Uczenie nadzorowane

Czym jest uczenie nadzorowane?

Uczeniem nadzorowanym nazywamy rodzaj uczenia maszynowego (ML – machine learning), który wykorzystuje oznakowane dane wejściowe i prawidłowe rezultaty, aby nauczyć algorytmy, jak klasyfikować dane lub przewidywać wyniki.

Uczenie nadzorowane (supervised learning) jest przydatne do kategoryzowania danych (klasyfikacja), zrozumienia zależności między zmiennymi w celu dokonywania prognoz (regresja) oraz do grupowania danych w celu wykrycia wzorców (analiza skupień).

Jest ono stosowane do dostarczania rekomendacji produktów, segmentacji klientów na podstawie danych o klientach, diagnozowania chorób na podstawie wcześniejszych objawów oraz wykonywania wielu innych zadań.

Inne rodzaje uczenia maszynowego to m.in. uczenie nienadzorowane (unsupervised learning) czy uczenie ze wzmocnieniem (reinforcement learning).

Techopedia wyjaśnia pojęcie: uczenie nadzorowane

Uczenie nadzorowane umożliwia maszynom klasyfikowanie obiektów, problemów lub sytuacji na podstawie dostarczonych im danych.

W uczeniu nadzorowanym maszyny są zasilane danymi takimi jak cechy, wzorce, wymiary, kolor i wysokość obiektów, osób lub sytuacji wielokrotnie, aż będą w stanie wykonywać dokładne klasyfikacje nowych danych.

Na czym polega uczenie nadzorowane?

Podczas uczenia nadzorowanego maszyna otrzymuje tzw. dane treningowe, na podstawie których dokonuje klasyfikacji.

Na przykład, jeśli system ma klasyfikować owoce, otrzymuje dane treningowe takie jak kolor, kształty, wymiary i rozmiar. Na tej podstawie algorytm uczy się, jak poprawnie klasyfikować poszczególne owoce.

Zazwyczaj system wymaga wielu iteracji takiego procesu. Klasyfikacje w rzeczywistych sytuacjach, takich jak wykrywanie oszustw kart kredytowych i klasyfikacja chorób, są złożone. Dlatego maszyny potrzebują odpowiednich danych i wielu iteracji sesji treningowych, aby osiągnąć odpowiednie umiejętności.

Algorytm uczenia nadzorowanego pomaga maszynom identyfikować wzorce w danych, aby mogły wykorzystać je do podejmowania decyzji.