How machines learn: datasets, patterns and prediction

Most modern AI is not programmed with every answer. Instead, it learns from many examples, finds patterns, and uses those patterns to make predictions.

The basic learning cycle

A machine learning system usually works through a simple cycle: it receives examples, studies them during training, finds repeated patterns, and then applies those patterns to new cases. This is why AI can sometimes give useful answers even when it has never seen the exact same question before.

1. Dataset

A dataset is a large organised collection of examples. It may include pictures, text, audio, video, drawings, test answers, classroom records, or Nepali speech recordings.

Example: Many photos of cats and dogs can form a dataset for teaching AI to recognise animals.

2. Algorithm

An algorithm is the set of steps used by the computer to study the data. During training, the algorithm adjusts the model so that it becomes better at finding useful patterns.

Example: It may learn that animals with whiskers, pointed ears, and certain face shapes are often cats.

3. Prediction

After training, the model uses what it has learned to make a prediction about something new. A prediction is the modelโ€™s best guess, not a guaranteed truth.

Example: When it sees a new animal photo, it may predict: โ€œThis is a cat.โ€

A simple human example

Human learning works in a similar way. You can recognise a house you have never seen before because you have already seen many houses in the past. Your mind has learned common patterns: doors, windows, roofs, walls, rooms, and shapes. That experience works like your personal dataset.

Example: Google Quick, Draw!

In Google Quick, Draw!, the computer guesses a sketch because it has seen millions of doodles. It does not truly understand the object the way humans do. It recognises visual patterns and makes a prediction based on similar drawings it has seen before.

Important point: AI prediction is not the same as understanding

AI can produce answers that look intelligent, but it does not always understand meaning, context, culture, emotion, or ethics in the human sense. It works by using patterns from data. Therefore, teachers should always check AI outputs before using them in teaching, assessment, or communication with students.

Try it

Name three predictions you make every day. For example: predicting the weather, traffic, studentsโ€™ mood, food preference, or whether a class activity will work well.

Reflection question: What past experiences act as your personal dataset?

Key message: AI learns from examples, identifies patterns, and makes predictions. Its prediction may be useful, but it should always be reviewed by a human.

เฅจ ยท เคฎเฅ‡เคธเคฟเคจเคนเคฐเฅ‚เคฒเฅ‡ เค•เคธเคฐเฅ€ เคธเคฟเค•เฅเค›เคจเฅ: เคกเฅ‡เคŸเคพเคธเฅ‡เคŸ, เคขเคพเคเคšเคพ เคฐ เค…เคจเฅเคฎเคพเคจ

เค…เคงเคฟเค•เคพเค‚เคถ เค†เคงเฅเคจเคฟเค• เคเค†เคˆเคฎเคพ เคธเคฌเฅˆ เค‰เคคเฅเคคเคฐ เคชเคนเคฟเคฒเฅเคฏเฅˆ เคชเฅเคฐเฅ‹เค—เฅเคฐเคพเคฎ เค—เคฐเคฟเคเค•เฅ‹ เคนเฅเคเคฆเฅˆเคจเฅค เคฏเคธเคฒเฅ‡ เคงเฅ‡เคฐเฅˆ เค‰เคฆเคพเคนเคฐเคฃเคฌเคพเคŸ เคธเคฟเค•เฅเค›, เคขเคพเคเคšเคพ เคชเคคเฅเคคเคพ เคฒเค—เคพเค‰เคเค› เคฐ เคคเฅ€ เคขเคพเคเคšเคพเค•เคพ เค†เคงเคพเคฐเคฎเคพ เค…เคจเฅเคฎเคพเคจ เค—เคฐเฅเค›เฅค

