மேற்பார்வையுள்ள கற்றல் விस్తரవாக எவ்வாறு செயல்படுகிறது?

Question

Accepted Answer

**மேற்பார்வையுள்ள கற்றல்** என்பது **பெயரிடப்பட்ட எடுத்துக்காட்டுகளில்** (சரியான வெளியீடுகளுடன் இணைந்த உள்ளீடுகள்) ஒரு மாதிரியைப் பயிற்றுவிக்கிறது, இதனால் அது புதிய உள்ளீடுகளுக்கு வெளியீடுகளை முன்னறிவிக்க கற்றுக்கொள்ளுகிறது. இது மிகவும் பொதுவான ML வகை, வகைப்பாடு மற்றும் பின்னடைவுக்குப் பயன்படுகிறது. இதைப் புரிந்துகொள்வது ML அறிவை ஆழப்படுத்துகிறது.

## மேற்பார்வையுள்ள கற்றல் எவ்வாறு செயல்படுகிறது

```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
```

## வகைப்பாடு vs பின்னடைவு

```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
```

## முக்கிய கருத்துக்கள்

```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.
```

## ஏன் இது முக்கியமாகிறது

மேற்பார்வையுள்ள கற்றலை விரிவாக புரிந்துகொள்வது மূল்யবானது, ஏனெனில் இது **மிகவும் பொதுவான ML வகை**, பல நடைமுறைப் பயன்பாடுகளுக்குப் அடிப்படையாக உள்ளது, எனவே இதைப் புரிந்துகொள்வது ML அறிவை ஆழப்படுத்துகிறது.

மேற்பார்வையுள்ள கற்றல் — பெயரிடப்பட்ட எடுத்துக்காட்டுகளில் பயிற்சி செய்து புதிய உள்ளீடுகளுக்கு வெளியீடுகளை முன்னறிவிக்கும் செயல் — நடைமுறை ML இன் முரண்டை உழவர்.

**இது எவ்வாறு செயல்படுகிறது** என்பதைப் புரிந்துகொள்வது — பெயரிடப்பட்ட தரவு சேகரிப்பு, பயிற்சி மற்றும் சோதனை செட்களாக பிভாগு, பிழையைக் குறைப்பதன் மூலம் உள்ளீடுகளை வெளியீடுகளாக வரைபட கற்றல் மாதிரி, பொதுமைப்படுத்தலை அளக்க பார்க்கப்படாத சோதனை தரவில் மதிப்যீடு, மற்றும் முன்னறிவிப்புக்கான பயிற்சி செய்யப்பட்ட மாதிரி பயன்படுத்துதல் — மேற்பார்வையுள்ள கற்றல் பணிப்பாய்ச்சியை தெளிவுபடுத்துகிறது.

**வகைப்பாடு vs பின்னடைவு** பற்றிய புரிதல் — வகைப்பாடு வகைகளை முன்னறிவிக்கிறது (spam/not-spam, உணர்வு) மற்றும் பின்னடைவு தொடர்ச்சியான எண்களை முன்னறிவிக்கிறது (விலைகள், கோரிக்கை) — இரண்டு முக்கிய மேற்பார்வையுள்ள பணிகளை உள்ளடக்கிக்கும் மற்றும் ஒரு சிக்கலுக்கு எது பொருந்தும் என்பதை அறிய உதவுகிறது.

**முக்கிய கருத்துக்களைப்** புரிந்துகொள்வது — **features** (உள்ளீட்டு மாறிகள், நல்ல features கள் முக்கியம்), **பயிற்சி/சோதனை பிভாग** (ஒரு செட்டில் பயிற்சி மற்றும் பொதுமைப்படுத்தலை அளக்க பார்க்கப்படாத தரவில் சோதனை), **பொதுமைப்படுத்தல்** (புதிய தரவில் நன்றாக செயல்படுவது, வெறும் நினைவகம் செய்வது அல்ல), **அதிக-பொருத்தம்** (பயிற்சி தரவை நினைவகம் செய்வது புதிய தரவில் மோசமான செயல்திறனுடன் — ஒரு முக்கிய பிரச்சனை), மற்றும் அல்கோரிதம் (பின்னடைவு, முடிவு மரங்கள், நரம்பு நெட்வொர்க்குகள்) — மேற்பார்வையுள்ள கற்றலை புரிந்துகொள்வதற்கும் பயன்படுத்துவதற்கும் கருத்துப்பூர்வ அடித்தளத்தை வழங்குகிறது.

இந்த கருத்துக்கள் (பொதுமைப்படுத்தல், பயிற்சி/சோதனை பிவாக், அதிக-பொருத்தம்) ML ஐ நன்றாக செய்வதற்கு மையமாக உள்ளது, மற்றும் இவற்றைப் புரிந்துகொள்வது ML அறிவை அடிப்படைகளுக்கு அப்பால் ஆழப்படுத்துகிறது.

மேற்பார்வையுள்ள கற்றல் மிகவும் பொதுவான ML வகை என்பதாலும் (பல நடைமுறைப் பயன்பாடுகளுக்குப் அடிப்படையாக) மற்றும் இதை விரிவாக புரிந்துகொள்வது (பணிப்பாய்ச்சி, வகைப்பாடு vs பின்னடைவு, மற்றும் பொதுமைப்படுத்தல், பயிற்சி/சோதனை பிவாக், மற்றும் அதிக-பொருத்தம் போன்ற முக்கிய கருத்துக்கள்) ML அறிவை ஆழப்படுத்துகிறது மற்றும் ML ஐ பயன்படுத்துவதற்கு அடிப்படையாக உள்ளது என்பதாலும், மேற்பார்வையுள்ள கற்றலை விரிவாக புரிந்துகொள்வது மூல்யவான, நடைமுறைக்குத் தொடர்புடைய ML அறிவு — மிகவும் பொதுவான மற்றும் நடைமுறைப் ML வகை, அதன் கருத்துக்கள் (பொதுமைப்படுத்தல், பயிற்சி/சோதனை பிவாக், அதிக-பொருத்தம்) ML ஐ நன்றாக செய்வதற்கு மையமாக உள்ளது, மற்றும் machine learning உடன் பணிபுரிபவர்கள் அல்லது அதைப் புரிந்துகொள்பவர்களுக்கு முக்கியமாகிறது.