Gözetimli Öğrenme

Gözetimli Öğrenme Nasıl Çalışır?

Süreç, her bir veri noktasının girdi özelliklerinden ve buna karşılık gelen doğru bir çıktı etiketinden oluştuğu dikkatlice hazırlanmış bir veri kümesiyle başlar. Bu genellikle veri toplama ve açıklama için önemli bir çaba gerektirir. Örneğin, bir görüntü sınıflandırma görevinde, girdiler görüntüler (belki de OpenCV gibi kütüphanelerdeki teknikler kullanılarak önceden işlenmiş) ve etiketler de ait oldukları kategoriler (örneğin, 'kedi', 'köpek') olacaktır. Algoritma, eğitim verileri üzerinde yinelemeli olarak tahminler yapar ve tahminleri ile gerçek etiketler arasındaki farkı en aza indirmek için Stokastik Gradyan İnişi (SGD) veya Adam gibi bir optimizasyon algoritması kullanarak dahili parametrelerini (veya model ağırlıklarını) ayarlar. Bu fark bir kayıp fonksiyonu ile ölçülür. Bu eğitim, model ayrı doğrulama verileri üzerinde tatmin edici bir doğruluk seviyesine veya diğer ilgili performans ölçütlerine ulaşana kadar, genellikle birden fazla dönem boyunca devam eder, yeni verilere iyi genelleme yapmasını sağlar ve aşırı uyumu önler.

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. Birçok bilgisayarla görme (CV) görevi, aşağıdaki gibi son teknoloji modeller tarafından gerçekleştirilenler de dahil olmak üzere, büyük ölçüde denetimli öğrenmeye dayanır Ultralytics YOLO.

İşte size iki somut örnek:

• Tıbbi Görüntü Analizi: Denetimli öğrenme modelleri, tıbbi görüntülemede tümörleri tespit etmek için radyologlar tarafından etiketlenen tıbbi taramalar (MRI veya CT taramaları gibi) üzerinde eğitilebilir. Bu, sağlık uzmanlarına teşhis konusunda yardımcı olur ve sağlık alanındaki birçok yapay zeka çözümünün temel bir parçasını oluşturur. Radyoloji gibi kaynaklardan ilgili araştırmaya bakın : Yapay Zeka.
• Duygu Analizi: Algoritmalar, müşteri yorumları veya sosyal medya gönderileri gibi yeni metinlerde ifade edilen duyguları otomatik olarak belirlemek için duygu kategorileriyle (ör. olumlu, olumsuz, tarafsız) etiketlenmiş metin verilerinden öğrenir. Bu, pazar araştırması ve marka izleme için değerlidir. 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 (bir regresyon görevi) ve yüz tanıma yer alır. Ayrıca daha akıllı perakende envanter yönetimi için yapay zeka ve tarım çözümlerinde yapay zeka uygulanmaktadır.

Anahtar Kavramlar

Denetimli öğrenmeyi etkili bir şekilde anlamak ve uygulamak için birkaç kavram merkezi öneme sahiptir:

• Etiketlenmiş Veri: Doğru çıktı etiketleriyle eşleştirilmiş girdi verilerinden oluşan denetimli öğrenmenin temelidir. Etiketli verilerin kalitesi ve miktarı model performansını büyük ölçüde etkiler. Veri etiketleme araçları ve platformları sıklıkla kullanılır.
• Özellik Mühendisliği: Model performansını iyileştirmek için girdi özelliklerini seçme, dönüştürme veya oluşturma süreci. Otomatik özellik çıkarma nedeniyle derin öğrenmede daha az kritik olsa da geleneksel makine öğreniminde önemini korumaktadır. Özellik mühendisliği sözlüğüne bakın.
• Sınıflandırma ve Regresyon: İki ana denetimli öğrenme görevi türü. Sınıflandırma ayrık kategorileri tahmin ederken (örn. spam/spam değil, sınıflandırma içinYOLO ), regresyon sürekli değerleri tahmin eder (örn. fiyat, sıcaklık).
• Yaygın Algoritmalar: Doğrusal regresyon, Lojistik Regresyon, Destek Vektör Makineleri (SVM), Karar Ağaçları, Rastgele Ormanlar ve çeşitli Sinir Ağları (NN), özellikle de görme görevleri için Evrişimsel Sinir Ağları (CNN'ler) dahil olmak üzere birçok algoritma denetimli öğrenme kapsamına girer.
• Çerçeveler ve Araçlar: Gibi kütüphaneler PyTorch ve TensorFlow denetimli modeller oluşturmak ve eğitmek için araçlar sağlar. Ultralytics HUB gibi platformlar, veri kümesi yönetiminden model dağıtımına kadar tüm makine öğrenimi yaşam döngüsü için entegre ortamlar sunar.

Diğer Öğrenme Paradigmaları ile Karşılaştırma

Denetimli öğrenme, diğer birincil makine öğrenimi paradigmalarından farklıdır:

• Denetimsiz Öğrenme: Bu yaklaşım, algoritmanın benzer veri noktalarını gruplama(kümeleme) veya veri boyutlarını azaltma gibi kalıpları veya yapıları kendi başına bulmaya çalıştığı etiketsiz verileri kullanır. Bilinen yanıtlardan doğrudan bir girdi-çıktı eşlemesi öğrenmez. Denetimsiz Öğrenmeye Genel Bakış bölümünü okuyun.
• Takviyeli Öğrenme: Bu paradigmada, bir ajan bir çevre ile etkileşime girerek ve eylemlerine dayalı ödüller veya cezalar alarak karar dizileri oluşturmayı öğrenir. Optimum davranışları etiketli örneklerden ziyade deneme yanılma yoluyla öğrenir. Takviyeli Öğrenmeye Genel Bakış'ı keşfedin.

Özetle, denetimli öğrenme, tahmin görevleri için modelleri eğitmek üzere etiketli verilerden yararlanan güçlü ve yaygın olarak kullanılan bir tekniktir. Ultralytics tarafından geliştirilen ve desteklenenler de dahil olmak üzere birçok başarılı yapay zeka uygulamasının bel kemiğini oluşturur ve veri bilimi veya yapay zeka alanında çalışan herkes için çok önemli bir beceridir.