ਅਨਿਸ਼ਚਿਤ ਸਿਖਲਾਈ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ?

Question

Accepted Answer

**Unsupervised learning** ਬਿਨਾ ਲੇਬਲ ਕੀਤੇ ਡੇਟਾ (**unlabeled data**) ਵਿੱਚ ਪੈਟਰਨ ਅਤੇ ਢਾਂਚਾ ਲੱਭਦੀ ਹੈ (ਬਿਨਾ ਦਿੱਤੇ ਗਏ ਜਵਾਬਾਂ ਦੇ) — ਸਮੂਹਾਂ, ਮਾਪਾਂ ਨੂੰ ਘਟਾ ਕੇ, ਜਾਂ ਆਪਣੇ ਆਪ ਤੋਂ ਅਸਧਾਰਨਤਾਵਾਂ ਦੀ ਖੋਜ ਕਰਦੇ ਹੋਏ। ਇਹ ਉਦੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ ਜਦੋਂ ਤੁਹਾਡੇ ਕੋਲ ਡੇਟਾ ਤਾਂ ਹੋਵੇ ਪਰ ਲੇਬਲ ਨਹੀਂ ਹਾਂ, ਲੁਕੀ ਹੋਈ ਬਣਤਰ ਦਾ ਖੁਲਾਸਾ ਕਰਨ ਲਈ।

## Unsupervised learning ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ

```text
UNSUPERVISED → learn from data WITHOUT labels (no given correct answers):
  → the algorithm finds STRUCTURE/patterns in the data on its own
  → no 'right answer' to learn from → it discovers groupings, relationships, or representations
→ for: exploring data, finding hidden structure, when labels are unavailable/expensive
```

## ਮੁੱਖ unsupervised ਕਾਰਜ

```text
CLUSTERING → group similar data points into clusters:
  → e.g. customer segmentation, grouping similar documents (k-means, hierarchical, DBSCAN)
DIMENSIONALITY REDUCTION → reduce features while preserving structure:
  → e.g. PCA → compress/visualize high-dimensional data; simplify for other models
ANOMALY DETECTION → find unusual/outlier data points:
  → e.g. fraud detection, defect detection, finding rare events
ASSOCIATION → find relationships (e.g. 'people who buy X also buy Y')
```

## ਕਦੋਂ ਅਤੇ ਕਿਉਂ

```text
✓ use when you have DATA but NO LABELS (labeling is expensive/unavailable)
✓ EXPLORE/understand data → discover patterns you didn't know about
✓ PREPROCESSING → reduce dimensions, cluster as features for other models
⚠️ harder to EVALUATE (no labels to compare against) → results need interpretation
→ uncovers hidden structure when there are no labels to learn from
```

## ਇਹ ਕਿਉਂ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ

Unsupervised learning ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ ਇਹ ਸਮਝਣਾ ਕੀਮਤੀ ਹੈ ਕਿਉਂਕਿ ਇਹ **ML ਦੀ ਮੁੱਖ ਕਿਸਮਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ**, ਉਦੋਂ ਲਾਗੂ ਹੁੰਦੀ ਹੈ ਜਦੋਂ ਡੇਟਾ ਵਿੱਚ ਲੇਬਲ ਨਹੀਂ ਹਾਂ, ਇਸ ਲਈ ਇਸ ਨੂੰ ਸਮਝਣਾ supervised learning ਦੀ ਜਾਣਕਾਰੀ ਨੂੰ ਪੂਰਕ ਕਰਦਾ ਹੈ।

Unsupervised learning — ਬਿਨਾ ਦਿੱਤੇ ਗਏ ਜਵਾਬਾਂ ਦੇ ਬਿਨਾ ਲੇਬਲ ਕੀਤੇ ਡੇਟਾ ਵਿੱਚ ਪੈਟਰਨ ਲੱਭਣਾ — ਉਨ੍ਹਾਂ ਸਥਿਤੀਆਂ ਨੂੰ ਪੂਰਾ ਕਰਦੀ ਹੈ ਜਿੱਥੇ ਤੁਹਾਡੇ ਕੋਲ ਡੇਟਾ ਤਾਂ ਹੈ ਪਰ ਲੇਬਲ ਨਹੀਂ ਹਾਂ।

**ਇਹ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ** ਸਮਝਣਾ — algorithm ਆਪਣੇ ਆਪ ਤੋਂ ਬਣਤਰ ਅਤੇ ਪੈਟਰਨ ਲੱਭਦਾ ਹੈ (ਸਿਖਲਾਈ ਲਈ ਸਹੀ ਜਵਾਬ ਨਹੀਂ, ਸਮੂਹਾਂ ਅਤੇ ਸਬੰਧਾਂ ਦੀ ਖੋਜ) — ਸਪੱਸ਼ਟ ਕਰਦਾ ਹੈ ਕਿ ਇਹ ਕਿਵੇਂ supervised learning ਤੋਂ ਵੱਖ ਹੈ (ਜਿਸ ਨੂੰ ਲੇਬਲ ਦੀ ਲੋੜ ਹੈ)।

