AI-এর ভিত্তি আর Python for AI শব্দকোষ — ১৫৫১টি শব্দের সহজ বাংলা মানে

AI Foundations & Python for AI Glossary in Bangla — every technical term from the course, with pronunciation and a plain Bangla explanation.

কোর্সের প্রতিটি পর্বে যে ইংরেজি শব্দগুলো এসেছে — class, vector, stack — সবগুলো এখানে এক জায়গায়। প্রতিটির পাশে বাংলা উচ্চারণ, সহজ মানে আর কোন পর্বে বিস্তারিত শিখবেন, তার লিংক।

মোট ১৫৫১টি শব্দ

#

100% stacked barহানড্রেড পার্সেন্ট স্ট্যাকড বার
প্রতিটি bar-কে ১০০% ধরে ভেতরের ভাগগুলো শতাংশে দেখানো; দলে দলে মিশ্রণ তুলনার জন্য, কিন্তু মোট লুকায়।যেখানে শিখবেন: পর্ব ২৯
15-puzzleফিফটিন পাজল
৪ × ৪ বোর্ডে ১৫টি টাইলের একই ধরনের ধাঁধা; পৌঁছানো যায় এমন state প্রায় 1.05 × 10^13টি।যেখানে শিখবেন: পর্ব ৩৯
2-D histogramটু-ডি হিস্টোগ্রাম
দুই কলামের মানকে চৌকো খোপে ভাগ করে প্রতিটি খোপের সংখ্যা রঙে দেখানো; matplotlib-এ hist2d.যেখানে শিখবেন: পর্ব ২৯
2-optটু-অপ্ট
TSP-এর প্রতিবেশী-নিয়ম: পথ থেকে দুটি রেখা সরিয়ে মাঝের টুকরো উল্টে দুটি নতুন রেখা যোগ করা; রেখার কাটাকাটি খুলে পথ ছোট করে।যেখানে শিখবেন: পর্ব ৪৪
68–95–99.7 ruleএম্পিরিক্যাল রুল
Normal distribution-এ মানের প্রায় ৬৮% থাকে গড় ± 1σ-এ, প্রায় ৯৫% থাকে ± 2σ-এ আর প্রায় ৯৯.৭% থাকে ± 3σ-এ।যেখানে শিখবেন: পর্ব ৩৬
8-puzzleএইট পাজল
৩ × ৩ বোর্ডে ৮টি নম্বর দেওয়া টাইল আর একটি ফাঁকা ঘরের ধাঁধা, যেখানে টাইল ঠেলে লক্ষ্য বিন্যাসে আনতে হয়; লক্ষ্য থেকে 181,440টি state-এ পৌঁছানো যায়।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৪১
[UNK] tokenআনক টোকেন
Tokenizer যে টুকরো তার vocabulary-তে খুঁজে পায় না, তার জায়গায় বসানো বিশেষ token; অনেক [UNK] মানে model লেখার বড় অংশ দেখতেই পাচ্ছে না।যেখানে শিখবেন: পর্ব ৭১

A

A* searchএ-স্টার সার্চ
f(n) = g(n) + h(n) সবচেয়ে ছোট এমন node আগে খোলা search; h কখনো বাড়িয়ে না বললে সবচেয়ে কম খরচের পথ দেয়। Hart, Nilsson ও Raphael ১৯৬৮ সালে প্রকাশ করেন।যেখানে শিখবেন: পর্ব ৪১পর্ব ৭৫পর্ব ৭৭
A/B testএ/বি টেস্ট
ব্যবহারকারীদের এলোমেলোভাবে দুই দলে ভাগ করে একটিকে নতুন ব্যবস্থা, অন্যটিকে পুরোনো ব্যবস্থা দিয়ে ফল তুলনা করা।যেখানে শিখবেন: পর্ব ০৫পর্ব ৩৭পর্ব ৫০
ABI (Application Binary Interface)এ-বি-আই
compile করা কোড কীভাবে একে অপরকে ডাকবে আর memory-তে তথ্য কীভাবে সাজানো থাকবে, তার নিয়ম। CPython-এর ABI বড় version-ভেদে বদলায়, তাই এক version-এর জন্য বানানো compile করা package অন্যটিতে চলে না।যেখানে শিখবেন: পর্ব ০৭
Absorbing stateঅ্যাবজর্বিং স্টেট
Markov chain-এর এমন অবস্থা, যেখানে একবার পৌঁছালে আর বের হওয়া যায় না; transition matrix-এ তার সারিতে নিজের ঘরে 1.যেখানে শিখবেন: পর্ব ৫৩
Abstractionঅ্যাবস্ট্রাকশন
মডেল বানানোর সময় সিদ্ধান্তে প্রভাব নেই এমন খুঁটিনাটি বাদ দিয়ে শুধু দরকারি তথ্য রাখা।যেখানে শিখবেন: পর্ব ৩৯
AC-3এ-সি-থ্রি
সব arc একটি queue-তে রেখে একে একে revise করে, আর কিছু মুছলে সংশ্লিষ্ট arc আবার queue-তে দিয়ে পুরো network-কে arc consistent করার অ্যালগরিদম; Mackworth ১৯৭৭ সালে প্রকাশ করেন।যেখানে শিখবেন: পর্ব ৪৩পর্ব ৭৭
Access tokenঅ্যাক্সেস টোকেন
Server-এ ঢোকার জন্য গোপন একটি লম্বা লেখা; Jupyter প্রতিবার চালু হলে এমন একটি token বানায়, যা অন্যকে দেখানো উচিত নয়।যেখানে শিখবেন: পর্ব ০৮
Accuracyঅ্যাকুরেসি
মোট উদাহরণের মধ্যে কত ভাগ model ঠিক বলেছে তার মাপ। শ্রেণিগুলোর আকার খুব অসমান হলে একা accuracy বিভ্রান্ত করতে পারে।যেখানে শিখবেন: পর্ব ০৩পর্ব ০৪পর্ব ০৫
Accuracy paradoxঅ্যাকুরেসি প্যারাডক্স
অসম শ্রেণির ডেটায় কিছুই না শেখা একটি model (যেমন সবাইকে negative বলা) খুব উঁচু accuracy পায়, এমনকি কাজের model-এর চেয়েও বেশি; তাই accuracy একা বিভ্রান্তিকর।যেখানে শিখবেন: পর্ব ৬০পর্ব ৭৬
Actionঅ্যাকশন
একটি state-এ agent যে কাজ করতে পারে; Actions(s) সেই state-এ সম্ভাব্য সব কাজের তালিকা দেয়।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৪২
Action schemaঅ্যাকশন স্কিমা
চলকসহ লেখা একটি action-এর নিয়ম, যেমন drive(a,b); চলকে নির্দিষ্ট বস্তু বসালে একটি ground action পাওয়া যায়।যেখানে শিখবেন: পর্ব ৪৯
Action titleঅ্যাকশন টাইটেল
যে শিরোনাম chart-এর বিষয় নয়, মূল সিদ্ধান্ত বা বার্তা বলে, যেমন Sales by district-এর বদলে মোট বিক্রির ৩৯% আসে ঢাকা থেকে।যেখানে শিখবেন: পর্ব ৩২
Activation functionঅ্যাক্টিভেশন ফাংশন
Neuron-এর weighted sum z-কে output-এ বদলানোর function, যেমন step, sigmoid, tanh বা ReLU; non-linear activation না থাকলে স্তরগুলো একটি linear স্তরে মিশে যায়।যেখানে শিখবেন: পর্ব ৬৮পর্ব ৭৬পর্ব ৭৭
Actuatorঅ্যাকচুয়েটর
যে অংশ দিয়ে agent পরিবেশে কাজ করে, যেমন মোটর, সিগন্যালের বাতি বা পর্দায় দেখানো উত্তর।যেখানে শিখবেন: পর্ব ০১পর্ব ৭৭
Add listঅ্যাড লিস্ট
STRIPS action-এর যে fact-গুলো action-এর পর সত্য হয়, অর্থাৎ নতুন state-এ যোগ হয়।যেখানে শিখবেন: পর্ব ৪৯
Addition ruleঅ্যাডিশন রুল
যোগের নিয়ম: P(A ∪ B) = P(A) + P(B) − P(A ∩ B); মাঝের অংশ দুবার গোনা এড়াতে একবার বিয়োগ।যেখানে শিখবেন: পর্ব ৩৫
Additive (add-α, Lidstone) smoothingঅ্যাডিটিভ স্মুদিং
প্রতিটি গোনায় একটি ছোট ধনাত্মক সংখ্যা α যোগ আর হরে αV যোগ; α = 1 হলে এটিই Laplace smoothing.যেখানে শিখবেন: পর্ব ৫১
Adjusted Rand index (ARI)অ্যাডজাস্টেড র‍্যান্ড ইনডেক্স
দুটি দল-ভাগ কতটা মেলে তার মাপ, দলের নম্বর যা-ই হোক; ১ মানে হুবহু এক, ০-এর কাছে মানে এলোমেলো ভাগের সমান।যেখানে শিখবেন: পর্ব ৬৫
Adjusted R²অ্যাডজাস্টেড আর-স্কোয়ার্ড
feature-এর সংখ্যার জন্য শাস্তিসহ R², 1 − (1 − R²)(n − 1) ÷ (n − p − 1); অকেজো feature যোগ করলে এটি কমতে পারে, সাধারণ R² কখনো কমে না।যেখানে শিখবেন: পর্ব ৫৮
Admissible heuristicঅ্যাডমিসিবল হিউরিস্টিক
যে heuristic কোনো node-এ লক্ষ্যের আসল বাকি খরচের চেয়ে বেশি বলে না, মানে h(n) ≤ h*(n); এমন h-এ A* সেরা পথ দেয়।যেখানে শিখবেন: পর্ব ৪১পর্ব ৪৯পর্ব ৭৫
Adversarial exampleঅ্যাডভারসারিয়াল এক্সাম্পল
ইচ্ছে করে সামান্য বদলানো input, যা মানুষের চোখে প্রায় একই দেখায় কিন্তু model-কে ভুল উত্তর দিতে বাধ্য করে।যেখানে শিখবেন: পর্ব ০৬পর্ব ৫১
Agentএজেন্ট
এমন যেকোনো কিছু, যা sensor দিয়ে পরিবেশ টের পায় আর actuator দিয়ে পরিবেশে কাজ করে।যেখানে শিখবেন: পর্ব ০১পর্ব ৩৯পর্ব ৪২
Agent functionএজেন্ট ফাংশন
গাণিতিক বর্ণনা, যা প্রতিটি সম্ভাব্য percept sequence-কে একটি action-এ মিলিয়ে দেয়। বাস্তবে এটি চালায় agent program.যেখানে শিখবেন: পর্ব ০১
Aggregationঅ্যাগ্রিগেশন
অনেক মান থেকে একটি সারাংশ মান বের করা, যেমন মোট, গড়, সর্বোচ্চ বা median.যেখানে শিখবেন: পর্ব ১৬পর্ব ২৪পর্ব ৩২
AGI (Artificial General Intelligence)এজিআই
মানুষের মতো বা তার চেয়ে বেশি পরিসরের কাজে নতুন পরিস্থিতিতে শিখে মানিয়ে নিতে পারবে এমন কাল্পনিক AI-এর নাম। এর কোনো সর্বসম্মত সংজ্ঞা বা মাপার পরীক্ষা নেই।যেখানে শিখবেন: পর্ব ০৪
AI winterএআই উইন্টার
