thời gian thực, bảo vệ khách hàng khỏi hành vi trộm cắp.

Link to this sectionHọc máy có giám sát so với học máy không giám sát#

Việc phân biệt học máy có giám sát với học máy không giám sát là rất quan trọng. Trong khi học máy có giám sát dựa vào các cặp đầu vào-đầu ra được gắn nhãn, học máy không giám sát hoạt động với dữ liệu không được gắn nhãn. Trong các kịch bản không giám sát, thuật toán cố gắng tự tìm ra các cấu trúc, mô hình hoặc nhóm ẩn trong dữ liệu, chẳng hạn như phân khúc khách hàng trong tiếp thị. Học máy có giám sát thường chính xác hơn cho các tác vụ cụ thể khi có sẵn dữ liệu lịch sử, trong khi học máy không giám sát tốt hơn cho việc phân tích dữ liệu khám phá.

Link to this sectionVí dụ thực tế với YOLO26#

Học máy có giám sát đóng vai trò trung tâm trong việc huấn luyện các model thị giác máy tính hiện đại. Đoạn mã Python sau đây minh họa cách huấn luyện một model YOLO26 sử dụng tập dữ liệu có giám sát (COCO8). Model học từ các hình ảnh được gắn nhãn trong tập dữ liệu để phát hiện đối tượng.

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

Quy trình đơn giản này tận dụng sức mạnh của PyTorch bên dưới để thực hiện các phép toán ma trận phức tạp và tính toán gradient. Đối với những người muốn hợp lý hóa khía cạnh quản lý dữ liệu, Ultralytics Platform cung cấp các công cụ cho việc huấn luyện dựa trên đám mây và tự động chú thích, giúp quy trình làm việc học máy có giám sát trở nên hiệu quả hơn đáng kể.