पर्यवेक्षित अधिगम Machine learning की एक श्रेणी है जिसमें एक मॉडल को उदाहरणों के एक डेटासेट पर प्रशिक्षित किया जाता है, जहाँ प्रत्येक उदाहरण एक इनपुट को एक ज्ञात सही आउटपुट, या लेबल, के साथ जोड़ता है, और मॉडल का उद्देश्य इनपुट से आउटपुट तक एक सामान्य मानचित्रण सीखना होता है जो नए, अनदेखे उदाहरणों पर सामान्यीकृत होता है। शब्द "पर्यवेक्षित" इस तथ्य को संदर्भित करता है कि एक लेबल वाली उत्तर कुंजी, जो आमतौर पर मानव एनोटेटरों द्वारा निर्मित या ऐतिहासिक रिकॉर्ड से एकत्र की जाती है, सीखने की प्रक्रिया की निगरानी करती है, मॉडल को बताती है कि प्रत्येक प्रशिक्षण उदाहरण के लिए सही उत्तर क्या होना चाहिए था।
मुख्य कार्य
पर्यवेक्षित अधिगम की समस्याएँ मोटे तौर पर दो श्रेणियों में आती हैं। वर्गीकरण कार्य एक असतत श्रेणी की भविष्यवाणी करते हैं, जैसे कि कोई ईमेल स्पैम है या नहीं, किसी छवि में कौन सी वस्तु दिखाई देती है, या कोई समीक्षा किस भावना को व्यक्त करती है। प्रतिगमन कार्य एक सतत संख्यात्मक मान की भविष्यवाणी करते हैं, जैसे कि घर की कीमत या तापमान का पूर्वानुमान। दोनों को उसी तरह प्रशिक्षित किया जाता है: मॉडल एक भविष्यवाणी करता है, एक Loss function मापता है कि वह भविष्यवाणी वास्तविक लेबल से कितनी दूर है, और Gradient descent, जो Neural network के मामले में Backpropagation के माध्यम से गणना की जाती है, उस त्रुटि को कम करने के लिए मॉडल के मापदंडों को समायोजित करता है, और यह प्रक्रिया कई उदाहरणों और डेटा के कई पासों पर दोहराई जाती है।
इतिहास
पर्यवेक्षित अधिगम गहन अधिगम से दशकों पहले का है और इसमें शास्त्रीय एल्गोरिदम शामिल हैं जैसे कि रैखिक और लॉजिस्टिक प्रतिगमन, निर्णय वृक्ष, सपोर्ट वेक्टर मशीन, जिन्हें बड़े पैमाने पर व्लादिमीर वापनिक द्वारा विकसित और औपचारिक रूप दिया गया था, और के-निकटतम पड़ोसी। बड़े लेबल वाले डेटासेट और सस्ती कंप्यूट शक्ति की उपलब्धता के साथ इस तकनीक को भारी गति मिली; 2012 की ImageNet प्रतियोगिता, जहाँ AlexNet ने एक बड़े लेबल वाले छवि डेटासेट पर पिछले तरीकों को नाटकीय रूप से पीछे छोड़ दिया, को व्यापक रूप से यह प्रदर्शित करने का श्रेय दिया जाता है कि पर्यवेक्षित गहन अधिगम हाथ से बनाए गए दृष्टिकोणों से बेहतर प्रदर्शन करने के लिए पैमाने पर काम कर सकता है, जिसने व्यापक Deep learning पुनरुत्थान को प्रेरित किया।
डेटा और लेबलिंग
पर्यवेक्षित अधिगम की केंद्रीय व्यावहारिक बाधा लेबल वाले डेटा की आवश्यकता है, जो अक्सर उत्पादन करने में महंगा और धीमा होता है, जिसके लिए मानव एनोटेटरों को बड़ी संख्या में उदाहरणों को वर्गीकृत करने, प्रतिलेखित करने या अन्यथा चिह्नित करने की आवश्यकता होती है। इस बाधा ने वैकल्पिक प्रतिमानों के विकास को प्रेरित किया जो लेबल की आवश्यकता को कम या समाप्त करते हैं, जिनमें Unsupervised learning शामिल है, जो बिना लेबल वाले डेटा में संरचना पाता है, और Self-supervised learning, जो बिना लेबल वाले डेटा से अपना स्वयं का प्रशिक्षण संकेत उत्पन्न करता है, एक दृष्टिकोण जो आधुनिक बड़े भाषा मॉडल के Pretraining को रेखांकित करता है। हालाँकि, पर्यवेक्षित अधिगम आधुनिक AI पाइपलाइन के अन्य चरणों में आवश्यक बना हुआ है, विशेष रूप से पर्यवेक्षित Fine-tuning में, जहाँ एक पूर्व-प्रशिक्षित मॉडल को वांछित इनपुट-आउटपुट व्यवहार के लेबल वाले उदाहरणों का उपयोग करके अनुकूलित किया जाता है, एक कदम जो एक आधार भाषा मॉडल को निर्देश-अनुसरण सहायक में बदलने के लिए उपयोग किया जाता है।
मूल्यांकन
पर्यवेक्षित अधिगम में एक मॉडल के प्रदर्शन को आमतौर पर एक अलग रखे गए परीक्षण सेट पर मापा जाता है जिसका उपयोग प्रशिक्षण के दौरान नहीं किया गया था, ताकि यह अनुमान लगाया जा सके कि यह कितनी अच्छी तरह सामान्यीकृत होता है, न कि केवल अपने प्रशिक्षण डेटा को याद करता है, जो एक विफलता मोड है जिसे Overfitting कहा जाता है। सामान्य मूल्यांकन मेट्रिक्स में वर्गीकरण के लिए सटीकता, परिशुद्धता, प्रत्याहरण और F1 स्कोर, और प्रतिगमन के लिए माध्य वर्ग त्रुटि शामिल हैं, जिसमें उपयुक्त मेट्रिक कार्य और विभिन्न प्रकार की गलतियों की सापेक्ष लागत पर काफी हद तक निर्भर करता है, जैसे कि चिकित्सा निदान की स्थिति में गलत सकारात्मक बनाम गलत नकारात्मक।
महत्व और सीमाएँ
पर्यवेक्षित अधिगम दशकों से अधिकांश तैनात मशीन लर्निंग प्रणालियों के पीछे प्रमुख प्रतिमान रहा है, स्पैम फ़िल्टर और क्रेडिट स्कोरिंग से लेकर चिकित्सा छवि निदान और वाक् पहचान तक। इसकी केंद्रीय सीमा इसके लेबल वाले प्रशिक्षण डेटा की गुणवत्ता और कवरेज पर सख्त निर्भरता है: एक मॉडल केवल अपने लेबल जितना अच्छा हो सकता है, और जो लेबल ऐतिहासिक मानव पूर्वाग्रह या वास्तविक दुनिया के परिदृश्यों के अपूर्ण कवरेज को दर्शाते हैं, वे एक ऐसा मॉडल उत्पन्न करेंगे जो उन दोषों को विरासत में लेता है या बढ़ाता है, एक चिंता जो Algorithmic bias पर शोध के केंद्र में है। जैसे-जैसे बिना लेबल वाले और स्व-पर्यवेक्षित दृष्टिकोण परिपक्व हुए हैं, पर्यवेक्षित अधिगम तेजी से एक बड़ी पाइपलाइन में एक चरण बन गया है, न कि सबसे सक्षम आधुनिक AI प्रणालियों के लिए संपूर्ण प्रशिक्षण प्रक्रिया।