প্রতীকী বনাম সংযোগবাদী AI
এই পাঠে যা শিখবেন
- Symbolic AI কী — কীভাবে এটা নিয়ম ও যুক্তি দিয়ে কাজ করে
- Connectionist AI কী — কীভাবে নিউরাল নেট ডেটা থেকে শেখে
- প্রতিটির শক্তি, দুর্বলতা ও আজকের সম্মিলিত ব্যবহার
১ · দুটি দর্শন, একই লক্ষ্য
AI-এর শুরু থেকেই গবেষকরা দু'টি ভিন্ন পথে চেষ্টা করেছেন — যন্ত্রকে বুদ্ধিমান করার দু'টি দর্শন। একটিকে বলা হয় Symbolic AI (প্রতীকী AI), আরেকটিকে Connectionist AI (সংযোগবাদী AI)।
পার্থক্যটা মৌলিক — কীভাবে যন্ত্র "জানে" বা "বোঝে"। চলুন একটি সাধারণ উদাহরণ দিয়ে শুরু করি।
২ · Symbolic AI — নিয়ম দিয়ে চিন্তা
Symbolic AI মানে — যন্ত্রকে স্পষ্টভাবে নিয়ম, প্রতীক ও যুক্তি দিয়ে শেখানো। মানুষ প্রতিটি ধারণা ও সম্পর্ক হাতে লিখে দেয়।
ধরুন আমরা এমন একটি AI বানাতে চাই যা বলে দেবে — কোন প্রাণী পাখি কি না। Symbolic পদ্ধতিতে আমরা নিয়ম লিখি:
- যদি প্রাণীটির দু'টি ডানা থাকে, এবং
- পালক থাকে, এবং
- ঠোঁট থাকে — তবে এটি পাখি।
এটাই Symbolic AI-এর কাজ। যুক্তি, নিয়ম, "যদি-তাহলে" — সব মানুষ লিখে দেন। যন্ত্র শুধু সেই নিয়মগুলো প্রয়োগ করে। ১৯৫০-৮০-এর সব AI প্রায় এভাবেই কাজ করত। উদাহরণ — Expert SystemsExpert Systemsএকজন মানব বিশেষজ্ঞের জ্ঞান হাজার হাজার "if-then" নিয়মে রূপান্তর করে তৈরি AI সিস্টেম। MYCIN (১৯৭০) ছিল রক্তের সংক্রমণ নির্ণয়ের প্রথম সফল Expert System. ১৯৮০-র জোয়ার আনে। (যেমন MYCIN), PrologProlog"Programming in Logic" — ১৯৭২-এ তৈরি প্রোগ্রামিং ভাষা যা ফ্যাক্ট ও নিয়ম ঘোষণা করে কাজ করে। Symbolic AI-র প্রিয় টুল। আজও ব্যবহার হয় কিছু expert system ও gaming AI-তে। ভাষা, Chess engines।
Symbolic AI-এর শক্তি
- ব্যাখ্যাযোগ্য: কেন সিস্টেম এই উত্তর দিল — সেটা দেখা যায় (নিয়ম পড়ে)
- যুক্তিতে দক্ষ: গণিত, লজিক, পরিকল্পনায় খুব ভালো
- কম ডেটা লাগে: মানুষ সরাসরি জ্ঞান দেয়
Symbolic AI-এর দুর্বলতা
- ছবি বা শব্দ চিনতে পারে না ভালোভাবে: "বিড়ালের ছবি" এর জন্য নিয়ম লেখা প্রায় অসম্ভব
- স্কেল করে না: জগতের সব নিয়ম মানুষ হাতে লিখতে পারে না
- ব্যতিক্রমে বিভ্রান্ত: পেঙ্গুইন বা উটপাখির মতো ব্যতিক্রম সামলানো কঠিন
৩ · Connectionist AI — উদাহরণ থেকে শেখা
Connectionist AI মানে — অনেক ছোট ছোট প্রক্রিয়াকেন্দ্রের (যেমন কৃত্রিম নিউরন) সংযোগ দিয়ে নেটওয়ার্ক বানানো, যা ডেটা থেকে নিজেই প্যাটার্ন শেখে।
একই পাখি চেনার সমস্যায় Connectionist পদ্ধতি কী করে? — কোনো নিয়ম লেখা হয় না। বরং কোটি কোটি ছবি দেখানো হয় — কোনটা পাখি, কোনটা নয়। নেটওয়ার্ক নিজেই বুঝে নেয় — কী কী বৈশিষ্ট্য পাখির। ডানা, পালক, ঠোঁট — সব কিছু সে নিজেই আবিষ্কার করে।
