AI-এর ভিত্তি আর Python for AI — প্রথম NumPy array থেকে search, যুক্তি, সম্ভাবনা আর ডেটা থেকে শেখা পেরিয়ে একটি পূর্ণ AI প্রকল্প পর্যন্ত
AI Foundations & Python for AI — Python, NumPy, pandas, visualization, AI maths, search, logic, probability, learning from data, scikit-learn and modern AI
A free 79-lesson AI foundations and Python for AI course taught in Bangla across 14 modules, built step by step on a sample shop called Bazarghar: the map of AI, Python tooling, NumPy, pandas and visualisation, the maths AI needs, search, logic and planning, reasoning under uncertainty, machine learning foundations with scikit-learn, Bangla text data, neural networks, embeddings and LLM basics, responsible AI, a capstone, and practice pages for exams and interviews. Most code runs in the page with in-browser Python.
AI নিয়ে খবর আর দাবি এখন চারদিকে, কিন্তু একটি AI সিস্টেমের ভেতরে আসলে থাকে ডেটা, গণিত, কোড আর মানুষের সিদ্ধান্ত। এই কোর্সে সেই চারটিই নিজ হাতে ধরবেন: Python, NumPy আর pandas দিয়ে ডেটা সামলানো, chart দিয়ে ডেটা দেখা, search, logic আর সম্ভাবনা দিয়ে AI-এর ক্লাসিক ধারণা, তারপর ডেটা থেকে শেখা আর scikit-learn, শেষে embedding, LLM আর pretrained model-এর ধারণা। পুরো কোর্সে উদাহরণ একটিই: “বাজারঘর” নামের একটি কাল্পনিক অনলাইন দোকানের ডেটা — পণ্য, অর্ডার, জেলাভিত্তিক বিক্রি, ডেলিভারির সময় আর বাংলা রিভিউ। বেশিরভাগ কোড পাতাতেই চলে, কিছুই install না করে। নতুন শিক্ষার্থী, CSE, EEE ও ICT-র শিক্ষার্থী, চাকরি ও ইন্টারভিউর প্রার্থী আর AI-এর কাজে আসতে চাওয়া কর্মরত ডেভেলপার — সবার জন্যই কোর্সটি সহজ বাংলায়, ধাপে ধাপে সাজানো।
AI-এর যুগে কেন এই কোর্স?
Why learn the foundations nowআজ একটি chatbot-কে প্রশ্ন করলেই কোড, chart আর ব্যাখ্যা পাওয়া যায়। কিন্তু সেই কোড ডেটার ভুল লুকিয়ে ফেলল কি না, model-এর মাপকাঠি train ডেটায় মাপা হলো কি না, আর একটি “৯০% সঠিক” দাবির মানে আসলে কী — এই বিচারগুলো করতে ভিত্তি লাগে। এই কোর্স কোনো জাদু বা দ্রুত সাফল্যের প্রতিশ্রুতি দেয় না; দেয় সেই ভিত্তি, যাতে AI-কে ব্যবহার করতে, যাচাই করতে আর তার সীমা বুঝতে পারেন।
শুরুর আগে পরিষ্কার করে জেনে নিন
- এই কোর্স Python ভাষাটি নতুন করে শেখায় না, Python দিয়ে ডেটা আর AI-এর কাজ শেখায়। দরকারি অংশ পর্ব ০৯-এ ঝালাই করা হয়; ভাষাটি গোড়া থেকে শিখতে চাইলে Python প্রোগ্রামিং কোর্স পাশাপাশি পড়তে পারেন।
- পুরো কোর্সে একটিই উদাহরণ: “বাজারঘর” নামের দোকান। এটি একটি কাল্পনিক অনলাইন দোকান, কোনো আসল প্রতিষ্ঠান নয়। এর ডেটা কোর্সের কোড seed দিয়ে তৈরি করে, তাই প্রত্যেক পাঠক একই সংখ্যা পান। কোথাও কোথাও scikit-learn-এর সঙ্গে আসা Iris বা digits-এর মতো পরিচিত public dataset-ও ব্যবহার হয়, উৎসের নামসহ।
- আউটপুট বানানো নয়। পাতায় চলা কোড আপনার ব্রাউজারেই চলে। যা ব্রাউজারে চলে না — Jupyter, uv, বড় model বা Hugging Face-এর pretrained model — তা একটি আসল কম্পিউটারে চালিয়ে আউটপুট বসানো হয়েছে, পাশে লেখা “সত্যিকারের run” আর ব্যবহার করা version.
