Supervised Learning

Supervised learning là một phương pháp nền tảng trong artificial intelligence (AI), trong đó các thuật toán được huấn luyện trên dữ liệu đầu vào đã được gán nhãn với 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 "người giám sát" để sửa lỗi cho nó trong quá trình huấn luyện. Mục tiêu chính là để hệ thống học hàm ánh xạ từ đầu vào sang đầu ra đủ tốt để có thể dự đoán chính xác các nhãn cho test data mới chưa từng thấy trước đây. Kỹ thuật này là động lực đằng sau nhiều ứng dụng AI thực tế và thành công nhất đang được sử dụng ngày nay, từ bộ lọc thư rác email đến hệ thống lái xe tự động.

Cách hoạt động của học máy có giám sát#

Quy trình của supervised learning xoay quanh việc sử dụng labeled data. Một tập dữ liệu được tuyển chọn trong đó mọi mẫu huấn luyện đều được ghép nối với một nhãn "ground truth" tương ứng. Trong giai đoạn model training, thuật toán xử lý các đặc trưng đầu vào và tạo ra một dự đoán. Một công thức toán học gọi là loss function sau đó đo lường sai số—sự khác biệt giữa dự đoán của model và nhãn thực tế.

Để giảm thiểu sai số này, một optimization algorithm, chẳng hạn như Stochastic Gradient Descent (SGD), sẽ liên tục điều chỉnh các tham số nội bộ của model hoặc model weights. 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 overfitting trên dữ liệu huấn luyện. Các công cụ như Ultralytics Platform đơn giản hóa toàn bộ đường ống này bằng cách quản lý việc chú thích, huấn luyện và đánh giá tập dữ liệu trong một môi trường hợp nhất.

Các 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:

• Classification: Điều này liên quan đến việc dự đoán một danh mục rời rạc hoặc nhãn lớp. Một ví dụ phổ biến là object detection, trong đó 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 xuất sắc trong các tác vụ này bằng cách phân loại và định vị nhanh chóng nhiều đối tượng trong thời gian thực.
• Regression Analysis: Điều này liên quan đến việc dự đoán một giá trị số liên tục. Ví dụ, việc dự đoán giá của một ngôi nhà dựa trên các đặc điểm như diện tích vuông, vị trí và số lượng phòng ngủ là một bài toán hồi quy. Bạn có thể tìm hiểu thêm về nền tảng thống kê trong phần introduction to regression analysis này.

Các 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 quét MRI được gán nhãn, các AI model 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 X-quang đưa ra chẩn đoán nhanh hơn và chính xác hơn. Hãy xem cách YOLO11 is used for tumor detection để hiểu rõ tác động y tế.

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.

Học 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.

Ví dụ thực tế với Ultralytics YOLO26#

Supervised learning là cốt lõi để huấn luyện các computer vision model hiện đại. Đoạn mã Python sau đây minh họa cách huấn luyện một YOLO26 model sử dụng tập dữ liệu có giám sát (COCO8). Model học từ các hình ảnh được gán nhãn trong tập dữ liệu để phát hiện các 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 ai muốn hợp lý hóa khía cạnh quản lý dữ liệu, Ultralytics Platform cung cấp các công cụ để huấn luyện dựa trên đám mây và tự động chú thích, giúp quy trình làm việc supervised learning trở nên hiệu quả hơn đáng kể.