Ohjattu oppiminen kouluttaa mallia merkittyjen esimerkkien avulla (syötteet kytkettyinä oikeisiin tuloksiin), jotta se oppii ennustamaan tuloksia uusille syötteille. Se on yleisin ML-tyyppi, jota käytetään luokitteluun ja regressioon. Syvempi ymmärrys siitä syventää ML-osaamista.
Kuinka ohjattu oppiminen toimii
TRAIN on LABELED data (input → known correct output):
1. collect a DATASET of examples with labels (e.g. emails labeled spam/not-spam)
2. split into TRAINING and TEST sets
3. the model learns to map inputs → outputs by minimizing prediction error on training data
4. EVALUATE on the test set (unseen data) → measure how well it generalizes
5. use the trained model to PREDICT outputs for new inputs (inference)
→ learn from examples with answers → predict answers for new cases
