Představte si, že učíte malé dítě poznávat zvířata pomocí kartiček. Na každé kartičce je obrázek zvířete a vy mu řeknete, jak se jmenuje. Ukážete mu obrázek psa a řeknete „pes“, ukážete kočku a řeknete „kočka“. Dítě si tak postupně spojí obrázky se správnými názvy. Učení s učitelem funguje úplně stejně. Umělé inteligenci dáváme data, kde jsou vstupy (obrázky) a k nim rovnou i správné odpovědi (názvy zvířat). Model se na těchto příkladech „s učitelem“ naučí pravidla tak dobře, že když mu pak ukážete úplně nový obrázek zvířete, dokáže ho už samo správně pojmenovat.
Učení s učitelem (Supervised Learning) je paradigma strojového učení, při kterém se algoritmus učí z datového souboru obsahujícího označené příklady. Každý příklad v trénovací sadě se skládá ze vstupního objektu (typicky vektoru příznaků) a odpovídajícího požadovaného výstupu neboli štítku (label). Cílem algoritmu je naučit se mapovací funkci, která dokáže co nejpřesněji predikovat výstupní hodnotu pro nové, dosud neviděné vstupy. Úlohy řešené učením s učitelem se dělí na dva hlavní typy: regrese, kde je cílová hodnota spojitá (např. predikce ceny domu), a klasifikace, kde je cílová hodnota diskrétní a reprezentuje příslušnost do určité kategorie (např. rozpoznání, zda je na obrázku kočka, nebo pes).