পাঠ ১১ · ৩০-এর মধ্যে · মডিউল ২
Home / AI Courses / AI Foundations / ভেক্টর

ভেক্টর কী — তীর হিসেবে দেখা

What is a vector — geometric intuition
৮ মিনিট পড়া শুরু · Beginner NumPy কোডসহ

এই পাঠে যা শিখবেন

  • ভেক্টর কী — তিন ভিন্ন দৃষ্টিতে: তীর, সংখ্যার তালিকা, ও AI-এর ভাষায়
  • ভেক্টরের যোগ ও স্কেলার গুণ — গাণিতিক ও জ্যামিতিক উভয়ভাবে
  • ভেক্টরের দৈর্ঘ্য (norm) — একটি ভেক্টর কত "বড়"
  • NumPy দিয়ে ভেক্টর — ব্রাউজারেই কোড চালান

১ · ভেক্টর তিন ভাবে দেখা যায়

AI-তে ভেক্টরVectorসংখ্যার একটি সাজানো তালিকা — দিক ও দৈর্ঘ্যসহ। AI-তে যেকোনো বস্তু (ছবি, শব্দ, ব্যবহারকারী) সংখ্যার তালিকা হিসেবে প্রকাশ করা হয়। সর্বত্র। একটি ছবি — হাজার হাজার পিক্সেলের ভেক্টর। একটি বাংলা শব্দ — শত শত সংখ্যার ভেক্টর (embeddingEmbeddingএকটি discrete বস্তু (শব্দ, ব্যবহারকারী, পণ্য) → একটি ঘন vector representation. এই vector-এ "সাদৃশ্য" geometric দূরত্ব হিসেবে encoded. Word2Vec (২০১৩), GloVe, BERT, OpenAI ada-002 — সবই embedding-এর evolution. আজকের সব semantic search, RAG, recommendation-এর ভিত্তি।)। ChatGPT-এর প্রতিটি অভ্যন্তরীণ "চিন্তা" — একটি ভেক্টর। তাই এই ধারণাটা ভালোভাবে বুঝতে হবে।

তিন দৃষ্টিকোণ

১) পদার্থবিজ্ঞান: তীর — দিক ও মাত্রাসহ।
২) কম্পিউটার বিজ্ঞান: সংখ্যার একটি সাজানো তালিকা।
৩) গণিত: এমন বস্তু যা যোগ ও স্কেলার-গুণ মেনে চলে।

আমরা প্রথম দু'টি দৃষ্টিকোণে কাজ করব — সবচেয়ে স্বজ্ঞাত।

২ · তীর হিসেবে ভেক্টর

ভাবুন গ্রাফ পেপারে একটি তীর — উৎস $(0, 0)$ থেকে গন্তব্য $(3, 2)$ পর্যন্ত। এটি একটি ভেক্টর। ভেক্টরের দু'টি বৈশিষ্ট্য — দিক (কোন দিকে যাচ্ছে) ও দৈর্ঘ্যMagnitudeএকটি ভেক্টর কত "বড়" — উৎস থেকে গন্তব্য পর্যন্ত দূরত্ব। পাইথাগোরাসের সূত্র দিয়ে হিসাব হয়। (কত দূর যাচ্ছে)।

আমরা একে লিখি $\mathbf{v} = (3, 2)$ — যেখানে ৩ হলো অনুভূমিক দূরত্ব ($x$), ২ হলো উল্লম্ব দূরত্ব ($y$)।

ভাবুন আপনি ঢাকা শহরে আছেন। "বাংলামোটর থেকে শাহবাগে যান" — এটি একটি ভেক্টর। উৎস (বাংলামোটর) থেকে গন্তব্য (শাহবাগ) পর্যন্ত একটি দিক ও একটি দূরত্ব। উৎস বদলে গেলেও — যদি একই দিকে একই দূরত্ব যান — সেটা একই ভেক্টর।