এটাই আজকের Neural NetworkNeural Networkমানব মস্তিষ্কের নিউরনের অনুকরণে তৈরি কৃত্রিম নেটওয়ার্ক। প্রতিটি কৃত্রিম নিউরন কয়েকটি সংখ্যা গ্রহণ করে, ওজন (weights) দিয়ে গুণ করে, একটা সংখ্যা output দেয়। হাজার হাজার এমন নিউরন স্তরে স্তরে সাজিয়ে — Deep Learning. বিস্তারিত T4 কোর্সে। ও Deep Learning-এর ভিত্তি। ChatGPT, Stable Diffusion, Google TranslateGoogle TranslateGoogle-এর অনুবাদ পরিষেবা। ২০১৬ সালে Statistical থেকে Neural Machine Translation-এ রূপান্তরিত হয় — যা অনুবাদের গুণগত মান রাতারাতি বাড়িয়ে দেয়। ১০০+ ভাষা সমর্থন করে। — সবই Connectionist পদ্ধতিতে তৈরি।
Connectionist AI-এর শক্তি
- ছবি, শব্দ, ভাষায় অসাধারণ: এমন জিনিস যা নিয়ম দিয়ে বোঝানো অসম্ভব
- নিজে শেখে: মানুষকে প্রতিটি নিয়ম লিখতে হয় না
- স্কেল করে: বেশি ডেটা = বেশি ভালো ফল
Connectionist AI-এর দুর্বলতা
- "Black box"Black Box সমস্যাএকটি Deep Learning মডেল কোটি কোটি ওজন (weights) দিয়ে কাজ করে। কেন একটি নির্দিষ্ট সিদ্ধান্ত নিল — সেটা মানুষের পক্ষে ব্যাখ্যা করা প্রায় অসম্ভব। চিকিৎসা/আদালতে এটি বড় সমস্যা। সমাধান গবেষণা — Explainable AI (XAI)।: কেন এই উত্তর দিল — সেটা প্রায়ই বোঝা কঠিন
- প্রচুর ডেটা লাগে: ভালো কাজ করতে কোটি কোটি উদাহরণ দরকার
- কম্পিউটিং খরচ: GPU প্রয়োজন, প্রশিক্ষণ ব্যয়বহুল
- ব্যাখ্যাহীন: "HallucinationHallucinationAI মডেল আত্মবিশ্বাসের সাথে ভুল বা বানানো তথ্য দেওয়াকে বলে। ChatGPT কখনো অস্তিত্বহীন বই, ভুল উদ্ধৃতি বা মিথ্যা ঘটনা বানিয়ে বলতে পারে।" — মাঝে মাঝে আত্মবিশ্বাসের সাথে ভুল বলে
৪ · তুলনা — এক নজরে
সংক্ষেপে —
- Symbolic: নিয়ম → ফলাফল (Top-down)
- Connectionist: ডেটা → প্যাটার্ন → ফলাফল (Bottom-up)
৫ · আজকের বাস্তবতা — দু'টোই দরকার
একসময় গবেষকরা দু'টি দলে বিভক্ত ছিলেন — কেউ কেউ মনে করতেন Symbolic-ই ভবিষ্যৎ, কেউ কেউ Connectionist. আজ আমরা জানি — দুটোরই দরকার।
- Connectionist কাজে আসে যেখানে অনেক ডেটা আছে এবং প্যাটার্ন জটিল — ছবি, ভাষা, কণ্ঠ।
- Symbolic কাজে আসে যেখানে কঠোর যুক্তি দরকার — ক্যালকুলেটর, ডাটাবেস, পরিকল্পনা।
- Neuro-Symbolic AINeuro-Symbolic AINeural Network (Connectionist) ও Symbolic Logic-এর সংমিশ্রণ। লক্ষ্য — দু'টোর সেরা দিক একসাথে। উদাহরণ: ChatGPT যখন গণিতের জন্য Python ব্যবহার করে, বা LLM-Agent যখন ডেটাবেস কোয়ারি লেখে। ২০২০-র দশকের অন্যতম প্রধান গবেষণা ক্ষেত্র। — দুটোর সংমিশ্রণ — আজকের একটি বড় গবেষণা ক্ষেত্র। ChatGPT যখন ক্যালকুলেটর বা কোড ব্যবহার করে — সেটাই এই সংমিশ্রণ।
ভাবনার প্রশ্ন
প্রতিটি প্রশ্ন নিজে কিছুক্ষণ ভাবুন — তারপর "→ উত্তর" চাপুন।
প্র ০১ Symbolic AI ১৯৮০-র দশকে এত প্রতিশ্রুতিশীল ছিল — তবু কেন ব্যর্থ হলো? Expert Systems-এর মূল সমস্যাগুলো কী ছিল?
