Supervised Learning, Unsupervised Learning und Reinforcement Learning sind drei Ansätze des Machine Learning (ML). Supervised Learning ist überwachtes Lernen, bei dem aus den Daten zukünftige Entwicklungen abgeleitet werden können.
Beim Unsupervised Learning, dem nichtüberwachten Lernen, geht es darum, Erkenntnisse und Rückschlüsse aus dem Datenbestand zu ziehen und beim Reinforcement Learning erfährt das System eine Anerkennung, wenn es eine passende Aktion ausgeführt hat.
Beim Supervised Learning geht es um die Abbildung der Beziehungen zwischen Eingangs- und Ausgangsgrößen. Diese werden klassifiziert und daraus werden Lernalgorithmen abgeleitet, die zukünftige Entscheidungen unterstützen. Über Trainingsdaten und verfeinerte Klassifizierung mit Gruppenzugehörigkeit verbessert das System den Lernalgorithmus. Während des Trainings enthält das System Datensätze mit Gruppenzugehörigkeit, aus der das System die Gruppenfeatures selektieren kann. Die vom Supervised Learning aufgebauten Modelle aus vorhandenen Daten.
Eingesetzt wird Supervised Learning u.a. beim autonomen Fahren, in Chatbots, Erkennungssystemen, Expertensystemen und Robotern.