৩ · সংখ্যার তালিকা হিসেবে ভেক্টর

২-মাত্রিক ভেক্টর: $(3, 2)$। ৩-মাত্রিক ভেক্টর: $(3, 2, 5)$। AI-তে সাধারণত ১০০, ৭৬৮, ৩০৭২, এমনকি ১২,২৮৮-মাত্রিক ভেক্টর ব্যবহার হয়। এত মাত্রায় ছবি আঁকা যায় না — তাই আমরা শুধু সংখ্যার তালিকা হিসেবে কাজ করি।

একটি বাস্তব উদাহরণ: একজন ব্যবহারকারীকে কীভাবে AI-এর কাছে উপস্থাপন করব?
user = (বয়স, আয়, কেনাকাটার ফ্রিকোয়েন্সি, রেটিং গড়)
যেমন: user_a = (২৭, ৩৫০০০, ১২, ৪.৩)
এটি একটি ৪-মাত্রিক ভেক্টর। AI ভেক্টরে কাজ করে — তাই বাস্তব জগতের সব কিছুকেই ভেক্টরে রূপান্তর করা হয়।

৪ · ভেক্টর যোগ — গাণিতিক ও জ্যামিতিক

দু'টি ভেক্টর যোগ — উপাদান-উপাদান:

$$\mathbf{u} + \mathbf{v} = (u_1, u_2) + (v_1, v_2) = (u_1 + v_1, \; u_2 + v_2)$$

উদাহরণ: $(3, 2) + (1, 4) = (4, 6)$

জ্যামিতিক অর্থ: প্রথম ভেক্টর শেষে দ্বিতীয় ভেক্টর জোড়া দিন। যেখানে শেষ হলো — সেটাই যোগফল ভেক্টর। একে বলে head-to-tail পদ্ধতি।

৫ · স্কেলার গুণ — ভেক্টরকে বড়/ছোট করা

একটি সংখ্যা (স্কেলারScalarএকক একটি সংখ্যা — দিক নেই, শুধু মান। ভেক্টরের বিপরীত: ভেক্টর তালিকা, স্কেলার একটি মাত্র সংখ্যা যেমন ৫ বা ৩.১৪।) দিয়ে ভেক্টরকে গুণ করলে — প্রতিটি উপাদান গুণ হয়:

$$2 \cdot (3, 2) = (6, 4)$$

জ্যামিতিকভাবে — তীরটির দৈর্ঘ্য দ্বিগুণ হলো, দিক একই থাকল। ঋণাত্মক স্কেলার দিলে দিক উল্টে যায়।

৬ · ভেক্টরের দৈর্ঘ্য (Norm)

একটি ভেক্টর "কত বড়"? — NormNormভেক্টরের দৈর্ঘ্য পরিমাপের গাণিতিক উপায়। সবচেয়ে সাধারণ — L2 norm (পাইথাগোরাস)। AI-তে loss function ও regularization-এ ব্যবহৃত হয়। (পাইথাগোরাসের সূত্র) দিয়ে বের হয়:

$$\| \mathbf{v} \| = \sqrt{v_1^2 + v_2^2 + \ldots + v_n^2}$$

উদাহরণ: $(3, 4)$-এর দৈর্ঘ্য $= \sqrt{9 + 16} = \sqrt{25} = 5$

AI-তে দৈর্ঘ্য (norm) দিয়ে দু'টি ভেক্টরের সাদৃশ্য পরিমাপ হয়। দু'টি শব্দের embedding-এর মধ্যে দূরত্ব কম মানে — শব্দ দু'টির অর্থ কাছাকাছি। যেমন "বিড়াল" ও "বেড়াল"-এর embedding-এর দূরত্ব কম, কিন্তু "বিড়াল" ও "ট্রেন"-এর দূরত্ব বেশি।
ভেক্টর — তিন দৃষ্টিতে একই বস্তু v = (3, 2) 🎯 জ্যামিতিক — তীর v x y 3 2 দিক + দৈর্ঘ্য 📋 সংখ্যার তালিকা [ 3, 2 ] np.array([3, 2]) shape: (2,) প্রোগ্রামিং দৃষ্টি 🤖 AI-তে ব্যবহার ছবি 224×224×3 → 150,528-D শব্দ → 768-D embedding ব্যবহারকারী → 64-D profile audio 1s → 16,000 samples সব input → vector
একই ভেক্টর — তিন দৃষ্টিতে। জ্যামিতিকভাবে তীর, কোডে তালিকা, AI-তে যেকোনো input-এর প্রতিনিধিত্ব।

