Nadzorowane uczenie (ang. supervised learning) to podstawowa metoda w sztucznej inteligencji i uczeniu maszynowym, polegająca na trenowaniu modelu na oznaczonych zbiorach danych. Każdy przykład treningowy składa się z wejścia oraz odpowiadającej mu etykiety (oczekiwany wynik), co pozwala algorytmowi nauczyć się przewidywać lub klasyfikować nowe dane. Metoda ta różni się od uczenia nienadzorowanego (bez etykiet) i uczenia ze wzmocnieniem (opartego na systemie nagród). Nadzorowane uczenie obejmuje optymalizację funkcji straty, walidację krzyżową oraz zapobieganie przeuczeniu.
Przykłady zastosowań i użycia
Nadzorowane uczenie znajduje zastosowanie w klasyfikacji obrazów (rozpoznawanie twarzy, detekcja obiektów), detekcji spamu, analizie sentymentu, rozpoznawaniu mowy, prognozowaniu sprzedaży i ryzyka finansowego oraz predykcyjnym utrzymaniu ruchu. W medycynie służy do diagnozowania chorób na podstawie obrazów; w finansach – do przewidywania niewypłacalności.
Główne narzędzia, biblioteki, frameworki
Najważniejsze narzędzia to scikit-learn, TensorFlow, PyTorch, Keras, XGBoost i LightGBM. Oferują one szeroki wachlarz algorytmów (regresja liniowa, lasy losowe, sieci neuronowe, SVM) oraz funkcje oceny i wizualizacji modeli.
Ostatnie trendy i rozwój
Obecne trendy obejmują automatyzację wyboru modeli (AutoML), zwiększanie odporności na zakłócone dane oraz integrację uczenia półnadzorowanego czy aktywnego dla częściowo oznaczonych danych. Wyzwania to zarządzanie uprzedzeniami, wyjaśnialność modeli i optymalizacja uogólniania.