ਨਿਰੀਖਣ ਕੀਤਾ ਗਿਆ ਸਿਖਲਾਈ ਵਿਸਥਾਰ ਵਿੱਚ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ?

Question

Accepted Answer

**Supervised learning** ਇੱਕ ਮਾਡਲ ਨੂੰ **ਲੇਬਲ ਕੀਤੀਆਂ ਉਦਾਹਰਣਾਂ** (ਸਹੀ ਆਉਟਪੁੱਟ ਦੇ ਨਾਲ ਜੋੜੀਆਂ ਇਨਪੁੱਟਾਂ) 'ਤੇ ਸਿਖਲਾਈ ਦਿੰਦੀ ਹੈ ਤਾਂ ਕਿ ਇਹ ਨਵੀਆਂ ਇਨਪੁੱਟਾਂ ਲਈ ਆਉਟਪੁੱਟਾਂ ਦੀ ਭਵਿਸ਼ਯਵਾਣੀ ਕਰਨਾ ਸਿੱਖ ਜਾਵੇ। ਇਹ ਸਭ ਤੋਂ ਆਮ ML ਕਿਸਮ ਹੈ, ਜੋ ਵਰਗੀਕਰਣ ਅਤੇ ਰਿਗਰੇਸ਼ਨ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਨੂੰ ਸਮਝਣਾ ML ਗਿਆਨ ਨੂੰ ਗਹਰਾ ਕਰਦਾ ਹੈ।

## Supervised learning ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ

```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
```

## ਵਰਗੀਕਰਣ ਬਨਾਮ ਰਿਗਰੇਸ਼ਨ

```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
```

## ਮੁੱਖ ਸੰਕਲਪ

```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.
```

## ਇਸ ਦਾ ਮਹੱਤਵ

Supervised learning ਨੂੰ ਵਿਸਥਾਰ ਵਿੱਚ ਸਮਝਣਾ ਮੁੱਲਵਾਨ ਹੈ ਕਿਉਂਕਿ ਇਹ **ML ਦੀ ਸਭ ਤੋਂ ਆਮ ਕਿਸਮ ਹੈ**, ਬਹੁਤ ਸਾਰੀਆਂ ਵਿਹਾਰਕ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਅੰਡਰਲਾਈ ਕਰਦੀ ਹੈ, ਇਸ ਲਈ ਇਸ ਨੂੰ ਸਮਝਣਾ ML ਗਿਆਨ ਨੂੰ ਗਹਰਾ ਕਰਦਾ ਹੈ।

Supervised learning — ਲੇਬਲ ਕੀਤੀਆਂ ਉਦਾਹਰਣਾਂ 'ਤੇ ਸਿਖਲਾਈ ਦੇ ਕੇ ਨਵੀਆਂ ਇਨਪੁੱਟਾਂ ਲਈ ਆਉਟਪੁੱਟਾਂ ਦੀ ਭਵਿਸ਼ਯਵਾਣੀ ਕਰਨਾ — ਵਿਹਾਰਕ ML ਦਾ ਮੇਲ ਘੋੜਾ ਹੈ।

Supervised learning **ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ** ਸਮਝਣਾ — ਲੇਬਲ ਕੀਤਾ ਡੇਟਾ ਇਕੱਠਾ ਕਰਨਾ, ਸਿਖਲਾਈ ਅਤੇ ਟੈਸਟ ਸੈਟਾਂ ਵਿੱਚ ਵੰਡਣਾ, ਮਾਡਲ ਗਲਤੀ ਨੂੰ ਘੱਟ ਕਰਕੇ ਇਨਪੁੱਟਾਂ ਨੂੰ ਆਉਟਪੁੱਟਾਂ ਨਾਲ ਮੈਪ ਕਰਨਾ ਸਿੱਖਣਾ, ਅਨਦੇਖਿਆ ਪਰੀਖਣ ਡੇਟਾ 'ਤੇ ਮੁਲਾਂਕਣ ਕਰਕੇ ਸਧਾਰਣੀਕਰਣ ਨੂੰ ਮਾਪਣਾ, ਅਤੇ ਭਵਿਸ਼ਯਵਾਣੀ ਲਈ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਨਾ — supervised learning ਦੇ ਵਰਕਫਲੋ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰਦਾ ਹੈ।

