למידה מפוקחת / לא-מפוקחת

למידה מפוקחת ולמידה לא-מפוקחת הם שני הגישות היסודיות ביותר בלמידת מכונה, שנבדלות בסוג הנתונים שמהם המודל לומד.

בלמידה מפוקחת (Supervised Learning), המודל מקבל דוגמאות עם "תשובה נכונה" מתויגת מראש, ולומד למפות מהקלט לתיוג. ברוב יישומי ה-AI המסחריים היום זו הגישה השולטת, אבל היא דורשת נתונים מתויגים ידנית, תהליך יקר ואיטי.

בלמידה לא-מפוקחת (Unsupervised Learning), אין תיוג כלל — המודל מקבל נתונים "גולמיים" ומתבקש למצוא בעצמו תבניות וקבוצות בתוכם. אימון מודלי שפה גדולים על טקסט לא-מתויג (רק חיזוי המילה הבאה) הוא דוגמה מרכזית לגישה הזו.