เคธเคฟเค•เคพเค‡เค•เฅ‹ เค†เคงเคพเคฐเคญเฅ‚เคค เคšเค•เฅเคฐ

เคฎเฅ‡เคธเคฟเคจ เคฒเคฐเฅเคจเคฟเค™ เคชเฅเคฐเคฃเคพเคฒเฅ€ เคธเคพเคฎเคพเคจเฅเคฏเคคเคฏเคพ เคธเคฐเคฒ เคšเค•เฅเคฐเคฌเคพเคŸ เค•เคพเคฎ เค—เคฐเฅเค›: เคฏเคธเคฒเฅ‡ เค‰เคฆเคพเคนเคฐเคฃเคนเคฐเฅ‚ เคชเฅเคฐเคพเคชเฅเคค เค—เคฐเฅเค›, เคชเฅเคฐเคถเคฟเค•เฅเคทเคฃเค•เฅ‹ เค•เฅเคฐเคฎเคฎเคพ เคคเฅ€ เค‰เคฆเคพเคนเคฐเคฃเคนเคฐเฅ‚ เค…เคงเฅเคฏเคฏเคจ เค—เคฐเฅเค›, เคฆเฅ‹เคนเฅ‹เคฐเคฟเคจเฅ‡ เคขเคพเคเคšเคพ เคชเคคเฅเคคเคพ เคฒเค—เคพเค‰เคเค› เคฐ เคจเคฏเคพเค เค…เคตเคธเฅเคฅเคพเคนเคฐเฅ‚เคฎเคพ เคคเฅ€ เคขเคพเคเคšเคพ เคชเฅเคฐเคฏเฅ‹เค— เค—เคฐเฅเค›เฅค เคคเฅเคฏเคธเฅˆเคฒเฅ‡ เคเค†เคˆเคฒเฅ‡ เค•เคนเคฟเคฒเฅ‡เค•เคพเคนเฅ€เค เคชเคนเคฟเคฒเฅ‡ เคจเคฆเฅ‡เค–เฅ‡เค•เฅ‹ เคชเฅเคฐเคถเฅเคจเคฎเคพ เคชเคจเคฟ เค‰เคชเคฏเฅ‹เค—เฅ€ เคœเคธเฅเคคเฅ‹ เคฆเฅ‡เค–เคฟเคจเฅ‡ เค‰เคคเฅเคคเคฐ เคฆเคฟเคจ เคธเค•เฅเค›เฅค

เฅง. เคกเฅ‡เคŸเคพเคธเฅ‡เคŸ

เคกเฅ‡เคŸเคพเคธเฅ‡เคŸ เคญเคจเฅ‡เค•เฅ‹ เค‰เคฆเคพเคนเคฐเคฃเคนเคฐเฅ‚เค•เฅ‹ เค เฅ‚เคฒเฅ‹ เคฐ เคตเฅเคฏเคตเคธเฅเคฅเคฟเคค เคธเค™เฅเค—เฅเคฐเคน เคนเฅ‹เฅค เคฏเคธเคฎเคพ เคšเคฟเคคเฅเคฐ, เคชเคพเค , เค†เคตเคพเคœ, เคญเคฟเคกเคฟเคฏเฅ‹, เคกเฅเคกเคฒ, เคชเคฐเฅ€เค•เฅเคทเคพ เค‰เคคเฅเคคเคฐ, เค•เค•เฅเคทเคพเค•เฅ‹เค เคพเค•เคพ เค…เคญเคฟเคฒเฅ‡เค– เคตเคพ เคจเฅ‡เคชเคพเคฒเฅ€ เคฌเฅ‹เคฒเฅ€เค•เคพ เคฐเฅ‡เค•เคฐเฅเคกเคฟเค™ เคนเฅเคจ เคธเค•เฅเค›เคจเฅเฅค

เค‰เคฆเคพเคนเคฐเคฃ: เคฌเคฟเคฐเคพเคฒเฅ‹ เคฐ เค•เฅเค•เฅเคฐเค•เคพ เคงเฅ‡เคฐเฅˆ เคซเฅ‹เคŸเฅ‹เคนเคฐเฅ‚ เคเค†เคˆเคฒเคพเคˆ เคœเคจเคพเคตเคฐ เคšเคฟเคจเฅเคจ เคธเคฟเค•เคพเค‰เคจเฅ‡ เคกเฅ‡เคŸเคพเคธเฅ‡เคŸ เคฌเคจเฅเคจ เคธเค•เฅเค›เคจเฅเฅค