Expert Systems কয়েকটি নির্দিষ্ট ক্ষেত্রে চমৎকার কাজ করত — যেমন MYCIN রক্তের সংক্রমণ নির্ণয়ে অভিজ্ঞ ডাক্তারের সমান নির্ভুল ছিল। কিন্তু বাস্তব ব্যবহারে কয়েকটি মৌলিক সমস্যা ছিল —
- "Knowledge Acquisition Bottleneck": প্রতিটি নিয়ম মানুষকে হাতে লিখতে হতো। একটি বিশেষজ্ঞের জ্ঞান ১০,০০০ নিয়মে ধরা — মাসের পর মাস কাজ। একটি নতুন রোগ আবিষ্কৃত হলে — পুরো সিস্টেম update দরকার।
- Brittleness (ভঙ্গুরতা): নিয়মে যে exact pattern নেই — সিস্টেম সেখানে ব্যর্থ। "পেঙ্গুইন উড়তে পারে?" — যদি পাখির সংজ্ঞায় "উড়ে" লেখা থাকে, সিস্টেম বিভ্রান্ত।
- Common-sense সমস্যা: মানুষ যা স্বতঃস্ফূর্তভাবে জানে — "জল ভেজা", "আগুন গরম" — সব নিয়মে লেখা প্রায় অসম্ভব। Cyc প্রজেক্ট ৪০ বছর ধরে এই কাজ করছে, এখনো শেষ হয়নি।
- স্কেল করে না: ছবি, কণ্ঠ, ভাষার মতো জটিল ডেটায় নিয়ম লেখা প্রায় অসম্ভব। "বিড়ালের ছবি"-র জন্য নিয়ম কেমন হবে?
- রক্ষণাবেক্ষণ দুঃস্বপ্ন: ১০,০০০ নিয়মের সিস্টেমে — একটি নতুন নিয়ম যোগ করলে অন্য নিয়মের সাথে দ্বন্দ্ব হতে পারে। ডিবাগ করা প্রায় অসম্ভব।
এই কারণেই দ্বিতীয় AI Winter (১৯৮৭-৯৩) এসেছিল। কিন্তু Symbolic AI মরে যায়নি — আজও SQL, Excel formulas, traffic systems, payroll software — সবই Symbolic. সমস্যা ছিল — একে দিয়ে "মানুষের মতো বুদ্ধিমত্তা" বানানো যায়নি।
প্র ০২ ChatGPT সাবলীল লিখলেও সংখ্যা যোগ করতে প্রায়ই ভুল করে। এই ঘটনা Connectionist AI-এর কোন মৌলিক সীমা প্রকাশ করে?
এটি Connectionist AI-এর সবচেয়ে বিরোধপূর্ণ বৈশিষ্ট্য। ChatGPT কোটি কোটি প্যারামিটার দিয়ে শব্দের প্যাটার্ন শিখেছে। কিন্তু "যোগ" আসলে গণিতের নিয়ম — pattern নয়।
কেন ভুল হয়:
- ChatGPT সংখ্যা "চেনে" না — সে কোটি কোটি লেখায় "২ + ২ = ৪" দেখেছে। ছোট সংখ্যায় ভালো, কিন্তু "৭৩৪২ × ৫৬৭" — এত exact দেখেনি।
- Neural Network আনুমানিক উত্তর দেয়। ৭৩৪২ × ৫৬৭ ≈ ৪১.৬ লাখ-এর কাছে — কিন্তু exact হিসাব দিতে পারে না।
- যুক্তিতে — multi-step reasoning দুর্বল। "১০০ টাকার ১৫% কর + ৫% সার্ভিস + tip" — এক সাথে চিন্তা করতে গিয়ে ভুল।
সমাধান — Neuro-Symbolic পদ্ধতি: আধুনিক LLM (ChatGPT-এর "Code Interpreter", Claude-এর tool use) এখন Python ক্যালকুলেটরকে কল করে। গণিত আসলে Symbolic engine করে, Neural Network শুধু প্রশ্ন বোঝে ও উত্তর সাজায়।
মূল উপলব্ধি: Connectionist AI প্যাটার্নে রাজা, কিন্তু কঠোর যুক্তিতে দুর্বল। দু'টির সংমিশ্রণই — আজকের সবচেয়ে শক্তিশালী AI সিস্টেম।
প্র ০৩ চিকিৎসা ও আদালতে AI সিদ্ধান্ত নিলে — Symbolic না Connectionist বেছে নেবেন? কেন? "Black Box" সমস্যা এখানে কতটা গুরুত্বপূর্ণ?