৭ · NumPy দিয়ে ভেক্টর — হাতে-কলমে

NumPy হলো Python-এর সবচেয়ে গুরুত্বপূর্ণ গণিত লাইব্রেরি। নিচের কোডটি চালান — ব্রাউজারেই Python চলবে।

Python · NumPy 
import numpy as np

# দুটি ভেক্টর তৈরি
u = np.array([3, 2])
v = np.array([1, 4])

print("u =", u)
print("v =", v)
print("u + v =", u + v)        # ভেক্টর যোগ
print("2 * u =", 2 * u)        # স্কেলার গুণ

    


    

      Output-এ দেখবেন u + v = [4 6], 2 * u = [6 4] — ঠিক যা গণিতে শিখলেন।
    


    
৮ · দৈর্ঘ্য NumPy-তে


    

      

        
        Python · NumPy
      

      
import numpy as np

# (3, 4) ভেক্টরের দৈর্ঘ্য
v = np.array([3, 4])
length = np.linalg.norm(v)
print(f"v = {v}")
print(f"|v| = {length}")

# একটি ১০-মাত্রিক random ভেক্টর
big_v = np.random.rand(10)
print(f"\n10D random ভেক্টরের দৈর্ঘ্য: {np.linalg.norm(big_v):.4f}")

      

        
        
      

      

    


    

      np.linalg.norm() যেকোনো মাত্রায় কাজ করে — ২ থেকে ১০,০০০ পর্যন্ত। AI-তে এই function অসংখ্যবার ব্যবহৃত হয়।
    


    
৯ · AI-এ ভেক্টর কোথায় ব্যবহার হয়?


    
    
      
  • Image: 224×224 RGB ছবি = $224 \times 224 \times 3 = 150{,}528$-মাত্রিক ভেক্টর।
    • 
      
  • Word Embedding: "বাংলাদেশ" শব্দটি একটি ৭৬৮-মাত্রিক ভেক্টর (BERT-এ)।
    • 
      
  • User profile: Daraz-এর প্রতিটি ব্যবহারকারী একটি ভেক্টর — কেনাকাটার ইতিহাস ও পছন্দ থেকে।
    • 
      
  • Audio: ১ সেকেন্ড অডিও = ১৬,০০০ সংখ্যার ভেক্টর (16kHz sample rate)।
    • 
      
  • Neuron activation: একটি neural networkNeural Networkমানুষের মস্তিষ্কের অনুকরণে তৈরি স্তরভিত্তিক গাণিতিক মডেল — প্রতিটি স্তরে ভেক্টর-ম্যাট্রিক্স অপারেশন। AI-র মূল ভিত্তি।-এর প্রতিটি স্তরে ছবি/লেখা একটি ভেক্টরে রূপান্তরিত হয়।
    • 
    


    

      ভেক্টর AI-এর "সব কিছু"। এই পাঠের পর কোথাও যদি কনফিউজ লাগে — ফিরে এসে আরেকবার পড়ুন। পরের সব পাঠ এই ভিত্তির উপর গড়া।
    


  


  

    
    
  


  
  

    
 ভাবনার প্রশ্ন

    
প্রতিটি প্রশ্ন নিজে কিছুক্ষণ ভাবুন — তারপর "→ উত্তর" চাপুন।


    

      
        প্র ০১
        "বিড়াল" ও "বেড়াল"-এর embedding-এর দূরত্ব কম। কিন্তু "king − man + woman ≈ queen" — এই বিখ্যাত word2vec property কাজ করে কেন? জ্যামিতিকভাবে কী ঘটছে?
      