- পুরো পথটি আগে দেখে নিন: পর্ব ০১ · AI কী-তে ১৪ মডিউলের মানচিত্র, পূর্বশর্ত আর পুরো কোর্সের ক্রম দেওয়া আছে।
ভেতরটা খুলে দেখা
k-Nearest Neighbors, linear ও logistic regression আর একটি ছোট neural network আগে NumPy দিয়ে নিজে লিখবেন, তারপর scikit-learn-এর তৈরি জিনিস ব্যবহার করবেন। তাহলে library-র একটি লাইনের পেছনে কী হিসাব চলে, তা আর রহস্য থাকে না।
ডেটাই আসল কাজ
বাস্তবের AI প্রকল্পে বড় একটি অংশ যায় ডেটা পড়া, পরিষ্কার করা, জোড়া দেওয়া আর বোঝায়। pandas দিয়ে missing value, নকল সারি, তারিখ আর বাংলা লেখা সামলানো, আর সৎ chart দিয়ে ডেটা দেখা — এগুলো এখানে আলাদা মডিউল জুড়ে শেখানো হয়।
AI-এর কাজ যাচাই
প্রতিটি পর্বে আলাদা একটি AI-এর যুগের অংশ আছে: পুরোনো pandas বা NumPy API, বানানো function বা parameter, test ডেটা train-এ ঢুকে পড়া, train ডেটায় মাপা metric আর চাপা দেওয়া warning — এগুলো কীভাবে ধরবেন, আর AI-কে সহকারী রেখেও সিদ্ধান্ত নিজের হাতে রাখবেন কীভাবে।
পরীক্ষা আর ইন্টারভিউ
বিশ্ববিদ্যালয়ের Artificial Intelligence, Data Science ও Machine Learning কোর্সে, চাকরির লিখিত পরীক্ষায়, আর ডেটা অ্যানালিস্ট, Python ডেভেলপার বা ML ইন্টার্ন পদের ইন্টারভিউতে search, Bayes, metric, overfitting, NumPy আর pandas-এর প্রশ্ন আসতে পারে।
কোর্সটি কাদের জন্য
- নতুন শিক্ষার্থী — কম্পিউটার চালাতে পারলেই শুরু করা যায়; বাজারের দরদাম, রিকশার রুট, চায়ের দোকানের হিসাবের খাতা আর আবহাওয়ার পূর্বাভাসের মতো চেনা উদাহরণ দিয়ে, প্রথম array থেকে ধাপে ধাপে
- CSE, EEE ও ICT-র শিক্ষার্থী — Artificial Intelligence কোর্সের মূল বিষয়: agent, search, A*, minimax, CSP, logic, planning, Bayesian network, HMM আর MDP-এর পরিচয় — ছবি, ধাপে ধাপে ট্রেস আর পূর্ণ সমাধানসহ
- চাকরি ও ইন্টারভিউর প্রার্থী — ডেটা অ্যানালিস্ট, Python ডেভেলপার আর ML বা AI ইন্টার্ন পদের ইন্টারভিউ এবং IT পদের লিখিত পরীক্ষার জন্য numerical, MCQ প্রশ্নব্যাংক, লিখিত-ভাইভা আর NumPy ও pandas-এর live coding
- কর্মরত ডেভেলপার ও পেশাজীবী — web, mobile বা অন্য কাজ থেকে AI-এর দিকে আসতে, Excel থেকে pandas-এ যেতে, বা AI tool নিয়ে সিদ্ধান্ত নিতে যাঁদের ভেতরের যুক্তিটুকু বোঝা দরকার
এই কোর্সে যা আলাদা
- পাতাতেই চলা Python — NumPy, pandas, scikit-learn আর matplotlib-এর কোড “চালান” চাপলে আপনার ব্রাউজারেই চলে (Pyodide, অর্থাৎ WebAssembly-তে চলা আসল CPython), chart-সহ; কোড বদলে আবার চালাতে পারেন
- সত্যিকারের run থেকে আউটপুট — uv আর Jupyter, Polars, Plotly, Hugging Face-এর ছোট pretrained model আর PyTorch-এর মতো যা ব্রাউজারে চলে না, তা একটি আসল কম্পিউটারে চালিয়ে নেওয়া, পাশে লেখা version আর যে এক যন্ত্রে মাপা হয়েছে সেই কথা
- সৎ হিসাব — AI কী পারে না, model কোথায় ভুল করে, কোন সংখ্যা শুধু একটি স্থানীয় run-এর, আর কোথায় বিশেষজ্ঞরা একমত নন — সব স্পষ্ট করে বলা; কোনো বানানো পরিসংখ্যান নেই
