El aprendizaje supervisado es un enfoque de aprendizaje automático donde un modelo se entrena utilizando un conjunto de datos etiquetados, es decir, datos con resultados conocidos. Durante el entrenamiento, el modelo aprende a mapear las entradas a las salidas correctas, ajustando sus parámetros para minimizar el error en sus predicciones.

Este tipo de aprendizaje se utiliza en dos tipos de tareas principales:

• Clasificación: Predicción de una etiqueta o clase, como identificar si un correo electrónico es "spam" o "no spam".

• Regresión: Predicción de un valor continuo, como predecir el precio de una casa basado en sus características.

Un ejemplo común es el sistema de reconocimiento de imágenes. El modelo se entrena con fotos etiquetadas de diferentes objetos (como "gato", "perro", "auto") y aprende a identificar estos objetos en nuevas imágenes.

El aprendizaje supervisado es ampliamente usado en áreas como el diagnóstico médico, donde los modelos aprenden a clasificar imágenes de radiografías como "normal" o "anormal" según ejemplos previos, ayudando en la toma de decisiones.