เฅจ. เคเคฒเฅเค—เฅ‹เคฐเคฟเคฆเคฎ

เคเคฒเฅเค—เฅ‹เคฐเคฟเคฆเคฎ เคญเคจเฅ‡เค•เฅ‹ เค•เคฎเฅเคชเฅเคฏเฅเคŸเคฐเคฒเฅ‡ เคคเคฅเฅเคฏเคพเค™เฅเค• เค…เคงเฅเคฏเคฏเคจ เค—เคฐเฅเคจ เคชเฅเคฐเคฏเฅ‹เค— เค—เคฐเฅเคจเฅ‡ เคšเคฐเคฃเคนเคฐเฅ‚เค•เฅ‹ เคธเคฎเฅ‚เคน เคนเฅ‹เฅค เคชเฅเคฐเคถเคฟเค•เฅเคทเคฃเค•เฅ‹ เค•เฅเคฐเคฎเคฎเคพ เคเคฒเฅเค—เฅ‹เคฐเคฟเคฆเคฎเคฒเฅ‡ เคฎเฅ‹เคกเฅ‡เคฒเคฒเคพเคˆ เค•เฅเคฐเคฎเคถเคƒ เคธเฅเคงเคพเคฐ เค—เคฐเฅเค›, เคคเคพเค•เคฟ เคฏเคธเคฒเฅ‡ เค‰เคชเคฏเฅ‹เค—เฅ€ เคขเคพเคเคšเคพ เคฐเคพเคฎเฅเคฐเฅ‹เคธเคเค— เคชเคคเฅเคคเคพ เคฒเค—เคพเค‰เคจ เคธเค•เฅ‹เคธเฅเฅค

เค‰เคฆเคพเคนเคฐเคฃ: เคœเฅเคเค—เคพ, เคšเฅเคšเฅเคšเคพ เค•เคพเคจ เคฐ เค…เคจเฅเคนเคพเคฐเค•เฅ‹ เคตเคฟเคถเฅ‡เคท เค†เค•เคพเคฐ เคญเคเค•เคพ เคœเคจเคพเคตเคฐเคนเคฐเฅ‚ เคชเฅเคฐเคพเคฏเคƒ เคฌเคฟเคฐเคพเคฒเฅ‹ เคนเฅเคจ เคธเค•เฅเค›เคจเฅ เคญเคจเฅเคจเฅ‡ เคขเคพเคเคšเคพ เคฏเคธเคฒเฅ‡ เคธเคฟเค•เฅเคจ เคธเค•เฅเค›เฅค

เฅฉ. เค…เคจเฅเคฎเคพเคจ

เคชเฅเคฐเคถเคฟเค•เฅเคทเคฃเคชเค›เคฟ เคฎเฅ‹เคกเฅ‡เคฒเคฒเฅ‡ เคธเคฟเค•เฅ‡เค•เคพ เค•เฅเคฐเคพเค•เคพ เค†เคงเคพเคฐเคฎเคพ เคจเคฏเคพเค เค•เฅเคฐเคพเคฌเคพเคฐเฅ‡ เค…เคจเฅเคฎเคพเคจ เค—เคฐเฅเค›เฅค เค…เคจเฅเคฎเคพเคจ เคญเคจเฅ‡เค•เฅ‹ เคฎเฅ‹เคกเฅ‡เคฒเค•เฅ‹ เคธเคฌเฅˆเคญเคจเฅเคฆเคพ เคธเคฎเฅเคญเคพเคตเคฟเคค เค‰เคคเฅเคคเคฐ เคนเฅ‹, เคจเคฟเคถเฅเคšเคฟเคค เคธเคคเฅเคฏ เคนเฅ‹เค‡เคจเฅค

เค‰เคฆเคพเคนเคฐเคฃ: เคจเคฏเคพเค เคœเคจเคพเคตเคฐเค•เฅ‹ เคซเฅ‹เคŸเฅ‹ เคฆเฅ‡เค–เฅ‡เคชเค›เคฟ เคฏเคธเคฒเฅ‡ โ€œเคฏเฅ‹ เคฌเคฟเคฐเคพเคฒเฅ‹ เคนเฅ‹โ€ เคญเคจเฅ‡เคฐ เค…เคจเฅเคฎเคพเคจ เค—เคฐเฅเคจ เคธเค•เฅเค›เฅค