      

        

          এই property — Mikolov et al. (২০১৩)-র word2vec পেপারে — NLP-র সবচেয়ে চমকপ্রদ আবিষ্কারগুলোর একটি। এটি দেখাল যে শব্দের অর্থে structure আছে — শুধু সাদৃশ্য নয়।
        

        

          জ্যামিতিকভাবে যা ঘটে:
        

        
    
          
  • প্রতিটি শব্দ একটি high-dimensional space-এ point.
    • 
          
  • "king" থেকে "man" বিয়োগ করলে একটি vector পাওয়া যায় — এটি "royalty" দিকে পয়েন্ট করে (gender component বাদ)।
    • 
          
  • সেই "royalty" vector-এ "woman" যোগ করলে — পৌঁছায় "queen"-এর কাছে।
    • 
        

        

          কেন এমন ঘটে?
        

        
    
          
  • Word2Vec প্রশিক্ষিত হয় — "একই context-এ যে শব্দগুলো আসে, তারা কাছে থাকবে।"
    • 
          
  • "man" ও "king" প্রায়ই একসাথে context-এ থাকে; "woman" ও "queen"-ও।
    • 
          
  • এই pattern থেকে — gender axis ও royalty axis দু'টোই space-এ "শুদ্ধভাবে" আঁকা হয়।
    • 
          
  • vector arithmetic = অর্থের axis-এ চলাচল।
    • 
        

        

          আরও উদাহরণ:
        

        
    
          
  • Paris − France + Italy ≈ Rome (capital relationship)
    • 
          
  • walking − walk + swim ≈ swimming (verb tense)
    • 
          
  • good − bad + sad ≈ happy (sentiment)
    • 
        

        

          Caveat: আধুনিক LLM (BERT, GPT) embeddings এই property পুরোপুরি দেখায় না কারণ তাদের embedding context-dependent. কিন্তু classical Word2Vec-এ এটাই demonstrate করেছিল — language-এ semantic structure আছে এবং vector space তা capture করে।
        

        

          মূল উপলব্ধি: "ভেক্টর = শুধু সংখ্যার তালিকা" — কিন্তু সঠিকভাবে train করলে — সেই সংখ্যার ভেতরে অর্থ encoded হয়। আজকের সব semantic search, RAG, recommendation এই property-র উপর দাঁড়িয়ে।
        

      

    


    

      
        প্র ০২
        একটি ছবি ১৫০,৫২৮-মাত্রিক ভেক্টর। মানুষ এই space "দেখতে" পারে না। তাহলে কীভাবে আমরা বুঝি ভেক্টর সঠিক, dimension reduction করি — t-SNE, PCA কী কাজ করে?
      
      

        

          High-dimensional vector space — AI-র সবচেয়ে gripping চ্যালেঞ্জ। মানুষ ৩-D-র বেশি visualize পারে না। তবু আমরা ১০,০০০-D-তে কাজ করি।
        

        

          মানুষ যেভাবে high-D বুঝে:
        

        
    
          
  • Indirect proof: মডেল ছবি classify করতে পারলে — মানে ভেক্টরে "সঠিক" তথ্য এনকোডেড।
    • 
          
  • Distance অনুপাত: "two cats" closer than "cat-dog" — এই কাঠামো check করা যায়।
    • 
          
  • Probing tasks: বিশেষ test — "এই embedding কি plurality information ধরে রাখে?"
    • 
        

        

          Dimensionality reduction — visualization:
        

        
    
          
  • 
            PCA (Principal Component Analysis): linear. যেদিকে variance সর্বোচ্চ — সেই directions বাছে। ৭৬৮-D → ২-D-এ project. দ্রুত, deterministic, কিন্তু non-linear structure miss.
          
    • 
          
  • 
            t-SNE (২০০৮, van der Maaten): non-linear. কাছের বিন্দু কাছে রাখে, দূর সম্পর্ক ছেড়ে দেয়। Local cluster সুন্দর দেখায় — কিন্তু global geometry বিকৃত। Hyperparameter (perplexity)-এর প্রতি sensitive.
          
