Supervised Learning — maşın öyrənməsi (machine learning) sahəsində istifadə olunan əsas öyrənmə üsullarından biridir. Bu metodda kompüter modelinə əvvəlcədən etiketlənmiş (yəni nəticəsi məlum olan) məlumatlar təqdim olunur və model həmin məlumatlar əsasında gələcəkdə bənzər nümunələrə düzgün cavab verməyi öyrənir. Yəni sistemə hansı girişə (input) hansı çıxışın (output) uyğun olduğu əvvəlcədən göstərilir.

Əsas prinsipi:

Modelə təqdim olunan giriş (input) və onunla əlaqəli çıxış (output) cütlükləri əsasında öyrənmə prosesi baş verir. Məqsəd budur ki, model bu nümunələr əsasında bir funksiya öyrənsin və yeni, daha əvvəl görmədiyi girişlər üçün doğru nəticəni proqnozlaşdıra bilsin.

Əsas komponentləri:

1. Təlim məlumatları (Training Data): Giriş və çıxışdan ibarət olan etiketlənmiş məlumat dəstidir. Məsələn:

• Giriş: "Bu evin sahəsi 100 kv.m-dir."
• Çıxış: "Ev qiyməti: 120,000 AZN"

1. Model: Girişləri çıxışlara xəritələndirən alqoritmik sistemdir. Məşq dövründə bu model təlim məlumatlarına uyğunlaşdırılır.
2. Zərər funksiyası (Loss Function): Modelin nə qədər səhv etdiyini ölçən riyazi funksiyadır. Məqsəd bu funksiyanın qiymətini minimuma endirməkdir.
3. Optimizasiya alqoritmi: Modelin səhvlərini azaltmaq üçün istifadə olunur. Ən məşhur üsullardan biri gradient descent-dir.

Nümunələr:

• Təsnifat (Classification): Girişin hansı kateqoriyaya aid olduğunu təyin edir.
• Məsələn: Email spamdır ya yox? Xəstəlik diaqnozu nədir?
• Reqressiya (Regression): Giriş əsasında kəmiyyət proqnozlaşdırır.
• Məsələn: Avtomobilin yaşı və yürüşünə əsasən satış qiyməti nə qədər olacaq?

Məşhur Supervised Learning alqoritmləri:

• Linear Regression (Xətti reqressiya)
• Logistic Regression (Logistik reqressiya)
• Decision Trees (Qərar ağacları)
• Support Vector Machines (Dəstək vektor maşınları)
• K-Nearest Neighbors (Ən yaxın K qonşu)
• Neural Networks (Süni sinir şəbəkələri)

Tətbiq sahələri:

• Tibbi diaqnoz
• Kredit riskinin qiymətləndirilməsi
• Səs və nitq tanıma
• Mətn təsnifatı
• Şəkil və obyekt tanıma
• Qiymət proqnozlaşdırılması (səhm bazarı, daşınmaz əmlak və s.)

Üstünlükləri:

• Ənənəvi və sınaqdan keçmiş metod olduğu üçün geniş tətbiq olunur
• Geniş çeşidli alqoritmlər mövcuddur
• Yüksək dəqiqlik əldə etmək mümkündür (yaxşı təlim məlumatları olduqda)

Məhdudiyyətləri:

• Təlim üçün çoxlu etiketlənmiş məlumat tələb olunur
• Məlumatlar keyfiyyətsiz və ya qeyri-tarazlı olduqda nəticələr səhv ola bilər
• Model bəzən təlim məlumatlarına çox uyğunlaşaraq yeni məlumatlarda zəif performans göstərə bilər (overfitting problemi)

Nəticə:

Supervised Learning — İA (İntellektual Analitika) və maşın öyrənməsi modellərinin qurulmasında fundamental rol oynayan öyrənmə üsuludur. Məlumatlar düzgün hazırlandıqda və alqoritm düzgün seçildikdə, bu metod real həyatda çox uğurlu və effektiv nəticələr verir.