教師あり学習は、入力データ（特徴量）とそれに対する出力データ（正解となるラベルや数値）のペアからなる「教師データ」をコンピュータに学習させ、新しい入力に対する出力を予測・分類するモデルを構築する手法です。このプロセスは、大きく分けて「分類（Classification）」と「回帰（Regression）」の2つに分類されます。分類は、メールがスパムかどうか、画像が猫か犬かといった「離散的なカテゴリ」を予測する問題です。一方、回帰は、過去の売上データや天候から将来の売上金額を予測したり、住宅の広さや立地から価格を推定したりといった「連続する数値」を予測する問題です。代表的なアルゴリズムには、線形回帰、ロジスティック回帰、サポートベクターマシン（SVM）、決定木、ランダムフォレストなどがあります。
試験では、「問題と正解（ラベル）のセットを与える」という基本定義のほか、教師あり学習の代表的なアプローチである「分類」と「回帰」の概念の違いについて整理しておくことが求められます。例えば、「売上予測や株価予測は回帰」「画像に写っている動物の判定や迷惑メール判定は分類」といった具体的な事例と手法の紐付けがよく問われます。また、モデルが訓練データに過剰に適合してしまい、未知のデータに対して予測精度が落ちてしまう「過学習（オーバーフィッティング）」という現象とその対策についても頻出です。
分類（離散的なクラスを予測するタスク）、回帰（連続する数値を予測するタスク）、過学習（訓練データに適合しすぎて未知のデータに対応できなくなる現象）。