جایی که ماشین تابعی از ورودی به خروجی را یاد می‌گیرد، همان A to B مپینگِ خودمان

یادگیری با نظارت(Supervised Learning) اولین قدم به دنیای یادگیری ماشین است. در این‌گونه یادگیری:

• گام اول: ناظر، داده‌های آموزشی و برچسب‌دار را به ماشین می‌دهد.
• گام دوم: الگوریتم، الگوهای داده‌های ورودی را که قطعاً با خروجی ارتباط دارند، یاد می‌گیرد.
• گام سوم: الگوریتم، ورودی‌های جدیدی را می‌گیرد که خروجی مدنظر آن‌ها مشخص نیست.
• گام چهارم: از اینجا به بعد، یادگیری ماشین معنا پیدا می‌کند، به این شکل که الگوریتم بر اساس الگوهای داده‌های قبلی که یاد گرفته است، تعیین می‌کند که ورودی‌های جدید به کدام برچسب طبقه‌بندی شوند یا چه خروجی دارند.
  بر همین اساس، یادگیری با نظارت، به دو زیرمجموعه کلی «طبقه‌بندی» و «رگرسیون» تقسیم می‌شود. تعیین Spam ‌بودن یا نبودن ایمیل‌ها، نمونه‌ای از «طبقه‌بندی» یادگیری با نظارت است. بدین گونه که الگوریتم، بر اساس یادگیری با نظارت مشخص می‌کند که یک ایمیل (ورودی) Spam ‌است یا غیر Spam (خروجی). هدف الگوریتم «رگرسیون» نیز پیش‌بینی مقادیر پیوسته‌ای، مانند مقدار فروش، درآمد و نمرات آزمون است. درباره تفاوت یادگیری خودنظارتی و نیمه نظارتی بیشتر بخوانید.