教師あり学習が扱うタスクは、大きく分けて「分類（Classification）」と「回帰（Regression）」の2種類に分類されます。「分類」とは、データをあらかじめ決められたカテゴリ（例えば、犬か猫か、正常か異常かなど）にグループ分けするタスクです。一方、「回帰」とは、連続する数値を予測するタスクであり、例えば過去の気温や売上データから明日の売上金額を予測するような場合に用いられます。教師あり学習で使われる代表的なアルゴリズムには、直線でデータを分割する「線形回帰」や「ロジスティック回帰」、樹木のような分岐ルールを作る「決定木」、データの境界線を最大化する「サポートベクターマシン（SVM）」、そして脳の神経回路を模した「ニューラルネットワーク」などがあります。予測の精度を高めるためには、偏りのない高品質な教師データを大量に集めること（アノテーション作業）が極めて重要となります。