বড় প্রতিশ্রুতি পূরণ না হওয়ায় AI গবেষণার অর্থায়ন আর আগ্রহ কমে যাওয়ার সময়; মোটামুটি ১৯৭০-এর দশকের মাঝামাঝি আর ১৯৮০-এর দশকের শেষে দুটি এমন সময়ের কথা বলা হয়, যদিও সাল নিয়ে মতভেদ আছে।যেখানে শিখবেন: পর্ব ০২পর্ব ৭৬
All-different constraintঅল-ডিফারেন্ট
একদল variable-এর সবার মান পরস্পর আলাদা হতে হবে, এমন global নিয়ম; Sudoku-র প্রতিটি সারি, কলাম আর বাক্সে লাগে।যেখানে শিখবেন: পর্ব ৪৩
Allow-listঅ্যালাউ-লিস্ট
অনুমোদিত মানের তালিকা; এর বাইরের যেকোনো মান সন্দেহজনক হিসেবে চিহ্নিত করা হয়, ফলে নতুন অচেনা বানান ধরা পড়ে।যেখানে শিখবেন: পর্ব ২৩পর্ব ৭৮
Alpha (transparency)আলফা
০ থেকে ১-এর একটি মান যা রঙের অস্বচ্ছতা ঠিক করে; কম alpha-য় অনেক বিন্দু জমলে তবেই রং গাঢ় হয়।যেখানে শিখবেন: পর্ব ২৯
Alpha-beta pruningআলফা-বিটা প্রুনিং
Minimax-এর একই উত্তর রেখে এমন শাখা বাদ দেওয়ার কৌশল, যা কোনোভাবেই ফল বদলাতে পারে না; α হলো MAX-এর নিশ্চিত সেরা, β হলো MIN-এর নিশ্চিত সেরা, আর α ≥ β হলেই কাটা।যেখানে শিখবেন: পর্ব ৪২পর্ব ৭৫পর্ব ৭৬
Alt textঅল্ট টেক্সট
ছবির বিকল্প লেখা, যা screen reader পড়ে শোনায় আর ছবি না এলে দেখা যায়; chart-এর ক্ষেত্রে এতে ধরন, কী মাপা হয়েছে আর মূল বার্তা থাকা উচিত।যেখানে শিখবেন: পর্ব ৩২পর্ব ৭৬
And-eliminationঅ্যান্ড-এলিমিনেশন
α ∧ β জানা থাকলে α (বা β) আলাদা করে বের করার নিয়ম।যেখানে শিখবেন: পর্ব ৪৫
Annotationঅ্যানোটেশন
chart-এর কোনো নির্দিষ্ট বিন্দুর দিকে তীরসহ বা তীর ছাড়া ব্যাখ্যার লেখা; matplotlib-এ ax.annotate.যেখানে শিখবেন: পর্ব ২৮
Annotation guidelineঅ্যানোটেশন গাইডলাইন
Label দেওয়ার লিখিত নিয়ম, উদাহরণ আর সীমান্তের ঘটনাসহ, যাতে আলাদা মানুষ একই সারিকে একই label দেন আর পরে কেউ জানেন label ঠিক কী মাপে।যেখানে শিখবেন: পর্ব ৭৩
Anomaly detectionঅ্যানোমালি ডিটেকশন
স্বাভাবিক আচরণ থেকে অনেক আলাদা উদাহরণ খুঁজে বের করা, যেমন সন্দেহজনক অর্ডার বা লেনদেন।যেখানে শিখবেন: পর্ব ০৫পর্ব ১৪
Anonymisationঅ্যানোনিমাইজেশন
ডেটা এমনভাবে বদলানো যাতে যুক্তিসংগত চেষ্টাতেও কোনো মানুষকে আর চেনা না যায়; শুধু নাম মোছা সাধারণত এর জন্য যথেষ্ট নয়।যেখানে শিখবেন: পর্ব ৭২
Anscombe's quartetঅ্যানসকমের কোয়ার্টেট
১৯৭৩ সালে পরিসংখ্যানবিদ F. J. Anscombe-এর বানানো চারটি ছোট ডেটাসেট, যাদের গড়, variance, correlation আর regression রেখা প্রায় এক, অথচ ছবিতে সম্পূর্ণ আলাদা।যেখানে শিখবেন: পর্ব ২৮পর্ব ৬২
Apache Arrowঅ্যাপাচি অ্যারো
মেমরিতে কলাম-ভিত্তিক ডেটা সাজানোর একটি মান ও library, যাতে আলাদা টুল কপি ছাড়াই একই ডেটা ভাগ করতে পারে।যেখানে শিখবেন: পর্ব ১০পর্ব ২০পর্ব ২৭
Apache Parquetপারকেট
কলাম ধরে ডেটা রাখার একটি binary ফাইল format, যাতে schema, compression আর কলামভিত্তিক পরিসংখ্যান থাকে; বিশ্লেষণের বড় টেবিলে প্রচলিত।যেখানে শিখবেন: পর্ব ১০পর্ব ২১পর্ব ৭৬
Approximate nearest neighbor (ANN)অ্যাপ্রক্সিমেট নিয়ারেস্ট নেইবার
সামান্য নির্ভুলতা ছেড়ে অনেক দ্রুত প্রায় সবচেয়ে কাছের item খোঁজার পদ্ধতি; বড় vector database-এ ব্যবহৃত হয়।যেখানে শিখবেন: পর্ব ৩৩পর্ব ৫৭পর্ব ৬৯
Arc consistencyআর্ক কনসিস্টেন্সি
X থেকে Y-এর arc consistent হয় যখন X-এর প্রতিটি মানের জন্য Y-এর domain-এ নিয়ম মানে এমন অন্তত একটি মান থাকে।যেখানে শিখবেন: পর্ব ৪৩পর্ব ৭৫পর্ব ৭৭
argmax / argminআর্গ-ম্যাক্স
সবচেয়ে বড় (বা ছোট) মান নয়, তার index দেওয়া function; সমান মান থাকলে প্রথমটির index দেয়।যেখানে শিখবেন: পর্ব ১৪পর্ব ৫৪পর্ব ৭০
argpartitionআর্গ-পার্টিশন
index এমনভাবে সাজায় যে নির্দিষ্ট অবস্থানের এক পাশে ছোট আর অন্য পাশে বড় মানগুলোর index থাকে, পুরো sort ছাড়াই (গড়ে O(n)); দুই পাশের ভেতরের ক্রম নিশ্চিত নয়।যেখানে শিখবেন: পর্ব ১৪পর্ব ৬৯
argsortআর্গ-সর্ট
এমন index-এর ক্রম দেয়, যা দিয়ে সাজালে array ছোট থেকে বড় হয়; a[np.argsort(a)] হলো সাজানো a, খরচ O(n log n).যেখানে শিখবেন: পর্ব ১৪
Array (NumPy ndarray)অ্যারে
একই ধরনের (একই dtype-এর) সংখ্যার একটি টানা সংগ্রহ, যার একটি নির্দিষ্ট shape আছে; NumPy-তে এর নাম ndarray, আর এর ওপর পুরো হিসাব একসঙ্গে করা যায়।যেখানে শিখবেন: পর্ব ১৪পর্ব ১৬পর্ব ১৭
Artificial intelligence (AI)আর্টিফিশিয়াল ইন্টেলিজেন্স
এমন যন্ত্র বা প্রোগ্রাম বানানোর বিদ্যা, যা সাধারণত বুদ্ধি দরকার এমন কাজ করে। এই কোর্সে এর কাজের সংজ্ঞা হলো যুক্তিসংগত agent বানানো।যেখানে শিখবেন: পর্ব ০১পর্ব ০৪পর্ব ৭৭
Artificial neuronআর্টিফিশিয়াল নিউরন
মস্তিষ্কের নিউরনের খুব সরল গাণিতিক মডেল: input-গুলোর weight দেওয়া যোগফল একটি সীমা পার হলে output দেয়।যেখানে শিখবেন: পর্ব ০২পর্ব ৬৮পর্ব ৭৭
Artistআর্টিস্ট
matplotlib-এ ছবিতে আঁকা প্রতিটি জিনিস, যেমন Line2D, Rectangle, Text বা Legend; Figure আর Axes নিজেরাও এক ধরনের Artist বস্তু।যেখানে শিখবেন: পর্ব ২৮
Assertionঅ্যাসারশন
কোডের মাঝে লেখা একটি দাবি যে কোনো শর্ত অবশ্যই সত্য; মিথ্যা হলে Python AssertionError দিয়ে থামে, তবে python -O দিয়ে চালালে assert বাদ পড়ে।যেখানে শিখবেন: পর্ব ১১পর্ব ২১পর্ব ২৩
Atomic representationঅ্যাটমিক রিপ্রেজেন্টেশন
যেখানে একটি state-কে ভেতরের গঠন ছাড়া একটি নাম বা কালো বাক্স হিসেবে দেখা হয়; অ্যালগরিদম শুধু দুটি state সমান কি না দেখতে পারে।যেখানে শিখবেন: পর্ব ৪৯
Atomic sentence (proposition symbol)অ্যাটমিক সেন্টেন্স
Propositional logic-এর সবচেয়ে ছোট বাক্য: একটিমাত্র symbol, যেমন B বা S, যার ভেতরে আর কোনো connective নেই।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৪৬
Attention (neural networks)অ্যাটেনশন
একটি অংশের হিসাব করার সময় ইনপুটের কোন কোন অংশকে কতটা গুরুত্ব দেওয়া হবে তা শেখার কৌশল।যেখানে শিখবেন: পর্ব ০২পর্ব ৭০পর্ব ৭৭
AUC (ROC AUC)এইউসি
ROC curve-এর নিচের ক্ষেত্রফল, ০ থেকে ১. এর মানে হলো এলোমেলোভাবে নেওয়া একটি positive উদাহরণ একটি negative উদাহরণের চেয়ে বেশি score পাওয়ার সম্ভাবনা (সমান হলে অর্ধেক); ০.৫ মানে এলোমেলো অনুমান।যেখানে শিখবেন: পর্ব ৬০পর্ব ৬২পর্ব ৬৩
Automatic differentiationঅটোমেটিক ডিফারেনশিয়েশন
প্রোগ্রামের প্রতিটি ছোট হিসাবের derivative chain rule দিয়ে জুড়ে সঠিক gradient বের করার কৌশল; PyTorch, JAX-এর মতো library এটি করে।যেখানে শিখবেন: পর্ব ৩৪পর্ব ৬৮
Automation biasঅটোমেশন বায়াস
যন্ত্রের পরামর্শ যাচাই না করে মেনে নেওয়ার মানুষের প্রবণতা, এমনকি অন্য প্রমাণ উল্টো বললেও।যেখানে শিখবেন: পর্ব ০৬পর্ব ৩২পর্ব ৭৬
Autoregressive generationঅটোরিগ্রেসিভ
নিজের আগের ফলকে পরের ধাপের ইনপুট বানিয়ে এক এক করে ক্রম তৈরি করা, যেমন একটি token লিখে প্রসঙ্গে জুড়ে আবার পরেরটি অনুমান।যেখানে শিখবেন: পর্ব ৭০পর্ব ৭৭
autoreloadঅটোরিলোড
IPython-এর একটি extension, যা import করা .py ফাইল বদলালে পরের cell চালানোর আগে module নতুন করে load করে।যেখানে শিখবেন: পর্ব ০৮
Average precision (AP)অ্যাভারেজ প্রিসিশন
Precision-recall curve-এর সংক্ষিপ্ত মাপ: প্রতিটি threshold-এ recall যতটুকু বাড়ে, তাকে সেই জায়গার precision দিয়ে গুণ করে যোগফল। এলোমেলো model-এর AP মোটামুটি positive-এর ভাগের সমান।যেখানে শিখবেন: পর্ব ৬০পর্ব ৭৯
