Machine Learning ဆိုတာ ဘာလဲ

ခဏလေး ဒီလိုပဲ စဉ်းစားကြည့်

Traditional programming မှာ 'rule + data → output' ဆိုတဲ့ pattern သုံးပါတယ် (ဥပမာ - `if temperature > 30: print("hot")`) — developer က rule ကို ကိုယ်တိုင် ရေးရပါတယ်။ Machine Learning ကတော့ 'data + output (example) → rule (model)' ဆိုတဲ့ ပုံစံပြောင်းလဲသွားပါတယ် — program က example data အများကြီးကနေ pattern ကို ကိုယ်တိုင် 'သင်ယူ' ပြီး, data အသစ်ကို prediction ချနိုင်တဲ့ model ကို ဖန်တီးပါတယ်။ Supervised Learning (label ပါတဲ့ data ကနေ သင်ယူ, ဥပမာ - spam/not-spam), Unsupervised Learning (label မပါတဲ့ data ကနေ pattern/group ရှာ), Reinforcement Learning (reward/penalty ကနေ decision-making ကို သင်ယူ, ဥပမာ - game AI) ဆိုပြီး category သုံးမျိုးရှိပါတယ်.

လက်တွေ့ scenario နဲ့ ချိတ်ကြည့်မယ်

Email spam filter တစ်ခုကို traditional approach နဲ့ ဆောက်ရင် — 'Free money' ဆိုတဲ့ word ပါရင် spam လို့ hardcode rule ရေးရပါလိမ့်မယ် (spammer တွေက word ပြောင်းရင် rule ဟောင်းက အလုပ်မလုပ်တော့ပါ)။ ML approach နဲ့ဆိုရင် — spam/not-spam label ပါတဲ့ email ထောင်ပေါင်းများစွာကို model ကို 'ပြသ' ပေးလိုက်ရင်, model ကိုယ်တိုင် pattern (word combination, sender pattern, structure) ကို ရှာဖွေသင်ယူပြီး, email အသစ်ကို spam ဟုတ်/မဟုတ် ပိုမှန်ကန်စွာ ခန့်မှန်းနိုင်ပါတယ် — Gmail ရဲ့ spam filter ကလည်း ML-based ပါ.

• Traditional programming = rule + data → output, ML = data + output → rule (model)
• Supervised Learning = label ပါတဲ့ data ကနေ သင်ယူ (ဥပမာ - spam classification)
• Unsupervised Learning = label မပါဘဲ pattern/group ရှာဖွေ, Reinforcement Learning = reward/penalty ကနေ သင်ယူ

အတူတူ ကြည့်မယ်

Traditional programming:
  rules (written by you) + data -> output

Machine Learning:
  data + output (labeled examples) -> rules (the "model")

Once trained, the model takes NEW data and predicts the output.

Traditional programming နှင့် ML approach ရဲ့ ကွာခြားချက်ကို ဥပမာနဲ့တကွ ရှင်းပြနိုင်မည်။