Učení s učitelem (Supervised Learning) je nejčastěji používaným typem strojového učení. Jeho podstatou je trénování modelu na základě dat, která již obsahují správné odpovědi (tzv. labely nebo štítky).

Představte si to jako žáka (model), který dostane cviebnici s příklady, kde na konci každé stránky jsou správné výsledky. Žák se snaží pochopit vztah mezi otázkou a odpovědí tak, aby byl schopen správně odpovědět i na otázky, které v učebnici nebyly.

Trénování modelu probíhá v několika krocích:

1. Sběr dat: Získání historických dat (např. parametry bytu a jeho prodejní cena).
2. Anotace (Labeling): Označení dat správnými odpověďmi (pokud je již nemáme).
3. Trénování: Algoritmus hledá matematické vztahy mezi vstupními rysy (features) a výstupním štítkem (label).
4. Validace a Testování: Ověření úspěšnosti modelu na datech, která model během učení neviděl.
5. Predikce: Nasazení modelu do praxe pro odhadování výsledků u nových dat.

Učení s učitelem se dělí podle toho, jaký typ odpovědi hledáme:

Výstupem je kategorie (diskrétní hodnota).

• Binární: Rozhodnutí mezi dvěma možnostmi (Spam / Ne-spam).
• Multikategoriální: Výběr z více možností (Číslice 0-9, druh zvířete).
• Typické algoritmy: Naivní Bayes, SVM, Rozhodovací stromy.

Výstupem je spojitá numerická hodnota (číslo).

• Příklady: Předpověď teploty, odhad ceny akcií, výpočet dojezdového času.
• Typické algoritmy: Lineární regrese, MAE/MSE metriky.

• Rozpoznávání obličejů: Vstupem jsou pixely, labelem je jméno osoby.
• Lékařská diagnostika: Vstupem jsou výsledky vyšetření, labelem je diagnóza (nemocen / zdráv).
• Analýza sentimentu: Vstupem je text recenze, labelem je hodnocení (pozitivní / negativní).

• Učení bez učitele
• Posilované učení
• Problém přeučení modelu

Tagy: ai ml supervised_learning klasifikace regrese