Aware datetimeঅ্যাওয়্যার ডেটটাইম
time zone বা UTC offset-সহ সময়, যা পৃথিবীর ঠিক একটি মুহূর্ত নির্দেশ করে।যেখানে শিখবেন: পর্ব ২৬পর্ব ৭৬পর্ব ৭৮
Axesঅ্যাক্সিস (বহুবচন)
Figure-এর ভেতরের একটি plot-এর ঘর, যার নিজের x ও y অক্ষ, রেখা, bar, শিরোনাম আর legend থাকে; বেশির ভাগ আঁকার কাজ এর method দিয়ে হয়।যেখানে শিখবেন: পর্ব ২৮পর্ব ৭৬
Axes-level functionঅ্যাক্সিস-লেভেল ফাংশন
যে seaborn function একটি matplotlib Axes-এ আঁকে, ax= মানে আর সেই Axes ফেরত দেয়, যেমন histplot, scatterplot, boxplot.যেখানে শিখবেন: পর্ব ৩০
Axisঅ্যাক্সিস
Array-র একটি মাত্রা বা দিক; ২-মাত্রার টেবিলে axis 0 মানে সারি ধরে নিচে নামা আর axis 1 মানে কলাম ধরে ডানে যাওয়া।যেখানে শিখবেন: পর্ব ১৫পর্ব ১৬পর্ব ৭৬
Axis (XAxis / YAxis)অ্যাক্সিস
একটি Axes-এর একটি অক্ষ, যা পরিসর (limit), tick-এর অবস্থান আর tick-এর লেখা সামলায়; Axes-এর সঙ্গে গুলিয়ে ফেলা খুব সাধারণ ভুল।যেখানে শিখবেন: পর্ব ২৮

B

Backendব্যাকএন্ড
matplotlib-এর যে অংশ ছবিকে আসলে আঁকে বা দেখায়, যেমন PNG-এর জন্য Agg, SVG বা PDF লেখক, অথবা জানালায় দেখানোর GUI backend.যেখানে শিখবেন: পর্ব ২৮
Backpointerব্যাকপয়েন্টার
Viterbi-তে প্রতিটি ঘরের সঙ্গে রাখা চিহ্ন, সেরা পথ আগের ধাপে কোন অবস্থা থেকে এসেছিল; শেষে এগুলো ধরে পেছনে হেঁটে পুরো পথ পাওয়া যায়।যেখানে শিখবেন: পর্ব ৫৩
Backpropagationব্যাকপ্রপাগেশন
Neural network-এর শেষের ভুলকে chain rule দিয়ে পেছনের দিকে ছড়িয়ে প্রতিটি weight-কে কোন দিকে কতটা সরাতে হবে তা হিসাব করার পদ্ধতি; ১৯৮৬ সালে জনপ্রিয় হয়, শিকড় আরও আগের।যেখানে শিখবেন: পর্ব ০২পর্ব ৩৪পর্ব ৬৮
Backward chainingব্যাকওয়ার্ড চেইনিং
প্রশ্নের লক্ষ্য থেকে শুরু করে কোন নিয়ম তা দিতে পারে আর তার শর্তগুলো প্রমাণ হয় কি না, পিছিয়ে খোঁজা।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৪৬পর্ব ৪৭
Backward induction (rollback)ব্যাকওয়ার্ড ইন্ডাকশন
Decision tree-এর পাতা থেকে গোড়ার দিকে হিসাব: chance node-এ সম্ভাবনা-ওজনসহ গড়, decision node-এ সবচেয়ে বড় মান।যেখানে শিখবেন: পর্ব ৫৪
Backward planningব্যাকওয়ার্ড প্ল্যানিং
লক্ষ্য থেকে পেছনে খোঁজা: শেষ action কী হতে পারত আর তার আগে কী সত্য থাকতে হতো, g′ = (g − add) ∪ pre দিয়ে; একে regression-ও বলে।যেখানে শিখবেন: পর্ব ৪৯
Bag of wordsব্যাগ অফ ওয়ার্ডস
লেখাকে শুধু “কোন শব্দ কতবার আছে” এই গণনায় বদলানোর পদ্ধতি; শব্দের ক্রম হারিয়ে যায়। scikit-learn-এ CountVectorizer এই কাজ করে।যেখানে শিখবেন: পর্ব ০৩পর্ব ৫১
Bagging (bootstrap aggregating)ব্যাগিং
ফেরত রেখে টানা অনেক bootstrap নমুনায় আলাদা আলাদা model শিখিয়ে তাদের অনুমানের গড় বা ভোট নেওয়া, যাতে অস্থির model-এর variance কমে।যেখানে শিখবেন: পর্ব ৬৬পর্ব ৭৭
Balanced accuracyব্যালান্সড অ্যাকুরেসি
প্রতিটি শ্রেণির recall-এর গড়; দুই শ্রেণিতে (TPR + TNR) ÷ ২. সবাইকে বড় শ্রেণিতে ফেলা model এতে ০.৫ পায়, তাই বিরল শ্রেণির ডেটায় সাধারণ accuracy-র চেয়ে কম বিভ্রান্ত করে।যেখানে শিখবেন: পর্ব ৭৯
Ball treeবল ট্রি
বিন্দুগুলোকে নেস্টেড বলে (কেন্দ্র আর ব্যাসার্ধ) ভাগ করা একটি গাছ, যা যেকোনো metric দূরত্বে nearest neighbour খোঁজা দ্রুত করে।যেখানে শিখবেন: পর্ব ৫৭
Bandwidthব্যান্ডউইডথ
KDE-তে প্রতিটি ঢিবির চওড়া; বেশি হলে বক্ররেখা অতি মসৃণ, কম হলে প্রতিটি বিন্দু আলাদা চূড়া।যেখানে শিখবেন: পর্ব ৩০
Banglishবাংলিশ
রোমান (ইংরেজি) হরফে লেখা বাংলা, যেমন apnar order confirm hoyeche; এর কোনো প্রমিত বানান নেই, তাই একই শব্দ নানা রূপে আসে।যেখানে শিখবেন: পর্ব ৫১পর্ব ৬৭
Bar chartবার চার্ট
প্রতিটি দলের মান একটি আয়তক্ষেত্রের উচ্চতা বা দৈর্ঘ্য দিয়ে দেখানো chart; matplotlib-এ খাড়া bar-এর জন্য ax.bar আর আড়াআড়ি bar-এর জন্য ax.barh ব্যবহার হয়।যেখানে শিখবেন: পর্ব ২৮পর্ব ২৯
Base rateবেস রেট
পুরো জনসংখ্যায় একটি ঘটনা কত সাধারণ, যেমন ১০০০টি অর্ডারে ১টি জালিয়াতি; Bayes-এর হিসাবে এটিই prior.যেখানে শিখবেন: পর্ব ৩৫পর্ব ৬০পর্ব ৭২
Base-rate fallacyবেস রেট ফ্যালাসি
প্রমাণের নির্ভুলতা দেখে ঘটনাটি কত দুর্লভ তা ভুলে যাওয়ার ভুল, ফলে flag বা positive ফলের পর সম্ভাবনা অনেক বাড়িয়ে ধরা।যেখানে শিখবেন: পর্ব ৩৫পর্ব ৫০পর্ব ৭৬
Baselineবেসলাইন
তুলনার জন্য সবচেয়ে সহজ একটি পদ্ধতি, যেমন সবসময় সবচেয়ে বেশি দেখা শ্রেণি বা গড় বলা; মডেলকে অন্তত এটিকে হারাতে হয়।যেখানে শিখবেন: পর্ব ০৩পর্ব ০৫পর্ব ০৮
Batch scoringব্যাচ স্কোরিং
নির্দিষ্ট সময় পরপর (যেমন প্রতি রাতে) অনেকগুলো সারির অনুমান একসঙ্গে হিসাব করে টেবিলে রেখে দেওয়া; তাৎক্ষণিক উত্তরের দরকার না থাকলে সহজ আর সস্তা।যেখানে শিখবেন: পর্ব ৭৪
Baum–Welch algorithmবাউম-ওয়েলচ
শুধু দেখা ক্রম থেকে HMM-এর শুরু, transition আর emission সম্ভাবনা শেখার EM পদ্ধতি; forward-backward দিয়ে প্রত্যাশিত গণনা বের করে বারবার হালনাগাদ করে।যেখানে শিখবেন: পর্ব ৫৩
Bayes error rateবেইজ এরর রেট
আসল সম্ভাবনা বণ্টন পুরোপুরি জানা থাকলেও যে ন্যূনতম ভুলের হার এড়ানো যায় না; কোনো classifier এর চেয়ে কম ভুল করতে পারে না।যেখানে শিখবেন: পর্ব ৫৭
Bayes factorবেইজ ফ্যাক্টর
দুটি মডেল বা অনুমানের অধীনে পুরো ডেটার সম্ভাবনার অনুপাত; prior odds-কে কত গুণ বদলাতে হবে, তা বলে, আর সরল অনুমানে এটি likelihood ratio-র সমান।যেখানে শিখবেন: পর্ব ৫০
Bayes' theorem (Bayes' rule)বেইজের উপপাদ্য
প্রমাণ দেখার পর অনুমানের সম্ভাবনা হিসাবের নিয়ম: P(H | E) = P(E | H) · P(H) / P(E).যেখানে শিখবেন: পর্ব ৩৫পর্ব ৫০পর্ব ৫১
Bayesian deep learningবেইজিয়ান ডিপ লার্নিং
Neural network-এর weight বা output-এর ওপর অনিশ্চয়তা রাখার পদ্ধতিগুলোর সাধারণ নাম, যাতে model শুধু উত্তর নয়, নিজের অনিশ্চয়তার একটি আন্দাজও দেয়।যেখানে শিখবেন: পর্ব ৫০
Bayesian networkবেইজিয়ান নেটওয়ার্ক
কিছু random variable-এর একটি directed acyclic graph, যার প্রতিটি node-এর সঙ্গে parent-দের দেওয়া অবস্থায় তার একটি conditional probability table থাকে; সব টেবিল গুণ করলে পুরো joint probability পাওয়া যায়।যেখানে শিখবেন: পর্ব ৫২পর্ব ৭৫পর্ব ৭৬
Bayesian optimizationবেইজিয়ান অপটিমাইজেশন
দামি একটি ফাংশনের (যেমন মডেলের hyperparameter বনাম validation score) সর্বোচ্চ মান খোঁজার কৌশল, যা ফাংশন সম্পর্কে একটি অনিশ্চিত মডেল রেখে পরের কোন বিন্দু পরীক্ষা করবে তা ঠিক করে।যেখানে শিখবেন: পর্ব ৫০পর্ব ৬৬
Bayesian updatingবেইজিয়ান আপডেটিং
নতুন প্রমাণ এলে আগের posterior-কে নতুন prior ধরে আবার Bayes-এর নিয়ম খাটানো; প্রমাণগুলো শর্তসাপেক্ষে স্বাধীন হলে ক্রম বদলালেও শেষ ফল একই থাকে।যেখানে শিখবেন: পর্ব ৫০
Belief stateবিলিফ স্টেট
এখন কোন state-এ আছি, তার ওপর agent-এর সম্ভাবনা-বণ্টন; প্রতিটি action আর observation-এর পরে হালনাগাদ হয়।যেখানে শিখবেন: পর্ব ৫৪
Bellman equationবেলম্যান ইকুয়েশন
একটি state-এর মানকে এক ধাপের প্রত্যাশিত reward আর পরের state-গুলোর discount করা মানের গড় দিয়ে লেখার সমীকরণ; optimal রূপে action-এর ওপর max থাকে।যেখানে শিখবেন: পর্ব ৫৪পর্ব ৭৭
