I dati utilizzati nell'apprendimento supervisionato sono etichettati, il che significa che contengono esempi di input (chiamati caratteristica) e di output corretti (etichette). Gli algoritmi analizzano un grande set di dati di queste coppie di addestramento per dedurre quale sarebbe il valore di output desiderato quando viene richiesto di fare una previsione su nuovi dati.

Ad esempio, supponiamo che tu voglia insegnare a un modello come identificare le immagini degli alberi. Devi fornire un set di dati etichettato contenente molti esempi diversi di tipi di alberi e i nomi di ogni specie. Puoi consentire all'algoritmo di provare a definire quale insieme di caratteristiche appartiene a ogni albero in base agli output etichettati. Puoi quindi testare il modello mostrando un'immagine dell'albero e chiedendo di indovinare di che specie si tratta. Se il modello fornisce una risposta errata, puoi continuare ad addestrarlo e regolarne i parametri con più esempi per migliorarne l'accuratezza e ridurre al minimo gli errori. 

Una volta che il modello è stato addestrato e testato, puoi utilizzarlo per fare previsioni su dati sconosciuti in base alle conoscenze precedenti che ha appreso.

L'apprendimento supervisionato nel machine learning è generalmente diviso in due categorie: classificazione e regressione. 

Gli algoritmi di classificazione vengono utilizzati per raggruppare i dati prevedendo un'etichetta categorica o una variabile di output in base ai dati di input. La classificazione viene utilizzata quando le variabili di output sono categoriche, ovvero ci sono due o più classi.

Uno degli esempi più comuni di algoritmi di classificazione in uso è il filtro antispam della tua posta in arrivo. In questo caso, un modello di apprendimento supervisionato viene addestrato per prevedere se un'email è spam o meno con un set di dati che contiene esempi etichettati di spam e email legittime. L'algoritmo estrae informazioni su ogni email, tra cui il mittente, la riga dell'oggetto, il corpo del testo e altro ancora. Dopodiché utilizza queste caratteristiche e le corrispondenti etichette di output per apprendere i pattern e assegnare un punteggio che indica se un'email è reale o spam.

Gli algoritmi di regressione vengono utilizzati per prevedere un valore reale o continuo, in cui l'algoritmo rileva una relazione tra due o più variabili. 

Un esempio comune di attività di regressione potrebbe essere la previsione di uno stipendio in base all'esperienza lavorativa. Ad esempio, un algoritmo di apprendimento supervisionato verrebbe fornito con input relativi all'esperienza lavorativa (ad es. durata, settore o campo, località e così via) e il corrispondente importo dello stipendio assegnato. Una volta addestrato il modello, potrebbe essere utilizzato per prevedere lo stipendio medio in base all'esperienza lavorativa.

I modelli di apprendimento supervisionato possono essere utilizzati per una serie di casi d'uso aziendali diversi che consentono di risolvere un'ampia gamma di problemi. Ecco alcuni esempi di apprendimento supervisionato: 

• Valutazione del rischio: i modelli di machine learning supervisionati possono aiutare le banche e altre società di servizi finanziari a determinare se è probabile che i clienti non siano in regola con i prestiti, contribuendo a ridurre al minimo il rischio nei loro portafogli. 

• Classificazione delle immagini: gli algoritmi di machine learning supervisionati sono spesso addestrati per classificare oggetti nelle immagini e nei video. Ad esempio, potrebbe essere utilizzato un algoritmo per riconoscere una persona in un'immagine e taggarla automaticamente su una piattaforma di social media. 

• Rilevamento delle frodi : l'apprendimento supervisionato è alla base di molti sistemi di rilevamento delle frodi, consentendo alle aziende di riconoscere le attività fraudolente. Questi modelli vengono addestrati su set di dati che contengono attività fraudolente e non fraudolente, in modo da poter essere utilizzati per segnalare attività sospette in tempo reale.

Sistemi di consigli: gli algoritmi di apprendimento supervisionato vengono utilizzati dalle piattaforme online e dai servizi di streaming per ottimizzare i consigli basati sul comportamento precedente dei clienti o sulla cronologia degli acquisti. I modelli estraggono informazioni importanti sul comportamento di un utente e suggeriscono prodotti e contenuti simili. 

Per quanto riguarda la differenza tra apprendimento supervisionato e non supervisionato, la differenza principale è il tipo di dati di input utilizzati per addestrare il modello. L'apprendimento supervisionato utilizza set di dati di addestramento etichettati per provare a insegnare a un modello un obiettivo specifico e predefinito.  

In confronto, l'apprendimento non supervisionato utilizza dati non etichettati e opera in modo autonomo per provare ad apprendere la struttura dei dati senza ricevere istruzioni esplicite.