Overvåket læring er en maskinlæringsteknikk der modeller er trent på merket data for å gjøre spådommer eller klassifiseringer. Det er mye brukt i ulike virkelige applikasjoner, spesielt i bildegjenkjenning og dataklassifikasjonsoppgaver. Denne artikkelen utforsker noen vanlige eksempler på overvåket læring i disse feltene.

Bildergjenkjenningsprogrammer

Overvåket læring algoritmer brukes i stor grad i bildegjenkjenningssystemer. Disse systemene er trent på store datasett av merket bilder for å identifisere objekter, ansikter eller scener. Eksempler inkluderer ansiktsgjenkjenning i sikkerhetssystemer og objektdeteksjon i autonome kjøretøy.

I ansiktsgjenkjenning lærer modeller å identifisere enkeltpersoner basert på merket bilder. På samme måte, i autonom kjøring, overvåkede modeller oppdager fotgjengere, trafikkskilt og andre kjøretøy for å navigere trygt.

Dataklassifisering i virksomheten

Overvåket læring brukes også i klassifisering av data i ulike bransjer. For eksempel, spam filtre klassifisere e-post som spam eller ikke spam basert på merket eksempler. Kreditt scoring modeller forutsi risikonivået av lån søkere ved hjelp av historiske data.

Disse modellene analyserer funksjoner som e-postinnhold eller søkerens økonomiske historie for å gjøre nøyaktige spådommer, og hjelper bedrifter å automatisere beslutningsprosessene.

Vanlige algoritmer

  • Støtte vektormaskiner (SVM)
  • Beslutningstre
  • Nerale nettverk
  • Tilfeldige skoger