Uczenie nadzorowane

Uczenie nadzorowane polega na trenowaniu modelu na zbiorze danych zawierającym zarówno cechy wejściowe, jak i odpowiadające im prawidłowe wyniki (etykiety).  Celem jest przewidywanie wyników dla nowych, wcześniej niewidzianych danych wejściowych na podstawie wyuczonej funkcji. 
Istnieją dwa główne rodzaje uczenia nadzorowanego:

• Klasyfikacja: celem jest przewidzenie etykiety klasy, czyli wybór jednej z możliwości z wcześniej zdefiniowanej listy. Na przykład wyobraź sobie sortowanie wiadomości e-mail do folderów „spam” lub „nie spam”. Albo gdy telefon rozpoznaje Twoją twarz, aby się odblokować — używa klasyfikacji, by powiedzieć: „Tak, to Ty!”
• Regresja: celem jest przewidzenie wartości liczbowej. Na przykład przewidywanie ceny domu na podstawie różnych cech, takich jak jego powierzchnia i lokalizacja, albo ustalanie wartości samochodu na podstawie marki, modelu i wieku. To trochę jak udział w programie „The Price is Right”.

W miarę omawiania różnych algorytmów w tym kursie będziemy mówić o tym, czy przypominają one bardziej uczenie nadzorowane, czy nienadzorowane.