Sözlük

Gözetimli Öğrenme

Denetimli öğrenmenin etiketli verilerle yapay zekayı nasıl güçlendirdiğini ve nesne algılama ve duygu analizi gibi uygulamalarla doğru tahminlere nasıl olanak sağladığını keşfedin.

YOLO modellerini Ultralytics HUB ile basitçe
eğitin

Daha fazla bilgi edinin

Denetimli öğrenme, algoritmaların etiketli veri olarak bilinen girdi-çıktı çiftlerini içeren bir veri kümesinden öğrendiği temel bir makine öğrenimi (ML) kategorisidir. Özünde algoritma "denetimlidir" çünkü giriş verileri üzerindeki tahminlerini eğitim verilerinde sağlanan bilinen doğru çıktılarla (etiketler) karşılaştırarak öğrenir. Amaç, algoritmanın yeni, görünmeyen girdiler için çıktıyı doğru bir şekilde tahmin edebilecek bir eşleme fonksiyonu öğrenmesidir. Bu yaklaşım, birçok modern Yapay Zeka (AI) uygulamasının merkezinde yer alır ve sistemlerin geçmiş örneklere dayanarak tahminlerde bulunmasını veya kararlar almasını sağlar.

Gözetimli Öğrenme Nasıl Çalışır?

Süreç, her bir veri noktasının girdi özelliklerinden ve buna karşılık gelen doğru çıktı etiketinden oluştuğu bir veri kümesiyle başlar. Örneğin, bir görüntü sınıflandırma görevinde, girdiler görüntüler ve etiketler de ait oldukları kategoriler olacaktır (örneğin, 'kedi', 'köpek'). Algoritma, eğitim verileri üzerinde yinelemeli olarak tahminler yapar ve tahminleri ile bir kayıp fonksiyonu ile ölçülen gerçek etiketler arasındaki farkı en aza indirmek için gradyan inişi gibi bir optimizasyon algoritması kullanarak dahili parametrelerini ayarlar. Bu eğitim, model doğrulama verileri üzerinde tatmin edici bir doğruluk seviyesine ulaşana kadar devam eder.

Uygunluk ve Uygulamalar

Denetimli öğrenme inanılmaz derecede çok yönlüdür ve geçmiş verilerin gelecekteki olayları tahmin edebileceği veya yeni bilgileri sınıflandırabileceği çok çeşitli uygulamalara güç verir. Doğrudan etiketli örneklerden öğrenme yeteneği, onu yüksek hassasiyet gerektiren görevler için uygun hale getirir. Gibi modeller tarafından gerçekleştirilenler de dahil olmak üzere, birçok bilgisayarla görme görevi büyük ölçüde denetimli öğrenmeye dayanır. Ultralytics YOLO.

İşte size iki somut örnek:

  1. Tıbbi Görüntü Analizi: Denetimli öğrenme modelleri, radyologlar tarafından etiketlenen tıbbi taramaların (X-ışınları veya MRI'lar gibi) veri kümeleri üzerinde eğitilebilir. Örneğin, bir model 'tümör' veya 'tümör yok' olarak etiketlenmiş görüntüler üzerinde eğitilerek tıbbi görüntülemede tümörleri tespit etmeyi öğrenebilir. Bu, doktorlara teşhis ve tedavi planlamasında yardımcı olarak sağlık hizmetlerinde yapay zeka çözümlerine önemli ölçüde katkıda bulunur.
  2. Duygu Analizi: İşletmeler genellikle incelemeler veya sosyal medya gönderileri gibi metin verilerinden müşteri görüşlerini anlamak ister. Denetimli bir model, duygularla ('olumlu', 'olumsuz', 'nötr') etiketlenmiş metin örnekleri üzerinde eğitilebilir. Eğitildikten sonra, yeni metinleri otomatik olarak sınıflandırarak pazar araştırması ve müşteri hizmetleri için değerli bilgiler sağlayabilir. Duygu analizi hakkında daha fazla bilgi edinin.

Diğer yaygın uygulamalar arasında görüntülerde ve videolarda nesne algılama ( otonom araçlarda ve güvenlik sistemlerinde kullanılır), spam e-posta filtreleme, konut fiyatlarını tahmin etme(regresyon görevi) ve yüz tanıma yer alır.

Anahtar Kavramlar

Denetimli öğrenmeyi anlamak için birkaç kavram merkezi öneme sahiptir:

  • Etiketlenmiş Veri: Doğru çıktı etiketleriyle eşleştirilmiş girdi verilerinden oluşan denetimli öğrenmenin temelidir. Yüksek kaliteli veri toplama ve açıklama çok önemlidir.
  • Özellikler: Tahmin yapmak için model tarafından kullanılan ölçülebilir girdi değişkenleri veya özellikler. Özellik mühendisliği performansı önemli ölçüde etkileyebilir.
  • Etiketler (veya Hedefler): Eğitim verilerindeki giriş özellikleriyle ilişkili doğru çıktı değerleri.
  • Sınıflandırma: Amacın ayrı bir kategori etiketini tahmin etmek olduğu bir tür denetimli öğrenme görevi (örneğin, e-postaları 'spam' veya 'spam değil' olarak sınıflandırmak veya sınıflandırma içinYOLO gibi modeller kullanarak görüntüleri farklı sınıflara ayırmak).
  • Regresyon: Amacın sürekli bir sayısal değeri tahmin etmek olduğu bir tür denetimli öğrenme görevi (örneğin, doğrusal regresyon gibi algoritmalar kullanarak sıcaklık, hisse senedi fiyatları veya ev değerlerini tahmin etmek).
  • Yaygın Algoritmalar: Lojistik Regresyon, Destek Vektör Makineleri (SVM), Karar Ağaçları, Rastgele Ormanlar gibi yöntemleri ve çeşitli Sinir Ağları (NN) türlerini, özellikle de görüntü ile ilgili görevler için Evrişimli Sinir Ağlarını (CNN 'ler) içerir ve genellikle aşağıdaki gibi çerçeveler kullanılarak uygulanır PyTorch.

Diğer Öğrenme Paradigmaları ile Karşılaştırma

Denetimli öğrenme, diğer birincil makine öğrenimi paradigmalarından farklıdır:

  • Denetimsiz Öğrenme: Algoritmalar, açık bir yönlendirme olmaksızın etiketsiz verilerden örüntüler öğrenir. Yaygın görevler arasında kümeleme (benzer veri noktalarını gruplama) ve boyut azaltma (verileri basitleştirme) yer alır. Etiketli veriler mevcut olmadığında veya amaç gizli yapıları keşfetmek olduğunda kullanılır.
  • Takviyeli Öğrenme: Algoritmalar bir çevre ile etkileşime girerek ve ödüller veya cezalar şeklinde geri bildirim alarak öğrenir. Amaç, zaman içinde kümülatif ödülleri en üst düzeye çıkaran bir politika (eylemleri seçmek için bir strateji) öğrenmektir. Genellikle robotik, oyun oynama ve navigasyon sistemlerinde kullanılır.

Özetle, denetimli öğrenme, Ultralytics ve Ultralytics HUB gibi platformlar tarafından geliştirilen ve desteklenenler de dahil olmak üzere birçok başarılı AI uygulamasının bel kemiğini oluşturan, tahmin görevleri için modelleri eğitmek için etiketli verilerden yararlanan güçlü bir tekniktir.

Tümünü okuyun