Em outras palavras, no aprendizado supervisionado, um conjunto de dados de entrada é rotulado e usado para a máquina obter chaves e aprendê-las para dar uma resposta correta. Se a máquina estiver aprendendo a distinguir animais, ela receberá uma série de dados de entrada.

Esses dados marcados contêm características ou imagens de cada tipo de animal para que você possa diferenciá-los. Após treinamento e aprendizado, a máquina será capaz de identificar diferentes tipos de animais com base nos dados descritivos que recebeu.

O aprendizado supervisionado é um subsistema de aprendizado autônomo ou um desdobramento do aprendizado de máquina. Visto que, uma série de dados rotulados é utilizada, com a finalidade de treinar algoritmos que realizam a classificação dos dados. Para que eles possam finalmente fazer previsões com a maior precisão possível.

Com efeito, os algoritmos são capazes de aprender interativamente com os dados. Para então fazer com que a máquina ou sistema localize as informações ocultas. Isso sem a necessidade de programá-los para que saibam onde procurar e encontrar as informações. As máquinas treinam com os dados e são capazes de estabelecer relações entre os diferentes valores. Tudo isso com base no que aprenderam com o manuseio de dados anteriores.

Para começar, o aprendizado supervisionado segue um processo de treinamento, que ensina o modelo a produzir o resultado esperado. A série de dados contém dados de entrada e dados de saída com os quais são obtidos resultados corretos. Por esse motivo, o modelo aprende com o tempo.

De fato, o algoritmo consegue estabelecer o nível de precisão por meio da função de perda. Isso permite que você ajuste até que o erro diminua o suficiente.

Entre as principais características da aprendizagem supervisionada encontramos:

• O aprendizado de máquina supervisionado precisa de dados de entrada e saída rotulados.
• Requer um modelo que é usado para resolver um problema. Assim, a máquina atinge a capacidade de classificar dados e fazer previsões.
• Usa muitos recursos devido à necessidade de lidar com dados rotulados.

Em geral, os algoritmos utilizados no aprendizado supervisionado estabelecem modelos de relacionamento e dependência. Especificamente entre os resultados da previsão e os dados de entrada. A ideia é que, com as características dos dados de entrada, os valores de saída possam ser previstos com os novos dados. Tudo isso com base no aprendizado obtido com dados previamente conhecidos.

A aprendizagem supervisionada pode ser dividida em duas grandes categorias:

Baseia-se fundamentalmente na previsão de variáveis ​​numéricas.

Os algoritmos de regressão:

• Permitem fazer a previsão de um valor real, com base nos dados de entrada anteriores.
• Os algoritmos são utilizados para fazer a previsão dos valores de saída, com base nas características das entradas obtidas através dos dados.
• Nestes casos os valores de saída são contínuos e não discretos.

Por exemplo, esses algoritmos são usados ​​para fazer uma previsão de preço, prever a quantidade de demanda, prever o nível de vendas ou o nível de receita, entre alguns que podem ser mencionados.

Os tipos de algoritmo de regressão são:

• Regressão linear.
• Regressão não linear.
• Vetores de suporte de regressão.
• Árvores de decisão de regressão.
• Regressão de florestas aleatórias.
• Redes neurais e aprendizado profundo.

Baseia-se fundamentalmente na previsão de variáveis ​​categóricas.

Algoritmos de ordenação:

• Eles procuram rotular cada um dos exemplos dentro de duas ou mais classes distintas.
• Eles fazem uso dos recursos previamente aprendidos sobre os dados de treinamento, para aplicá-los a novos dados. Esses dados não foram visualizados anteriormente e são usados ​​para prever os rótulos das classes.
• A classificação da classe pode ser binária ou multiclasse. Se escolherem entre duas classes, aplicam a classificação binária e se escolherem entre duas ou mais classes, aplicam um modelo multiclasse.

Por exemplo, esses algoritmos ajudam a fazer previsões sobre o risco de crédito, ou seja, se o cliente cancelará ou não o crédito adquirido. Pode ajudar a prever se um aluno será aprovado em um curso ou não. Também pode ser implementado para classificar imagens.

Alguns dos tipos de algoritmo de classificação são:

• regressão logística
• vizinhos mais próximos
• Máquinas de vetores de suporte
• 
  Árvores de Decisão de Classificação
• Classificação aleatória de florestas

• Detecção de spam: O algoritmo permite detectar qual e-mail é desejado e qual é spam.
• Faça diagnósticos médicos: O algoritmo detecta a partir de uma amostra de casos que são positivos ou negativos diante de um problema médico.
• Perda de clientes: o algoritmo prevê quais clientes cancelarão a assinatura de um determinado serviço.
• Mercado de ações: O algoritmo faz previsões financeiras sobre a evolução e o comportamento dos mercados.

É importante mencionar que a aprendizagem supervisionada é muito útil. Já que permite que pessoas, empresas e instituições convertam dados em informações reais. Essas informações oferecem previsões precisas que os ajudam a tomar melhores decisões e a aplicar melhores estratégias.

Como consequência, isso cria uma vantagem sobre a concorrência. Pois permite prevenir resultados indesejados ou aproveitar ao máximo eventos positivos e favoráveis. Além disso, esse modelo de aprendizado possibilita que o sistema de inteligência artificial tome decisões de negócios de forma rápida e eficaz. São decisões mais precisas e rápidas, em relação ao modo como o ser humano as toma, porque as máquinas têm mais informação.

Em conclusão, pode-se afirmar que o objetivo principal da aprendizagem supervisionada é adquirir a capacidade de prever corretamente um valor correspondente a qualquer objeto ou situação. Isso depois que a máquina observa uma série de exemplos que servem como dados de treinamento.