- ক্যাপস্টোন আর সার্টিফিকেট — বাজারঘরের বাংলা রিভিউ থেকে প্রশ্ন বাছাই, ডেটা পরিষ্কার, pipeline, মূল্যায়ন আর model card পর্যন্ত একটি পূর্ণ প্রকল্প; লগইন করলে ড্যাশবোর্ডে মডিউল টেস্ট, ফাইনাল পরীক্ষা আর ফ্রি সার্টিফিকেট
প্রতিটি পর্ব যেভাবে সাজানো
How every lesson worksপ্রতিটি পর্ব একই ছকে লেখা: আগে অন্তর্দৃষ্টি, চেনা উদাহরণ আর ছবি, তারপর সঠিক নিয়ম, হিসাব আর চালানো কোড, শেষে অনুশীলন আর যাচাই।
- এক নজরেপুরো পর্বের মূল কথা, মূল নিয়ম আর সাধারণ ফাঁদ কয়েক লাইনে, শুরুতেই।
- চেনা উদাহরণবাজারের দরদাম, রিকশার রুট, ক্রিকেটের স্কোরকার্ড, ডাক্তারের রোগনির্ণয় — চেনা জিনিস দিয়ে কঠিন ধারণা।
- ছবি আর ধাপে ধাপে ট্রেসনকশার ছবি দেখুন, তারপর “পরে” চেপে চেপে দেখুন BFS-এর frontier, broadcasting, একটি gradient step বা একটি Bayes হালনাগাদ প্রতিটি ধাপে কী করে।
- চালানো কোড আর আসল আউটপুটপাতাতেই চলা Python, NumPy, pandas আর scikit-learn, আর ব্রাউজারের বাইরের কাজের সত্যিকারের আউটপুট — কোড বদলে আবার চালান, আউটপুট মন দিয়ে পড়ুন।
- হিসাব ও অনুশীলনArray-র shape আর memory, সম্ভাবনা, entropy, search-এর খরচ, gradient আর metric — পূর্ণ সমাধান, আর উত্তরসহ অনুশীলনের প্রশ্ন।
- যাচাই ও শব্দকোষভাবনার প্রশ্ন, কুইজ, “পরীক্ষা ও ইন্টারভিউতে” নোট, AI-এর যুগের অংশ আর প্রতিটি নতুন শব্দের সহজ মানে।
লগইন করা ঐচ্ছিক। করলে অগ্রগতি সেভ থাকে, আর মডিউল টেস্ট, ফাইনাল পরীক্ষা ও সার্টিফিকেট খুলে যায়। নমুনা দেখতে চান? পর্ব ২৪ · Groupby আর aggregation খুলে দেখুন।
শেখার পথ — ১৪টি মডিউল
Your learning pathকোর্সটি ইচ্ছা করে এই ক্রমে সাজানো: আগে AI-এর মানচিত্র, তারপর হাতিয়ার — Python, NumPy, pandas, chart আর গণিতের অন্তর্দৃষ্টি — তারপর AI-এর ক্লাসিক ধারণা — search, logic আর সম্ভাবনা — তারপর ডেটা থেকে শেখা আর আধুনিক AI, শেষে ক্যাপস্টোন আর প্রস্তুতি। যেকোনো মডিউলে চাপলে তার পর্বগুলো দেখাবে।
প্রতিটি মডিউল এক লাইনে
- মডিউল ১ · AI-এর মানচিত্র (পর্ব ০১–০৬) — AI কী, এর ইতিহাস, তিনটি বড় পথ, AI, ML, DL আর Generative AI-এর সম্পর্ক, আর বাস্তবে AI কোথায় কাজ করে ও কোথায় ভুল করে।
- মডিউল ২ · Python দিয়ে AI-এর কাজের পরিবেশ (পর্ব ০৭–১২) — Python, uv আর venv, Jupyter notebook, ডেটার জন্য দরকারি Python, CSV-JSON-Parquet আর পুনরুৎপাদনযোগ্য প্রকল্প।
- মডিউল ৩ · NumPy — সংখ্যার array (পর্ব ১৩–১৯) — shape আর dtype, indexing, vectorization ও broadcasting, random, linear algebra, ছবি মানেই array, আর গতির হিসাব।
- মডিউল ৪ · pandas — টেবিলের ডেটা (পর্ব ২০–২৭) — Series ও DataFrame, ফাইল পড়া, filter, ডেটা পরিষ্কার, groupby, merge আর reshape, time series আর বড় ডেটায় Polars-এর পরিচয়।
- মডিউল ৫ · ডেটা দেখা — visualization (পর্ব ২৮–৩২) — matplotlib, কোন chart কখন, seaborn, Plotly-র interactive chart আর সৎ, বিভ্রান্তিহীন chart.
