Supervizované a nesupervizované učení

Dvě paradigmata učení z dat

Supervizované a nesupervizované učení představují základní přístupy strojového učení. Supervizované učení pracuje s párovanými příklady (vstup, výstup/štítek) a učí se predikovat výstupní proměnnou. Nesupervizované učení pracuje pouze s neoznačenými daty a snaží se odhalit vnitřní strukturu, latentní faktory a vztahy. Obě paradigmata lze kombinovat (semi-supervizované, self-supervised, weak supervision) a často sdílejí podobné modely, avšak s odlišnými cíli optimalizace.

Formální definice úloh

Supervizované učení: daná množina dvojic {(x_i, y_i)}_{i=1}^n, kde x_i jsou vstupy a y_i cíle (diskrétní u klasifikace, spojité u regrese). Cílem je nalézt funkci f: mathcal{X} to mathcal{Y}, která minimalizuje očekávanou ztrátu mathbb{E}[ell(f(x), y)].
Nesupervizované učení: daná množina {x_i}_{i=1}^n bez štítků. Cílem je odhalit strukturu dat: shluky, dimenzionalitu, hustotu p(x), anomálie nebo reprezentace z = g(x), které komprimují informaci.

Typické úlohy a příklady použití

Paradigma	Úloha	Popis	Příklad
Supervizované	Klasifikace	Přiřazení třídy	Detekce spamu, rozpoznání obrazu kočka/pes
Supervizované	Regrese	Predikce spojité hodnoty	Odhad ceny nemovitosti, predikce poptávky
Supervizované	Řazení (ranking)	Uspořádání dle relevance	Vyhledávače, doporučování
Nesupervizované	Shlukování	Skupiny podobných vzorků	Segmentace zákazníků
Nesupervizované	Snížení dimenze	Projekce do menšího prostoru	Vizualizace, předzpracování
Nesupervizované	Detekce anomálií	Odchylky od „normálu“	Podvody, poruchy strojů
Nesupervizované	Modelování hustoty	Odhad p(x)	Generativní modely, syntetická data

Algoritmy: přehled hlavních zástupců

Supervizované: lineární a logistická regrese, SVM, náhodné lesy a gradient boosting (XGBoost/LightGBM/CatBoost), neuronové sítě (CNN, RNN/Transformers), k-NN, Naivní Bayes.
Nesupervizované: k-means/k-medoids, hierarchické shlukování, DBSCAN/HDBSCAN, GMM, PCA/ICA/FA, t-SNE/UMAP (vizualizace), autoenkodéry, word2vec/contrastive learning (self-supervised reprezentace).

Ztrátové funkce a optimalizace

Supervizované: MSE/MAE (regrese), log-loss/cross-entropy (klasifikace), hinge loss (SVM), focal loss (nevyvážené třídy), pairwise/listwise loss (ranking). Optimalizace probíhá nejčastěji gradientními metodami (SGD, Adam, L-BFGS), u stromových modelů pak aditivním boostingem.
Nesupervizované: inertiální kritérium k-means (součet čtverců vzdáleností), silueta/DB index pro výběr k; pro PCA minimalizace rekonstrukční chyby/maximalizace vysvětlené variance; u autoenkodérů rekonstrukční ztráta (L2, BCE) a případně regularizace (KL divergence u VAE).

Hodnocení výkonu: metriky a validace

Supervizované: přesnost, precision/recall/F1, ROC-AUC/PR-AUC, RMSE/MAE/R², log-loss; k-fold křížová validace, stratifikace, časové rozdělení u časových řad. Důraz je kladen na generalizaci a testování na nezávislém hold-outu.
Nesupervizované: interní metriky (silueta, Calinski-Harabasz, Davies-Bouldin), externí metriky při dostupnosti částečných štítků (Adjusted Rand Index, Normalized Mutual Information), rekonstrukční chyba, pravděpodobnostní kritéria (BIC/AIC u GMM), stability-based metody.

Datové požadavky a náklady na anotaci

Supervizované učení vyžaduje kvalitní štítky, jejichž získání je nákladné (čas odborníků, nekonzistence, bias). Nesupervizované učení škáluje na velké objemy raw dat, avšak interpretace výstupů a volba hyperparametrů je náročnější. V praxi se uplatňuje semi-supervised přístup: využití malého množství štítků k nasměrování reprezentací naučených na neoznačených datech.

Předzpracování a inženýrství příznaků

Škálování a normalizace: standardizace (z-score), min-max; klíčové pro metody založené na vzdálenosti (SVM, k-means) a gradientní učení.
Kategorizace: one-hot, target encoding (pozor na únik informace, nutná křížová validace), embeddingy.
Snížení dimenze: PCA/UMAP pro odstranění šumu, zrychlení a zlepšení separability; v supervizovaném scénáři také LDA.
Výběr příznaků: filtrační metody (mutual information), zabudované (L1/L2 regularizace, feature importance ze stromů), wrappery (RFE).

Shlukování vs. klasifikace: koncepční rozdíly

Klasifikace (supervizované): naučené hranice mezi třídami; umožňuje pravděpodobnostní výstupy a kvantifikaci nejistoty.
Shlukování (nesupervizované): hledá přirozené skupiny na základě podobnosti; výsledek nemusí odpovídat lidským kategoriím. Volba metriky vzdálenosti a škály má zásadní vliv.

