Überwachtes Lernen ist ein Teilgebiet des maschinellen Lernens und dieses wiederum ein Teilgebiet der KI (Künstlichen Intelligenz).
Ziel des maschinellen Lernens ist es, aus vorhandenem Datenmaterial Gesetzmäßigkeiten, Muster oder Handlungsabläufe automatisch zu erkennen.
In einem technischen Umfeld könnte dies z.B. bedeuten, dass aus diversen Sensordaten einer Maschine erkannt wird, ob sie fehlerfrei läuft oder nicht.
In der Marketingabteilung eines Online-Shops könnte die Aufgabenstellung z.B. lauten, zu einem bestimmten Produkt gute Komplementärprodukte anzuzeigen.
Charakteristisch für das überwachte Lernen ist es, dass in den Ausgangsdaten, die zum Lernen verwendet werden, neben diversen unabhängigen Merkmalen auch eine oder mehrere der Zielgrößen vorhanden sind und das eingesetzte Verfahren versucht, einen Mechanismus zu finden, um aus den unabhängigen Merkmalen die Zielgröße abzuleiten.
Wenn das Verfahren gut gelernt also generalisiert und nicht nur auswendig gelernt hat, kann es dann später in der Anwendungsphase, in der die Zielgröße(n) nicht mehr vorhanden sondern zu ermitteln sind, diese aus den anderen Merkmalen "vorhersagen".
Als Verfahren im überwachten Lernen kommen z.B. neuronale Netze oder Entscheidungsbäume zum Einsatz.