监督式学习采用的技术主要包括以下几种：
分类算法
线性分类器：如逻辑回归，用于二分类问题。
支持向量机（SVM）：适用于分类和回归问题，尤其在高维空间表现优异。
决策树：通过将输入特征逐步进行比较和决策，从而将数据划分到不同的类别。
随机森林：基于决策树的集成学习算法，通过投票或平均来进行分类。
k-近邻（K-NN）：基于实例的学习算法，将新的输入特征与训练集中最近的K个邻居进行比较，并根据多数投票来进行分类。
回归算法
线性回归：用于预测连续值，例如根据房屋面积预测价格。
多项式回归：用于拟合数据中的多项式关系。
逻辑回归：当因变量是分类的，即具有二元输出时使用，例如垃圾邮件的识别。
神经网络
人工神经网络（ANN）：模拟人脑的层级节点互联来处理训练数据，适用于深度学习算法。
卷积神经网络（CNN）：特别适用于图像识别任务。
循环神经网络（RNN）：适用于序列数据，如语音识别和时间序列预测。
其他技术
交叉验证：用于评估模型的泛化能力，通过将数据集分成多个部分进行训练和验证。
损失函数：用于衡量模型的准确性，并调整模型参数以最小化误差。
梯度提升：通过逐步优化构建决策树，每一步都试图修复前一步的误差。
这些技术和算法在不同的应用场景中有着广泛的应用，如医疗诊断、金融风险评估、自动驾驶汽车的路径规划等。通过使用这些技术，监督式学习能够从带有标签的数据中学习并生成预测模型，从而对新的未知数据进行准确的预测或分类。