এটি একটি কঠিন তবে অত্যন্ত গুরুত্বপূর্ণ প্রশ্ন। সরল উত্তর — সম্ভাব্যতার জন্য Connectionist, কিন্তু চূড়ান্ত সিদ্ধান্তে Symbolic বা মানুষ।
চিকিৎসায়:
- Connectionist AI (CNN) এক্স-রে/MRI-তে ক্যান্সার চিনতে অভিজ্ঞ ডাক্তারের সমান ভালো। কিন্তু "কেন এটা ক্যান্সার?" — ব্যাখ্যা দিতে পারে না।
- একজন ডাক্তার AI-র সাজেশন দেখে নিজে যাচাই করেন। সিদ্ধান্তের দায় থাকে ডাক্তারের। AI = সহকারী, না বিচারক।
- FDA AI চিকিৎসা সরঞ্জামকে অনুমোদন দেয় — কিন্তু "explainability" শর্ত হিসেবে। তাই Explainable AI (XAI) গবেষণা গুরুত্বপূর্ণ।
আদালতে:
- US-এ COMPAS সিস্টেম পুনরাবৃত্ত-অপরাধের ঝুঁকি অনুমান করত — Connectionist মডেল। কিন্তু কালো মানুষদের প্রতি পক্ষপাত পাওয়া গেছে। কেন? — বলতে পারেনি।
- একজন বিচারপ্রার্থীর "তার বিরুদ্ধে কেন এই রায়?" জানার অধিকার আছে। Black Box সিস্টেম সেটা দিতে পারে না।
- EU GDPR-এ "right to explanation" আইনি অধিকার। Connectionist AI-র সরাসরি ব্যবহার সীমিত করে।
সঠিক পদ্ধতি:
- Connectionist AI দিয়ে candidate cases শনাক্ত (যেমন: "এই ১০০ x-ray-এ ক্যান্সার থাকতে পারে")।
- মানুষ-বিশেষজ্ঞ চূড়ান্ত সিদ্ধান্ত নেন।
- Symbolic rules দিয়ে সিদ্ধান্ত যাচাই — যেমন: "যদি বয়স < ১৮ এবং অভিভাবক অনুমতি নেই — চিকিৎসা থামাও।"
এই ভাবনায় AI-নৈতিকতার পুরো একটি অধ্যায় — পাঠ ০৮-এ আমরা গভীরে যাব।
প্র ০৪ ২০২০-র দশকে "Neuro-Symbolic AI" বড় গবেষণা ক্ষেত্র হয়ে উঠেছে। কেন গবেষকরা মনে করছেন — এটাই AGI-র পথ?
মানুষের মস্তিষ্ক — একই সময়ে দু'টোই করে। আমরা প্যাটার্ন চিনি (চেহারা, কণ্ঠ, রঙ — pure pattern recognition) আবার যুক্তি প্রয়োগ করি (গণিত, পরিকল্পনা, কারণ-ফল)। আজকের Pure Connectionist AI প্যাটার্নে রাজা, যুক্তিতে রাজা না।
Neuro-Symbolic পদ্ধতির আশা:
- Hallucination কমে: LLM যখন factual কিছু বলবে — Symbolic database যাচাই করবে। ভুল তথ্য কম।
- কঠোর যুক্তি সম্ভব: দীর্ঘ multi-step reasoning, পরিকল্পনা, গাণিতিক প্রমাণ।
- কম ডেটায় শেখা: Symbolic structure থাকলে — ১০ লক্ষ ছবির বদলে ১০০টিতেই শেখা যায়।
- ব্যাখ্যাযোগ্যতা: Symbolic অংশ মানুষ পড়তে পারে। Black Box সমস্যা কম।
- সাধারণীকরণ: একটি কাজে শিখে অন্য কাজে প্রয়োগ — যা pure Connectionist পারে না।
আজকের উদাহরণ:
- ChatGPT-এর "tool use" — Python, web search, calculator কে call করা।
- DeepMind-এর AlphaGeometry — ২০২৪ সালে IMO (International Math Olympiad)-এ স্বর্ণপদক স্তরের জ্যামিতি সমস্যা সমাধান। Neural Net intuition + Symbolic prover.