    • 
          
  • 
            UMAP (২০১৮): t-SNE-এর successor. Local + global structure দু'টিই কিছুটা সংরক্ষণ। দ্রুত, scaling ভাল।
          
    • 
        

        

          Visualization সাবধানতা:
        

        
    
          
  • "t-SNE plot-এ দূরত্ব = original space-এ দূরত্ব" — এটা ভুল। শুধু relative grouping সঠিক।
    • 
          
  • একই ডেটা — ভিন্ন seed-এ আলাদা plot. এটা artistic interpretation.
    • 
          
  • Cluster shape, size, density — অনেকটাই hyperparameter-নির্ভর।
    • 
        

        

          বিকল্প পদ্ধতি:
        

        
    
          
  • Cosine similarityCosine Similarityদু'টি ভেক্টরের মধ্যে কোণের cosine — -১ থেকে ১ পর্যন্ত। ১ মানে একই দিক (সাদৃশ্যপূর্ণ), ০ মানে orthogonal, -১ মানে বিপরীত। semantic search ও NLP-তে অপরিহার্য। matrix: ১০,০০০ items pairwise compare — heatmap.
    • 
          
  • Nearest neighbors: "এই vector-এর top-10 closest কে?" — semantic check.
    • 
          
  • Linear probes: simple classifierClassifierএকটি মডেল যা input-কে শ্রেণিতে ভাগ করে — যেমন "বিড়াল" বনাম "কুকুর" বা "spam" বনাম "ham"। ML-এর সবচেয়ে সাধারণ task. টানিয়ে দেখা — কী property encoded.
    • 
          
  • Mechanistic interpretability: Anthropic-এর সাম্প্রতিক কাজ — neurons-এ কী represent তা trace করা।
    • 
        

        

          মূল উপলব্ধি: মানুষ high-D space "দেখতে" পারে না। তাই AI gymnastics — projection, probing, indirect verification. এটাই embedding research-এর core challenge — এবং আকর্ষণ।
        

      

    


    

      
        প্র ০৩
        "Curse of Dimensionality" কী? উচ্চ-মাত্রিক ভেক্টরে কী এমন বিপরীতমুখী ঘটে — যা ২-D intuition থেকে আশা করা যায় না?
      
      

        

          Richard Bellman ১৯৬১-তে এই শব্দটি ব্যবহার করেন। High-D-এ অনেক জিনিস "অদ্ভুত" হয়ে যায় যা low-D intuition বিপরীত। AI/ML-এ এটি critical.
        

        

          (১) দূরত্ব meaningless হয়ে যায়:
        

        
    
          
  • ২-D-তে closest neighbor ও farthest neighbor-এর দূরত্ব significant ভিন্ন।
    • 
          
  • ১,০০০-D-তে — random points-এর pairwise distances প্রায় সবই কাছাকাছি। "নিকটতম" আর "দূরতম"-এর পার্থক্য vanishingly small.
    • 
          
  • ফলস্বরূপ — k-NN, clustering algorithms high-D-এ ভেঙে পড়ে।
    • 
        

        

          (২) Volume বিস্ফোরণ:
        

        
    
          
  • একটি unit cube-এর volume — ১। কিন্তু ১০-D unit cube-এর প্রায় সব volume কোণায়।
    • 
          
  • একটি unit hypersphere ১০-D-এ — cube-এর volume-এর মাত্র ০.২৫% দখল করে।
    • 
          
  • Random points প্রায় সবসময় edge-এ — center-এ rarely.
    • 
        

        

          (৩) Sample size requirement:
        

        
    
          
  • ২-D-তে একটি grid cover করতে ১০×১০ = ১০০ sample. ১০-D-এ ১০¹⁰।
    • 
          
  • "Density estimation" exponentially harder.
    • 
          
  • এই কারণেই DL-এর বিশাল ডেটা চাই — high-D space cover করতে।
    • 
        

        

          (৪) Orthogonality সর্বত্র:
        

        
    
