A „Supervised Learning” (felügyelt tanulás) a mesterséges intelligencia egyik fő ága, amelyben egy modellt tanítanak arra, hogy előre meghatározott bemenetek alapján előrejelzéseket vagy osztályozásokat végezzen.
A felügyelt tanulás során az adatokat címkékkel vagy címkézett példákkal látják el. Ezek a címkék jelzik a kívánt kimenetet vagy eredményt, amelyet a modellnek meg kell tanulnia reprodukálni vagy előre jelezni. Tehát az algoritmus egy adathalmazt kap, amely minden bemenetet hozzárendel egy kívánt kimenethez, és az algoritmusnak meg kell találnia a kapcsolatot a bemenetek és a kimenetek között.
A felügyelt tanulás során a modell az adatok alapján tanulja meg a mintázatokat és a kapcsolatokat. Az algoritmus kiképzése során a modellt iteratívan finomhangolják a bemenetek és a hozzájuk tartozó kimenetek összehasonlításával. Az algoritmus célja, hogy minimalizálja a predikció és a valós kimenet közötti hibát.
A felügyelt tanulás alkalmazható különböző gépi tanulási feladatokra, például osztályozásra vagy regresszióra. Az osztályozás során a modellnek olyan bemenetek alapján kell kategóriákat vagy címkéket hozzárendelnie, míg a regresszió során a modellnek numerikus értékeket kell előrejeleznie.
Az ilyen típusú tanulásban számos algoritmus és modell létezik, például döntési fák, logisztikus regresszió, support vector machines (SVM), és a mesterséges neurális hálózatok is nagyon elterjedtek. A felügyelt tanulás alapelvei és algoritmusai hozzájárulnak sok valós életbeli probléma megoldásához, például képfelismeréshez, beszédfelismeréshez, termékajánláshoz és még sok máshoz.