मेसिन लर्निङका मुख्य प्रकारहरू कुन हुन्?

Question

Accepted Answer

मेसिन लर्निङका तीन मुख्य प्रकार छन् — **supervised learning** (लेबल गरिएका उदाहरणहरूबाट सिक्नु), **unsupervised learning** (लेबल नगरिएको डेटामा ढाँचा खोज्नु), र **reinforcement learning** (परीक्षा र पुरस्कारको माध्यमबाट सिक्नु)। तिनलाई बुझ्नुले ML ले विभिन्न समस्याहरूको दृष्टिकोण कस्तो गर्छ भन्ने कुरा स्पष्ट गर्छ।

## तीन मुख्य प्रकारहरू

```text
SUPERVISED LEARNING → learn from LABELED data (input → known correct output):
  → trained on examples with answers → learns to predict outputs for new inputs
  → for: classification (categorize), regression (predict numbers)
  → e.g. spam detection (labeled spam/not-spam), price prediction
UNSUPERVISED LEARNING → find patterns in UNLABELED data (no given answers):
  → discovers structure/groupings on its own
  → for: clustering (group similar items), dimensionality reduction, anomaly detection
  → e.g. customer segmentation, finding patterns
REINFORCEMENT LEARNING → learn through TRIAL and ERROR with REWARDS:
  → an agent takes actions, gets rewards/penalties, learns to maximize reward over time
  → for: game playing, robotics, control, decision-making
```

## प्रकार छनोट गर्नु

```text
→ have LABELED data + want to predict outputs → SUPERVISED (most common in practice)
→ have unlabeled data + want to find structure → UNSUPERVISED
→ an agent learning from interaction/rewards → REINFORCEMENT
→ (also: semi-supervised, self-supervised — hybrids; LLMs use self-supervised learning)
```

## किन महत्त्वपूर्ण छ

मेसिन लर्निङका मुख्य प्रकारहरू बुझ्नु आधारभूत छ किनभने तिनले **ML ले समस्याहरूको दृष्टिकोण गर्ने आधारभूत तरिकाहरू** प्रतिनिधित्व गर्छन्, त्यसैले तिनलाई बुझ्नु आधारभूत ML साक्षरता हो।

तीन मुख्य प्रकारहरू प्रत्येकले विभिन्न समस्या र डेटामा उपयुक्त हुन्छन्।

**Supervised learning** (लेबल गरिएको डेटाबाट सिक्नु जहाँ इनपुटहरूको ज्ञात सही आउटपुट छ, नयाँ इनपुटहरूको लागि आउटपुट भविष्यवाणी गर्न, classification र regression को लागि प्रयोग गरिन्छ — व्यवहारमा सबैभन्दा सामान्य प्रकार, जस्तै स्प्याम पत्ता लगाउने र मूल्य भविष्यवाणी) बुझ्नु सबैभन्दा महत्त्वपूर्ण छ, किनभने यो अधिकांश व्यवहारिक ML अनुप्रयोगहरूको आधार हो।

**Unsupervised learning** (लेबल नगरिएको डेटामा ढाँचा खोज्नु दिइएका उत्तरहरू बिना, संरचना र समूहीकरण पत्ता लगाउने, clustering, dimensionality reduction, र anomaly detection को लागि प्रयोग गरिन्छ, जस्तै ग्राहक विभाजन) बुझ्नुले ML ले लेबलहरू बिना ढाँचाहरू कसरी खोज्छ भन्ने कुरा स्पष्ट गर्छ।

**Reinforcement learning** (परीक्षा र त्रुटिको माध्यमबाट सिक्नु पुरस्कारहरू सहित, जहाँ एजेन्टले क्रियाहरू गर्छ र पुरस्कार अधिकतम गर्न सिक्छ, खेल खेल्ने, रोबोटिक्स, र नियन्त्रणको लागि प्रयोग गरिन्छ) बुझ्नुले अन्तरक्रिया-आधारित सिकाइ दृष्टिकोण स्पष्ट गर्छ।

**छनोट गर्नुबारे बुझ्नु** — supervised जब तपाईंसँग लेबल गरिएको डेटा छ र भविष्यवाणी गर्न चाहनुहुन्छ, unsupervised लेबल नगरिएको डेटामा संरचना खोज्नको लागि, reinforcement एजेन्टहरूको लागि अन्तरक्रियाबाट सिक्न — र कि त्यहाँ हाइब्रिडहरू छन् (semi-supervised, self-supervised, LLMs सँग self-supervised learning प्रयोग गर्दै) ML दृष्टिकोणको व्यवहारिक बुझाइ प्रतिबिम्बित गर्छ।

यी प्रकारहरू ML कसरी सिक्छ भन्ने आधारभूत श्रेणीहरू हुन्, र तिनलाई बुझ्नु ML को लागि आवश्यक छ।

मेसिन लर्निङका मुख्य प्रकारहरू (supervised, unsupervised, reinforcement) ML ले समस्याहरूको दृष्टिकोण गर्ने आधारभूत तरिकाहरू प्रतिनिधित्व गर्दछन् र तिनलाई बुझ्नु र कहिले प्रत्येक लागू हुन्छ भन्ने कुरा आधारभूत ML साक्षरता भएकोले, मेसिन लर्निङका मुख्य प्रकारहरू बुझ्नु आवश्यक, आधारभूत ज्ञान हो — ML का आधारभूत श्रेणीहरू (लेबलहरूबाट सिक्नु, ढाँचाहरू खोज्नु, पुरस्कारहरूबाट सिक्नु), ML विभिन्न समस्याहरूको दृष्टिकोण कसरी गर्छ भन्ने कुरा बुझ्नको लागि आधारभूत ML साक्षरता, र ML सँग काम गर्न वा छलफल गर्नको लागि आधारभूत।