          
  • ২-D-তে দু'টি random vectors পরস্পর কোণ ~৪৫°।
    • 
          
  • ১,০০০-D-তে — দু'টি random vectors প্রায় সবসময় orthogonal (90°)।
    • 
          
  • চমৎকার — অর্থাৎ random initialization-এ neurons "interfere" করে না।
    • 
        

        

          (৫) Manifold hypothesis:
        

        
    
          
  • Real data ১৫০,৫২৮-D ছবি space-এর সব পয়েন্ট নয়।
    • 
          
  • "মুখ" ছবিগুলো একটি অনেক ছোট manifold-এ বাস করে — হয়তো ৫০-১০০-D.
    • 
          
  • DL এই হিডেন low-D structure শেখে — এটাই representation learning.
    • 
        

        

          প্রভাব AI-তে:
        

        
    
          
  • Cosine similarity euclidean-এর চেয়ে preferred (dimension-invariant)।
    • 
          
  • Regularization (L2, dropout) — high-D-এ overfitting রোধ।
    • 
          
  • Embedding dimension carefully tuned — খুব বেশি বা কম দু'টোই খারাপ।
    • 
        

        

          মূল উপলব্ধি: ২-D-র intuition high-D-এ misleading. AI-তে গণিত শুধু "লিখিত সূত্র" নয় — geometry-র গভীর বোধও দরকার। এই কারণেই linear algebra ML-এর মেরুদণ্ড।
        

      

    


    

      
        প্র ০৪
        আপনি Daraz-এর জন্য একটি গ্রাহক-ভেক্টর ডিজাইন করছেন। কোন ৫টি feature বাছবেন? কোন trade-off আছে — feature বেশি বনাম কম, নির্দিষ্ট বনাম generic?
      
      

        

          Feature engineering — DL-এর আগের যুগে ML-এর কঠিনতম অংশ। এখনো production system-এ এটাই অর্ধেক কাজ।
        

        

          ৫টি ভাল feature (Daraz-এর জন্য):
        

        
    
          
  1. 
            ৩০ দিনে ক্রয় সংখ্যা: activity level. তবে cap করুন (৫০-এ) — outlier-এর প্রতি sensitive.
          
    2. 
          
  2. 
            গড় order value (BDT): spending capacity. Log-transform করুন (skewed distribution)।
          
    3. 
          
  3. 
            Top-3 ক্যাটেগরির one-hot: "fashion, electronics, beauty" interest. Sparse কিন্তু interpretable.
          
    4. 
          
  4. 
            Days since last purchase: recency. 1/(1+days) — recency bias.
          
    5. 
          
  5. 
            Cart abandonment rate: commitment level. 0-1 ratio.
          
    6. 
        

        

          আরও যা যুক্ত করা যায়:
        

        
    
          
  • Geographic (district, urban/rural)।
    • 
          
  • Device (mobile vs desktop, iOS vs Android)।
    • 
          
  • Payment method preference (COD vs digital)।
    • 
          
  • Average rating given to products.
    • 
          
  • Refund/return rate.
    • 
          
  • Time-of-day shopping pattern.
    • 
        

        

          Trade-offs:
        

        

          (ক) বেশি feature বনাম কম:
        

        
    
          
  • বেশি (১০০+): মডেল বেশি signal পায়, কিন্তু overfittingOverfittingমডেল training data মুখস্থ করে ফেলে — কিন্তু নতুন data-তে খারাপ পারফর্ম করে। সাধারণ সমাধান: regularization, dropout, বেশি data. risk. Curse of dimensionality. Training slow.
    • 
          
  • কম (৫-১০): Interpretable, generalizable. কিন্তু important pattern miss করতে পারে।
    • 
          
  • Sweet spot: সাধারণত ২০-৫০ + DL embedding (যেখানে embedding আরও ১০০-D auto-learn)।
    • 
        

        

          (খ) Generic বনাম specific:
        

        
    
          
  • Generic: "spending", "frequency" — সব business-এ portable. ছোট ডেটায় কাজ করে।
    • 
          
