Klasifikacija podataka dubokim nadziranim učenjem jedan je od pristupa strojnog učenja čiji je cilj da podatke svrstava u željene kategorije. U ovom radu nadzirano učenje primijenjeno je na skupu fMRI slika mozga ljudi sa i bez depresije te je cilj bio izgraditi konvolucijsku neuronsku mrežu koja će što točnije klasificirati te slike u pripadnu klasu. U radu se klasifikacija radila pomoću vlastite konstruirane konvolucijske neuronske mreže i pomoću GoogLeNet arhitekture. Radi usporedbe rezultata, napravljena su 3 osnovna pristupa zasnovana na pogađanju: nasumični klasifikator koji je slučajnim odabirom svrstavao slike u pojedinu od dvije klase, nasumični Stratified klasifikator te klasifikator koji je sve slike svrstavao u brojčano dominantniju skupinu. Točnosti osnovnih pristupa zasnovanih na pogađanju kreću se od 47% do 54%, a F1-mjere u rasponu od 49% do 70%. Točnosti klasifikatora za GoogLeNet kreću se u vrijednostima od 54% do 57.5%, a vrijednosti F1 mjere od 65% do 70% u najboljim slučajevima, u kojima je korišteno samo 5 slojeva originalne arhitekture. Za vlastitu konvolucijsku mrežu najbolja se pokazala arhitektura kada se koriste 3 konvolucijska i 2 linearna sloja, kod koje se točnosti kreću od 55% do 59%, a vrijednosti F1 mjere od 60% do 70%. Pomoću obje testirane arhitekture mogu se postići bolji rezultati klasifikacije u odnosu na osnovne pristupe zasnovane na pogađanju. Zbog svoje jednostavnosti, a jednakih i u nekim slučajevima boljih rezultata, preporuča se korištenje vlastite arhitekture u odnosu na korištenje neuronske mreže GoogLeNet kao klasifikatora za ovaj problem.