- Wolfram + ChatGPT integration.
- Research labs-এ "World Model" + Reasoning module-এর সংমিশ্রণ।
সাবধান: "AGI-র পথ" এখনো অনুমান। ৭০-এর দশকে মানুষ ভাবত Symbolic-ই AGI. ২০১৫-এ ভাবত pure Deep Learning. আজ Neuro-Symbolic. ভবিষ্যতে আরেক নতুন paradigm আসতে পারে। কিন্তু এই গবেষণার দিক চিনে রাখা গুরুত্বপূর্ণ — বাংলাদেশের গবেষকদের জন্য বড় সুযোগ এখানে।
অনুশীলন
-
চিহ্নিত করুন: নিচের প্রতিটি AI সিস্টেম Symbolic না Connectionist? কেন?
- একটি দাবা প্রোগ্রাম যা সম্ভাব্য প্রতিটি চাল মূল্যায়ন করে
- Google Translate
- একটি ATM যা PIN যাচাই করে
- ChatGPT
- Tax calculation software
- দাবা প্রোগ্রাম (পুরোনো ধাঁচ — যেমন Stockfish): প্রায় Symbolic. সম্ভাব্য চাল গাছ (game tree) তৈরি, alpha-beta pruning, position evaluation function — সব নিয়ম-ভিত্তিক। তবে — AlphaZero (২০১৭) সম্পূর্ণ Connectionist (Neural Network + MCTS)। আজকের সেরা ইঞ্জিনগুলো hybrid.
- Google Translate: Connectionist. ২০১৬-এর আগে এটি Statistical Machine Translation (mostly Symbolic) ছিল। আজ এটি Neural Machine Translation — Transformer-ভিত্তিক।
- ATM PIN যাচাই: সম্পূর্ণ Symbolic — কোনো AI নয়, এটি সাধারণ database lookup. এখানে AI ব্যবহার অপ্রয়োজনীয় ও অনিরাপদ হবে।
- ChatGPT: মূলত Connectionist (Transformer-ভিত্তিক LLM)। তবে আধুনিক সংস্করণে tool use ও code interpreter — Neuro-Symbolic dimension.
- Tax calculation software: সম্পূর্ণ Symbolic. কর-আইন স্পষ্ট নিয়ম। AI অপ্রয়োজনীয় — বরং বিপজ্জনক (hallucination ঝুঁকি)।
মূল শিক্ষা: AI-অপ্রয়োজনীয় কাজে AI বসানো ভুল। যেখানে স্পষ্ট নিয়ম, সেখানে Symbolic; যেখানে প্যাটার্ন (ছবি, ভাষা), সেখানে Connectionist.
-
চিন্তা করুন: আপনি যদি বাংলা গ্রামার-চেকার বানাতে চান — কোন পদ্ধতি বেছে নেবেন? কেন?
সর্বোত্তম উত্তর — Hybrid (Neuro-Symbolic)। দু'টোরই ব্যবহার দরকার।
Symbolic অংশ:
- ব্যাকরণের কঠোর নিয়ম (যেমন: "ক্রিয়াপদ-এর কাল ও কর্তার সাথে মিল")।
- বানান ত্রুটি (নিয়মিত শব্দকোষ থেকে)।
- যুক্তাক্ষর-ভাঙা ভুল (যেমন: "জ্ঞান" vs "গ্যান")।
- ব্যাখ্যাযোগ্য — "এখানে 'ই-কার' হবে কারণ..." বলতে পারে।
Connectionist অংশ (BanglaBERT-এর মতো):
- প্রসঙ্গভিত্তিক ভুল ("আমি ঘরে গিয়ে রান্না করছিল" — কালের অসঙ্গতি pattern থেকে)।
- স্বাভাবিক বাক্য বনাম অস্বাভাবিক বাক্য পার্থক্য।
- আঞ্চলিক ভাষা vs প্রমিত বাংলা শনাক্তকরণ।
- লেখার শৈলী সাজেশন।
কেন Hybrid: বাংলা ব্যাকরণ প্রায় ২০০০টি নিয়ম — সব hand-code কঠিন। কিন্তু পুরো Connectionist করলে — কেন একটি বাক্য ভুল সেটা বলতে পারবে না। ব্যবহারকারীর শেখার জন্য ব্যাখ্যা দরকার। সবচেয়ে ভালো — দু'টি সিস্টেম একসাথে।
-
বিশ্লেষণ করুন: ChatGPT যখন গণিত করে ভুল করে — সেটা Symbolic বনাম Connectionist-এর কোন দুর্বলতা প্রদর্শন করে?