- মডিউল ৬ · AI-এর গণিত — অন্তর্দৃষ্টি (পর্ব ৩৩–৩৮) — vector ও cosine similarity, derivative ও gradient descent, সম্ভাবনা, distribution, পরিসংখ্যান আর entropy, NumPy দিয়ে হাতে-কলমে।
- মডিউল ৭ · Search দিয়ে সমস্যা সমাধান (পর্ব ৩৯–৪৪) — state space, BFS, DFS ও uniform cost, heuristic আর A*, minimax ও alpha-beta, constraint satisfaction আর local search.
- মডিউল ৮ · জ্ঞান, যুক্তি আর পরিকল্পনা (পর্ব ৪৫–৪৯) — propositional ও first-order logic, rule-based ও expert system, knowledge graph আর classical planning.
- মডিউল ৯ · অনিশ্চয়তার সঙ্গে যুক্তি (পর্ব ৫০–৫৪) — Bayes-এর উপপাদ্য, বাংলা SMS-এ Naive Bayes, Bayesian network, Markov chain ও HMM, আর expected utility ও MDP-এর পরিচয়।
- মডিউল ১০ · ডেটা থেকে শেখা (পর্ব ৫৫–৬১) — শেখার ধরন, train-validation-test আর leakage, নিজে লেখা kNN, linear ও logistic regression, metric আর overfitting.
- মডিউল ১১ · scikit-learn আর পুরো কাজের ধারা (পর্ব ৬২–৬৭) — EDA, feature engineering, pipeline, clustering ও PCA, cross-validation আর বাংলা লেখার classifier.
- মডিউল ১২ · আধুনিক AI হাতে-কলমে (পর্ব ৬৮–৭২) — neural network-এর ধারণা, embedding আর vector search, LLM কীভাবে কাজ করে, pretrained model আর দায়িত্বশীল AI-এর অভ্যাস।
- মডিউল ১৩ · ক্যাপস্টোন (পর্ব ৭৩–৭৪) — বাংলা পণ্য-রিভিউ থেকে একটি পূর্ণ AI প্রকল্প, আর একটি প্রকল্পের পুরো জীবনচক্র ও এরপর কী শিখবেন।
- মডিউল ১৪ · পরীক্ষা ও ইন্টারভিউ প্রস্তুতি (পর্ব ৭৫–৭৯) — numerical, MCQ প্রশ্নব্যাংক, লিখিত ও ভাইভা প্রশ্ন, আর Python-ডেটা ও AI-এর ধারণার ইন্টারভিউ।
একেবারে নতুন
ক্রম মেনে চলুন: মডিউল ১ থেকে মডিউল ৬ পর্যন্ত হাতিয়ার আর গণিত, তারপর মডিউল ১০। প্রতিটি পাতার কোড নিজে বদলে চালান; পর্ব ০৯ কঠিন লাগলে আগে Python কোর্সের প্রথম দিকটা দেখে নিন।
AI কোর্সের শিক্ষার্থী
মডিউল ১-এর পর মডিউল ৭, মডিউল ৮ আর মডিউল ৯ — search, logic আর সম্ভাবনার ক্লাসিক অংশ; সঙ্গে পর্ব ৭৫-এর numerical আর পর্ব ৭৭-এর লিখিত উত্তর।
ডেটা অ্যানালিস্ট
মডিউল ২ থেকে মডিউল ৫, তারপর পর্ব ৩৭-এর পরিসংখ্যান, পর্ব ৬২-এর EDA, আর শেষে পর্ব ৭৮-এর Python ও ডেটার ইন্টারভিউ অনুশীলন।
কর্মরত ডেভেলপার
Python জানা থাকলে মডিউল ৩-এর NumPy থেকে শুরু করে মডিউল ১০ থেকে মডিউল ১২ পর্যন্ত যান, তারপর ক্যাপস্টোনে নিজে একটি প্রকল্প বানান আর পর্ব ৭৪-এ পুরো জীবনচক্র দেখুন।
