Conas a oibríonn foghlam faoi dhéidin i mionsonraí?

Question

Accepted Answer

**Foghlam faoi dhéidin** a dhréanann múnla ar **shamplaí lipéadaithe** (ionchuir péireáilte le aschur ceart) ionas go bhfoghlaimíonn sé fothscéim a thuar d'ionchuir nua. Is é an cineál ML is coitianta é, agus úsáidtear é do rangú agus aischéimniú. Méadaíonn tuiscint a fháil air ar eolas ML.

## Conas a oibríonn foghlam faoi dhéidin

```text
TRAIN on LABELED data (input → known correct output):
  1. collect a DATASET of examples with labels (e.g. emails labeled spam/not-spam)
  2. split into TRAINING and TEST sets
  3. the model learns to map inputs → outputs by minimizing prediction error on training data
  4. EVALUATE on the test set (unseen data) → measure how well it generalizes
  5. use the trained model to PREDICT outputs for new inputs (inference)
→ learn from examples with answers → predict answers for new cases
```

## Rangú i gcoinne aischéimniú

```text
CLASSIFICATION → predict a CATEGORY (discrete classes):
  → spam/not-spam, cat/dog, disease/no-disease, sentiment (positive/negative)
REGRESSION → predict a continuous NUMBER (value):
  → house price, temperature, demand, age
→ both are supervised (learn from labeled examples); the output type differs
```

## Príomhchoinceapa

```text
✓ FEATURES → the input variables the model uses (good features matter — see feature engineering)
✓ TRAINING/TEST SPLIT → train on one set, test on unseen data → measure GENERALIZATION
✓ GENERALIZATION → performing well on NEW data (not just memorizing training data)
✓ OVERFITTING → memorizing training data, poor on new data (a key problem)
✓ algorithms: linear/logistic regression, decision trees, random forests, neural networks, etc.
```

## Cén fáth a bhfuil sé tábhachtach

Tá sé luachmhar tuiscint a fháil ar fhoghlam faoi dhéidin i mionsonraí toisc gur **an cineál ML is coitianta** atá ann, agus tá sé bunúsach do go leor feidhmchlár phraiticiúla, agus dá bhrí sin méadaíonn tuiscint a fháil air ar eolas ML.

Foghlam faoi dhéidin — oiliúint ar shamplaí lipéadaithe chun aschur a thuar d'ionchuir nua — is ea an t-eallach oibre de ML phraiticiúil.

Tuiscint a fháil ar **conas a oibríonn sé** — sonraí lipéadaithe a bhailiú, a roinnt ina thraenáil agus tacar tástála, an múnla ag foghlaim léarscáil a dhéanamh ó ionchuir go haschur trí dhóchúlacht earráide a íoslaghdú, measúnú ar dhonnsolaí neamhthuartha tástála chun ginearálú a thomhas, agus an múnla traenáilte a úsáid le haghaidh fothscéimh — soiléiríonn sé fút-oibre an fhoghlama faoi dhéidin.

Tuiscint a fháil ar **rangú i gcoinne aischéimniú** — rangú ag fothscéimh catagóirí (spam/nach-spam, mothúchán) agus aischéimniú ag fothscéimh uimhreacha leanúnacha (praghasanna, éileamh) — cumainn dhó phríomhthhasc faoi dhéidin agus cabhrú a thabhairt do thuiscint a fháil ar cé acu a bhaineann le fadhb.

Tuiscint a fháil ar na **príomhchoinceapa** — **gné** (athróga ionchuir, áit a bhfuil gnéanna maithe ábhartha), an **roinn traenála/tástála** (traenáil ar thacar amháin agus tástáil ar dhonnsolaí neamhthuartha chun ginearálú a thomhas), **ginearálú** (feidhmíonn go maith ar dhonnsolaí nua, ní hamháin cuimhne a dhéanamh), **oferfitting** (cuimhne a dhéanamh ar dhonnsolaí traenála le feidhmíonn dona ar dhonnsolaí nua — fadhb bhunúsach), agus na halgartaim (aischéimniú, crainn chinnteoireachta, líonraí néarúla) — soláthraíonn sé an bhunús coincheapúil do thuiscint agus feidhmíonn foghlam faoi dhéidin.

Tá na coinceapa seo (ginearálú, roinn traenála/tástála, oferfitting) bunúsach do dhéanamh ML go maith, agus méadaíonn tuiscint a fháil orthu ar eolas ML thar na bunúsacha.

Ó is é foghlam faoi dhéidin an cineál ML is coitianta (bunúsach do go leor feidhmchlár phraiticiúla) agus tuiscint a fháil air i mionsonraí (an fút-oibre, rangú i gcoinne aischéimniú, agus príomhchoinceapa ar nós ginearálú, roinn traenála/tástála, agus oferfitting) méadaíonn ar eolas ML agus tá sé bunúsach do fheidhmíonn ML, tá tuiscint a fháil ar fhoghlam faoi dhéidin i mionsonraí luachmhar, praiticiúil eolas ML — an cineál ML is coitianta agus is praiticiúla, agus tá a choinceapa (ginearálú, roinn traenála/tástála, oferfitting) bunúsach do dhéanamh ML go maith, agus tábhachtach do dhune ar bith ag obair le meaisínfhoghlam nó ag tuiscint air.