监督学习（Supervised Learning）是机器学习的一种重要方法。它通过提供一组已知类别的数据（即带有标签的数据）来训练模型，使得模型能够学习到从输入到输出的映射关系。在监督学习中，我们使用这些已标记的数据来训练一个模型，然后利用这个模型对未知数据进行分类或预测。

监督学习的英文全称是Supervised Learning，简称SL。它是一种流行的方法和范式，广泛应用于各种机器学习任务中，如分类和回归分析。在监督学习中，算法通过学习输入特征和对应的输出标签之间的关系来构建模型，以便对新的、未见过的数据进行准确的预测或分类。

常见的监督学习算法包括线性回归、逻辑回归、支持向量机（SVM）、决策树、随机森林和神经网络等。这些算法在许多实际应用中表现出色，如图像识别、语音识别、医疗诊断和股票市场预测等。

与监督学习相对的是无监督学习（Unsupervised Learning），它不依赖于带有标签的数据，而是通过发现数据中的内在结构和模式来进行学习。无监督学习通常用于聚类分析、降维和异常检测等任务。

总之，监督学习是一种强大的机器学习技术，它利用已标记的数据来训练模型，以实现对新数据的准确预测和分类。