পথ যেটাই হোক, আগে মডিউল ১, অন্তত পর্ব ০১ আর পর্ব ০৪ পড়ুন। নির্ভরতার ক্রম মোটামুটি মানুন: মডিউল ২ → ৩ → ৪ → ৫, আর ৬ → ১০ → ১১ → ১২। Search আর logic-এর মডিউল ৭ ও ৮ গণিতের ওপর কম নির্ভর করে, তাই আগেও পড়া যায়। বিশ্ববিদ্যালয়ের AI কোর্সের প্রস্তুতির জন্য মডিউল ১, মডিউল ৭ থেকে মডিউল ১০ আর মডিউল ১৪ দেখুন।
সম্পূর্ণ সিলেবাস
Full syllabusযে পর্ব পড়া শেষ করেছেন, তার পাশে ✓ চিহ্ন দেখাবে। লগইন করলে এই অগ্রগতি আপনার সব ডিভাইসে থাকবে।
শুরুর আগে ও শেষের পরে
Before you start · After you finishআগে যা জানা থাকলেই চলবে
- কম্পিউটার বা মোবাইলে ব্রাউজার চালাতে পারা — এর বেশি কোনো বাধ্যতামূলক পূর্বশর্ত নেই
- Python-এর সামান্য পরিচয় থাকলে শুরুটা সহজ হয়, তবে বাধ্যতামূলক নয়: দরকারি অংশ পর্ব ০৯-এ ঝালাই করা আছে, আর ভাষাটি গোড়া থেকে শিখতে Python প্রোগ্রামিং কোর্স পাশাপাশি পড়তে পারেন
- গণিতে স্কুলের বীজগণিতই যথেষ্ট; vector, derivative, সম্ভাবনা আর পরিসংখ্যানের যেটুকু লাগে, তা মডিউল ৬-এ অন্তর্দৃষ্টি আর NumPy দিয়ে শেখানো হয়
- পাতার উদাহরণ পড়তে ও চালাতে কিছু install করতে হয় না; নিজের কম্পিউটারে কাজ করতে চাইলে Python, uv আর Jupyter লাগবে, যা পর্ব ০৭ আর পর্ব ০৮-এ ধাপে ধাপে দেখানো আছে
কোর্স শেষে যা পারবেন
- AI, ML, Deep Learning আর Generative AI-এর পার্থক্য ব্যাখ্যা করতে, আর একটি সমস্যা কোন ধরনের — classification, search না planning — তা চিনতে
- Python, uv আর Jupyter দিয়ে একটি পরিচ্ছন্ন, পুনরুৎপাদনযোগ্য ডেটা প্রকল্প সাজাতে
- NumPy-তে loop ছাড়া vectorized হিসাব করতে, আর pandas-এ ডেটা পড়া, পরিষ্কার, groupby, merge আর time series-এর কাজ করতে
- প্রশ্ন অনুযায়ী ঠিক chart বাছতে, আর বিভ্রান্তিকর chart চিনতে
- BFS, A*, minimax, CSP, logic-এর inference আর Bayes-এর হালনাগাদ হাতে ও কোডে করতে
- ডেটা ঠিকভাবে ভাগ করে, leakage এড়িয়ে model বানাতে, ঠিক metric দিয়ে মাপতে আর overfitting চিনতে
- scikit-learn-এর pipeline আর cross-validation দিয়ে পুরো কাজের ধারা লিখতে, আর embedding, LLM ও pretrained model-এর ক্ষমতা ও সীমা বুঝতে
- AI-এর লেখা কোড যাচাই করে তবেই ব্যবহার করতে, পরীক্ষা ও ইন্টারভিউর প্রস্তুতি নিতে, আর শর্ত পূরণ করলে একটি ফ্রি কোর্স-সমাপ্তির সার্টিফিকেট পেতে
এরপর কী? এই কোর্স ভিত্তি গড়ে দেয়। এর ওপর গভীরে যাবে সাইটের পরের AI কোর্সগুলো: Machine Learning, Deep Learning, Generative AI, Natural Language Processing, MLOps, Data Engineering আর AI Ethics. পাশাপাশি কাজে লাগবে আমাদের শেষ হওয়া কোর্স: ডেটা স্ট্রাকচার ও অ্যালগরিদম, ডেটাবেস ও SQL, সফটওয়্যার ইঞ্জিনিয়ারিং ও Git আর ফুল-স্ট্যাক ওয়েব ফ্রেমওয়ার্ক।
সাধারণ প্রশ্ন
Frequently asked questionsপ্র ০১শুরু করতে আগে কী জানা দরকার?