Benchmarkবেঞ্চমার্ক
একই অবস্থায় কোড কয়েকবার চালিয়ে নিয়ম মেনে সময় বা মেমরি মাপা, যাতে দুটি সংস্করণের ন্যায্য তুলনা করা যায়।যেখানে শিখবেন: পর্ব ১৯পর্ব ৭০
Benchmark contaminationবেঞ্চমার্ক কন্টামিনেশন
মূল্যায়নের প্রশ্ন বা উত্তর model-এর training ডেটায় ঢুকে যাওয়া, ফলে নম্বর সামর্থ্যের বদলে মুখস্থ মাপে।যেখানে শিখবেন: পর্ব ৭০
Berkson's paradox (collider bias)বার্কসনস প্যারাডক্স
দুটি স্বাধীন বৈশিষ্ট্যের একটি সাধারণ ফলের ভিত্তিতে বাছাই করা ডেটায় তাদের মধ্যে ভুয়া সম্পর্ক দেখা দেওয়া; collider-এ condition করার ফল।যেখানে শিখবেন: পর্ব ৫২
Bernoulli distributionবার্নুলি ডিস্ট্রিবিউশন
একটি হ্যাঁ/না পরীক্ষার distribution: সম্ভাবনা p-তে 1, নইলে 0; গড় p আর variance p(1 − p).যেখানে শিখবেন: পর্ব ৩৬
Bernoulli Naive Bayesবার্নুলি নাইভ বেইজ
যে Naive Bayes প্রতিটি vocabulary শব্দের শুধু আছে বা নেই দেখে, আর অনুপস্থিত শব্দকেও প্রমাণ হিসেবে হিসাবে নেয়।যেখানে শিখবেন: পর্ব ৫১
Bessel's correctionবেসেলস কারেকশন
নমুনা থেকে variance অনুমানে n-এর বদলে n − 1 দিয়ে ভাগ করা, যাতে অনুমানটি গড়ে জনসংখ্যার আসল variance-এর সমান হয়।যেখানে শিখবেন: পর্ব ৩৭
Beta distributionবিটা ডিস্ট্রিবিউশন
০ থেকে ১-এর মধ্যে একটি অজানা হারের (যেমন ফেরতের হার θ) জন্য continuous distribution, দুটি ধনাত্মক parameter α আর β; গড় α / (α + β).যেখানে শিখবেন: পর্ব ৫০পর্ব ৭৬
BFGSবি-এফ-জি-এস
Broyden, Fletcher, Goldfarb আর Shanno-র নামে একটি quasi-Newton পদ্ধতি, যা gradient-এর ইতিহাস থেকে বাঁক আন্দাজ করে দ্রুত local minimum-এ যায়; scipy.optimize.minimize-এর সাধারণ পছন্দ।যেখানে শিখবেন: পর্ব ৪৪
Bias (in AI)বায়াস
AI সিস্টেমের ব্যবস্থাগত ঝোঁক, যাতে কোনো দলের জন্য নিয়মিতভাবে বেশি বা ভিন্ন রকম ভুল হয়; উৎস হতে পারে ডেটা, model বা ব্যবহারের ধরন।যেখানে শিখবেন: পর্ব ০৬পর্ব ৬৯
Bias (model parameter)বায়াস
Perceptron বা neuron-এর যোগফলে যোগ করা একটি আলাদা সংখ্যা, যা সিদ্ধান্তের সীমা সরায়; এখানে এটি ডেটার পক্ষপাত অর্থে নয়।যেখানে শিখবেন: পর্ব ০২পর্ব ১৭পর্ব ৫৯
Bias (of a model or estimator)বায়াস
অনেক training set-এ শেখা মডেলের গড় অনুমান আর আসল মানের পার্থক্য; মডেলের ধরন নিজেই আসল নিয়ম ধরতে না পারলে এটি বড় হয়।যেখানে শিখবেন: পর্ব ৬১
Bias–variance trade-offবায়াস-ভ্যারিয়েন্স ট্রেড-অফ
মডেল নমনীয় করলে সাধারণত bias কমে কিন্তু variance বাড়ে, আর সরল করলে উল্টো; নতুন ডেটার মোট ভুল কম রাখতে দুটির মধ্যে ভারসাম্য খোঁজা।যেখানে শিখবেন: পর্ব ৬১পর্ব ৭৫পর্ব ৭৬
Biconditional (↔)বাইকন্ডিশনাল
“ঠিক তখনই”: A ↔ B সত্য যখন A আর B-এর মান এক; এটি (A → B) ∧ (B → A)-এর সমান।যেখানে শিখবেন: পর্ব ৪৫
Big-O notationবিগ-ও
ইনপুট বড় হলে সময় বা memory কত দ্রুত বাড়ে, তার ওপরের সীমা প্রকাশের লিখনপদ্ধতি; ধ্রুবক গুণক আর ছোট পদ বাদ দেওয়া হয়।যেখানে শিখবেন: পর্ব ৪০
Bigramবাইগ্রাম
পাশাপাশি দুটি token-এর জোড়া, যেমন “ভালো না”; শুধু একক শব্দকে বলে unigram. Bigram কিছুটা শব্দের ক্রম ফিরিয়ে আনে।যেখানে শিখবেন: পর্ব ৬৭পর্ব ৭৩
Bigram Modelবাইগ্রাম মডেল
শুধু আগের একটি token দেখে পরের token-এর সম্ভাবনা দেয় এমন সরল ভাষা model; জোড়ায় জোড়ায় গুনে তৈরি হয়।যেখানে শিখবেন: পর্ব ০৪পর্ব ৫৩
Bijoy (legacy Bangla encoding)বিজয়
Unicode-এর আগের জনপ্রিয় বাংলা লেখার পদ্ধতি, যেখানে সাধারণত Latin অক্ষরের code-এ লেখা থাকে আর বিশেষ ফন্ট বাংলা আকৃতি আঁকে; Unicode-এ আনতে রূপান্তর-টুল লাগে।যেখানে শিখবেন: পর্ব ১০
Bimodal distributionবাইমোডাল ডিস্ট্রিবিউশন
দুটি চূড়াওয়ালা distribution; প্রায়ই বোঝায় ডেটায় দুটি আলাদা দল মিশে আছে।যেখানে শিখবেন: পর্ব ২৯
Bin widthবিন উইডথ
histogram-এর প্রতিটি খোপ কত চওড়া; খুব সরু হলে ছবি এলোমেলো, খুব চওড়া হলে আকৃতি মুছে যায়।যেখানে শিখবেন: পর্ব ২৯
Binary classificationবাইনারি ক্লাসিফিকেশন
মাত্র দুটি শ্রেণির classification, যেমন হ্যাঁ/না বা স্প্যাম/স্প্যাম নয়।যেখানে শিখবেন: পর্ব ০৫পর্ব ৫১পর্ব ৫৭
Binary constraintবাইনারি কনস্ট্রেইন্ট
দুটি variable-এর মধ্যের নিয়ম, যেমন AI ≠ DB বা AI < MATH; constraint graph-এ একটি রেখা।যেখানে শিখবেন: পর্ব ৪৩
Binary fileবাইনারি ফাইল
যে ফাইলের byte-গুলো একটি নির্দিষ্ট গঠন মেনে সংখ্যা, তারিখ বা অন্য type সরাসরি রাখে; খুলতে বিশেষ টুল লাগে, যেমন Parquet বা xlsx.যেখানে শিখবেন: পর্ব ১০
Binningবিনিং
একটি সংখ্যার কলামকে কয়েকটি পরিসরে (bin) ভাগ করে প্রতিটি মানকে একটি পরিসরের নাম দেওয়া, যেমন pd.cut দিয়ে দামের পরিসর।যেখানে শিখবেন: পর্ব ২৪পর্ব ২৯পর্ব ৬৩
Binomial distributionবাইনোমিয়াল ডিস্ট্রিবিউশন
একই সম্ভাবনা p-এর n-টি স্বাধীন হ্যাঁ/না পরীক্ষায় মোট কয়টি হ্যাঁ, তার distribution; গড় np আর variance np(1 − p).যেখানে শিখবেন: পর্ব ৩৬পর্ব ৫০পর্ব ৭৫
Birthday problemবার্থডে প্রবলেম
কতজন থাকলে অন্তত দুজনের জন্মদিন মেলার সম্ভাবনা ৫০% পেরোয়, এই প্রশ্ন; উত্তর মাত্র ২৩ জন, কারণ জোড়ার সংখ্যা দ্রুত বাড়ে।যেখানে শিখবেন: পর্ব ৩৫
Bitবিট
তথ্যের একক, একটি সমান সম্ভাব্য হ্যাঁ/না প্রশ্নের উত্তরের সমান; ভিত্তি ২-এর log দিয়ে মাপা হয়।যেখানে শিখবেন: পর্ব ৩৮
BitGeneratorবিট-জেনারেটর
NumPy-র random ব্যবস্থার নিচের স্তর, যা কাঁচা random বিট দেয়; default হলো PCG64.যেখানে শিখবেন: পর্ব ১৬
Bivariate analysisবাইভ্যারিয়েট অ্যানালাইসিস
দুটি কলামের সম্পর্ক একসাথে দেখা, যেমন category ধরে দাম বা ডেলিভারির দিন ধরে ফেরতের হার।যেখানে শিখবেন: পর্ব ৬২
BLAS / LAPACKব্লাস / ল্যাপ্যাক
ভেক্টর আর matrix-এর মৌলিক হিসাব (গুণ, যোগ, সমীকরণ সমাধান) দ্রুত করার পুরোনো, মানক library-সংকলন, সাধারণত C বা Fortran-এ লেখা। NumPy আর SciPy ভেতরে এগুলো ডাকে।যেখানে শিখবেন: পর্ব ০৭পর্ব ১৩পর্ব ১৭
Blocks worldব্লকস ওয়ার্ল্ড
টেবিলের ওপর কয়েকটি ব্লক আর একটি রোবট-হাত নিয়ে planning-এর একটি ক্লাসিক উদাহরণ-জগৎ, যেখানে ব্লক তুলে, রেখে বা একটির ওপর আরেকটি সাজানো হয়।যেখানে শিখবেন: পর্ব ৪৯
BM25বি-এম টোয়েন্টি-ফাইভ
TF-IDF-এর একটি পরিশীলিত আত্মীয়: শব্দের গোনার প্রভাব একসময় থামে আর নথির দৈর্ঘ্য হিসাবে আসে; শব্দভিত্তিক খোঁজে বহুল ব্যবহৃত।যেখানে শিখবেন: পর্ব ৬৯
BOM (Byte Order Mark)বি-ও-এম
ফাইলের শুরুতে একটি অদৃশ্য চিহ্ন (UTF-8-এ EF BB BF), যা encoding জানায়; Excel এটি চায়, কিন্তু কিছু টুলে এটি কলামের নামে ঢুকে যায়।যেখানে শিখবেন: পর্ব ১০
Boolean logicবুলিয়ান লজিক
George Boole-এর নামে যুক্তির হিসাব, যেখানে মান শুধু সত্য (১) বা মিথ্যা (০) আর কাজ হলো AND, OR, NOT.যেখানে শিখবেন: পর্ব ০২
Boolean maskবুলিয়ান মাস্ক
একই shape-এর True/False-এর একটি array, যা দিয়ে শর্ত মানা উপাদানগুলো বাছাই, গোনা বা বদলানো যায়; যেমন sales > 75.যেখানে শিখবেন: পর্ব ১৪পর্ব ২২পর্ব ৭৭
Bootstrapবুটস্ট্র্যাপ
নিজের নমুনা থেকে ফেরত রেখে বারবার একই আকারের নমুনা নিয়ে কোনো পরিমাপ কতটা নড়ে, তা দেখে অনিশ্চয়তা অনুমানের পদ্ধতি; Bradley Efron ১৯৭৯ সালে প্রকাশ করেন।যেখানে শিখবেন: পর্ব ৩০পর্ব ৬০পর্ব ৬২