**ਮੁੱਖ unsupervised ਕਾਰਜਾਂ** ਸਮਝਣਾ — **clustering** (ਸਮਾਨ ਡੇਟਾ ਪੁਆਇੰਟਾਂ ਨੂੰ ਗਰੁੱਪ ਕਰਨਾ, ਜਿਵੇਂ ਕਸਟਮਰ ਸੈਗਮੈਂਟੇਸ਼ਨ), **dimensionality reduction** (ਬਣਤਰ ਸੰਭਾਲਦੇ ਹੋਏ ਫੀਚਰ ਘਟਾਉਣਾ, ਜਿਵੇਂ ਕਮਪ੍ਰੈਸ਼ਨ ਅਤੇ visualization ਲਈ PCA), **anomaly detection** (outliers ਲੱਭਣਾ, ਜਿਵੇਂ fraud ਅਤੇ defect detection), ਅਤੇ **association** (ਸਬੰਧ ਲੱਭਣਾ, ਜਿਵੇਂ recommendation associations) — ਵਿਵਹਾਰਕ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਕਵਰ ਕਰਦਾ ਹੈ, ਇਹ ਪਹਿਚਾਣਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹੋਏ ਕਿ ਕਦਾ ਕਿਸ ਸਮੱਸਿਆ ਦੀ ਮੌਜੂਦਗੀ ਹੈ।

**ਕਦੋਂ ਅਤੇ ਕਿਉਂ** ਸਮਝਣਾ — ਇਸ ਨੂੰ ਵਰਤਣਾ ਜਦੋਂ ਤੁਹਾਡੇ ਕੋਲ ਡੇਟਾ ਤਾਂ ਹੋਵੇ ਪਰ ਲੇਬਲ ਨਹੀਂ ਹਾਂ (ਕਿਉਂਕਿ labeling ਮਹਿੰਗੀ ਜਾਂ ਉਪਲਬਧ ਨਹੀਂ ਹੈ), ਡੇਟਾ ਨੂੰ ਖੋਜਣ ਅਤੇ ਸਮਝਣ ਲਈ (ਅਣਜਾਣ ਪੈਟਰਨ ਦੀ ਖੋਜ), ਅਤੇ preprocessing ਲਈ (dimensionality reduction, clustering ਨੂੰ features ਦੇ ਤੌਰ ਤੇ), ਇਸ ਚਾਨੇ ਦੇ ਨਾਲ ਕਿ ਇਹ **ਸਮਝਾਉਣਾ ਔਖਾ ਹੈ** (ਤੁਲਨਾ ਕਰਨ ਲਈ ਕੋਈ ਲੇਬਲ ਨਹੀਂ, ਸਾਖ ਦੀ ਲੋੜ ਹੈ) — ਵਿਵਹਾਰਕ ਸਮਝ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।

Unsupervised learning unlabeled data (ਜੋ labeled data ਨਾਲੋਂ ਕਿਤੇ ਵਧੇਰੇ ਪਾਏ ਜਾਂਦੇ ਹਾਂ) ਦੀ ਆਮ ਸਥਿਤੀ ਲਈ ਕੀਮਤੀ ਹੈ ਅਤੇ exploratory analysis, anomaly detection, ਅਤੇ preprocessing ਲਈ।

ਇਸ ਨੂੰ ਸਮਝਣਾ ML ਦੀ ਮੁੱਖ ਕਿਸਮਾਂ (supervised, unsupervised, reinforcement) ਦੀ ਤਸਵੀਰ ਮੁਕੰਮਲ ਕਰਦਾ ਹੈ।

aUnsupervised learning ML ਦੀ ਮੁੱਖ ਕਿਸਮਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ (unlabeled data ਵਿੱਚ ਬਣਤਰ ਲੱਭਣਾ, ਜਦੋਂ ਲੇਬਲ ਉਪਲਬਧ ਨਹੀਂ ਹਾਂ — ਇੱਕ ਆਮ ਸਥਿਤੀ) ਅਤੇ ਇਸ ਦਾ ਕੰਮ ਕਰਨਾ, ਇਸ ਦੇ ਕਾਰਜ (clustering, dimensionality reduction, anomaly detection), ਅਤੇ ਕਦੋਂ ਇਸਦੀ ਵਰਤੋਂ ਕਰਨੀ ਹੈ ਸਮਝਣਾ supervised learning ਦੀ ਜਾਣਕਾਰੀ ਨੂੰ ਪੂਰਕ ਕਰਦਾ ਹੈ, unsupervised learning ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ ਇਹ ਸਮਝਣਾ ਕੀਮਤੀ, ਵਿਵਹਾਰਕ ਤੌਰ 'ਤੇ ਮਾਸੰਬਿਤ ML ਜਾਣਕਾਰੀ ਹੈ — ML ਦੀ ਮੁੱਖ ਕਿਸਮਾਂ ਲਈ unlabeled data ਵਿੱਚ ਬਣਤਰ ਲੱਭਣਾ (clustering, dimensionality reduction, anomaly detection), unlabeled data ਦੀ ਆਮ ਸਥਿਤੀ ਲਈ ਲਾਗੂ, ਅਤੇ ML ਦੀ ਮੁੱਖ ਪਹੁੰਚ ਦੀ ਸਮਝ ਨੂੰ ਪੂਰਕ।