Które podejście uczenia maszynowego jest trenowane przy użyciu danych, w których każdy przykład zawiera poprawne etykiety wyjściowe?

Uczenie nadzorowane jest prawidłową odpowiedzią, ponieważ polega na trenowaniu modelu na zbiorze danych, w którym każdy przykład wejściowy ma przypisaną odpowiadającą mu poprawną etykietę wyjściową. Model uczy się mapowania wejść na wyjścia, minimalizując błąd między przewidywanymi a rzeczywistymi etykietami. Uczenie nienadzorowane zajmuje się danymi bez etykiet i szuka ukrytych wzorców lub struktur. Uczenie ze wzmocnieniem polega na tym, że agent uczy się poprzez interakcję ze środowiskiem, otrzymując nagrody lub kary. Uczenie transferowe to technika, w której model wytrenowany do jednego zadania jest ponownie wykorzystywany jako punkt wyjścia do drugiego, podobnego zadania, a nie jest to podstawowe podejście do trenowania z etykietowanymi danymi od podstaw.