Bound variableবাউন্ড ভেরিয়েবল
যে variable কোনো quantifier-এর scope-এর ভেতরে আছে, তাই তার অর্থ ঠিক করা।যেখানে শিখবেন: পর্ব ৪৬
Box plotবক্স প্লট
Q1 থেকে Q3 পর্যন্ত বাক্স, ভেতরে median, দুই দিকে দাড়ি আর সীমার বাইরের মান আলাদা বিন্দুতে দেখানো সংক্ষিপ্ত chart; Tukey জনপ্রিয় করেন।যেখানে শিখবেন: পর্ব ২৯পর্ব ৩০পর্ব ৬২
Boxed objectবক্সড অবজেক্ট
একটি সাধারণ মানকে (যেমন একটি সংখ্যা) type, reference count আর আকারের তথ্যসহ একটি পূর্ণ object-এ মুড়ে রাখা; Python-এর প্রতিটি int এমন একটি বাক্সে মোড়া মান।যেখানে শিখবেন: পর্ব ১৩পর্ব ২৭
Branching factor (b)ব্রাঞ্চিং ফ্যাক্টর
Search tree-তে একটি node-এর সর্বোচ্চ বা গড় successor-এর সংখ্যা; গাছের node প্রতি স্তরে মোটামুটি b গুণ হয়।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৪০পর্ব ৪১
Brier scoreব্রায়ার স্কোর
অনুমিত সম্ভাবনা আর আসল ফলের (০ বা ১) পার্থক্যের বর্গের গড়; যত কম তত ভালো। ক্রম আর calibration দুটোই এতে ধরা পড়ে, তাই সম্ভাবনার মান যাচাইয়ে কাজে লাগে।যেখানে শিখবেন: পর্ব ৭৯
Brittlenessব্রিটলনেস
ভঙ্গুরতা: যে অবস্থা নিয়ম লেখার সময় কেউ ভাবেনি, সেখানে সিস্টেম হঠাৎ পুরোপুরি ভুল করে, আস্তে আস্তে খারাপ হয় না।যেখানে শিখবেন: পর্ব ০৩পর্ব ৪৫পর্ব ৪৭
Broadcastingব্রডকাস্টিং
ভিন্ন shape-এর দুটি array-কে নির্দিষ্ট নিয়মে মিলিয়ে ঘরে ঘরে হিসাব করার NumPy-র ব্যবস্থা, যেখানে দৈর্ঘ্য 1-এর দিক অন্য দিকের মাপে প্রসারিত ধরা হয়, data কপি না করেই।যেখানে শিখবেন: পর্ব ১৪পর্ব ১৫পর্ব ১৬
Build vs buyবিল্ড ভার্সাস বাই
নিজে model বানানো, তৈরি সেবা কেনা, নাকি একটি pretrained model নিজের ডেটায় যাচাই করে ব্যবহার করা: খরচ, নিয়ন্ত্রণ, গোপনীয়তা আর সময় মিলিয়ে নেওয়া সিদ্ধান্ত।যেখানে শিখবেন: পর্ব ৭৪
Business dayবিজনেস ডে
কাজের দিন, অর্থাৎ সাপ্তাহিক ছুটি আর ঘোষিত ছুটি বাদে দিন; কোন বারগুলো কাজের দিন তা দেশভেদে আলাদা।যেখানে শিখবেন: পর্ব ২৬
Business metricবিজনেস মেট্রিক
ব্যবসার আসল লক্ষ্যের মাপ, যেমন ফেরতের খরচ, বিক্রি বা গ্রাহকের অপেক্ষার সময়; model-এর accuracy-র মতো offline মাপ থেকে আলাদা।যেখানে শিখবেন: পর্ব ৭৪
Business rules engineবিজনেস রুলস ইঞ্জিন
প্রতিষ্ঠানের নীতি, যেমন ছাড়, ফেরত বা ঋণের শর্ত, কোড থেকে আলাদা করে নিয়ম হিসেবে লিখে চালানোর software; নীতি বদলালে নিয়ম বদলায়, পুরো প্রোগ্রাম নয়।যেখানে শিখবেন: পর্ব ৪৭
Byte pair encoding (BPE)বাইট পেয়ার এনকোডিং
সবচেয়ে বেশি পাশাপাশি আসা দুই প্রতীককে বারবার জুড়ে নতুন প্রতীক বানানোর পদ্ধতি; মূলত data compression-এর জন্য, পরে ভাষা model-এর subword tokenizer হিসেবে জনপ্রিয়।যেখানে শিখবেন: পর্ব ৬৭পর্ব ৭০
Byte-level BPEবাইট-লেভেল বিপিই
অক্ষরের বদলে UTF-8-এর ২৫৬টি byte থেকে শুরু করা BPE; কোনো লেখা অচেনা থাকে না, কিন্তু কম শেখা লিপির একটি অক্ষর কয়েকটি token-এ ভাঙতে পারে।যেখানে শিখবেন: পর্ব ৭০

C

Cache lineক্যাশ লাইন
RAM আর cache-এর মধ্যে একবারে আনা-নেওয়া হওয়া মেমরির টুকরো; আজকের বেশির ভাগ প্রসেসরে সাধারণত ৬৪ byte.যেখানে শিখবেন: পর্ব ১৯
Calibrationক্যালিব্রেশন
Model-এর দেওয়া সম্ভাবনা বাস্তবের হারের সঙ্গে কতটা মেলে; ০.৮ বলা অনুমানগুলোর প্রায় ৮০% ঠিক হলে model calibrated.যেখানে শিখবেন: পর্ব ৩৫পর্ব ৫০পর্ব ৫১
Canary releaseক্যানারি রিলিজ
নতুন সংস্করণ প্রথমে অল্প অংশ ব্যবহারকারী বা অনুরোধে চালু করা, সমস্যা না দেখলে ধাপে ধাপে বাড়ানো; সমস্যা হলে দ্রুত আগেরটিতে ফেরা যায়।যেখানে শিখবেন: পর্ব ৭৪পর্ব ৭৬
Canonical valueক্যানোনিকাল ভ্যালু
একই জিনিসের নানা বানান বা রূপের মধ্যে বেছে নেওয়া একটি প্রমিত রূপ, যেমন Dhaka, dhaka আর DHAKA সবই ঢাকা।যেখানে শিখবেন: পর্ব ২৩পর্ব ৭৭
Catastrophic cancellationক্যাটাস্ট্রফিক ক্যান্সেলেশন
প্রায় সমান দুটি বড় floating-point সংখ্যা বিয়োগ করলে অর্থবহ অঙ্ক হারিয়ে যাওয়া, ফলে ফলাফলে মূলত rounding error থেকে যায়।যেখানে শিখবেন: পর্ব ৫৭পর্ব ৭৮
category dtypeক্যাটেগরি ডিটাইপ
অল্প কয়েকটি আলাদা মানের কলামের জন্য dtype, যা প্রতিটি মান একবার রাখে আর প্রতিটি সারিতে শুধু একটি ছোট সংখ্যার কোড।যেখানে শিখবেন: পর্ব ২০পর্ব ২৪পর্ব ২৭
Causal maskকজাল মাস্ক
Attention score-এর diagonal-এর ওপরের ঘরে −∞ বসানো, যাতে প্রতিটি অবস্থান শুধু নিজেকে আর আগের token দেখে, ভবিষ্যতের নয়।যেখানে শিখবেন: পর্ব ৭০পর্ব ৭৭পর্ব ৭৯
CDCL (conflict-driven clause learning)সিডিসিএল
আধুনিক SAT solver-এর পদ্ধতি, যা প্রতিটি সংঘাতের কারণ থেকে নতুন clause শেখে আর দূরে এক লাফে পিছিয়ে যায়।যেখানে শিখবেন: পর্ব ৪৫
CDF (cumulative distribution function)সি-ডি-এফ
F(x) = P(X ≤ x), মানে x বা তার কম হওয়ার সম্ভাবনা; শূন্য থেকে বেড়ে 1-এ পৌঁছায় আর কখনো কমে না।যেখানে শিখবেন: পর্ব ৩৬
CDNসিডিএন
Content Delivery Network: পৃথিবীর নানা জায়গার সার্ভার থেকে একই ফাইল (যেমন plotly.js) দ্রুত পাঠানোর ব্যবস্থা।যেখানে শিখবেন: পর্ব ৩১
Cellসেল
Notebook-এর এক একটি ঘর; এতে কোড বা লেখা থাকে, আর আলাদা করে চালানো যায়।যেখানে শিখবেন: পর্ব ০৮
Cell magicসেল ম্যাজিক
দুই %% চিহ্ন দিয়ে শুরু হওয়া magic, যা cell-এর প্রথম লাইনে থাকে আর পুরো cell-এর ওপর কাজ করে; যেমন %%time.যেখানে শিখবেন: পর্ব ০৮
Centering (mean subtraction)সেন্টারিং
প্রতিটি মান থেকে তার দলের বা কলামের গড় বিয়োগ করা, যাতে নতুন মানগুলোর গড় শূন্য হয়; বহু মডেলের আগে ডেটা প্রস্তুতির একটি ধাপ।যেখানে শিখবেন: পর্ব ১৫পর্ব ৩৩পর্ব ৭৭
Central Limit Theorem (CLT)সেন্ট্রাল লিমিট থিওরেম
সসীম variance-এর স্বাধীন মান থেকে নেওয়া নমুনার গড়ের distribution, নমুনা বড় হলে, মূল ডেটার আকৃতি যা-ই হোক, প্রায় normal হয়।যেখানে শিখবেন: পর্ব ৩৭পর্ব ৭৬
Centroidসেন্ট্রয়েড
একটি দলের সব বিন্দুর গড় অবস্থান; k-means-এ প্রতিটি দলের প্রতিনিধি কেন্দ্র।যেখানে শিখবেন: পর্ব ৬৫পর্ব ৬৯পর্ব ৭৫
Certainty equivalentসার্টেইনটি ইকুইভ্যালেন্ট
যে নিশ্চিত টাকার পরিমাণ একজনের কাছে একটি অনিশ্চিত সুযোগের সমান খুশি দেয়, অর্থাৎ যার utility সেই সুযোগের expected utility-র সমান।যেখানে শিখবেন: পর্ব ৫৪
Certainty factor (CF)সার্টেইনটি ফ্যাক্টর
MYCIN-এ ব্যবহৃত −1 থেকে +1-এর একটি সংখ্যা, যা বলে একটি সিদ্ধান্তে বিশ্বাস কতটা বাড়ল বা কমল; সম্ভাবনা নয়, আর পরে এর তাত্ত্বিক দুর্বলতা দেখানো হয়েছে।যেখানে শিখবেন: পর্ব ৪৭পর্ব ৫০পর্ব ৫২
Chain ruleচেইন রুল
একটি function-এর ভেতরে আরেকটি function থাকলে মোট derivative হলো প্রতিটি ধাপের derivative-এর গুণফল; backpropagation-এর মূল নিয়ম।যেখানে শিখবেন: পর্ব ৩৪পর্ব ৭৫পর্ব ৭৭
Chain rule of probabilityচেইন রুল অব প্রবাবিলিটি
যেকোনো joint probability-কে ধাপে ধাপে conditional probability-র গুণফল হিসেবে লেখার নিয়ম: P(x₁, …, xₙ) = P(x₁) · P(x₂ ∣ x₁) · … · P(xₙ ∣ x₁, …, xₙ₋₁); calculus-এর chain rule থেকে আলাদা।যেখানে শিখবেন: পর্ব ৫২
Chained assignmentচেইনড অ্যাসাইনমেন্ট
দুই ধাপের index দিয়ে মান বসানো, যেমন a[mask][0] = 0; প্রথম ধাপ copy দিলে মান একটি অস্থায়ী copy-তে বসে আর মূল array একটুও বদলায় না।যেখানে শিখবেন: পর্ব ১৪পর্ব ২০পর্ব ২২
