Gözetimli Öğrenme

Denetimli öğrenme, yapay zeka (AI) alanında temel bir yaklaşımdır ve algoritmalar, doğru çıktı ile etiketlenmiş girdi verileri üzerinde eğitilir. Bu yöntemde model, kendi tahminlerini sağlanan etiketlerle karşılaştırarak öğrenir ve temelde eğitim süreci boyunca onu düzeltmek için bir "denetçi"ye sahiptir . Temel amaç, sistemin girdilerden çıktılara eşleme işlevini yeterince iyi öğrenmesi ve böylece yeni, görülmemiş test verileri için etiketleri doğru bir şekilde tahmin edebilmesidir. Bu teknik, e-posta spam filtrelerinden otonom sürüş sistemlerine kadar, günümüzde kullanılan en pratik ve başarılı AI uygulamalarının çoğunun arkasındaki itici güçtür.

Denetimli Öğrenme Nasıl Çalışır

Denetimli öğrenmenin iş akışı, etiketli verilerin kullanımı etrafında döner. Her eğitim örneğinin karşılık gelen "temel gerçek" etiketi ile eşleştirildiği bir veri kümesi düzenlenir. Model eğitim aşamasında, algoritma girdi özelliklerini işler ve bir tahmin üretir. Ardından, kayıp fonksiyonu adı verilen matematiksel bir formül, modelin tahmini ile gerçek etiket arasındaki fark olan hatayı ölçer. Bu, modelin öğrenme sürecinde önemli bir adımdır. Öğrenme sürecinde, algoritma hataları analiz eder ve daha doğru tahminler yapmak için öğrenir. Bu, modelin öğrenme sürecinde önemli bir adımdır.

Bu hatayı en aza indirmek için, stokastik gradyan inişi(SGD) gibi bir Stochastic Gradient Descent (SGD) gibi bir optimizasyon algoritması, modelin iç parametrelerini veya model ağırlıklarını yinelemeli olarak ayarlar. Bu süreç, modelin eğitim verilerine aşırı uyum sağlamadan tatmin edici bir doğruluk düzeyine ulaşana kadar, dönemler olarak bilinen birçok döngü boyunca tekrarlanır. Ultralytics gibi araçlar, veri kümesi açıklamalarını, eğitimi ve değerlendirmeyi tek bir ortamda yöneterek tüm bu süreci basitleştirir.

Denetimli Öğrenmenin Temel Türleri

Denetimli öğrenme problemleri, genellikle hedef değişkenin doğasına göre iki ana türe ayrılır:

• Sınıflandırma: Bu ayrık bir kategori veya sınıf etiketini tahmin etmeyi içerir. Yaygın bir örnek, bir modelin bir görüntüdeki "araba", "kişi" veya "trafik ışığı" gibi nesneleri tanımladığı ve yerini belirlediği nesne algılamadır. Ultralytics gibi gelişmiş modeller, birden fazla nesneyi gerçek zamanlı olarak hızlı bir şekilde sınıflandırıp yerini belirleyerek bu görevlerde mükemmeldir.
• Regresyon Analizi: Bu sürekli bir sayısal değeri tahmin etmeyi içerir. Örneğin, metrekare, konum ve yatak odası sayısı gibi özelliklere dayalı olarak bir evin fiyatını tahmin etmek bir regresyon problemidir. Regresyon analizine giriş bölümünde istatistiksel temeller hakkında daha fazla bilgi edinebilirsiniz. .

Gerçek Dünya Uygulamaları

Denetimli öğrenme, farklı sektörlerde çok çeşitli teknolojilere güç sağlar:

1. Tıbbi Teşhis: Binlerce etiketli röntgen veya MRI taraması üzerinde eğitim alarak, AI modelleri tümörler veya kırıklar gibi detect yüksek hassasiyetle detect öğrenebilir. Bu, radyologların daha hızlı ve daha doğru teşhisler yapmasına yardımcı olur. Tıbbi etkisini anlamak için YOLO11 tümör tespiti içinYOLO11 görün.
2. Dolandırıcılık Tespiti: Finans kurumları, işlem kalıplarını izlemek için denetimli öğrenmeyi kullanır. Hem meşru hem de dolandırıcılık amaçlı işlemlerin geçmiş verileriyle eğitilen bu sistemler, şüpheli faaliyetleri gerçek zamanlı olarak işaretleyerek müşterileri hırsızlıktan korur.

Denetimli ve Denetimsiz Öğrenme

Denetimli öğrenmeyi denetimsiz öğrenmeden ayırmak önemlidir. Denetimli öğrenme etiketli girdi-çıktı çiftlerine dayanırken, denetimsiz öğrenme etiketsiz verilerle çalışır. Denetimsiz senaryolarda, algoritma veriler içinde gizli yapıları, kalıpları veya gruplamaları kendi başına bulmaya çalışır, örneğin pazarlamada müşteri segmentasyonu. Denetimli öğrenme genellikle geçmiş verilerin mevcut olduğu belirli görevler için daha doğrudur, denetimsiz öğrenme ise keşifsel veri analizi için daha iyidir.

YOLO26 ile Pratik Örnek

Denetimli öğrenme, modern bilgisayar görme modellerinin eğitilmesinde merkezi bir rol oynar. Aşağıdaki Python , denetimli bir veri kümesi (COCO8) kullanarak bir YOLO26 modelinin nasıl eğitileceğini göstermektedir. Model, detect için veri kümesindeki etiketli görüntülerden öğrenir.

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

Bu basit süreç, PyTorch 'ın gücünü kullanarak karmaşık matris işlemleri ve gradyan hesaplamaları gerçekleştirir. Veri yönetimi sürecini kolaylaştırmak isteyenler için Ultralytics , bulut tabanlı eğitim ve otomatik açıklama araçları sunarak denetimli öğrenme iş akışını önemli ölçüde daha verimli hale getirir.