یادگیری تحت نظارت در کارهای پیش بینی اعمال می شود. در این سناریو، الگوریتم های یادگیری ماشین از مجموعه داده های آموزشی برچسب گذاری شده برای ایجاد یک مدل پیش بینی استفاده می کنند. برای نمونه‌های آینده، مدل می‌تواند ارزش یک ویژگی هدف را بر اساس اهمیت ویژگی‌های آن، که شامل ورودی‌ها و خروجی‌های جفتی است، پیش‌بینی کند (به عنوان مثال، یک توموگرافی چشم که به درستی با عنوان «قوز قرنیه» برچسب‌گذاری شده است). هدف کشف یک فرمول یا قوانین جهانی برای مرتبط کردن ورودی های داده جدید با نتایج مناسب است.یادگیری تحت نظارت معمولاً برای مسائل طبقه بندی یا رگرسیون استفاده می شود. هنگام پیش بینی یا ارزیابی نتایج جدا شده و نامرتب، مانند قوز قرنیه یا چشم های طبیعی، این به عنوان یک مشکل طبقه بندی دیده می شود. هنگام تلاش برای پیش‌بینی یا تخمین یک شاخص عددی برای مرحله قوز قرنیه یا حساسیت اکتازی، این می‌تواند به عنوان یک مشکل رگرسیون مطرح شود.برای هر نوع مشکل در یادگیری ماشین، الگوریتم های مختلفی وجود دارد که می توان از آنها استفاده کرد. یکی از این الگوریتم‌ها برای یادگیری نظارت شده، شبکه‌های عصبی مصنوعی (ANN) است که در دهه 1950 توسعه یافتند و رفتار نورون‌های بیولوژیکی را تقلید می‌کنند. نوع جدیدی از شبکه عصبی به نام یادگیری عمیق، به عنوان زیرشاخه مهمی از یادگیری ماشین ظهور کرده است. با قدرت محاسباتی پیشرفته امروزی، یادگیری عمیق شبکه های عصبی مصنوعی پیچیده را با لایه های متعدد نورون می سازد. اولین لایه‌های شبکه عصبی ویژگی‌هایی را استخراج می‌کند که مهندسان انسانی قبلاً آن را انجام داده‌اند. مهم ترین جنبه یادگیری عمیق این است که این ویژگی ها از داده ها با استفاده از یک روش یادگیری همه منظوره به جای تکیه بر دستورالعمل های مهندسان انسانی آموخته می شوند.