Chance nodeচান্স নোড
খেলার গাছের এমন node, যেখানে কোনো খেলোয়াড় নয়, ভাগ্য (যেমন ছক্কা) ঠিক করে কী হবে; এর মান হলো সম্ভাব্য ফলগুলোর expected value.যেখানে শিখবেন: পর্ব ৪২পর্ব ৫৪
Channels-last / channels-firstচ্যানেলস-লাস্ট
ছবির array-তে channel অক্ষ কোথায় তার রীতি: (H, W, C) হলো channels-last, (C, H, W) হলো channels-first; তথ্য একই, অক্ষের ক্রম ভিন্ন।যেখানে শিখবেন: পর্ব ১৮
Character encodingক্যারেক্টার এনকোডিং
লেখার প্রতিটি অক্ষরকে কোন byte দিয়ে লেখা হবে তার নিয়ম, যেমন UTF-8 বা cp1252; ভুল নিয়মে পড়লে লেখা ভেঙে যায়।যেখানে শিখবেন: পর্ব ১০
Character n-gramক্যারেক্টার এন-গ্রাম
শব্দের ভেতরের পরপর কয়েকটি অক্ষরের টুকরো, যেমন টাকা থেকে টা আর কা; বানান আর বিভক্তির বৈচিত্র্য কিছুটা সামলায়।যেখানে শিখবেন: পর্ব ৫১পর্ব ৬৭পর্ব ৭৩
Chartjunkচার্টজাঙ্ক
Tufte-এর দেওয়া নাম: chart-এর যে সাজ বা অলংকার কোনো ডেটা দেখায় না, যেমন ভারী grid, ছায়া, 3-D প্রভাব বা অপ্রয়োজনীয় ছবি।যেখানে শিখবেন: পর্ব ৩২
Cherry-pickingচেরি-পিকিং
পুরো ডেটা থেকে শুধু সেই অংশ, সময় বা উদাহরণ বেছে দেখানো যা নিজের দাবির পক্ষে যায়, আর বাকিটা লুকিয়ে রাখা।যেখানে শিখবেন: পর্ব ৩২
Chinese Roomচাইনিজ রুম
John Searle-এর ১৯৮০ সালের চিন্তা-পরীক্ষা, যা যুক্তি দেয় যে শুধু নিয়ম মেনে চিহ্ন সাজানো থেকে অর্থ বোঝা আসে না। এ নিয়ে বিতর্ক আজও চলছে।যেখানে শিখবেন: পর্ব ০১
Chunkচাঙ্ক
বড় ফাইলের একটি টুকরো, যা একবারে মেমরিতে আনা হয়; read_csv-এ chunksize দিলে ফাইল এমন টুকরো টুকরো DataFrame হিসেবে আসে।যেখানে শিখবেন: পর্ব ২১পর্ব ২৭পর্ব ৭৬
Classক্লাস
Classification-এ একটি সম্ভাব্য উত্তর বা শ্রেণি, যেমন yes বা no.যেখানে শিখবেন: পর্ব ০৫
Class (ontology)ক্লাস
Ontology-তে একই ধরনের entity-র একটি দল, যেমন Phone বা Charger; নির্দিষ্ট জিনিসগুলো (instance) type সম্পর্ক দিয়ে তার সদস্য হয়।যেখানে শিখবেন: পর্ব ৪৮
Class imbalanceক্লাস ইমব্যালান্স
যখন একটি শ্রেণির উদাহরণ অন্যগুলোর চেয়ে অনেক বেশি, যেমন ১০০টির ৯৭টি না আর ৩টি হ্যাঁ।যেখানে শিখবেন: পর্ব ০৫পর্ব ৩৫পর্ব ৩৬
class_weightক্লাস ওয়েট
শেখার সময় প্রতিটি শ্রেণির ভুলের ওজন ঠিক করার সেটিং; balanced দিলে ছোট শ্রেণির ভুল বেশি ওজন পায়, ফলে তার recall সাধারণত বাড়ে।যেখানে শিখবেন: পর্ব ৭৩
Classificationক্লাসিফিকেশন
যে কাজে model-কে কয়েকটি নির্দিষ্ট শ্রেণির একটি বলতে হয়, যেমন spam না ham, রোগ আছে না নেই।যেখানে শিখবেন: পর্ব ০৩পর্ব ০৪পর্ব ০৫
classification_reportক্লাসিফিকেশন রিপোর্ট
scikit-learn-এর একটি function যা প্রতিটি শ্রেণির precision, recall, F1 আর support এবং accuracy, macro ও weighted গড় একটি টেবিলে ছাপে।যেখানে শিখবেন: পর্ব ৬০
Classifier headক্লাসিফায়ার হেড
Pretrained model-এর ওপরে বসানো ছোট শেষ অংশ (সাধারণত একটি linear layer), যা ভেতরের vector থেকে নির্দিষ্ট কাজের label-এর score বানায়।যেখানে শিখবেন: পর্ব ৭১
Clauseক্লজ
কয়েকটি literal-এর ∨, যেমন ¬F ∨ ¬D ∨ S; সংক্ষেপে literal-এর সেট হিসেবে লেখা হয়।যেখানে শিখবেন: পর্ব ৪৫
Cleaning logক্লিনিং লগ
পরিষ্কারের প্রতিটি ধাপে কয়টি সারি বাদ গেল বা কয়টি মান বদলাল তার লিখিত হিসাব, যাতে পরে ফল ব্যাখ্যা আর উৎসের পরিবর্তন ধরা যায়।যেখানে শিখবেন: পর্ব ২৩পর্ব ৭৩পর্ব ৭৭
Clippingক্লিপিং
সীমার বাইরের মানকে সীমায় আটকে দেওয়া; np.clip(a, 0, 255) 255-এর বেশি সব মানকে 255 আর 0-এর কম সব মানকে 0 করে।যেখানে শিখবেন: পর্ব ১৮
CLIPSক্লিপস
C Language Integrated Production System: ১৯৮০-এর দশকে NASA-তে শুরু হওয়া একটি forward chaining expert system shell, যা Rete-ধাঁচের matching ব্যবহার করে আর এখনো বিনামূল্যে পাওয়া যায়।যেখানে শিখবেন: পর্ব ৪৭
Cloneক্লোন
একটি Git repository-র পুরো ইতিহাসসহ নতুন একটি কপি অন্য ফোল্ডারে বা অন্য কম্পিউটারে তৈরি করা।যেখানে শিখবেন: পর্ব ১২
Closed-form solutionক্লোজড ফর্ম সলিউশন
পুনরাবৃত্তি ছাড়াই একটি সূত্র বা সরাসরি হিসাব দিয়ে পাওয়া উত্তর, যেমন least squares-এর lstsq.যেখানে শিখবেন: পর্ব ৩৪পর্ব ৫৮পর্ব ৬১
Closed-world assumptionক্লোজড-ওয়ার্ল্ড অ্যাজাম্পশন
যে তথ্য KB বা database-এ নেই, তা মিথ্যা বলে ধরে নেওয়া; open world-এ তা অজানা থাকে।যেখানে শিখবেন: পর্ব ৪৬পর্ব ৪৭পর্ব ৪৯
Clusteringক্লাস্টারিং
label ছাড়া একই রকম উদাহরণগুলোকে এক দলে আর ভিন্নগুলোকে আলাদা দলে ভাগ করার কাজ। দলগুলোর অর্থ মানুষকেই বিচার করতে হয়।যেখানে শিখবেন: পর্ব ০৪পর্ব ০৫পর্ব ৫৫
CNF (conjunctive normal form)সিএনএফ
যে বাক্য কয়েকটি clause-এর ∧; প্রতিটি propositional বাক্যকে equivalent CNF-এ আনা যায়।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৭৫পর্ব ৭৬
Co-occurrenceকো-অকারেন্স
দুটি শব্দ একই বাক্যে, নথিতে বা ছোট জানালায় একসঙ্গে আসা; এর গোনা থেকে embedding শেখা যায়।যেখানে শিখবেন: পর্ব ৬৯
Code cellকোড সেল
যে cell-এর লেখা kernel-এ পাঠিয়ে চালানো হয় আর যার নিচে output জমা হয়।যেখানে শিখবেন: পর্ব ০৮
Code formatterকোড ফরম্যাটার
যে টুল কোডের অর্থ না বদলে শুধু চেহারা, যেমন space, ফাঁকা লাইন আর লাইনের দৈর্ঘ্য, একটি নির্দিষ্ট নিয়মে সাজায়; যেমন ruff format বা Black.যেখানে শিখবেন: পর্ব ১১
Code pointকোড পয়েন্ট
Unicode-এ প্রতিটি চিহ্নের নম্বর, যেমন ব হলো U+09AC; Python-এর len() এগুলোই গোনে।যেখানে শিখবেন: পর্ব ০৯পর্ব ১০পর্ব ৩৮
Code reviewকোড রিভিউ
কোড মূল ধারায় যোগ করার আগে আরেকজনের পড়ে দেখা ও মন্তব্য করা, যাতে ভুল, অস্পষ্টতা আর ঝুঁকি আগেই ধরা পড়ে।যেখানে শিখবেন: পর্ব ১১
Code-mixingকোড-মিক্সিং
একই বাক্যে একাধিক ভাষা বা লিপি মিশিয়ে লেখা বা বলা, যেমন বাংলার সঙ্গে ইংরেজি শব্দ, কিংবা রোমান হরফে বাংলা লেখা, যাকে অনেকে Banglish বলেন।যেখানে শিখবেন: পর্ব ০৬পর্ব ৬৭
Coefficient of variation (CV)কোএফিশিয়েন্ট অব ভ্যারিয়েশন
SD ÷ গড়; এককহীন আপেক্ষিক ছড়ানো, যা দিয়ে ভিন্ন মাপের জিনিসের ছড়ানো তুলনা করা যায়, যদি মান সবসময় ধনাত্মক হয়।যেখানে শিখবেন: পর্ব ৩৭
collections.Counterকাউন্টার
কোন জিনিস কতবার এসেছে তা গোনার জন্য তৈরি একটি dict; most_common() দিয়ে সবচেয়ে বেশি আসা জিনিসগুলো দেয়।যেখানে শিখবেন: পর্ব ০৯
collections.defaultdictডিফল্টডিক্ট
এমন dict, যেখানে না থাকা চাবি চাইলে KeyError না দিয়ে একটি শুরুর মান (যেমন int থেকে 0, list থেকে খালি list) বসিয়ে দেয়।যেখানে শিখবেন: পর্ব ০৯
Collider (common effect)কোলাইডার
একটি পথে যে node-এ দুই দিক থেকে তীর এসে মেলে (A → C ← B); C বা তার কোনো উত্তরসূরি জানা না থাকলে পথটি বন্ধ, জানা থাকলে খুলে যায়।যেখানে শিখবেন: পর্ব ৫২
Color-vision deficiencyকালার-ভিশন ডেফিসিয়েন্সি
রঙকানা দৃষ্টি: চোখের এক বা একাধিক ধরনের cone দুর্বল বা অনুপস্থিত থাকায় কিছু রং আলাদা করতে অসুবিধা; সবচেয়ে সাধারণ ধরনে লাল আর সবুজ গুলিয়ে যায়।যেখানে শিখবেন: পর্ব ৩২
Colormapকালারম্যাপ
সংখ্যার একটি পরিসরকে রঙের একটি ধারাবাহিক ধারায় বসানোর নিয়ম, যেমন viridis বা vlag.যেখানে শিখবেন: পর্ব ৩০পর্ব ৩২
