Supervised Learning

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

Cách học có giám sát hoạt động#

Quy trình học có giám sát xoay quanh việc sử dụng dữ liệu đã gắn nhãn. Một dataset được tuyển chọn, trong đó mỗi mẫu huấn luyện đều đi kèm với một nhãn "ground truth" tương ứng. Trong giai đoạn huấn luyện model, thuật toán xử lý các đặc trưng đầu vào và tạo ra một dự đoán. Sau đó, một công thức toán học gọi là hàm mất mát 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 Hạ dốc gradient ngẫu nhiên (SGD), sẽ lặp đi lặp lại điều chỉnh các tham số nội bộ của model hoặc trọng số model. Quá trình này lặp lại qua nhiều chu kỳ, được gọi là epoch, 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 pipeline này bằng cách quản lý việc gắn nhãn dataset, huấn luyện và đánh giá trong một môi trường hợp nhất.

Các loại học có giám sát chính#

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

• Phân loại: Đây là việc dự đoán một danh mục hoặc nhãn lớp rời rạc. Một ví dụ phổ biến là phát hiện đối tượng, trong đó model xác định và định vị các đối tượng trong một hình ảnh, chẳng hạn như "ô tô", "người" hoặc "đèn giao thông". Các model tiên tiến như Ultralytics YOLO26 thực hiện xuất sắc các tác vụ này bằng cách nhanh chóng phân loại và định vị nhiều đối tượng theo thời gian thực.
• Phân tích hồi quy: Đây là việc dự đoán một giá trị số liên tục. Chẳng hạn, dự đoán giá của một ngôi nhà dựa trên các đặc trưng như diện tích sàn, vị trí và số phòng ngủ là một bài toán hồi quy. Bạn có thể tìm hiểu thêm về cơ sở thống kê trong phần giới thiệu về phân tích hồi quy này.

Các ứng dụng trong thực tế#

Học có giám sát là nền tảng cho rất nhiều công nghệ trong các ngành khác nhau:

1. Chẩn đoán y khoa: Bằng cách huấn luyện trên hàng nghìn ảnh X-quang hoặc ảnh chụp MRI đã được gắn nhãn, các model AI có thể học cách phát hiện những bất thường như khối u hoặc gãy xương với độ chính xác cao. Điều này hỗ trợ bác sĩ X-quang đưa ra chẩn đoán nhanh hơn và chính xác hơn. Xem cách YOLO11 được sử dụng để phát hiện khối u để hiểu rõ tác động trong lĩnh vực y tế.

2. Phát hiện gian lận: Các tổ chức tài chính sử dụng học có giám sát để giám sát các mẫu giao dịch. Bằng cách huấn luyện trên dữ liệu lịch sử về cả giao dịch hợp lệ và giao dịch gian lận, các hệ thống này có thể đánh dấu hoạt động đáng ngờ theo thời gian thực, bảo vệ khách hàng khỏi hành vi trộm cắp.

Học có giám sát và học không giám sát#

Điều quan trọng là phải phân biệt học có giám sát với học không giám sát. Trong khi học có giám sát dựa trên các cặp đầu vào-đầu ra đã gắn nhãn, học không giám sát hoạt động với dữ liệu chưa được gắn nhãn. Trong các tình huống không giám sát, thuật toán tự tìm kiếm các cấu trúc, mẫu hoặc nhóm ẩn trong dữ liệu, chẳng hạn như phân khúc khách hàng trong marketing. Học có giám sát thường chính xác hơn đối với các tác vụ cụ thể khi có dữ liệu lịch sử, trong khi học không giám sát phù hợp hơn cho việc phân tích dữ liệu khám phá.

Ví dụ thực tế với Ultralytics YOLO26#

Học 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 bằng dataset có giám sát (COCO8). Model học từ các hình ảnh đã gắn nhãn trong dataset 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 tinh gọn khía cạnh quản lý dữ liệu, Ultralytics Platform cung cấp các công cụ cho việc huấn luyện trên cloud và tự động gắn nhãn, giúp quy trình học có giám sát trở nên hiệu quả hơn đáng kể.