Generativní vs. diskriminační pohled

Supervizované metody bývají často diskriminační (modelují podmíněné rozdělení p(y|x)), zatímco nesupervizované a část generativních modelů odhaduje p(x) nebo společně p(x, y). Generativní přístup umožňuje syntézu dat, imputaci chybějících hodnot, detekci anomálií a aktivní učení, ale vyžaduje náročnější trénink (např. VAE, normální toky, difuzní modely).

Výběr modelu a hyperparametrů

Supervizované: grid/random search, Bayesovská optimalizace, validace s časovým dělením u sekvencí; early stopping, regularizace (L1/L2, dropout), kalibrace pravděpodobností (Plattova kalibrace, isotonic regression).
Nesupervizované: výběr k (k-means) pomocí metody lokte nebo siluety, epsilon/minPts (DBSCAN) dle hustotních kritérií; u PCA volba počtu komponent na základě vysvětlené variance.

Interpretovatelnost a vysvětlitelnost

Supervizované: globální interpretace (koeficienty lineárních modelů, feature importance), lokální metody (LIME/SHAP, kontrafaktuální vysvětlení), reliabilita modelů (kalibrace pravděpodobností).
Nesupervizované: popis shluků pomocí prototypů či centroidů, zatížení komponent u PCA, vizualizace (t-SNE/UMAP), rekonstrukční mapy u autoenkodérů.

Nevyvážená data, šum a anomálie

Supervizované: převažování ztráty, oversampling (např. SMOTE), undersampling, cost-sensitive učení, nastavení prahu na základě PR-AUC.
Nesupervizované: robustní metriky, hustotní metody (LOF), izolační stromy (iForest), autoenkodéry s vysokou rekonstrukční chybou pro identifikaci odlehlých bodů.

Pipeline a nasazení v praxi

Definice cíle: predikovat y (supervizovaně) nebo získat reprezentace/segmenty (nesupervizovaně).
Správa dat: sběr, čištění, deduplikace, správa verzí dat a štítků.
Feature store & sledování experimentů: zajištění opakovatelnosti, audit, MLOps.
Trénink a validace: správná schémata křížové validace, metriky reflektující obchodní cíle.
Nasazení: online/batch inference, monitoring driftu (datového i konceptuálního), politiky pro re-trénink.

Bezpečnostní a etické aspekty

Bias a spravedlnost (fairness): u supervizovaného učení může být bias „v pečeti“ štítků; je nezbytná auditovatelnost a metriky fairness.
Soukromí: u nesupervizovaných reprezentací pozor na re-identifikaci; doporučuje se implementace DP (differential privacy) a anonymizace.
Robustnost: odolnost vůči adversariálním útokům, kontaminovaným štítkům i odlehlým hodnotám.

Srovnání výhod a omezení

Kritérium	Supervizované učení	Nesupervizované učení
Požadavky na data	Vyžaduje štítky (nákladné)	Bez štítků (snadná škálovatelnost)
Vyhodnocení	Jednoznačné metriky, snadná validace	Obtížnější, často nepřímé metriky
Interpretace	Často lepší, zejména u jednodušších modelů	Závislá na volbě metody a metrik
Obecnost výstupu	Specifická predikce cíle	Obecná struktura a reprezentace
Citlivost na šum	Citlivé na chybné štítky	Citlivé na škálování a metriky podobnosti
Nasaditelnost	Přímočará pro obchodní cíle	Užitečné pro průzkum a předzpracování

Překlenutí mezery: semi-supervizované a self-supervised

Semi-supervizované: kombinuje malé množství štítků s rozsáhlým neoznačeným korpusem (pseudo-labeling, consistency regularizace, šíření štítků na grafu).
Self-supervised: vytváří pretextové úlohy ze samotných dat (maskování částí vstupu, kontrastivní učení). Naučené reprezentace se následně doladí malým množstvím štítků.

Praktická doporučení pro volbu přístupu

Pokud máte kvalitní štítky a jasně definované KPI, preferujte supervizované učení s robustní validací.
Při průzkumu neznámé domény, segmentaci, detekci anomálií nebo předzpracování zvažte nesupervizované metody.
Když jsou štítky vzácné, využijte semi-/self-supervised předtrénink a následně lehké supervizované doladění.
Nezapomeňte na MLOps: verze dat a modelů, monitoring driftu a politiky re-tréninku.

Časté chyby a jak se jim vyhnout

Únik informace (leakage): míchání trénovacích a validačních dat, použití target encodingu bez správné křížové validace.
Přeučení (overfitting): nedostatečná regularizace, absence early stopping, příliš složitý model vzhledem k velikosti dat.
Špatná metrika: optimalizace accuracy u nevyvážených tříd; preferujte PR-AUC, F1, cost-sensitive ztráty.
Nesprávná volba vzdálenostní metriky: u shlukování bez škálování příznaků; zvažte kosinovou či Mahalanobisovu metriku.
Přehnané spoléhání na vizualizace: t-SNE/UMAP slouží pro vizualizaci, nikoli pro metrické závěry o separabilitě.

Závěr

Supervizované učení exceluje tam, kde jsou definované cíle a dostupné kvalitní štítky; nesupervizované učení je klíčové pro objevování struktury dat, redukci dimenze, detekci anomálií a učení reprezentací. V moderní praxi se hranice mezi těmito přístupy stírá díky semi- a self-supervizovaným metodám, které využívají rozsáhlá neoznačená data a omezené množství štítků. Klíčem k úspěchu je správná