Colour channelকালার চ্যানেল
রঙিন ছবির একটি রং-উপাদানের পুরো স্তর, যেমন শুধু লাল আলোর মানগুলো; RGB ছবিতে তিনটি channel থাকে।যেখানে শিখবেন: পর্ব ১৮
Colour-blind-safe paletteকালার-ব্লাইন্ড-সেফ প্যালেট
এমন রঙের তালিকা, যার রংগুলো সাধারণ ধরনের বর্ণান্ধতা থাকলেও আলাদা করা যায়; seaborn-এ যেমন "colorblind".যেখানে শিখবেন: পর্ব ৩০
Column-major (Fortran order)কলাম-মেজর
Array মেমরিতে কলামের পর কলাম রাখার নিয়ম, যেখানে প্রথম index সবচেয়ে দ্রুত বদলায়; Fortran, MATLAB আর R এভাবে রাখে।যেখানে শিখবেন: পর্ব ১৯
Columnar storageকলামনার স্টোরেজ
একই কলামের সব মান একসঙ্গে রাখা, যাতে শুধু দরকারি কলাম পড়া যায় আর মানগুলো ভালোভাবে চাপা যায়।যেখানে শিখবেন: পর্ব ১০
ColumnTransformerকলাম ট্রান্সফর্মার
ভিন্ন ভিন্ন কলামের দলকে ভিন্ন transformer-এ পাঠিয়ে আলাদা fit করে, শেষে সব ফল পাশাপাশি জোড়ে; সংখ্যা আর category মেশানো ডেটার প্রস্তুতির হাতিয়ার।যেখানে শিখবেন: পর্ব ৬৪পর্ব ৭৩পর্ব ৭৬
Combination (nCr)কম্বিনেশন
ক্রম গুরুত্বহীন বাছাই: n টি থেকে r টির দল বানানোর উপায় n! / (r! (n − r)!); Python-এ math.comb.যেখানে শিখবেন: পর্ব ৩৫
Combinatorial explosionকম্বিনেটোরিয়াল এক্সপ্লোশন
সমস্যা একটু বড় হলেই সম্ভাব্য অবস্থা বা পথের সংখ্যা অতি দ্রুত (প্রায়ই সূচকীয়ভাবে) বেড়ে যাওয়া, ফলে সব খুঁজে দেখা অসম্ভব হয়ে পড়ে।যেখানে শিখবেন: পর্ব ০২পর্ব ০৩পর্ব ৩৯
Combining markকম্বাইনিং মার্ক
যে Unicode চিহ্ন নিজে আলাদা অক্ষর নয়, আগের অক্ষরের সঙ্গে জুড়ে বসে, যেমন বাংলার কার-চিহ্ন, হসন্ত, চন্দ্রবিন্দু ও নুক্তা; Unicode-এর category Mn বা Mc.যেখানে শিখবেন: পর্ব ৬৭
Commitকমিট
Git-এ প্রকল্পের একটি মুহূর্তের পূর্ণ ছবি, একটি বার্তা আর একটি অনন্য hash-সহ; এই hash দিয়েই code-এর version চেনা যায়।যেখানে শিখবেন: পর্ব ১২পর্ব ৭১
Complement of an eventকমপ্লিমেন্ট
একটি event যে outcome-গুলোতে নেই, সেগুলোর event; “A নয়”, আর P(Aᶜ) = 1 − P(A).যেখানে শিখবেন: পর্ব ৩৫
Complete assignmentকমপ্লিট অ্যাসাইনমেন্ট
যে assignment-এ প্রতিটি variable একটি করে মান পেয়েছে।যেখানে শিখবেন: পর্ব ৪৩
Complete-state formulationকমপ্লিট-স্টেট ফর্মুলেশন
সমস্যা লেখার এমন ছক যেখানে প্রতিটি state নিজেই একটি পূর্ণ প্রার্থী-সমাধান, যেমন ৮টি রানিই বোর্ডে বা সব ঠিকানাই তালিকায়; local search এই ছকে কাজ করে।যেখানে শিখবেন: পর্ব ৪৪
Completenessকমপ্লিটনেস
সমাধান থাকলে algorithm নিশ্চিতভাবে একটি খুঁজে পায় আর না থাকলে তা জানিয়ে থামে, এই গুণ।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৪০পর্ব ৪৩
Completeness (inference)কমপ্লিটনেস
Inference পদ্ধতির যে গুণে প্রতিটি entailed বাক্য তার নিয়ম খাটিয়ে বের করা যায়।যেখানে শিখবেন: পর্ব ৪৫
Comprehensionকমপ্রিহেনশন
একটি সংগ্রহ থেকে এক বাক্যে নতুন list, dict বা set বানানোর Python রীতি, যেখানে একসঙ্গে ছাঁকা (if) আর রূপ বদল করা যায়।যেখানে শিখবেন: পর্ব ০৯পর্ব ৭৮
Compressionকমপ্রেশন
পুনরাবৃত্তি আর নিয়মিত ছাঁচ কাজে লাগিয়ে ডেটা কম byte-এ লেখা, যাতে ফাইল ছোট হয়; যেমন snappy, zstd, gzip.যেখানে শিখবেন: পর্ব ১০
Computational graphকম্পিউটেশনাল গ্রাফ
একটি হিসাবকে ছোট ছোট ধাপের জাল হিসেবে আঁকা, যেখানে প্রতিটি ধাপের মান আর ঢাল জানা; backpropagation আর autograd এই জাল ধরে পেছনে chain rule চালায়।যেখানে শিখবেন: পর্ব ৬৮
Concatenation (pd.concat)কনক্যাট
একাধিক টেবিলকে key না মিলিয়ে নিচে নিচে (সারি ধরে) বা পাশাপাশি (index মিলিয়ে) জুড়ে দেওয়া।যেখানে শিখবেন: পর্ব ২৫
Concave functionকনকেভ ফাংশন
যে function-এর লেখচিত্র ওপরের দিকে উঁচু হয়ে ধীরে চ্যাপ্টা হয়, যেমন log বা বর্গমূল; দুই বিন্দুর গড়ে এর মান মানগুলোর গড়ের চেয়ে কম নয়।যেখানে শিখবেন: পর্ব ৫৪
Concept driftকনসেপ্ট ড্রিফট
সময় বা জায়গা বদলের সঙ্গে input আর উত্তরের সম্পর্কটাই বদলে যাওয়া, ফলে পুরোনো model-এর শেখা নিয়ম আর খাটে না।যেখানে শিখবেন: পর্ব ০৬পর্ব ১২পর্ব ৭২
condaকন্ডা
Anaconda থেকে আসা package ও environment ম্যানেজার (২০১২)। শুধু Python package নয়, C/C++ library, compiler, CUDA-র মতো Python-এর বাইরের জিনিসও বসায়; PyPI নয়, নিজস্ব channel থেকে নামায়।যেখানে শিখবেন: পর্ব ০৭
conda-forgeকন্ডা-ফোর্জ
সম্প্রদায়-চালিত সবচেয়ে বড় conda channel, যেখানে হাজার হাজার package খোলাভাবে build আর রক্ষণাবেক্ষণ করা হয়। এর installer-এর নাম Miniforge.যেখানে শিখবেন: পর্ব ০৭
Condition numberকন্ডিশন নাম্বার
ইনপুটের ছোট বদলে একটি সমস্যার উত্তর কতগুণ বদলাতে পারে তার মাপ; মোটা নিয়মে প্রায় 10 এর k ঘাত হলে উত্তরে প্রায় k-টি দশমিক অঙ্ক হারানোর ঝুঁকি, NumPy-তে np.linalg.cond.যেখানে শিখবেন: পর্ব ১৭পর্ব ৫৮পর্ব ৬১
Conditional entropyকন্ডিশনাল এনট্রপি
X জানার পরে Y নিয়ে গড়ে যতটা অনিশ্চয়তা বাকি থাকে; চিহ্ন H(Y | X), আর এটি H(X, Y) − H(X)-এর সমান।যেখানে শিখবেন: পর্ব ৩৮
Conditional independenceকন্ডিশনাল ইনডিপেনডেন্স
তৃতীয় একটি event C জানা থাকলে A আর B স্বাধীন: P(A ∩ B | C) = P(A | C) · P(B | C); Naive Bayes এই অনুমান করে।যেখানে শিখবেন: পর্ব ৩৫পর্ব ৫০পর্ব ৫১
Conditional Probabilityকন্ডিশনাল প্রোবাবিলিটি
কোনো একটি ঘটনা জানা থাকলে আরেকটি ঘটনার সম্ভাবনা; P(A∣B) পড়া হয় “B জানা থাকলে A-এর সম্ভাবনা”।যেখানে শিখবেন: পর্ব ০৪পর্ব ৩৫পর্ব ৫২
Condition–action ruleকন্ডিশন-অ্যাকশন রুল
“যদি এই অবস্থা দেখা যায়, তবে এই কাজ” ধরনের নিয়ম, যা reflex agent ব্যবহার করে।যেখানে শিখবেন: পর্ব ০১পর্ব ৪৭
Confidence intervalকনফিডেন্স ইন্টারভাল
নমুনা থেকে হিসাব করা একটি পরিসর, যা একটি নির্দিষ্ট পদ্ধতিতে বারবার করলে নির্দিষ্ট ভাগ সময় (যেমন ৯৫%) আসল মানকে ধরে; গড়ের অনিশ্চয়তা বোঝায়।যেখানে শিখবেন: পর্ব ৩০পর্ব ৩২পর্ব ৩৭
Confident learningকনফিডেন্ট লার্নিং
Out-of-fold সম্ভাবনা দিয়ে ডেটার সম্ভাব্য ভুল label খোঁজার পদ্ধতি: যে সারির নিজের label-কে না-দেখা model খুব কম সম্ভাবনা দেয়, সেটি আবার পড়ে দেখার যোগ্য।যেখানে শিখবেন: পর্ব ৭৩
Configuration (config)কনফিগারেশন
প্রোগ্রামের সেটিংগুলো, যেমন seed, ডেটার path, threshold, এক জায়গায় রাখা মান; কোডের ভেতরে ছড়ানো সংখ্যার বদলে।যেখানে শিখবেন: পর্ব ১১পর্ব ৭৪
Conflict resolutionকনফ্লিক্ট রেজোলিউশন
conflict set-এ একাধিক নিয়ম থাকলে কোনটি আগে চলবে তা ঠিক করার কৌশল, যেমন নিয়মের ক্রম, specificity, recency বা salience.যেখানে শিখবেন: পর্ব ৪৭পর্ব ৭৭
Conflict set (agenda)কনফ্লিক্ট সেট
একটি চক্রে যেসব নিয়মের সব শর্ত মিলেছে আর যেগুলো চালানোর অপেক্ষায়, তাদের তালিকা; CLIPS-এ এর নাম agenda.যেখানে শিখবেন: পর্ব ৪৭
Confounding variableকনফাউন্ডিং ভ্যারিয়েবল
এমন একটি তৃতীয় চলক, যা একসঙ্গে তুলনার দলটি (যেমন কোন কুরিয়ার) আর ফল (যেমন সময়মতো পৌঁছানো) দুটিকেই প্রভাবিত করে, ফলে সরল তুলনা বিভ্রান্তিকর হয়।যেখানে শিখবেন: পর্ব ২৪পর্ব ৩০পর্ব ৩৫
Confusion matrixকনফিউশন ম্যাট্রিক্স
