Học có giám sát

Học có giám sát là một loại học máy trong đó thuật toán học từ một tập dữ liệu được gắn nhãn. Hãy nghĩ về nó như học với một giáo viên: bạn được đưa ra các ví dụ với 'câu trả lời đúng' đã được cung cấp và nhiệm vụ của thuật toán là tìm ra mối quan hệ giữa các ví dụ và nhãn của chúng để có thể dự đoán nhãn cho các ví dụ mới, chưa từng thấy. Phương pháp này là nền tảng cho nhiều ứng dụng thực tế của trí tuệ nhân tạo, cho phép các hệ thống đưa ra dự đoán hoặc quyết định dựa trên dữ liệu trong quá khứ.

Sự liên quan của việc học có giám sát

Học có giám sát là nền tảng của AI hiện đại và học máy, cung cấp năng lượng cho một loạt các ứng dụng trên khắp các ngành. Khả năng học từ dữ liệu được gắn nhãn của nó làm cho nó cực kỳ linh hoạt cho các tác vụ mà chúng ta muốn dự đoán kết quả hoặc phân loại dữ liệu mới dựa trên kiến thức hiện có. Từ việc tự động hóa các quy trình phức tạp đến việc cung cấp các dự đoán sâu sắc, học có giám sát rất quan trọng để tạo ra các hệ thống thông minh có thể hiểu và tương tác với thế giới xung quanh chúng. Nhiều tác vụ thị giác máy tính, bao gồm cả những tác vụ được hỗ trợ bởi Ultralytics các mô hình phụ thuộc rất nhiều vào các kỹ thuật học có giám sát.

Ứng dụng của Học có giám sát

• Phát hiện đối tượng: Trong thị giác máy tính, học có giám sát là điều cần thiết để đào tạo các mô hình như Ultralytics YOLOv8 để phát hiện các đối tượng trong hình ảnh hoặc video. Bằng cách đào tạo trên các tập dữ liệu trong đó hình ảnh được gắn nhãn bằng các hộp giới hạn xung quanh các đối tượng cụ thể (ví dụ: ô tô, người đi bộ, biển báo giao thông), mô hình học cách xác định và định vị các đối tượng này trong các hình ảnh mới. Công nghệ này rất quan trọng đối với các ứng dụng như xe tự hành và hệ thống an ninh .
• Phân loại hình ảnh: Học có giám sát cũng được sử dụng rộng rãi trong phân loại hình ảnh , trong đó các mô hình được đào tạo để phân loại hình ảnh thành các lớp được xác định trước. Ví dụ, một mô hình có thể được đào tạo để phân loại hình ảnh của các loại động vật khác nhau, hình ảnh y tế để chẩn đoán bệnh ( phân tích hình ảnh y tế ) hoặc thậm chí phân loại các loại mặt hàng quần áo khác nhau. Điều này rất quan trọng trong các lĩnh vực từ chăm sóc sức khỏe đến bán lẻ .
• Phát hiện email rác: Thuật toán học có giám sát có thể được đào tạo trên một tập dữ liệu email được gắn nhãn là "rác" hoặc "không phải thư rác". Thuật toán học cách xác định các mẫu và đặc điểm chỉ ra thư rác, cho phép tự động lọc các email không mong muốn khỏi hộp thư đến của bạn.
• Phân tích tình cảm: Trong xử lý ngôn ngữ tự nhiên, học có giám sát cung cấp sức mạnh cho phân tích tình cảm . Các thuật toán được đào tạo trên dữ liệu văn bản (như đánh giá của khách hàng hoặc bài đăng trên mạng xã hội) được gắn nhãn tình cảm (ví dụ: tích cực, tiêu cực, trung lập) để dự đoán tình cảm của các đầu vào văn bản mới. Điều này vô cùng có giá trị đối với các doanh nghiệp để hiểu ý kiến của khách hàng và nhận thức về thương hiệu.

Các khái niệm chính trong học có giám sát

• Dữ liệu được gắn nhãn: Nền tảng của học có giám sát là dữ liệu được gắn nhãn . Điều này có nghĩa là mỗi điểm dữ liệu trong tập dữ liệu được ghép nối với một nhãn tương ứng, đó là 'câu trả lời đúng' hoặc danh mục. Ví dụ, trong phân loại hình ảnh, mỗi hình ảnh được gắn nhãn với đối tượng mà nó chứa.
• Dữ liệu đào tạo: Dữ liệu có nhãn được sử dụng để đào tạo mô hình học có giám sát. Mô hình phân tích dữ liệu đào tạo để tìm hiểu các mẫu cơ bản và mối quan hệ giữa các tính năng đầu vào và nhãn đầu ra.
• Thuật toán: Nhiều thuật toán khác nhau được sử dụng trong học có giám sát, tùy thuộc vào nhiệm vụ. Các thuật toán phổ biến bao gồm hồi quy tuyến tính cho các nhiệm vụ hồi quy và hồi quy logistic , máy vectơ hỗ trợ (SVM) và cây quyết định cho các nhiệm vụ phân loại. Các thuật toán tiên tiến hơn như mạng nơ-ron và mạng nơ-ron tích chập (CNN) được sử dụng cho các nhiệm vụ phức tạp như nhận dạng hình ảnh và xử lý ngôn ngữ tự nhiên, thường được triển khai bằng các khuôn khổ như PyTorch .

Về bản chất, học có giám sát cung cấp một khuôn khổ mạnh mẽ và thích ứng để xây dựng các hệ thống AI có thể học cách đưa ra dự đoán và phân loại chính xác, thúc đẩy sự đổi mới trên nhiều lĩnh vực.