কম্পিউটার বা মোবাইলে ব্রাউজার চালাতে পারলেই শুরু করা যায়; এর বেশি বাধ্যতামূলক কিছু নেই। প্রতিটি নতুন ধারণা — agent, array, DataFrame, gradient, সম্ভাবনা — চেনা উদাহরণ আর ছবি দিয়ে প্রথম থেকে বোঝানো হয়েছে। Python-এর সামান্য পরিচয় থাকলে শুরুটা সহজ হয়; না থাকলে Python প্রোগ্রামিং কোর্সের প্রথম দিকটা পাশাপাশি পড়ুন, আর পর্ব ০৯-এ ডেটার কাজে দরকারি Python ঝালাই করা আছে।
পর্ব ০১ দেখায় AI আসলে কী আর পুরো কোর্সের পথ, আর পর্ব ০৪ দেখায় AI, ML, Deep Learning আর Generative AI কে কার ভেতরে।
প্র ০২কোর্সটি কি সত্যিই পুরো ফ্রি?
হ্যাঁ, ৭৯টি পর্বের সবকিছু — পড়া, পাতায় চলা Python, ধাপে ধাপে ট্রেস, কুইজ, দেড় হাজারের বেশি শব্দের শব্দকোষ, পরীক্ষা আর সার্টিফিকেট — সম্পূর্ণ ফ্রি। কোনো লুকানো ফি নেই, পড়ার জন্য লগইনও বাধ্যতামূলক নয়। সাইটের খরচ চলে পাতার বিজ্ঞাপন থেকে।
কোর্সে ব্যবহার করা টুলগুলোও ফ্রি আর open source: Python, NumPy, pandas, matplotlib, seaborn, scikit-learn আর Jupyter. Pretrained model-এর পর্বে শুধু খোলা লাইসেন্সের ছোট model ব্যবহার করা হয়েছে, যা কোনো account, API key বা পেমেন্ট ছাড়াই নামানো যায়।
প্র ০৩“বাজারঘর” কী? কোনো আসল দোকান?
না। বাজারঘর এই কোর্সের জন্য বানানো একটি কাল্পনিক অনলাইন দোকান। এর পণ্যের তালিকা, অর্ডার, জেলাভিত্তিক বিক্রি, ডেলিভারির সময় আর বাংলা গ্রাহক-রিভিউ — সবই কোর্সের কোড seed দিয়ে তৈরি করে, তাই প্রত্যেক পাঠক একই সংখ্যা পান আর ফলাফল মিলিয়ে দেখতে পারেন। এর নাম, ডেটা, দাম আর ঘটনা সবই বানানো।
আলাদা আলাদা খেলনা উদাহরণের বদলে একটি বাড়ন্ত ডেটাসেট নিলে বোঝা যায়, শুরুর একটি সিদ্ধান্ত — যেমন ডেটা কীভাবে ভাগ করলেন — পরে কী ফল দেয়। পর্ব ৭৩-এর ক্যাপস্টোনে বাজারঘরের বাংলা রিভিউ থেকে একটি পূর্ণ AI প্রকল্প বানানো হয়।
প্র ০৪কোনটি পাতায় চলে, আর কোনটি আসল কম্পিউটারের run?
পাতায় লেখা থাকে কোনটি কী। পাতায় চলা কোড: NumPy, pandas, scikit-learn আর matplotlib-এর উদাহরণ “চালান” চাপলে আপনার ব্রাউজারেই চলে Pyodide দিয়ে, যা WebAssembly-তে চলা আসল CPython. প্রথমবার কোনো বড় package লোড হতে কয়েক সেকেন্ড লাগে, পরে দ্রুত চলে। Search বা logic-এর মতো package-ছাড়া কিছু Python উদাহরণ এক চাপে অনলাইন compiler-এ চলে, তাই সেগুলোর জন্য ইন্টারনেট লাগে।
সত্যিকারের run: uv, Jupyter, Polars, Plotly, PyTorch, Hugging Face-এর pretrained model আর বড় scikit-learn কাজের মতো যা ব্রাউজারে চলে না, সেগুলো একটি আসল কম্পিউটারে চালিয়ে আউটপুট বসানো হয়েছে, পাশে লেখা “সত্যিকারের run” আর version. সময় বা গতির সংখ্যা সেই এক যন্ত্রের একটি run, সাধারণ নিয়ম নয়। কোনো আউটপুট বানিয়ে লেখা হয়নি।
প্র ০৫কতটা গণিত জানতে হবে?
