教師あり学習とは
教師あり学習とは、AI（人工知能）や機械学習のトレーニング方法の一つで、「問題」と「その正解」がセットになったデータ（教師データ）をコンピュータに与えて学習させる手法です。人間でいうところの「問題集と解答を見ながら勉強する」方法に似ています。
学習のプロセスでは、まずコンピュータに大量のデータとそれに対応する正しいラベル（正解）を入力します。コンピュータは「このような特徴があるときは、この正解になる」というルールやパターンを自動的に見つけ出します。学習が終わると、正解が書かれていない未知のデータを入力した際にも、学習したルールに基づいて正しい答えを高い精度で予測できるようになります。
具体例
メールソフトの「迷惑メールフィルタ」が代表的な例です。あらかじめ「迷惑メールである（正解）」とラベル付けされたメールと、「通常のメールである（正解）」とラベル付けされたメールを数万件読み込ませます。コンピュータは迷惑メールによく使われる単語や文章の特徴を学習し、新しく届いたメールがどちらに分類されるかを自動で判定できるようになります。
もう少し詳しく
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。
試験でのポイント
試験では、機械学習の分類（教師あり、教師なし、強化学習）とその具体的なユースケースを正しく結びつける問題がよく出題されます。また、「分類」と「回帰」の定義の違いや、それぞれのタスクで用いられるアルゴリズムの名称（決定木やSVMが教師あり学習に属することなど）を整理しておく必要があります。さらに、学習用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「過学習（オーバーフィッティング）」や、その対策としての「交差検証（クロスバリデーション）」といった用語も頻出するため、データ分析プロセスの全体像と合わせて理解を深めておきましょう。
関連する用語
教師あり学習に関連する用語としては、正解データを与えずにデータのグループ分けや特徴抽出を行う「教師なし学習」や、エージェントが試行錯誤を通じて最適な行動を学ぶ「強化学習」があります。また、学習用データを作成するためにデータに正解の付箋を貼る「アノテーション」や、モデルの評価指標である「混同行列（適合率・再現率など）」も、実務と試験の両方で必須となる関連概念です。