Denetimli öğrenme (supervised learning), makine öğrenmesi alanında kullanılan bir yöntemdir ve temelinde, bir modelin önceden etiketlenmiş veriler üzerinde eğitilmesini içerir. Bu süreç, bir öğrencinin öğretmeninden öğrenme sürecine benzer olarak görülebilir. Yani model, etiketlenmiş örnekler aracılığıyla kendisini eğiterek, gelecekteki görevlerde daha doğru tahminler yapmaya çalışır. Denetimli öğrenmeyi anlamak için, tıpkı öğretmeninin soru bankasındaki soruları ve doğru cevapları öğrenciye sunarak sınava hazırlaması gibi, model de benzer bir şekilde etiketlenmiş verilerle eğitilir. Etiketlenmiş veriler, her veri noktasının doğru çıktı etiketine sahip olduğu veri kümesidir. Bu veri kümesi, modelin öğrenmesi gereken kalıpları anlaması ve tahmin yeteneklerini geliştirmesi için hayati önem taşır.
Denetimli öğrenmeye birçok alanda rastlamak mümkündür. Görüntü tanıma, dil çevirisi ve sonuç tahmini gibi çok çeşitli görevlerde yaygın olarak kullanılır. Örneğin, görüntü tanıma uygulamalarında, bir model, kedilerin ve köpeklerin etiketli görüntüleri üzerinde eğitilerek, bu iki hayvanı ayırt etmeyi öğrenir. Model, her bir görüntüde hangi hayvanın olduğuna dair etiketler yoluyla bilgiyi emer. Yeterince eğitim aldıktan sonra, model, daha önce görmediği bir hayvanın hangi tür olduğunu kendi başına belirleyebilir. Benzer şekilde, dil çevirisinde de denetimli öğrenme kullanılabilir. Makine öğrenmesi algoritmaları, çift dilli büyük bir metin veritabanında eğitilerek, bir dili diğerine çevirmeyi öğrenirler. Son olarak, sonuç tahmini (outcome prediction) uygulamalarında, denetimli öğrenme, geçmiş verilere dayanarak gelecekteki olayları tahmin etmek için kullanılabilir. Finansal piyasaların durumunu tahmin etmek veya salgın hastalıkların yayılımını öngörmek gibi karmaşık problemlerde bu yöntemin büyük bir etkisi olduğu görülmüştür.
Denetimli öğrenme, modelin doğruluk oranını arttırmak, hata oranını en aza indirmek ve genel performansını optimize etmek için çeşitli algoritmalar kullanır. Yine de başarısı, büyük ölçüde etiketli verilerin kalitesine ve miktarına bağlıdır. Bu nedenle, doğru ve kapsamlı veri toplama süreci, denetimli öğrenme modellerinin etkili bir şekilde çalışabilmesi için kritik bir adımdır.