❓ Question 2: What are the Different Types of Machine Learning?

 తెలుగు: మెషిన్ లెర్నింగ్ లో ఉన్న రకాలేమిటి?

---

🧠 English Version (Approx. 400 words)

Machine Learning (ML) is broadly classified into three main types based on how the machine learns from data:

1. Supervised Learning

In supervised learning, the model is trained on a labeled dataset. That means each training example is paired with an output label. The algorithm learns by comparing its predictions to the actual answers and adjusts accordingly.

• Example: If you want to predict housing prices, and you have past data like area, number of rooms, and price, the algorithm will learn from this labeled data.

• Use Cases:

  • Spam email detection

  • Predicting stock prices

  • Medical diagnosis

• Algorithms Used:

  • Linear Regression

  • Logistic Regression

  • Decision Trees

  • Support Vector Machines

2. Unsupervised Learning

Here, the model is given unlabeled data. The algorithm tries to learn the patterns or structures in the data without guidance.

• Example: Grouping customers based on their behavior for targeted marketing.

• Use Cases:

  • Customer segmentation

  • Market basket analysis

  • Anomaly detection

• Algorithms Used:

  • K-Means Clustering

  • Hierarchical Clustering

  • Principal Component Analysis (PCA)

3. Reinforcement Learning

This type of learning is based on trial and error. The model (called an agent) learns by interacting with the environment. It receives rewards or penalties based on the actions it takes.

• Example: Teaching a robot to walk or play a game.

• Use Cases:

  • Robotics

  • Game playing (Chess, Go)

  • Self-driving cars

• Popular Algorithms:

  • Q-Learning

  • Deep Q-Networks (DQN)

  • Policy Gradient Methods

📌 Summary Table:

Type	Data Used	Goal	Examples
Supervised	Labeled data	Learn a mapping from inputs to outputs	Spam detection, price prediction
Unsupervised	Unlabeled data	Find hidden patterns or groupings	Customer segmentation, fraud detection
Reinforcement	Feedback-based	Learn through rewards & penalties	Gaming AI, robotic control

---

🇮🇳 తెలుగు వెర్షన్ (సుమారు 400 పదాలు)

Machine Learning (మెషిన్ లెర్నింగ్) ను మూడిప్రధాన రకాలుగా విభజించవచ్చు. ఈ విభజన, కంప్యూటర్ ఎలా నేర్చుకుంటుందో దానిపైన ఆధారపడి ఉంటుంది.

1. Supervised Learning (పర్యవేక్షిత అధ్యయనం)

ఈ రకం లో, అల్గారిథం ముందుగానే లేబుల్ చేసిన డేటాతో శిక్షణ పొందుతుంది. అంటే, ప్రతి డేటా ఉదాహరణకి సంబంధిత ఫలితం ఉంటుందన్నమాట.

• ఉదాహరణ: గృహధరాలను అంచనా వేయడం — గత గృహాల పరిమాణం, గదుల సంఖ్య, ధర వంటి వివరాలతో.

• వాడుకలు:

  • స్పామ్ మెయిల్ గుర్తింపు

  • స్టాక్ ధరలు అంచనా

  • వైద్య రోగ నిర్ధారణ

• ప్రచలిత అల్గారిథంలు:

  • లీనియర్ రిగ్రెషన్

  • లాజిస్టిక్ రిగ్రెషన్

  • డెసిషన్ ట్రీ

  • సపోర్ట్ వెక్టర్ మెషీన్లు

2. Unsupervised Learning (అపర్యవేక్షిత అధ్యయనం)

ఈ పద్ధతిలో, డేటా లేబుల్స్ లేకుండా ఉంటుంది. అల్గారిథం ఆ డేటాలోని సరూప్యతలను లేదా గ్రూపుల్ని స్వయంగా కనుగొంటుంది.

• ఉదాహరణ: వినియోగదారుల కొనుగోలు అలవాట్ల ఆధారంగా గ్రూప్ చేయడం.

• వాడుకలు:

  • కస్టమర్ సెగ్మెంటేషన్

  • మార్కెట్ బాస్కెట్ విశ్లేషణ

  • ఫ్రాడ్ డిటెక్షన్

• ప్రచలిత అల్గారిథంలు:

  • K-Means క్లస్టరింగ్

  • హెయిరార్కికల్ క్లస్టరింగ్

  • PCA (ప్రిన్సిపల్ కంపోనెంట్ అనాలిసిస్)

3. Reinforcement Learning (ప్రోత్సాహక అధ్యయనం)

ఇది ట్రయల్ అండ్ ఎరర్ పద్ధతిపై ఆధారపడి ఉంటుంది. మోడల్ (agent) అనేక చర్యలు తీసుకుంటుంది. ప్రతి చర్యకి అనుగుణంగా రివార్డు లేదా శిక్ష లభిస్తుంది.

• ఉదాహరణ: రోబోను నడవడం నేర్పించడం.

• వాడుకలు:

  • ఆటలలో మేధస్సు (AI players)

  • స్వయంచాలక కార్లు

  • రోబోటిక్స్

• అల్గారిథంలు:

  • Q-Learning

  • Deep Q-Networks (DQN)

  • పాలసీ గ్రాడియంట్ పద్ధతులు

📌 సరాంశ పట్టిక:

రకం	డేటా ప్రకారం	ఉద్దేశ్యం	ఉదాహరణలు
పర్యవేక్షిత (Supervised)	లేబుల్ చేసిన డేటా	ఇన్పుట్ తో అవుట్‌పుట్ నేర్చుకోవడం	స్పామ్ గుర్తింపు, ధర అంచనాలు
అపర్యవేక్షిత (Unsupervised)	లేబుల్ లేని డేటా	మిగతా డేటాలో సరూప్యతలు కనుగొనడం	కస్టమర్ గ్రూపింగ్, ఫ్రాడ్ గుర్తింపు
ప్రోత్సాహక (Reinforcement)	ఫీడ్‌బ్యాక్ ఆధారంగా	రివార్డ్స్ ద్వారా నేర్చుకోవడం	ఆటలు, రోబో కంట్రోల్