Uczenie nadzorowane (Supervised Learning) – uczenie na etykietowanych danych.

Uczenie nadzorowane to jedna z podstawowych metod uczenia maszynowego, polegająca na trenowaniu modeli na zbiorze danych zawierających zarówno wejściowe dane, jak i odpowiadające im etykiety bądź wartości docelowe. Dzięki temu model uczy się przewidywać lub klasyfikować nowe, nieznane wcześniej dane na podstawie wzorców wyekstrahowanych z danych treningowych. Proces ten obejmuje optymalizację parametrów modelu w taki sposób, aby minimalizować różnicę między przewidywaniami modelu a rzeczywistymi etykietami.

Metoda ta jest szeroko stosowana w różnych dziedzinach, takich jak rozpoznawanie obrazów, analiza tekstu, predykcje finansowe czy diagnostyka medyczna. Uczenie nadzorowane wymaga dobrze oznakowanego zbioru danych, co często wiąże się z koniecznością ręcznego nadzorowania i etykietowania danych przez ekspertów. Do najpopularniejszych algorytmów stosowanych w tym podejściu należą między innymi regresja liniowa, maszyny wektorów nośnych (SVM), drzewa decyzyjne oraz sieci neuronowe.