监督学习是机器学习（ML）中的一个关键类别。在这种学习方式中，模型通过使用有标记的数据进行训练，从而做出预测或决策。它之所以被称为 “监督” 学习，是因为用于训练模型的数据既包含输入数据，又包含相应的正确输出标签。
监督学习算法在众多领域都有应用，比如图像分类、自然语言处理以及预测建模。这些算法能够从有标记的数据中学习知识，进而对新的、未曾见过的数据做出合理的预测或决策。
监督学习主要有两种类型：分类和回归。分类算法用于预测分类结果，例如判断一封电子邮件是否为垃圾邮件。而回归算法则用于预测连续值，就像预测股票价格一样。
监督学习的一个显著优势在于，由于输入数据附带了正确的输出标签，它能够用相对较少的数据来训练模型。不过，为确保模型能很好地适用于新的、未经测试的数据，拥有足够大且多样化的数据集至关重要。
监督学习算法大致可分为线性和非线性两类。与线性算法相比，非线性算法基于输入和输出数据之间更复杂的关系。它们假定输入和输出之间存在非线性联系，这使得它们能够捕捉到更复杂的模式。
总之，监督学习是一种基础的机器学习方法，模型通过有标记的数据训练来实现预测和决策功能。其在各个领域的广泛应用凸显了它在人工智能领域的重要性。