# Uczenie nadzorowane EN: **Supervised learning** · id `supervised` Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Uczenie maszynowe](https://aiatlasgraph.com/t/ml.md) › Uczenie nadzorowane ## Description - PL: Uczenie z przykładów z przypisaną odpowiedzią. - EN: Learning from examples with the answer attached. ## In one sentence - PL: To uczenie modelu z przykładów, przy których podano oczekiwaną odpowiedź. - EN: This teaches a model from examples paired with the expected answer. ## Problem it solves - PL: Chcesz przewidywać wynik nowych przypadków, ale ręczne opisanie wszystkich zależności między ich cechami jest trudne. - EN: You want to predict outcomes for new cases, but describing every relationship between their features by hand is difficult. ## What it does - PL: Porównuje odpowiedzi modelu z zapisanymi wynikami i wykorzystuje różnice, żeby nauczyć się przewidywać liczbę lub kategorię. - EN: It compares model answers with recorded outcomes and uses the differences to learn to predict a number or category. ## Everyday example - PL: Na danych o wcześniejszych przesyłkach wraz z rzeczywistymi czasami dostawy uczysz model przewidywać czas dotarcia nowej paczki. - EN: You use past shipment records paired with actual delivery times to teach a model to predict when a new parcel will arrive. ## This concerns you if you… - PL: masz przykłady z przypisanym wynikiem lub kategorią - PL: chcesz przewidywać odpowiedzi dla kolejnych przypadków - EN: have examples paired with an outcome or category - EN: want to predict answers for future cases ## Keywords empirical risk minimization · linear models · SVM · k-NN · Naive Bayes · TabPFN · classification loss · regression loss ## How it works - PL: Przykłady wejście–etykieta definiują błąd predykcji, który agreguje się w cel treningowy. Dopasowanie modelu minimalizuje ten błąd z ewentualną regularyzacją, a oddzielne dane sprawdzają przenoszenie wzorców na nowe przypadki. - EN: Input–label examples define prediction errors aggregated into a training objective. Model fitting minimises that error with optional regularisation, while separate data tests transfer to new cases. ## Limits - PL: Błędne etykiety i nieobserwowane przypadki ograniczają to, czego model się nauczy. Minimalizacja straty może premiować niepożądane kompromisy, jeśli nie odpowiada kosztom rzeczywistego zadania. - EN: Incorrect labels and missing cases limit what models learn. Loss minimisation can favour unwanted trade-offs when it does not match real task costs. ## Key terms - PL: **ryzyko empiryczne**: Średnia strata modelu na obserwowanej próbie treningowej. - PL: **etykieta docelowa**: Odpowiedź referencyjna, do której porównuje się predykcję modelu. - EN: **empirical risk**: A model's average loss on observed training samples. - EN: **target label**: A reference answer against which model predictions are compared. ## Know first - [Statystyka i niepewność (Statistics and uncertainty)](https://aiatlasgraph.com/t/probability.md) - [Spadek gradientu i optymalizacja ciągła (Gradient descent and continuous optimisation)](https://aiatlasgraph.com/t/mathoptimization.md) ## Examples - PL: Regresja · klasyfikacja - EN: Regression · classification ## Subtopics (7 direct, 7 in total) - [Maszyny wektorów nośnych (SVM) (Support vector machines)](https://aiatlasgraph.com/t/svm.md): A classifier that looks for the boundary with the widest margin between classes; kernels (the kernel trick) let it draw non-linear boundaries. - [Metoda k najbliższych sąsiadów (k-NN) (k-nearest neighbours)](https://aiatlasgraph.com/t/knn.md): A model with no parameter training: the answer for a new example comes from the k most similar examples in the data. The same idea underlies vector search. - [Modele bazowe dla danych tabelarycznych (Tabular foundation models)](https://aiatlasgraph.com/t/tabularfm.md): Transformers pretrained on millions of (mostly synthetic) tables that predict on a new table without training, learning in context from the given rows. A new direction (since 2025) competing with gradient boosting on small and medium datasets. - [Naiwny klasyfikator Bayesa (Naive Bayes classifiers)](https://aiatlasgraph.com/t/naivebayes.md): A probabilistic classifier built on Bayes' theorem with the simplifying assumption that features are independent. A fast baseline, classically for text (e.g. spam filtering). - [Regresja kwantylowa i przedziały predykcji (Quantile regression and prediction intervals)](https://aiatlasgraph.com/t/quantileregression.md): Estimating conditional quantiles of the target by minimising the pinball loss; a pair of quantiles forms a prediction interval. - [Regresja liniowa i logistyczna (Linear and logistic regression)](https://aiatlasgraph.com/t/linearmodels.md): The simplest predictive models: a weighted sum of features gives a number (linear regression) or a class probability (logistic regression). They are the usual place to learn loss, gradient descent and decision thresholds. - [Uczenie rankingu (learning to rank) (Learning to rank)](https://aiatlasgraph.com/t/learningtorank.md): Learning a scoring function for documents given a query, with pointwise, pairwise or listwise objectives that optimise ranking-quality metrics. ## Related topics Untyped, symmetric "see also" links. - [Modele interpretowalne z natury (Inherently interpretable models)](https://aiatlasgraph.com/t/interpretablemodels.md) ## Sources - [Stanford CS229 · Machine Learning (2018, archiwum)]() `cs229` · reference: Klasyczne ML, statystyka i podstawy uczenia. Użyte jako stabilny szkielet, nie przegląd nowości. - [Google · Recommendation Systems]() `rec` · reference: Rekomendacje, retrieval, scoring i reranking. - [DeepLearning.AI — course catalogue]() `dlai` · course catalogue: 42 topic labels with counts, about 130 courses. --- AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/supervised · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30