স্কুলের বীজগণিতই যথেষ্ট। AI-এর জন্য যেটুকু গণিত লাগে — vector আর dot product, derivative আর gradient descent, সম্ভাবনা, distribution, mean-variance আর entropy — তা মডিউল ৬-এ আগে অন্তর্দৃষ্টি দিয়ে, তারপর ছোট সংখ্যার পূর্ণ হিসাব আর NumPy-র কোড দিয়ে শেখানো হয়। প্রতিটি চিহ্নের মানে প্রথমবার কথায় বলে দেওয়া হয়।
যাঁরা আরও গভীরে যেতে চান, তাঁদের জন্য প্রতিটি পর্বে আলাদা “আরও গভীরে” অংশ আছে; সেটি বাদ দিলেও মূল পথ বুঝতে অসুবিধা হবে না।
প্র ০৬কোন version-এ লেখা? Library তো দ্রুত বদলায়।
ঠিকই, তাই প্রতিটি সত্যিকারের run-এর পাশে version লেখা আছে। কোর্সটি Python 3.14 ধরে লেখা। পাতার ভেতরের Python-এ লেখার সময়ের version ছিল NumPy 2.4.6, pandas 3.0.2, scikit-learn 1.8.0 আর matplotlib 3.10.8; কম্পিউটারের run-এ যে version ব্যবহার হয়েছে, তা সেই পাতাতেই বলা আছে। pandas 3-এর Copy-on-Write বা NumPy 2-এর মতো বদল যেখানে আসে, পাতায় তা আলাদা করে বলা আছে, আর পুরোনো পথটিও চিনিয়ে দেওয়া হয়েছে।
পরে কোনো version বদলালে আপনার version-এর অফিসিয়াল docs মিলিয়ে নিন। ধারণাগুলো — array, broadcasting, groupby, gradient, leakage, cross-validation — version বদলালেও একই থাকে, আর এই কোর্সের মূল জোর সেখানেই।
প্র ০৭Chart-এ বাংলা লেখা দেখানো যায়?
পাতার ভেতরের chart-এর শিরোনাম, axis আর legend ইংরেজিতে রাখা হয়েছে, কারণ পাতার matplotlib 3.10.8 বাংলার যুক্তাক্ষর ঠিকমতো জোড়া দিতে পারে না, লেখা ভেঙে যায়। print করা লেখা আর pandas-এর টেবিলে বাংলা ঠিকঠাক দেখায়।
নিজের কম্পিউটারে matplotlib 3.11 বা পরের version আর Noto Sans Bengali-র মতো একটি বাংলা font দিলে chart-এর বাংলা ঠিকভাবে আসে। কীভাবে font বসাবেন আর কোথায় এখনো সমস্যা থাকে, তা সত্যিকারের run-সহ দেখানো আছে পর্ব ২৮-এ।
প্র ০৮নিজের কম্পিউটারে কী লাগবে? দুর্বল কম্পিউটারে চলবে?
শুধু পড়তে আর পাতার উদাহরণ চালাতে একটি আধুনিক ব্রাউজারই যথেষ্ট, মোবাইলেও চলে। প্রথমবার scikit-learn-এর মতো বড় package নামাতে কয়েক সেকেন্ড থেকে বেশি সময় লাগতে পারে আর কিছুটা ইন্টারনেট খরচ হয়; পাতার উদাহরণগুলো ইচ্ছা করে ছোট রাখা হয়েছে, যাতে সাধারণ যন্ত্রেও চলে।
নিজের কম্পিউটারে কাজ করতে Python, uv আর একটি code editor বা Jupyter লাগবে, যা Windows, macOS বা Linux সবখানে চলে; পুরো setup আছে পর্ব ০৭-এ। Pretrained model-এর পর্বে ছোট model সাধারণ ল্যাপটপের CPU-তে চালানো হয়েছে; এই কোর্সের জন্য GPU লাগে না।
প্র ০৯চাকরির পরীক্ষা বা ডেটা ও AI পদের ইন্টারভিউর জন্য কি যথেষ্ট?
