A aprendizagem supervisionada descreve um cenário em que a experiência se torna um factor de formação, que contém informação importante (por exemplo, rótulos de doença/saúde para detecção de doenças das plantas) que falta nos "exemplos de teste" invisíveis aos quais os conhecimentos adquiridos serão aplicados. Neste cenário, a perícia adquirida visa prever que faltam informações para os dados do teste. Neste sentido, o ambiente pode ser pensado como um professor que supervisiona o aluno, fornecendo informação adicional sob a forma de rótulos. Neste livro discutiremos modelos de aprendizagem supervisionada por máquinas, através dos quais compreenderá os fundamentos teóricos, algumas descrições de domínios de aplicação e depois implementará cada um deles no laboratório Jupyter com pandas e bibliotecas de scikit-learn para Python. Inicialmente começará com Regressão Logística (classificação binária), Classificação Multiclasse por Regressão Logística, Árvores de Decisão, Máquina Vectorial de Apoio - SVM (Support Vector Machines), Floresta Aleatória, Validação Cruzada K-Fold, e finalmente Naive B