机器学习是通过数据和信息训练，使得计算机像人类一样可以学习和行动的科学。机器学习算法使用数据进行训练。当接触新的数据，他们可以根据以往的数据训练的结果准确地做出行动。
监督学习的概念
顾名思义，机器在监督下学习，这里的监督指的是已明确数据类型和特征，因此监督学习包含一个能够借助标记数据集进行预测的模型。标记数据集则是已知目标答案的数据集。
如下图，标记勺子和刀的图像，并将这些已知数据输入机器，机器根据形状、大小、清晰度等特征分析和学习这些图像的关联。再使用没有任何标签的新图像输入机器时，机器就能够借助过去的数据准确辨别它是勺子还是刀了。
监督学习的类型
监督学习的类型有2种，一是分类，二是回归。
1、分类
当输出变量是分类的，即具有2个或更多数据类型时，使用分类。比如是或否、男或女、真或假等。
举个例子，为了确认邮件是否是垃圾邮件，我们需要先教机器什么是垃圾邮件。这是基于大量垃圾邮件过机制器完成的，像是邮件内容、邮件标题，然后确认是否包含任何虚假信息，通过大量的数据信息，机器可以很容易的辨别垃圾邮件。
2、回归
当输出变量为实数或连续值时使用回归。在这种情况下，两个或多个变量之间存在关系，即一个变量的变化与另一个变量的变化相关。例如，根据工作经验评估工资或根据身高评估体重等等。
监督学习的应用
1、风险评估
监督学习用于评估金融服务或保险领域的风险，以最小化公司的风险组合。
2、图像分类
图像分类是展示监督机器学习的关键用例之一。例如，Facebook可以从带有标签的照片相册中识别出您的朋友。
3、欺诈识别
识别用户进行的交易是否真实。
4、视觉识别
机器学习模型识别物体、地点、人物、动作和图像的能力。
