Кероване навчання — це фундаментальний метод штучного інтелекту та машинного навчання, у якому модель навчається на розмічених наборах даних. Кожен вхідний приклад у тренувальній вибірці має відповідний очікуваний вихід (мітку), що дозволяє алгоритму навчитися передбачати або класифікувати нові дані. Такий підхід відрізняється від некерованого навчання (без міток) та навчання з підкріпленням (на основі системи винагород). Кероване навчання передбачає оптимізацію функцій втрат, крос-валідацію та боротьбу з перенавчанням.
Використання та приклади
Кероване навчання застосовується для класифікації зображень (розпізнавання облич, об'єктів), виявлення спаму, аналізу емоцій, розпізнавання мовлення, прогнозування продажів або фінансових ризиків, а також у предиктивному обслуговуванні. У медицині — для діагностики захворювань за медичними знімками; у фінансах — для прогнозування дефолтів.
Основні програмні засоби, бібліотеки, фреймворки
Серед основних інструментів: scikit-learn, TensorFlow, PyTorch, Keras, XGBoost та LightGBM. Вони надають широкий вибір алгоритмів (лінійна регресія, випадкові ліси, нейромережі, SVM) і можливості для оцінки та візуалізації моделей.
Останні розробки, еволюція та тренди
Сучасні тенденції включають автоматизацію вибору моделей (AutoML), підвищення стійкості до зашумлених даних і інтеграцію напівкерованого чи активного навчання для частково розмічених даних. Основні виклики — управління упередженням, пояснюваність моделей і оптимізація узагальнення.