เคฎเคพเคจเคฟเคธเค•เฅ‹ เคธเคฐเคฒ เค‰เคฆเคพเคนเคฐเคฃ

เคฎเคพเคจเคฟเคธเคฒเฅ‡ เคชเคจเคฟ เค•เฅ‡เคนเฅ€ เคนเคฆเคธเคฎเฅเคฎ เคฏเคธเฅเคคเฅˆ เคคเคฐเคฟเค•เคพเคฒเฅ‡ เคธเคฟเค•เฅเค›เฅค เคคเคชเคพเคˆเค‚เคฒเฅ‡ เค•เคนเคฟเคฒเฅเคฏเฅˆ เคจเคฆเฅ‡เค–เฅ‡เค•เฅ‹ เค˜เคฐ เคชเคจเคฟ เคšเคฟเคจเฅเคจ เคธเค•เฅเคจเฅเคนเฅเคจเฅเค›, เค•เคฟเคจเค•เคฟ เคชเคนเคฟเคฒเฅ‡ เคงเฅ‡เคฐเฅˆ เค˜เคฐเคนเคฐเฅ‚ เคฆเฅ‡เค–เฅเคจเฅเคญเคเค•เฅ‹ เค›เฅค เคคเคชเคพเคˆเค‚เค•เฅ‹ เคฆเคฟเคฎเคพเค—เคฒเฅ‡ เคขเฅ‹เค•เคพ, เคเฅเคฏเคพเคฒ, เค›เคพเคจเฅ‹, เคชเคฐเฅเค–เคพเคฒ, เค•เฅ‹เค เคพ เคฐ เค†เค•เคพเคฐเคœเคธเฅเคคเคพ เคธเคพเคฎเคพเคจเฅเคฏ เคขเคพเคเคšเคพ เคธเคฟเค•เฅ‡เค•เฅ‹ เคนเฅเคจเฅเค›เฅค เคคเฅเคฏเฅ‹ เค…เคจเฅเคญเคต เคคเคชเคพเคˆเค‚เค•เฅ‹ เคตเฅเคฏเค•เฅเคคเคฟเค—เคค เคกเฅ‡เคŸเคพเคธเฅ‡เคŸ เคœเคธเฅเคคเฅˆ เคนเฅ‹เฅค

เค‰เคฆเคพเคนเคฐเคฃ: Google Quick, Draw!

Google Quick, Draw! เคฎเคพ เค•เคฎเฅเคชเฅเคฏเฅเคŸเคฐเคฒเฅ‡ เค•เคฐเฅ‹เคกเฅŒเค เคกเฅเคกเคฒเคฌเคพเคŸ เคธเคฟเค•เฅ‡เค•เคพ เคขเคพเคเคšเคพเค•เคพ เค†เคงเคพเคฐเคฎเคพ เคธเฅเค•เฅ‡เคš เค…เคจเฅเคฎเคพเคจ เค—เคฐเฅเค›เฅค เคฏเคธเคฒเฅ‡ เคฎเคพเคจเคฟเคธเคฒเฅ‡ เคœเคธเฅเคคเฅ‹ เคตเคธเฅเคคเฅเค•เฅ‹ เคตเคพเคธเฅเคคเคตเคฟเค• เค…เคฐเฅเคฅ เคฌเฅเคเฅเคฆเฅˆเคจเฅค เคฏเคธเคฒเฅ‡ เคชเคนเคฟเคฒเฅ‡ เคฆเฅ‡เค–เฅ‡เค•เคพ เคฎเคฟเคฒเฅเคฆเฅ‹เคœเฅเคฒเฅเคฆเฅ‹ เคšเคฟเคคเฅเคฐเค•เคพ เค†เคงเคพเคฐเคฎเคพ เคฆเฅƒเคถเฅเคฏ เคขเคพเคเคšเคพ เคšเคฟเคจเฅเค› เคฐ เค…เคจเฅเคฎเคพเคจ เค—เคฐเฅเค›เฅค

เคฎเคนเคคเฅเคตเคชเฅ‚เคฐเฅเคฃ เค•เฅเคฐเคพ: เคเค†เคˆเค•เฅ‹ เค…เคจเฅเคฎเคพเคจ เคฌเฅเคเคพเค‡ เคฌเคฐเคพเคฌเคฐ เคนเฅ‹เค‡เคจ

