Descobre como a aprendizagem supervisionada potencia a IA com dados rotulados, permitindo previsões precisas e aplicações como a deteção de objectos e a análise de sentimentos.
A aprendizagem supervisionada é uma categoria fundamental da aprendizagem automática (ML) em que os algoritmos aprendem a partir de um conjunto de dados que contém pares de entrada-saída, conhecidos como dados rotulados. Na sua essência, o algoritmo é "supervisionado" porque aprende comparando as suas previsões sobre os dados de entrada com as saídas corretas conhecidas (etiquetas) fornecidas nos dados de treino. O objetivo é que o algoritmo aprenda uma função de mapeamento que possa prever com precisão a saída para entradas novas e não vistas. Esta abordagem é fundamental para muitas aplicações modernas de Inteligência Artificial (IA), permitindo que os sistemas façam previsões ou tomem decisões com base em exemplos históricos.
O processo começa com um conjunto de dados em que cada ponto de dados consiste em caraterísticas de entrada e uma etiqueta de saída correta correspondente. Por exemplo, numa tarefa de classificação de imagens, as entradas seriam imagens e as etiquetas seriam as categorias a que pertencem (por exemplo, 'gato', 'cão'). O algoritmo faz iterativamente previsões sobre os dados de treino e ajusta os seus parâmetros internos utilizando um algoritmo de otimização como o gradient descent para minimizar a diferença entre as suas previsões e as etiquetas reais, medida por uma função de perda. Este treino continua até o modelo atingir um nível satisfatório de precisão nos dados de validação.
A aprendizagem supervisionada é incrivelmente versátil e permite uma vasta gama de aplicações em que os dados históricos podem prever acontecimentos futuros ou classificar novas informações. A sua capacidade de aprender diretamente a partir de exemplos rotulados torna-a adequada para tarefas que exigem elevada precisão. Muitas tarefas de visão por computador dependem fortemente da aprendizagem supervisionada, incluindo as realizadas por modelos como o Ultralytics YOLO.
Eis dois exemplos concretos:
Outras aplicações comuns incluem a deteção de objectos em imagens e vídeos (utilizada em veículos autónomos e sistemas de segurança), a filtragem de correio eletrónico não solicitado, a previsão dos preços da habitação( tarefa deregressão ) e o reconhecimento facial.
Vários conceitos são fundamentais para compreender a aprendizagem supervisionada:
A aprendizagem supervisionada é diferente de outros paradigmas primários de aprendizagem automática:
Em suma, a aprendizagem supervisionada é uma técnica poderosa que utiliza dados rotulados para treinar modelos para tarefas de previsão, constituindo a espinha dorsal de muitas aplicações de IA bem sucedidas, incluindo as desenvolvidas e apoiadas pela Ultralytics e por plataformas como o Ultralytics HUB.