ভিত্তির জন্য কাজে লাগবে, তবে কোনো কোর্সই চাকরির নিশ্চয়তা দিতে পারে না। লিখিত পরীক্ষা আর ভাইভার ধরনের প্রশ্নের অনুশীলন আছে পর্ব ৭৫, পর্ব ৭৬ আর পর্ব ৭৭-এ — প্রশ্নগুলো এই কোর্সের জন্য লেখা, কোনো আসল পরীক্ষা বা প্রতিষ্ঠান থেকে নেওয়া নয়। NumPy, pandas আর live coding আছে পর্ব ৭৮-এ, আর AI-এর ধারণা, অ্যালগরিদম ও আচরণগত প্রশ্ন পর্ব ৭৯-এ।
তবে শুধু পড়লে হবে না। নিজের হাতে ক্যাপস্টোনটি করুন। নিজের একটি প্রকল্প, যার প্রতিটি সিদ্ধান্ত — ডেটা ভাগ, metric বাছাই, ভুলের বিশ্লেষণ — আপনি ব্যাখ্যা করতে পারেন, যেকোনো ইন্টারভিউতে শক্ত প্রমাণ।
প্র ১০সাইটের Python, DSA, DBMS আর অন্য কোর্সের সঙ্গে সম্পর্ক কী?
Python প্রোগ্রামিং শেখায় ভাষা, আর এই কোর্স সেই ভাষা দিয়ে ডেটা ও AI-এর কাজ করে। ডেটা স্ট্রাকচার ও অ্যালগরিদম-এ graph, BFS-DFS আর complexity গভীরে আছে, এখানে মডিউল ৭-এ তা AI-এর search-এ লাগানো হয়। ডেটাবেস ও SQL শেখায় SQL, এখানে pandas দিয়ে SQL থেকে ডেটা পড়া হয়। সফটওয়্যার ইঞ্জিনিয়ারিং ও Git Git আর testing গভীরে শেখায়, আর ফুল-স্ট্যাক ওয়েব ফ্রেমওয়ার্ক দেখায় একটি model-কে API দিয়ে অ্যাপে কীভাবে জোড়া যায়। অন্য কোর্স আগে শেষ করা বাধ্যতামূলক নয়।
Machine Learning, Deep Learning, Generative AI আর AI Ethics-এর মতো বিষয় এই কোর্সে পরিচয় পর্যন্ত থাকে; সেগুলো গভীরে আসবে সাইটের পরের AI কোর্সগুলোতে।
প্র ১১পরীক্ষা দেওয়া আর সার্টিফিকেট পাওয়া যাবে?
হ্যাঁ। লগইন করলে ড্যাশবোর্ডে মডিউল ১ থেকে ১৩-এর প্রতিটির একটি টেস্ট আর একটি ফাইনাল পরীক্ষা পাবেন, আর কোন পর্ব শেষ হলো তার অগ্রগতিও সেভ থাকবে। মডিউল ১ থেকে ১৩-এর সব পর্ব পড়া শেষ করে ফাইনালে ৬০% বা তার বেশি পেলে একটি ফ্রি কোর্স-সমাপ্তির সার্টিফিকেট পাবেন। মডিউল ১৪ শুধু অনুশীলনের, তাই তার আলাদা টেস্ট নেই।
মনে রাখবেন, এটি আপনার শেখার স্বীকৃতি — কোনো একাডেমিক ডিগ্রি, সরকারি সনদ বা কোনো প্রতিষ্ঠানের ভেন্ডর সার্টিফিকেশন নয়।
প্র ১২পুরো কোর্স শেষ করতে কত সময় লাগবে?
প্রতিটি পর্বের শুরুতে আনুমানিক পড়ার সময় লেখা আছে: বেশিরভাগ পর্বে ৪০ থেকে ৭০ মিনিট, কোড চালানো আর কুইজ দেওয়াসহ আরও কিছুটা; অনুশীলনের পর্বগুলোতে দেড় থেকে চার ঘণ্টা, আর ক্যাপস্টোন নিজে করতে আরও বেশি। পর্বগুলোর লেখা সময় যোগ করলে পড়ার সময় প্রায় ৮৭ ঘণ্টা। প্রতিদিন একটি পর্ব পড়লে আড়াই মাসের কাছাকাছি লাগবে। তবে নিজের গতিতে এগোন।
আজই প্রথম পর্ব দিয়ে শুরু করুন
প্রতিদিন একটি পর্ব — “AI কী” থেকে ধীরে ধীরে আপনি NumPy, pandas, search, যুক্তি, সম্ভাবনা আর ডেটা থেকে শেখা পেরিয়ে এমন জায়গায় পৌঁছে যাবেন, যেখানে একটি AI প্রকল্প নিজে সাজিয়ে, যাচাই করে, তার সীমাসহ ব্যাখ্যা করতে পারেন।