Gözetimli Öğrenme
Denetimli öğrenmenin etiketli verilerle yapay zekayı nasıl güçlendirdiğini ve nesne algılama ve duygu analizi gibi uygulamalarla doğru tahminlere nasıl olanak sağladığını keşfedin.
Denetimli öğrenme, bir algoritmanın doğru sonuçlarla manuel olarak etiketlenmiş verilerden öğrendiği makine öğreniminde (ML) temel bir paradigmadır. Birincil amaç, yeni, görülmemiş veriler için çıktıyı tahmin edebilecek bir eşleme fonksiyonu öğrenmektir. Bunu, eğitim aşamasında doğru cevapları (etiketleri) sağlayan bir öğretmen veya bir "gözetmen" ile öğrenme olarak düşünün. Bu yaklaşım, özellikle bilgisayarla görme (CV) alanında birçok başarılı Yapay Zeka (AI) uygulamasının bel kemiğidir.
Gözetimli Öğrenme Nasıl Çalışır?
Denetimli öğrenme süreci, girdi özellikleri ve bunlara karşılık gelen çıktı etiketlerini içeren bir veri küm esi ile başlar. Bu etiketli veri kümesi eğitim verileri, doğrulama verileri ve test verileri olarak ayrılır.
- Eğitim: Model eğitim verileriyle beslenir. Her girdi için tahminler yapar ve bunları doğru etiketlerle karşılaştırır.
- Hata Düzeltme: Modelin tahmini ile gerçek etiket arasındaki fark bir kayıp fonksiyonu ile ölçülür. Gradyan inişi gibi bir optimizasyon algoritması, bu hatayı en aza indirmek için modelin dahili parametrelerini veya model ağırlıklarını ayarlar.
- Yineleme: Bu süreç birçok epok boyunca tekrarlanarak modelin verilerdeki temel örüntüleri öğrenmesine olanak tanır. Modelin performansı, aşırı uyum gibi sorunları önlemek için doğrulama kümesi üzerinde izlenir.
- Tahmin: Model eğitildikten sonra yeni, etiketsiz veriler üzerinde tahminler yapabilir. Bu tahminlerin kalitesi test seti ve performans metrikleri kullanılarak değerlendirilir.
Tüm bu iş akışı, veri kümesi yönetimini, model eğitimini ve dağıtımını basitleştiren Ultralytics HUB gibi platformlarda kolaylaştırılmıştır.
Gözetimli Öğrenme Problemlerinin Türleri
Denetimli öğrenme görevleri tipik olarak iki ana türe ayrılır:
- Sınıflandırma: Amaç, ayrı bir kategoriyi veya sınıf etiketini tahmin etmektir. Örneğin, bir görüntü sınıflandırma modeli, görüntüleri "kedi" veya "köpek" içerecek şekilde sınıflandırmak üzere eğitilebilir. Diğer örnekler arasında spam e-posta algılama ve duyarlılık analizi yer alır. Ultralytics YOLO gibi modeller yüksek performanslı sınıflandırma görevleri için eğitilebilir. Daha fazla okuma için sınıflandırmaya giriş bölümünü inceleyin.
- Regresyon: Amaç sürekli bir sayısal değeri tahmin etmektir. Örneğin bir model, büyüklüğü ve konumu gibi özelliklere dayanarak bir evin fiyatını tahmin edebilir. Diğer uygulamalar arasında hisse senedi fiyat tahmini ve sıcaklık tahmini yer alır. Regresyona genel bir bakış bu regresyon analizi kılavuzunda bulunabilir.
Gerçek Dünya Uygulamaları
Denetimli öğrenme, sayısız modern yapay zeka sistemini yönlendirir. İşte öne çıkan iki örnek:
- Otonom Araçlarda Nesne Algılama: Sürücüsüz araçlar yayaları, diğer araçları ve trafik işaretlerini tanımlamak ve bulmak için nesne alg ılama modellerine güvenir. Bu modeller, görüntülerdeki nesnelerin sınırlayıcı kutularla etiketlendiği geniş veri kümeleri üzerinde eğitilir. Eğitilen model daha sonra kritik sürüş kararları vermek için gerçek zamanlı video akışlarını işleyebilir. Ultralytics, otomotiv endüstrisinde yapay zeka için güçlü çözümler sunar.
- Tıbbi Görüntü Analizi: Sağlık hizmetlerinde, denetimli öğrenme modelleri, MR veya BT taramalarında tümörlerin tespit edilmesi gibi tıbbi görüntü analizi için kullanılır. Radyologlar, tümörlerin varlığını veya yokluğunu gösteren çok sayıda taramayı etiketler. Daha sonra erken teşhise yardımcı olmak için bu veriler üzerinde bir konvolüsyonel sinir ağı (CNN) eğitilir. Örneğin, modeller beyin tümörü tespiti için veri kümeleri üzerinde eğitilebilir.
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.
- Kendi Kendine Denetimli Öğrenme (SSL): Denetleyici sinyallerin (etiketlerin) giriş verilerinin kendisinden otomatik olarak oluşturulduğu denetimsiz öğrenmenin bir alt kümesidir. Bu, temel modelleri belirli bir görev için ince ayar yapmadan önce büyük miktarda etiketsiz veri üzerinde ön eğitime tabi tutmak için güçlü bir tekniktir.
- Takviyeli Öğrenme: Bu paradigmada, bir ajan bir ortamla etkileşime girerek ve eylemlerine dayalı olarak ödüller veya cezalar alarak karar dizileri oluşturmayı öğrenir. Optimum davranışları statik, etiketli bir veri kümesinden 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.