Học có giám sát

Học có giám sát là một phương pháp nền tảng trong trí tuệ nhân tạo (AI), trong đó các thuật toán được huấn luyện trên dữ liệu đầu vào đã được gắn nhãn với đầu ra chính xác. Trong phương pháp này, mô hình học bằng cách so sánh các dự đoán của chính nó với các nhãn được cung cấp, về cơ bản là có một "người giám sát" để sửa lỗi trong quá trình huấn luyện. Mục tiêu chính là để hệ thống học được hàm ánh xạ từ đầu vào sang đầu ra đủ tốt để nó có thể dự đoán chính xác các nhãn cho dữ liệu thử nghiệm mới, chưa từng thấy. Kỹ thuật này là động lực thúc đẩy nhiều ứng dụng AI thực tiễn và thành công nhất hiện nay, từ bộ lọc thư rác đến hệ thống lái xe tự động.

Cách Học Có Giám Sát Hoạt Động

Quy trình của học có giám sát xoay quanh việc sử dụng dữ liệu được gán nhãn . Một tập dữ liệu được biên soạn, trong đó mỗi ví dụ huấn luyện được ghép nối với một nhãn "thực tế" tương ứng. Trong giai đoạn huấn luyện mô hình , thuật toán xử lý các đặc trưng đầu vào và tạo ra dự đoán. Một công thức toán học được gọi là hàm mất mát sau đó đo lường lỗi—sự khác biệt giữa dự đoán của mô hình và nhãn thực tế.

Để giảm thiểu lỗi này, một thuật toán tối ưu hóa , chẳng hạn như Thuật toán Giảm Độ Phức Ngẫu Nhiên ( SGD ) , sẽ điều chỉnh lặp đi lặp lại các tham số nội bộ hoặc trọng số của mô hình. Quá trình này lặp lại qua nhiều chu kỳ, được gọi là epoch , cho đến khi mô hình đạt được mức độ chính xác thỏa đáng mà không bị quá khớp với dữ liệu huấn luyện. Các công cụ như Nền tảng Ultralytics đơn giản hóa toàn bộ quy trình này bằng cách quản lý việc chú thích tập dữ liệu, huấn luyện và đánh giá trong một môi trường thống nhất.

Các loại hình học có giám sát chính

Các bài toán học có giám sát thường được phân loại thành hai loại chính dựa trên bản chất của biến mục tiêu:

• Phân loại : Quá trình này bao gồm việc dự đoán một nhãn danh mục hoặc lớp riêng biệt. Một ví dụ phổ biến là phát hiện đối tượng , trong đó mô hình xác định và định vị các đối tượng trong hình ảnh, chẳng hạn như "ô tô", "người" hoặc "đèn giao thông". Các mô hình tiên tiến như Ultralytics YOLO26 vượt trội trong các nhiệm vụ này bằng cách nhanh chóng phân loại và định vị nhiều đối tượng trong thời gian thực.
• Phân tích hồi quy : Phương pháp này liên quan đến việc dự đoán một giá trị số liên tục. Ví dụ, dự đoán giá nhà dựa trên các đặc điểm như diện tích, vị trí và số phòng ngủ là một bài toán hồi quy. Bạn có thể tìm hiểu thêm về nền tảng thống kê trong phần giới thiệu về phân tích hồi quy này.

Các Ứng dụng Thực tế

Học có giám sát là nền tảng của rất nhiều công nghệ trong các ngành công nghiệp khác nhau:

1. Chẩn đoán y khoa: Bằng cách huấn luyện trên hàng nghìn ảnh chụp X-quang hoặc MRI đã được dán nhãn, các mô hình AI có thể học cách detect YOLO11 phát hiện các bất thường như khối u hoặc gãy xương với độ chính xác cao. Điều này giúp các bác sĩ X quang đưa ra chẩn đoán nhanh chóng và chính xác hơn. Xem cách YOLO11 được sử dụng để phát hiện khối u để hiểu tác động y học của nó.
2. Phát hiện gian lận: Các tổ chức tài chính sử dụng học có giám sát để theo dõi các mô hình giao dịch. Bằng cách huấn luyện trên dữ liệu lịch sử của cả các giao dịch hợp pháp và gian lận, các hệ thống này có thể phát hiện hoạt động đáng ngờ trong thời gian thực, bảo vệ khách hàng khỏi bị đánh cắp.

Học có giám sát so với học không giám sát

Điều quan trọng là phải phân biệt giữa học có giám sát và học không giám sát . Trong khi học có giám sát dựa trên các cặp đầu vào-đầu ra được gắn nhãn, học không giám sát hoạt động với dữ liệu không được gắn nhãn. Trong các trường hợp không giám sát, thuật toán cố gắng tự tìm ra các cấu trúc, mẫu hoặc nhóm ẩn trong dữ liệu, chẳng hạn như phân khúc khách hàng trong tiếp thị. Học có giám sát thường chính xác hơn đối với các nhiệm vụ cụ thể khi có sẵn dữ liệu lịch sử, trong khi học không giám sát phù hợp hơn cho việc phân tích dữ liệu mang tính khám phá.

Ví dụ thực tế với YOLO26

Học có giám sát là yếu tố cốt lõi trong việc huấn luyện các mô hình thị giác máy tính hiện đại. Những điều sau đây Python Đoạn mã này minh họa cách huấn luyện mô hình YOLO26 bằng cách sử dụng tập dữ liệu có giám sát ( COCO8 Mô hình học hỏi từ các hình ảnh được gắn nhãn trong tập dữ liệu để detect các đối tượng.

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

Quy trình đơn giản này tận dụng sức mạnh của PyTorch để thực hiện các phép toán ma trận phức tạp và tính toán đạo hàm. Đối với những người muốn đơn giản hóa khía cạnh quản lý dữ liệu, Nền tảng Ultralytics cung cấp các công cụ huấn luyện dựa trên đám mây và tự động chú thích, giúp quy trình học có giám sát hiệu quả hơn đáng kể.