এটি Connectionist AI-র একটি মৌলিক সীমা প্রকাশ করে — pattern বনাম rule.
কেন ChatGPT গণিতে দুর্বল:
- ChatGPT সংখ্যা দেখে — "৭" শব্দের একটি tokenTokenLLM-এর জন্য ভাষার সবচেয়ে ছোট একক — শব্দ, শব্দাংশ বা একটি অক্ষর হতে পারে। GPT মডেল প্রায়ই ৪ অক্ষর = ১ টোকেন হিসাব করে। মডেলের খরচ ও সীমা টোকেনে মাপা হয়। মাত্র। সংখ্যাগত মান হিসাবে নয়।
- সে কোটি কোটি লেখায় "২ + ২ = ৪" দেখেছে। এই pattern মুখস্থ। ৪-৬ ডিজিটে কাজ করে।
- "৭৩৪২ × ৫৬৭" — এত বেশি combinations নেই training data-এ। Pattern থেকে আনুমানিক উত্তর — exact নয়।
- Multi-step reasoning দুর্বল — "১০% ছাড়, তারপর ১৫% VAT, তারপর ৫% সার্ভিস" — কোথাও পথ হারায়।
একটি Symbolic ক্যালকুলেটর:
- সংখ্যাকে সংখ্যা হিসেবে চেনে — token নয়।
- গণিতের নিয়ম নিয়ম হিসেবে প্রয়োগ করে।
- ৭০-ডিজিটের গুণও exact.
- কিন্তু "এই দাম বেশি কেন?" এই প্রশ্ন বুঝবে না।
মূল উপলব্ধি: দু'টি AI-এর শক্তি ভিন্ন। ChatGPT ভাষায় রাজা, ক্যালকুলেটর গণিতে রাজা। বুদ্ধিমত্তা মানে — সঠিক টুল সঠিক জায়গায় ব্যবহার। আধুনিক AI AgentAI Agentএকটি AI সিস্টেম যা শুধু উত্তর দেয় না — বরং নিজে সিদ্ধান্ত নিয়ে কাজ করে (টুল ডাকা, ওয়েব ব্রাউজ, কোড লেখা)। LLM-কে "হাত ও চোখ" দেওয়ার ধারণা। এজন্যই Tool UseTool UseLLM যখন Python, ক্যালকুলেটর, web search, ডেটাবেসের মতো বাহ্যিক টুল ব্যবহার করে — তখন তাকে বলে Tool Use. গণিত ও সাম্প্রতিক তথ্যের সমস্যা সমাধানের প্রধান উপায়। শিখছে — প্রশ্ন বুঝে নিজে ক্যালকুলেটর/Python কে call করছে।
আরও পড়ুন · ABCL TECH-এ আপনার পরবর্তী পদক্ষেপ
- পাঠ ০৪ · ANI, AGI ও ASI পরবর্তী পাঠ আজকের সব AI কেন "Narrow"? AGI কী, কখন আসবে — এই পাঠের পরের যৌক্তিক ধাপ।
- পাঠ ০৫ · AI বনাম ML বনাম Deep Learning এই পাঠের সাথে সম্পর্কিত Connectionist পদ্ধতির বিস্তারিত। DL ⊂ ML ⊂ AI — তিন বৃত্তের সম্পর্ক।
- পাঠ ০২ · AI-এর ইতিহাস আগের পাঠ Symbolic যুগ (Expert Systems) থেকে Connectionist যুগ (AlexNet) — ইতিহাসের ছবিতে দু'টি দর্শনের যাত্রা।
- Machine Learning Course (T3) পরবর্তী কোর্স Decision Trees (Symbolic-ঘেঁষা) থেকে Neural Networks (Connectionist) — ML অ্যালগরিদমের পুরো বর্ণালী।
- Deep Learning Course (T4) গভীরে যেতে Connectionist AI-র গভীর জগৎ — Neural Network কীভাবে কাজ করে, PyTorch দিয়ে।
- সব AI Courses দেখুন ABCL TECH Python, ML, DL, NLP, CV, GenAI, RL, MLOps — সব কোর্স এক জায়গায়।