  • Specific: "ঈদ-এ extra discount-এ buy করে কি?" — Daraz-এ অসাধারণ, অন্য business-এ অর্থহীন।
    • 
          
  • Production-এ — domain-specific features key competitive advantage.
    • 
        

        

          (গ) Static বনাম dynamic:
        

        
    
          
  • Age, gender — static. সহজ।
    • 
          
  • "Last 7 days behavior" — dynamic. প্রতিদিন update দরকার। Infrastructure cost.
    • 
          
  • Best practice: দু'টোই — static profile + recent behavior.
    • 
        

        

          (ঘ) Privacy concern:
        

        
    
          
  • Religion infer করা ("ঈদ-এ active") — sensitive.
    • 
          
  • Disability infer করা (search patterns) — privacy-violating.
    • 
          
  • Data Protection Act-এর আলোকে — sensitive features সাবধানে।
    • 
        

        

          মূল কথা: "Vector design" শুধু গাণিতিক না — business + ethics + infrastructure-এর সমন্বয়। যিনি এই trade-offs ভালো বুঝেন — তিনি ভালো ML engineer.
        

      

    

  


  

    
 অনুশীলন

    
    
      
  1. 
        হিসাব করুন: $\mathbf{a} = (1, 2, 3)$ এবং $\mathbf{b} = (4, 5, 6)$।
        
      
          
    • $\mathbf{a} + \mathbf{b}$ কত?
      • 
          
    • $3 \mathbf{a}$ কত?
      • 
          
    • $\| \mathbf{a} \|$ কত? (পাইথাগোরাসের ৩-মাত্রিক রূপ ব্যবহার করুন)
      • 
        
    
        
    
          
          
    
            
      
              
    • $\mathbf{a} + \mathbf{b} = (1+4, 2+5, 3+6) = (5, 7, 9)$।
      • 
              
    • $3\mathbf{a} = (3, 6, 9)$।
      • 
              
    • $\|\mathbf{a}\| = \sqrt{1^2 + 2^2 + 3^2} = \sqrt{1+4+9} = \sqrt{14} \approx 3.742$।
      • 
            
    
          
    
        
    
      
    2. 

      
  2. 
        NumPy-তে চেষ্টা: উপরের প্রশ্নের উত্তর NumPy দিয়ে যাচাই করুন।
        
    
          
          
    
            
    import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
print(a + b)              # [5 7 9]
print(3 * a)              # [3 6 9]
print(np.linalg.norm(a))  # 3.7416...
    
          
    
        
    
      
    3. 

      
  3. 
        ভাবুন: বাংলাদেশের একটি দোকানের প্রতিটি গ্রাহককে আপনি কী কী সংখ্যা দিয়ে ভেক্টরে রূপান্তর করবেন? অন্তত ৫টি বৈশিষ্ট্য লিখুন।
        
    
          
          
    
            
    প্র ০৪-এর উত্তরে বিস্তারিত আছে। সংক্ষেপে:
    
            
      
              
    • ৩০ দিনের ক্রয় সংখ্যা
      • 
              
    • গড় order value (BDT)
      • 
              
    • top-3 ক্যাটেগরির one-hot
      • 
              
    • days since last purchase
      • 
              
    • cart abandonment rate
      • 
            
    
            
    Trade-off মাথায় রাখুন: বেশি features = signal বেশি কিন্তু overfitting; generic vs domain-specific; privacy concerns.
    
          
    
        
    
      
    4. 
    

  


  
  

    
 আরও পড়ুন · ABCL TECH-এ আপনার পরবর্তী পদক্ষেপ

    

    

      কোড রানার কাজ না করলে? ব্রাউজারে কাজ না করলে
      Google Colab
      ব্যবহার করুন — Google-এর ফ্রি অনলাইন Python পরিবেশ, শুধু Gmail অ্যাকাউন্ট লাগে।
    

  








  
  
     এই পাঠে ভুল পেয়েছেন? জানান
  





  
    
 পূর্ববর্তী পাঠ

    
পাঠ ১০ · মডিউল ১ পর্যালোচনা