Verwendung eines gelabelten Datensatzes zum Trainieren oder Lernen von Modellen neuronaler Netze. Diese Datensätze dienen dazu, das Trainieren oder Lernen von Modellen zu “überwachen”, damit diese Modelle Daten oder Ergebnisse genau klassifizieren, mittels Regressionsanalyse beschreiben oder allgemein vorhersagen können.
Typische Beispiele für solche Lern- oder Trainingsverfahren: empirische Risikominimierung [Empirical Risk Minimisation, ERM], strukturelle Risikominimierung [Structural Risk Minimisation, SRM], MixUp, Instanzbasiertes Lernen, neuronale Netze zur Klassifikation, neuronale Netze zur Regression, Lernende Vektorquantisierung [Learning Vector Quantisation], Frameworks für die Abfolge Training-Validierung-Test.