เคเค†เคˆเคฒเฅ‡ เค•เคนเคฟเคฒเฅ‡เค•เคพเคนเฅ€เค เคงเฅ‡เคฐเฅˆ เคฌเฅเคฆเฅเคงเคฟเคฎเคพเคจเฅ€เคœเคธเฅเคคเฅ‹ เคฆเฅ‡เค–เคฟเคจเฅ‡ เค‰เคคเฅเคคเคฐ เคฆเคฟเคจ เคธเค•เฅเค›, เคคเคฐ เคฏเคธเคฒเฅ‡ เค…เคฐเฅเคฅ, เคธเคจเฅเคฆเคฐเฅเคญ, เคธเค‚เคธเฅเค•เฅƒเคคเคฟ, เคญเคพเคตเคจเคพ เคตเคพ เคจเฅˆเคคเคฟเค•เคคเคพ เคฎเคพเคจเคฟเคธเคฒเฅ‡ เคœเคธเฅเคคเฅ‹ เคธเคงเฅˆเค เคฌเฅเคเฅเคฆเฅˆเคจเฅค เคฏเคธเคฒเฅ‡ เคคเคฅเฅเคฏเคพเค™เฅเค•เค•เคพ เคขเคพเคเคšเคพเค•เคพ เค†เคงเคพเคฐเคฎเคพ เค•เคพเคฎ เค—เคฐเฅเค›เฅค เคคเฅเคฏเคธเฅˆเคฒเฅ‡ เคถเคฟเค•เฅเคทเค•เคนเคฐเฅ‚เคฒเฅ‡ เคถเคฟเค•เฅเคทเคฃ, เคฎเฅ‚เคฒเฅเคฏเคพเค™เฅเค•เคจ เคตเคพ เคตเคฟเคฆเฅเคฏเคพเคฐเฅเคฅเฅ€เคนเคฐเฅ‚เคธเคเค—เค•เฅ‹ เคธเคžเฅเคšเคพเคฐเคฎเคพ เคเค†เคˆเค•เฅ‹ เค‰เคคเฅเคคเคฐ เคชเฅเคฐเคฏเฅ‹เค— เค—เคฐเฅเคจเฅเค…เค˜เคฟ เค…เคจเคฟเคตเคพเคฐเฅเคฏ เคฐเฅ‚เคชเคฎเคพ เคœเคพเคเคš เค—เคฐเฅเคจเฅเคชเคฐเฅเค›เฅค

เคชเฅเคฐเคฏเคพเคธ เค—เคฐเฅเคจเฅเคนเฅ‹เคธเฅ

เคคเคชเคพเคˆเค‚เคฒเฅ‡ เคฆเฅˆเคจเคฟเค• เค—เคฐเฅเคจเฅ‡ เคคเฅ€เคจเคตเคŸเคพ เค…เคจเฅเคฎเคพเคจ เคจเคพเคฎ เคฆเคฟเคจเฅเคนเฅ‹เคธเฅเฅค เค‰เคฆเคพเคนเคฐเคฃเค•เคพ เคฒเคพเค—เคฟ: เคฎเฅŒเคธเคฎ, เคŸเฅเคฐเคพเคซเคฟเค•, เคตเคฟเคฆเฅเคฏเคพเคฐเฅเคฅเฅ€เค•เฅ‹ เคฎเคจเคธเฅเคฅเคฟเคคเคฟ, เค–เคพเคจเคพเค•เฅ‹ เคฐเฅเคšเคฟ เคตเคพ เค•เฅเคจเฅˆ เค•เค•เฅเคทเคพ เค—เคคเคฟเคตเคฟเคงเคฟ เคธเคซเคฒ เคนเฅเคจเฅเค› เค•เคฟ เคนเฅเคเคฆเฅˆเคจ เคญเคจเฅเคจเฅ‡ เค…เคจเฅเคฎเคพเคจเฅค

เคชเฅเคฐเคคเคฟเคฌเคฟเคฎเฅเคฌ เคชเฅเคฐเคถเฅเคจ: เคคเคชเคพเคˆเค‚เค•เฅ‹ เค•เฅเคจ เคตเคฟเค—เคคเค•เคพ เค…เคจเฅเคญเคตเคนเคฐเฅ‚ เคตเฅเคฏเค•เฅเคคเคฟเค—เคค เคกเฅ‡เคŸเคพเคธเฅ‡เคŸ เคœเคธเฅเคคเฅˆ เค•เคพเคฎ เค—เคฐเฅเค›เคจเฅ?

เคฎเฅเค–เฅเคฏ เคธเคจเฅเคฆเฅ‡เคถ: เคเค†เคˆเคฒเฅ‡ เค‰เคฆเคพเคนเคฐเคฃเคฌเคพเคŸ เคธเคฟเค•เฅเค›, เคขเคพเคเคšเคพ เคชเคคเฅเคคเคพ เคฒเค—เคพเค‰เคเค› เคฐ เค…เคจเฅเคฎเคพเคจ เค—เคฐเฅเค›เฅค เคฏเคธเค•เฅ‹ เค…เคจเฅเคฎเคพเคจ เค‰เคชเคฏเฅ‹เค—เฅ€ เคนเฅเคจ เคธเค•เฅเค›, เคคเคฐ เคคเฅเคฏเคธเคฒเคพเคˆ เคธเคงเฅˆเค เคฎเคพเคจเคฟเคธเคฒเฅ‡ เคธเคฎเฅ€เค•เฅเคทเคพ เค—เคฐเฅเคจเฅเคชเคฐเฅเค›เฅค
Last modified: Sunday, 28 June 2026, 3:06 PM