ზედამხედველობითი სწავლება (Supervised learning)

ზედამხედველობითი სწავლება (Supervised learning) – სწავლება მონიშნულ მაგალითებზე, სადაც ყოველ შეკითხვას სწორი პასუხი ახლავს.

როგორ მუშაობს ზედამხედველობითი სწავლება

ზედამხედველობითი სწავლებისას (supervised learning) მოდელი იღებს წყვილებს: შემავალ მონაცემს და მისთვის სწორ პასუხს, ეტიკეტს. მოდელი ცდილობს პასუხი იწინასწარმეტყველოს, ადარებს სწორს და შეცდომის მიხედვით წონებს ასწორებს. ასე ის ისწავლის კანონზომიერებას, რომელსაც შემდეგ ახალ, უცნობ მონაცემებზე იყენებს. ამოცანების ორი ძირითადი ტიპია კლასიფიკაცია და რეგრესია.

მაგალითი ყოველდღიური ცხოვრებიდან

ბინების ფასების პროგნოზისთვის მოდელს აჩვენებენ ათასობით ბინის მონაცემს (ფართი, უბანი, სართული) და მათ რეალურ ფასს. ნასწავლი მოდელი ახალი ბინის ფასს შეაფასებს.

რატომ არის ზედამხედველობითი სწავლება მნიშვნელოვანი

• სიზუსტე – მკაფიო ეტიკეტების წყალობით მოდელი კონკრეტულ ამოცანაზე ზუსტად სწავლობს.
• გავრცელება – სპამ-ფილტრები, სახის ამოცნობა და სამედიცინო დიაგნოსტიკა ხშირად ამ მეთოდს იყენებს.
• შეზღუდვა – მონიშნული მონაცემების მომზადება ძვირი და შრომატევადია.

ზედამხედველობითი სწავლების სახეები და მაგალითები

ზედამხედველობითი სწავლების ამოცანები ორ დიდ ჯგუფად იყოფა. კლასიფიკაციისას მოდელი კატეგორიას ირჩევს: მაგალითად, არის თუ არა წერილი სპამი, ან რომელი ციფრია ხელით დაწერილი. რეგრესიისას კი რიცხვს პროგნოზირებს: ბინის ფასს, ხვალინდელ ტემპერატურას ან მიწოდების დროს.

ამ მიდგომისთვის გამოიყენება როგორც მარტივი ალგორითმები, მაგალითად გადაწყვეტილების ხე და ლოგისტიკური რეგრესია, ისე ღრმა ნეირონული ქსელები. არჩევანი მონაცემების მოცულობასა და ამოცანის სირთულეზეა დამოკიდებული. ცხრილურ მონაცემებზე ხშირად კლასიკური მეთოდებიც შესანიშნავ შედეგს იძლევა, სურათებსა და ტექსტზე კი ნეირონული ქსელები ჭარბობს.

ზედამხედველობითი სწავლების მთავარი სისუსტე ეტიკეტებზე დამოკიდებულებაა. თუ ეტიკეტები შეცდომებს შეიცავს, მოდელიც ამ შეცდომებს ისწავლის. ამიტომ ხშირად ის სხვა მიდგომებთან ერთად გამოიყენება: მოდელი ჯერ მოუნიშნავ მონაცემებზე სწავლობს ზოგად ნიმუშებს, შემდეგ კი მცირე რაოდენობის მონიშნულ მაგალითებზე კონკრეტულ ამოცანას ერგება.

პრაქტიკაში ასეთი სისტემის შექმნა რამდენიმე ნაბიჯს მოიცავს: მონაცემების შეგროვება და მონიშვნა, მათი დაყოფა სასწავლო, ვალიდაციისა და ტესტის ნაწილებად, მოდელის გაწვრთნა და ბოლოს ახალ მონაცემებზე შემოწმება. თითოეულ ეტაპზე დაშვებული შეცდომა საბოლოო შედეგზე აისახება.

დაკავშირებული ტერმინები

ზედამხედველობის გარეშე სწავლება · ანოტაცია · კლასიფიკაცია · რეგრესია · მანქანური სწავლება · AI ლექსიკონი

ხშირად დასმული კითხვები

შეჯამება

ზედამხედველობითი სწავლება მოდელს სწორ პასუხებიან მაგალითებზე ასწავლის. ეს მანქანური სწავლების ყველაზე გავრცელებული მიდგომაა.