TADCDP26: 📊 How machines learn: data, patterns, prediction / मेसिनले कसरी सिक्छ: डेटा, ढाँचा, अनुमान

English
नेपाली

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 model’s best guess, not a guaranteed truth.

Example: When it sees a new animal photo, it may predict: “This is a cat.”

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, students’ 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.

२ · मेसिनहरूले कसरी सिक्छन्: डेटासेट, ढाँचा र अनुमान

अधिकांश आधुनिक एआईमा सबै उत्तर पहिल्यै प्रोग्राम गरिएको हुँदैन। यसले धेरै उदाहरणबाट सिक्छ, ढाँचा पत्ता लगाउँछ र ती ढाँचाका आधारमा अनुमान गर्छ।

सिकाइको आधारभूत चक्र

मेसिन लर्निङ प्रणाली सामान्यतया सरल चक्रबाट काम गर्छ: यसले उदाहरणहरू प्राप्त गर्छ, प्रशिक्षणको क्रममा ती उदाहरणहरू अध्ययन गर्छ, दोहोरिने ढाँचा पत्ता लगाउँछ र नयाँ अवस्थाहरूमा ती ढाँचा प्रयोग गर्छ। त्यसैले एआईले कहिलेकाहीँ पहिले नदेखेको प्रश्नमा पनि उपयोगी जस्तो देखिने उत्तर दिन सक्छ।

१. डेटासेट

डेटासेट भनेको उदाहरणहरूको ठूलो र व्यवस्थित सङ्ग्रह हो। यसमा चित्र, पाठ, आवाज, भिडियो, डुडल, परीक्षा उत्तर, कक्षाकोठाका अभिलेख वा नेपाली बोलीका रेकर्डिङ हुन सक्छन्।

उदाहरण: बिरालो र कुकुरका धेरै फोटोहरू एआईलाई जनावर चिन्न सिकाउने डेटासेट बन्न सक्छन्।

२. एल्गोरिदम

एल्गोरिदम भनेको कम्प्युटरले तथ्याङ्क अध्ययन गर्न प्रयोग गर्ने चरणहरूको समूह हो। प्रशिक्षणको क्रममा एल्गोरिदमले मोडेललाई क्रमशः सुधार गर्छ, ताकि यसले उपयोगी ढाँचा राम्रोसँग पत्ता लगाउन सकोस्।

उदाहरण: जुँगा, चुच्चा कान र अनुहारको विशेष आकार भएका जनावरहरू प्रायः बिरालो हुन सक्छन् भन्ने ढाँचा यसले सिक्न सक्छ।

३. अनुमान

प्रशिक्षणपछि मोडेलले सिकेका कुराका आधारमा नयाँ कुराबारे अनुमान गर्छ। अनुमान भनेको मोडेलको सबैभन्दा सम्भावित उत्तर हो, निश्चित सत्य होइन।

उदाहरण: नयाँ जनावरको फोटो देखेपछि यसले “यो बिरालो हो” भनेर अनुमान गर्न सक्छ।

मानिसको सरल उदाहरण

मानिसले पनि केही हदसम्म यस्तै तरिकाले सिक्छ। तपाईंले कहिल्यै नदेखेको घर पनि चिन्न सक्नुहुन्छ, किनकि पहिले धेरै घरहरू देख्नुभएको छ। तपाईंको दिमागले ढोका, झ्याल, छानो, पर्खाल, कोठा र आकारजस्ता सामान्य ढाँचा सिकेको हुन्छ। त्यो अनुभव तपाईंको व्यक्तिगत डेटासेट जस्तै हो।

उदाहरण: Google Quick, Draw!

Google Quick, Draw! मा कम्प्युटरले करोडौँ डुडलबाट सिकेका ढाँचाका आधारमा स्केच अनुमान गर्छ। यसले मानिसले जस्तो वस्तुको वास्तविक अर्थ बुझ्दैन। यसले पहिले देखेका मिल्दोजुल्दो चित्रका आधारमा दृश्य ढाँचा चिन्छ र अनुमान गर्छ।

महत्वपूर्ण कुरा: एआईको अनुमान बुझाइ बराबर होइन

एआईले कहिलेकाहीँ धेरै बुद्धिमानीजस्तो देखिने उत्तर दिन सक्छ, तर यसले अर्थ, सन्दर्भ, संस्कृति, भावना वा नैतिकता मानिसले जस्तो सधैँ बुझ्दैन। यसले तथ्याङ्कका ढाँचाका आधारमा काम गर्छ। त्यसैले शिक्षकहरूले शिक्षण, मूल्याङ्कन वा विद्यार्थीहरूसँगको सञ्चारमा एआईको उत्तर प्रयोग गर्नुअघि अनिवार्य रूपमा जाँच गर्नुपर्छ।

प्रयास गर्नुहोस्

तपाईंले दैनिक गर्ने तीनवटा अनुमान नाम दिनुहोस्। उदाहरणका लागि: मौसम, ट्राफिक, विद्यार्थीको मनस्थिति, खानाको रुचि वा कुनै कक्षा गतिविधि सफल हुन्छ कि हुँदैन भन्ने अनुमान।

प्रतिबिम्ब प्रश्न: तपाईंको कुन विगतका अनुभवहरू व्यक्तिगत डेटासेट जस्तै काम गर्छन्?

मुख्य सन्देश: एआईले उदाहरणबाट सिक्छ, ढाँचा पत्ता लगाउँछ र अनुमान गर्छ। यसको अनुमान उपयोगी हुन सक्छ, तर त्यसलाई सधैँ मानिसले समीक्षा गर्नुपर्छ।

Last modified: Sunday, 28 June 2026, 3:06 PM

🧠 How machines learn: datasets, patterns and prediction

🔁 The basic learning cycle

1. Dataset

2. Algorithm

3. Prediction

🏠 A simple human example

✏️ Example: Google Quick, Draw!

⚠️ Important point: AI prediction is not the same as understanding

💬 Try it

🧠 २ · मेसिनहरूले कसरी सिक्छन्: डेटासेट, ढाँचा र अनुमान

🔁 सिकाइको आधारभूत चक्र