Học có giám sát

Học có giám sát là một mô hình cơ bản trong học máy (ML), trong đó một thuật toán học từ dữ liệu đã được gán nhãn thủ công với các kết quả chính xác. Mục tiêu chính là học một hàm ánh xạ có thể dự đoán đầu ra cho dữ liệu mới, chưa từng thấy. Hãy nghĩ về nó như là học với một giáo viên hoặc một "người giám sát" cung cấp các câu trả lời (nhãn) chính xác trong giai đoạn huấn luyện. Cách tiếp cận này là xương sống của nhiều ứng dụng Trí tuệ nhân tạo (AI) thành công, đặc biệt là trong thị giác máy tính (CV).

Cách Học Có Giám Sát Hoạt Động

Quá trình học có giám sát bắt đầu với một bộ dữ liệu được tuyển chọn chứa các đặc trưng đầu vào và các nhãn đầu ra tương ứng. Bộ dữ liệu được gắn nhãn này được chia thành dữ liệu huấn luyện, dữ liệu xác thực và dữ liệu kiểm tra.

1. Huấn luyện: Mô hình được cung cấp dữ liệu huấn luyện. Nó đưa ra dự đoán cho mỗi đầu vào và so sánh chúng với các nhãn chính xác.
2. Sửa lỗi: Sự khác biệt giữa dự đoán của mô hình và nhãn thực tế được định lượng bằng một hàm mất mát. Một thuật toán tối ưu hóa, chẳng hạn như gradient descent, điều chỉnh các tham số bên trong của mô hình, hoặc trọng số mô hình, để giảm thiểu lỗi này.
3. Vòng lặp (Iteration): Quá trình này được lặp lại trong nhiều epochs, cho phép mô hình học các mẫu cơ bản trong dữ liệu. Hiệu suất của mô hình được theo dõi trên tập validation để ngăn ngừa các vấn đề như overfitting.
4. Dự đoán: Sau khi được huấn luyện, mô hình có thể đưa ra dự đoán trên dữ liệu mới, không được gắn nhãn. Chất lượng của các dự đoán này được đánh giá bằng cách sử dụng bộ kiểm tra và các số liệu hiệu suất.

Toàn bộ quy trình làm việc này được sắp xếp hợp lý trên các nền tảng như Ultralytics HUB, giúp đơn giản hóa việc quản lý tập dữ liệu, huấn luyện mô hình và triển khai.

Các loại bài toán học có giám sát

Các tác vụ học có giám sát thường được phân loại thành hai loại chính:

• Phân loại (Classification): Mục tiêu là dự đoán một danh mục hoặc nhãn lớp rời rạc. Ví dụ: một mô hình phân loại hình ảnh (image classification) có thể được huấn luyện để phân loại hình ảnh là chứa "mèo" hoặc "chó". Các ví dụ khác bao gồm phát hiện email rác và phân tích cảm xúc. Các mô hình như Ultralytics YOLO có thể được huấn luyện cho các tác vụ phân loại hiệu suất cao. Để đọc thêm, hãy khám phá giới thiệu về phân loại (introduction to classification) này.
• Hồi quy (Regression): Mục tiêu là dự đoán một giá trị số liên tục. Ví dụ: một mô hình có thể dự đoán giá của một ngôi nhà dựa trên các đặc điểm như kích thước và vị trí của nó. Các ứng dụng khác bao gồm dự báo giá cổ phiếu và dự đoán nhiệt độ. Tổng quan về hồi quy có thể được tìm thấy trong hướng dẫn phân tích hồi quy này.

Các Ứng dụng Thực tế

Học có giám sát thúc đẩy vô số hệ thống AI hiện đại. Dưới đây là hai ví dụ nổi bật:

1. Phát hiện đối tượng trong xe tự hành: Xe tự lái dựa vào các mô hình phát hiện đối tượng để xác định và định vị người đi bộ, các phương tiện khác và biển báo giao thông. Các mô hình này được huấn luyện trên các tập dữ liệu lớn, trong đó các đối tượng trong ảnh được gắn nhãn bằng hộp giới hạn. Mô hình đã huấn luyện sau đó có thể xử lý các luồng video thời gian thực để đưa ra các quyết định lái xe quan trọng. Ultralytics cung cấp các giải pháp mạnh mẽ cho AI trong ngành công nghiệp ô tô.
2. Phân tích ảnh y tế: Trong chăm sóc sức khỏe, các mô hình học có giám sát được sử dụng để phân tích ảnh y tế, chẳng hạn như phát hiện khối u trong ảnh chụp MRI hoặc CT. Các bác sĩ радиologist dán nhãn một số lượng lớn các bản quét, cho biết sự hiện diện hoặc vắng mặt của khối u. Một mạng nơ-ron tích chập (CNN) sau đó được đào tạo trên dữ liệu này để hỗ trợ chẩn đoán sớm. Ví dụ: các mô hình có thể được đào tạo trên bộ dữ liệu để phát hiện khối u não.

So sánh với các mô hình học khác

Học có giám sát khác biệt so với các mô hình học máy chính khác:

• Học không giám sát (Unsupervised Learning): Phương pháp này sử dụng dữ liệu không được gắn nhãn, trong đó thuật toán cố gắng tự tìm các mẫu hoặc cấu trúc, chẳng hạn như nhóm các điểm dữ liệu tương tự (clustering (phân cụm)) hoặc giảm số chiều dữ liệu. Nó không học ánh xạ trực tiếp từ đầu vào đến đầu ra từ các câu trả lời đã biết. Đọc Tổng quan về học không giám sát (Unsupervised Learning Overview).
• Self-Supervised Learning (SSL) (Học tự giám sát): Một tập hợp con của học không giám sát, trong đó các tín hiệu giám sát (nhãn) được tạo tự động từ chính dữ liệu đầu vào. Đây là một kỹ thuật mạnh mẽ để huấn luyện trước các mô hình nền tảng (foundation models) trên một lượng lớn dữ liệu không được gắn nhãn trước khi tinh chỉnh (fine-tuning) chúng cho một nhiệm vụ cụ thể.
• Học tăng cường (Reinforcement Learning): Trong mô hình này, một tác nhân học cách đưa ra các chuỗi quyết định bằng cách tương tác với một môi trường và nhận phần thưởng hoặc hình phạt dựa trên các hành động của nó. Nó học các hành vi tối ưu thông qua thử và sai, thay vì từ một tập dữ liệu tĩnh, được gắn nhãn. Tìm hiểu Tổng quan về Học tăng cường.

Tóm lại, học có giám sát là một kỹ thuật mạnh mẽ và được sử dụng rộng rãi, tận dụng dữ liệu được gán nhãn để huấn luyện các mô hình cho các tác vụ dự đoán. Nó tạo thành xương sống của nhiều ứng dụng AI thành công, bao gồm cả những ứng dụng được phát triển và hỗ trợ bởi Ultralytics, đồng thời là một kỹ năng quan trọng đối với bất kỳ ai làm việc trong lĩnh vực khoa học dữ liệu hoặc AI.