Apprendimento supervisionato

Come funziona l'apprendimento supervisionato

Il processo inizia con un set di dati accuratamente preparato in cui ogni punto di dati è costituito da caratteristiche di input e da una corrispondente etichetta di output corretta. Questo spesso comporta uno sforzo significativo nella raccolta e nell'annotazione dei dati. Ad esempio, in un'attività di classificazione di immagini, gli input saranno immagini (magari pre-elaborate utilizzando tecniche di librerie come OpenCV) e le etichette saranno le categorie a cui appartengono (ad esempio, "gatto", "cane"). L'algoritmo effettua iterativamente delle previsioni sui dati di addestramento e regola i suoi parametri interni (o i pesi del modello) utilizzando un algoritmo di ottimizzazione come Stochastic Gradient Descent (SGD) o Adam per minimizzare la differenza tra le sue previsioni e le etichette reali. Questa differenza è misurata da una funzione di perdita. L'addestramento continua, spesso per più epoche, fino a quando il modello non raggiunge un livello soddisfacente di accuratezza o altre metriche di performance rilevanti su dati di convalida separati, assicurando una buona generalizzazione ai nuovi dati ed evitando l'overfitting.

Rilevanza e applicazioni

L'apprendimento supervisionato è incredibilmente versatile ed è alla base di una vasta gamma di applicazioni in cui i dati storici possono prevedere eventi futuri o classificare nuove informazioni. La sua capacità di apprendere direttamente da esempi etichettati lo rende adatto a compiti che richiedono un'elevata precisione. Molti compiti di computer vision (CV) si basano fortemente sull'apprendimento supervisionato, compresi quelli eseguiti da modelli di ultima generazione come Ultralytics YOLO.

Ecco due esempi concreti:

• Analisi delle immagini mediche: I modelli di apprendimento supervisionato possono essere addestrati su scansioni mediche (come risonanze magnetiche o TAC) etichettate dai radiologi per individuare i tumori nelle immagini mediche. Questo aiuta gli operatori sanitari nella diagnosi e costituisce una parte fondamentale di molte soluzioni di IA nel settore sanitario. Vedi le ricerche correlate da fonti come Radiology: Intelligenza Artificiale.
• Analisi del sentimento: Gli algoritmi imparano dai dati di testo etichettati con categorie di sentimento (ad esempio, positivo, negativo, neutro) per determinare automaticamente il sentimento espresso in nuovi testi, come le recensioni dei clienti o i post sui social media. Si tratta di una funzione preziosa per le ricerche di mercato e il monitoraggio del marchio. Scopri di più sull'analisi del sentiment.

Altre applicazioni comuni sono il rilevamento di oggetti in immagini e video (utilizzato nei veicoli autonomi e nei sistemi di sicurezza), il filtraggio delle e-mail di spam, la previsione dei prezzi delle case (un compito di regressione ) e il riconoscimento facciale. Viene anche applicata all'IA per una gestione più intelligente dell'inventario al dettaglio e all'IA nelle soluzioni per l'agricoltura.

Concetti chiave

Diversi concetti sono fondamentali per comprendere e applicare efficacemente l'apprendimento supervisionato:

• Dati etichettati: La base dell'apprendimento supervisionato, che consiste in dati di input abbinati a etichette di output corrette. La qualità e la quantità dei dati etichettati influenzano pesantemente le prestazioni del modello. Spesso vengono utilizzati strumenti e piattaforme per l'etichettatura dei dati.
• Ingegneria delle caratteristiche: Il processo di selezione, trasformazione o creazione di caratteristiche di input per migliorare le prestazioni del modello. Sebbene sia meno critico nel deep learning grazie all'estrazione automatica delle caratteristiche, rimane importante nel ML tradizionale. Vedi glossario sull'ingegneria delle caratteristiche.
• Classificazione vs. Regressione: Due tipi principali di compiti di apprendimento supervisionato. La classificazione prevede categorie discrete (ad esempio, spam/non spam, YOLO per la classificazione), mentre la regressione prevede valori continui (ad esempio, prezzo, temperatura).
• Algoritmi comuni: Molti algoritmi rientrano nell'apprendimento supervisionato, tra cui la regressione lineare, la regressione logistica, le macchine a vettori di supporto (SVM), gli alberi decisionali, le foreste casuali e vari tipi di reti neurali (NN), in particolare le reti neurali convoluzionali (CNN) per le attività di visione.
• Framework e strumenti: Librerie come PyTorch e TensorFlow forniscono strumenti per la creazione e l'addestramento di modelli supervisionati. Piattaforme come Ultralytics HUB offrono ambienti integrati per l'intero ciclo di vita del ML, dalla gestione dei dataset alla distribuzione dei modelli.

Confronto con altri paradigmi di apprendimento

L'apprendimento supervisionato si distingue dagli altri paradigmi primari di apprendimento automatico:

• Apprendimento non supervisionato: Questo approccio utilizza dati non etichettati, in cui l'algoritmo cerca di trovare schemi o strutture da solo, come il raggruppamento di punti di dati simili(clustering) o la riduzione delle dimensioni dei dati. Non impara una mappatura diretta tra input e output a partire da risposte note. Leggi una panoramica sull'apprendimento non supervisionato.
• Apprendimento per rinforzo: In questo paradigma, un agente impara a prendere sequenze di decisioni interagendo con un ambiente e ricevendo ricompense o penalità in base alle sue azioni. Apprende i comportamenti ottimali attraverso prove ed errori, piuttosto che da esempi etichettati. Esplora una panoramica sull'apprendimento per rinforzo.

In sintesi, l'apprendimento supervisionato è una tecnica potente e ampiamente utilizzata che sfrutta i dati etichettati per addestrare modelli per compiti predittivi. Costituisce la spina dorsale di molte applicazioni di AI di successo, comprese quelle sviluppate e supportate da Ultralytics, ed è un'abilità fondamentale per chiunque lavori nella scienza dei dati o nell'AI.