英文：Supervised Learning 分类：foundation
使用带标注数据（输入-输出对）训练模型的学习范式。模型从"标准答案"中学习输入到输出的映射，训练后能对未见输入给出预测。分类（识别类别）与回归（预测数值）是它的两大基本任务。
训练目标是最小化预测与标注之间的损失（交叉熵、均方误差）；通过梯度下降迭代更新参数，并用验证集防止过拟合。数据标注质量直接决定模型上限，因此标注规范、质检与半自动标注工具是工程重点。
从早期感知机与统计模型，到 SVM、随机森林，再到深度监督学习统治图像与语言任务；大模型时代，监督信号更多用于指令微调（人工撰写的高质量问答对）。
垃圾邮件过滤、图像分类、房价预测、风险评估、医疗诊断标注场景；在 LLM 流程中，监督微调（SFT）是对齐与能力增强的标准阶段。
相关词条：Transformer · 注意力机制 · 自注意力 · 机器学习 · 无监督学习