监督学习 (supervised learning)是指构建模型，这些模型从配有相应正确输出的输入数据中进行学习。本章将着重介绍如何使用Julia编程语言实际实现这些算法。您将大量使用MLJ.jl，它是Julia中一个主要框架，旨在为多种机器学习 (machine learning)工作提供统一的接口。

您将学习如何：

• 熟悉MLJ.jl生态系统，进行模型构建和评估。
• 实现和训练线性模型，例如用于预测连续值的线性回归和用于分类任务的逻辑回归。
• 构建决策树模型并理解像随机森林这样的集成方法。
• 使用支持向量 (vector)机（SVM）解决分类问题。
• 使用准确率、精确率、召回率和 $F_1$ 分数等标准评估指标来衡量模型性能。
• 运用交叉验证技术进行更可靠的模型评估，并在MLJ.jl中进行超参数 (parameter) (hyperparameter)调优以优化您的模型。

到本章结束时，您将能够在Julia中选择、实现、训练和评估几种常见的监督学习模型。