Supervised learning **ਵਰਗੀਕਰਣ ਬਨਾਮ ਰਿਗਰੇਸ਼ਨ** ਸਮਝਣਾ — classification ਸ਼ਿਵਾਜੀਆਂ (spam/not-spam, sentiment) ਦੀ ਭਵਿਸ਼ਯਵਾਣੀ ਕਰਦਾ ਹੈ ਅਤੇ regression ਮਾਤਰਾਤਮਕ ਸੰਖਿਆਵਾਂ (ਕੀਮਤਾਂ, ਮੰਗ) ਦੀ ਭਵਿਸ਼ਯਵਾਣੀ ਕਰਦਾ ਹੈ — ਦੋ ਮੁੱਖ supervised tasks ਨੂੰ ਕਵਰ ਕਰਦਾ ਹੈ ਅਤੇ ਪਹਿਚਾਣ ਕਰਨ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਦਾ ਹੈ ਕਿ ਕਿਹੜਾ ਸਮੱਸਿਆ 'ਤੇ ਲਾਗੂ ਹੁੰਦਾ ਹੈ।

Supervised learning ਦੇ **ਮੁੱਖ ਸੰਕਲਪ** ਸਮਝਣਾ — **features** (ਇਨਪੁੱਟ ਵੇਰੀਏਬਲ, ਜਿੱਥੇ ਚੰਗੀਆਂ features ਮਾਇਨੇ ਰੱਖਦੀਆਂ ਹਨ), **training/test split** (ਇੱਕ ਸੈਟ 'ਤੇ ਸਿਖਲਾਈ ਅਤੇ ਅਨਦੇਖਿਆ ਡੇਟਾ 'ਤੇ ਟੈਸਟਿਂਗ ਤਾਂ ਕਿ ਸਧਾਰਣੀਕਰਣ ਨੂੰ ਮਾਪਿਆ ਜਾ ਸਕੇ), **generalization** (ਨਵੇਂ ਡੇਟਾ 'ਤੇ ਚੰਗੀ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨਾ, ਨਾ ਕਿ ਸਿਰਫ ਯਾਦ ਰੱਖਣਾ), **overfitting** (ਸਿਖਲਾਈ ਡੇਟਾ ਨੂੰ ਯਾਦ ਕਰਨਾ ਨਵੇਂ ਡੇਟਾ 'ਤੇ ਮਾੜੀ ਪ੍ਰਦਰਸ਼ਨ ਨਾਲ — ਇੱਕ ਮੁੱਖ ਸਮੱਸਿਆ), ਅਤੇ algorithms (regression, decision trees, neural networks) — supervised learning ਨੂੰ ਸਮਝਣ ਅਤੇ ਲਾਗੂ ਕਰਨ ਲਈ ਸੰਕਲਪਿਕ ਬੁਨਿਆਦ ਫਰਾਹਮ ਕਰਦਾ ਹੈ।

ਇਹ ਸੰਕਲਪ (generalization, train/test split, overfitting) ML ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕਰਨ ਲਈ ਕੇਂਦਰੀ ਹਨ, ਅਤੇ ਇਹਨਾਂ ਨੂੰ ਸਮਝਣਾ ML ਗਿਆਨ ਨੂੰ ਬੁਨਿਆਦਾਂ ਤੋਂ ਪਰੇ ਗਹਰਾ ਕਰਦਾ ਹੈ।

ਕਿਉਂਕਿ supervised learning ਸਭ ਤੋਂ ਆਮ ML ਕਿਸਮ ਹੈ (ਬਹੁਤ ਸਾਰੀਆਂ ਵਿਹਾਰਕ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਅੰਡਰਲਾਈ ਕਰਦਾ ਹੈ) ਅਤੇ ਇਸ ਨੂੰ ਵਿਸਥਾਰ ਵਿੱਚ ਸਮਝਣਾ (ਵਰਕਫਲੋ, classification ਬਨਾਮ regression, ਅਤੇ ਮੁੱਖ ਸੰਕਲਪ ਜਿਵੇਂ generalization, train/test split, ਅਤੇ overfitting) ML ਗਿਆਨ ਨੂੰ ਗਹਰਾ ਕਰਦਾ ਹੈ ਅਤੇ ML ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਬੁਨਿਆਦੀ ਹੈ, supervised learning ਨੂੰ ਵਿਸਥਾਰ ਵਿੱਚ ਸਮਝਣਾ ਮੁੱਲਵਾਨ, ਵਿਹਾਰਕ-ਮਾਨੀ ML ਗਿਆਨ ਹੈ — ਸਭ ਤੋਂ ਆਮ ਅਤੇ ਵਿਹਾਰਕ ML ਕਿਸਮ, ਇਸ ਦੇ ਸੰਕਲਪ (generalization, train/test split, overfitting) ML ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕਰਨ ਲਈ ਕੇਂਦਰੀ ਹੋਣ, ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਨਾਲ ਕੰਮ ਕਰਨ ਵਾਲੇ ਜਾਂ ਇਸ ਨੂੰ ਸਮਝਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਵਿਅਕਤੀ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੋਣ ਦੇ ਨਾਤੇ।