ঠিক হ্যাঁ, ভুল হ্যাঁ, ঠিক না আর ভুল না আলাদা করে গোনার ছক; precision আর recall এখান থেকেই আসে।যেখানে শিখবেন: পর্ব ০৫পর্ব ০৬পর্ব ৬০
Conjugate priorকনজুগেট প্রায়র
এমন prior, যার সঙ্গে নির্দিষ্ট likelihood গুণ করলে posterior একই পরিবারের distribution থাকে; যেমন binomial ডেটার জন্য Beta prior, তাই হালনাগাদ শুধু parameter যোগ করা।যেখানে শিখবেন: পর্ব ৫০
Conjunct (যুক্তাক্ষর)যুক্তাক্ষর
হসন্ত দিয়ে জোড়া দুই বা ততোধিক ব্যঞ্জনের একটি মিলিত রূপ, যেমন ক্ষ, ত্ত বা ক্র; ফন্টের বিশেষ glyph আর shaping ছাড়া এটি ভেঙে হসন্তসহ আলাদা অক্ষর হয়ে দেখায়।যেখানে শিখবেন: পর্ব ২৮
Conjunction (∧)কনজাংশন
“এবং”: A ∧ B সত্য শুধু তখন, যখন A আর B দুটিই সত্য।যেখানে শিখবেন: পর্ব ৪৫
Connectionismকানেকশনিজম
বুদ্ধিমত্তা আসে অনেক সরল এককের সংযোগ আর সেই সংযোগের শেখা ওজন থেকে, এই দৃষ্টিভঙ্গি; neural network এর প্রধান রূপ।যেখানে শিখবেন: পর্ব ০৩পর্ব ৭৬
Consistent assignmentকনসিস্টেন্ট অ্যাসাইনমেন্ট
যে assignment কোনো constraint ভাঙে না; complete আর consistent একসঙ্গে হলে তা CSP-র সমাধান।যেখানে শিখবেন: পর্ব ৪৩
Consistent heuristicকনসিস্টেন্ট হিউরিস্টিক
প্রতিটি ধাপ n থেকে n′-এ h(n) ≤ c(n, n′) + h(n′) মানে এমন heuristic, যাকে monotone-ও বলে; এতে graph search-এ কোনো node আবার খুলতে হয় না।যেখানে শিখবেন: পর্ব ৪১পর্ব ৭৫পর্ব ৭৬
Constant symbolকনস্ট্যান্ট সিম্বল
একটি নির্দিষ্ট বস্তুর নাম, যেমন Rahim বা Miniket; interpretation ঠিক করে এটি domain-এর কোন বস্তু।যেখানে শিখবেন: পর্ব ৪৬
Constrained layoutকনস্ট্রেইনড লেআউট
matplotlib-এর layout engine, যা শিরোনাম, লেবেল আর legend-এর জায়গা হিসাব করে Axes-গুলোকে সাজায়, যাতে লেখা একে অপরের ওপর না পড়ে; layout="constrained" দিয়ে চালু হয়।যেখানে শিখবেন: পর্ব ২৮
Constraintকনস্ট্রেইন্ট
কোন মানগুলো একসঙ্গে চলবে আর কোনগুলো চলবে না, তার নিয়ম; যেমন পাশের দুই বিভাগের রং আলাদা।যেখানে শিখবেন: পর্ব ৪৩পর্ব ৭৭
Constraint graphকনস্ট্রেইন্ট গ্রাফ
যে graph-এ প্রতিটি variable একটি node আর প্রতিটি binary constraint দুটি node-এর মধ্যে একটি রেখা।যেখানে শিখবেন: পর্ব ৪৩
Constraint propagationকনস্ট্রেইন্ট প্রপাগেশন
একটি variable-এর domain ছোট হলে তার প্রভাব নিয়ম ধরে ধরে অন্য variable-এর domain-এ ছড়িয়ে দেওয়া।যেখানে শিখবেন: পর্ব ৪৩
Constraint satisfaction problem (CSP)কনস্ট্রেইন্ট স্যাটিসফ্যাকশন প্রবলেম
এমন সমস্যা যেখানে কয়েকটি variable-এ এমনভাবে মান বসাতে হয় যাতে সব নিয়ম একসঙ্গে মানা হয়; variable, domain আর constraint দিয়ে লেখা হয়।যেখানে শিখবেন: পর্ব ৪৩পর্ব ৭৭পর্ব ৭৯
Constraint solverকনস্ট্রেইন্ট সলভার
যে সফটওয়্যার variable, domain আর constraint দিয়ে লেখা model নিয়ে propagation আর search চালিয়ে সমাধান খোঁজে বা সমাধান নেই বলে জানায়।যেখানে শিখবেন: পর্ব ৪৩
Context windowকনটেক্সট উইন্ডো
একটি language model একবারে সর্বোচ্চ যত token দেখতে পারে, তার সীমা; prompt, আগের কথা, যোগ করা নথি আর উত্তর সব এর মধ্যে ধরতে হয়।যেখানে শিখবেন: পর্ব ৭০পর্ব ৭৬পর্ব ৭৭
Contiguous arrayকন্টিগুয়াস অ্যারে
যে array-এর সব ঘর মেমরিতে কোনো ফাঁক ছাড়াই পাশাপাশি; NumPy flags দিয়ে জানায় এটি C-contiguous না F-contiguous.যেখানে শিখবেন: পর্ব ১৯
Contiguous memoryকন্টিগুয়াস মেমরি
মেমরির এমন বিন্যাস, যেখানে ডেটার ঘরগুলো মাঝে ফাঁক ছাড়া একটির পর একটি বসানো; CPU এমন ডেটা খণ্ডে খণ্ডে দ্রুত আনতে পারে।যেখানে শিখবেন: পর্ব ১৩
Contingency tableকন্টিনজেন্সি টেবিল
দুটি category-র variable-এর প্রতিটি জোড়া মান কতবার এসেছে, তার গণনার টেবিল; pandas-এ crosstab দিয়ে বানানো যায়।যেখানে শিখবেন: পর্ব ৩৮
Continuous dataকন্টিনিউয়াস ডেটা
মাপা মান, যার দুটি মানের মাঝেও যেকোনো মান সম্ভব, যেমন ওজন, সময় বা দাম।যেখানে শিখবেন: পর্ব ২৯পর্ব ৩৬
Contour plotকনট্যুর প্লট
দুই চলকের function-এর সমান মানের বিন্দুগুলো রেখা দিয়ে যুক্ত করা ছবি, মানচিত্রের সমোন্নতি রেখার মতো।যেখানে শিখবেন: পর্ব ৩৪
Contrast ratioকনট্রাস্ট রেশিও
লেখা বা দাগ আর পটভূমির আপেক্ষিক উজ্জ্বলতার অনুপাত; WCAG সাধারণ লেখার জন্য অন্তত ৪.৫:১ আর বড় লেখা ও জরুরি গ্রাফিকের জন্য অন্তত ৩:১ চায়।যেখানে শিখবেন: পর্ব ৩২
Contrastive learningকনট্রাস্টিভ লার্নিং
মিল থাকা জোড়ার vector কাছে আর অমিল জোড়ার vector দূরে ঠেলে শেখার পদ্ধতি; অনেক sentence embedding model এভাবে শেখে।যেখানে শিখবেন: পর্ব ৬৯
Convergenceকনভার্জেন্স
পুনরাবৃত্তিমূলক হিসাবে মান একটি নির্দিষ্ট উত্তরের দিকে স্থির হয়ে আসা।যেখানে শিখবেন: পর্ব ৩৪পর্ব ৫৪
ConvergenceWarningকনভার্জেন্স ওয়ার্নিং
scikit-learn-এর সতর্কবার্তা: optimizer দেওয়া max_iter-এর মধ্যে স্থির সমাধানে পৌঁছায়নি, তাই শেখা ওজন অসম্পূর্ণ হতে পারে।যেখানে শিখবেন: পর্ব ৬৭
Convex functionকনভেক্স ফাংশন
বাটির মতো আকারের function, যার যেকোনো দুই বিন্দু যোগ করা রেখা curve-এর ওপরে থাকে; এর local minimum-ই global minimum.যেখানে শিখবেন: পর্ব ৩৪পর্ব ৪৪পর্ব ৫৯
Convolutionকনভলিউশন
একটি ছোট kernel ছবির ওপর সরিয়ে প্রতিটি অবস্থানে নিচের pixel-গুলোকে kernel-এর মান দিয়ে গুণ করে যোগ করার কাজ; ঝাপসা করা, কিনারা খোঁজা আর CNN-এর মূল হিসাব।যেখানে শিখবেন: পর্ব ১৮
Convolutional neural network (CNN)কনভলিউশনাল নিউরাল নেটওয়ার্ক
যে neural network-এর স্তরগুলো convolution চালায় আর kernel-এর সংখ্যাগুলো ডেটা থেকে শেখে; ছবির কাজে বহুল ব্যবহৃত।যেখানে শিখবেন: পর্ব ১৮পর্ব ৬৮
Copy (array copy)কপি
মূল array-এর সংখ্যাগুলো নতুন memory-তে আলাদা করে রাখা একটি array; এতে লিখলে মূল array বদলায় না। NumPy-তে .copy() দিয়ে বানানো হয়।যেখানে শিখবেন: পর্ব ১৪পর্ব ৭৭পর্ব ৭৮
Copy (NumPy)কপি
নিজস্ব নতুন মেমরিতে মানগুলোর আলাদা প্রতিলিপি রাখা array; এটি বদলালে মূল array বদলায় না, কিন্তু বানাতে সময় আর মেমরি লাগে।যেখানে শিখবেন: পর্ব ১৯
Copy-on-Write (CoW)কপি-অন-রাইট
একটি কৌশল, যেখানে দুটি object প্রথমে একই memory ভাগ করে আর কেউ লিখতে গেলে তখনই আলাদা copy তৈরি হয়; pandas 3.0-তে এটি default.যেখানে শিখবেন: পর্ব ১৪পর্ব ২০পর্ব ২২
Copyleftকপিলেফট
এমন licence-রীতি, যেখানে বদলানো রূপ বিতরণ করলে সেটিকেও একই licence-এ খুলে দিতে হয়, যেমন GPL; শর্তটি কখন খাটে তা নির্ভর করে বিতরণের সংজ্ঞার ওপর।যেখানে শিখবেন: পর্ব ৭১
Core pointকোর পয়েন্ট
DBSCAN-এ যে বিন্দুর eps ব্যাসার্ধের ভেতরে (নিজেসহ) অন্তত min_samples সংখ্যক বিন্দু আছে; দল এদের ঘিরেই গড়ে ওঠে।যেখানে শিখবেন: পর্ব ৬৫
Correlation (Pearson r)কোরিলেশন
দুটি সংখ্যার variable একসঙ্গে সরল রৈখিকভাবে কতটা ওঠানামা করে, তার −১ থেকে +১-এর মাপ; কারণ-সম্পর্ক প্রমাণ করে না।যেখানে শিখবেন: পর্ব ৩০পর্ব ৩৭পর্ব ৩৮
Correlation coefficient (r)কোরিলেশন কোএফিশিয়েন্ট
দুটি সংখ্যার মধ্যে সরলরৈখিক সম্পর্ক কতটা শক্ত, তার −1 থেকে +1-এর একটি মাপ (Pearson-এর r); বাঁকা সম্পর্ক বা outlier এটি ঠিকমতো ধরে না।যেখানে শিখবেন: পর্ব ২৮পর্ব ৩৩
Correlation matrixকোরিলেশন ম্যাট্রিক্স
অনেকগুলো কলামের প্রতিটি জোড়ার correlation-এর বর্গাকার টেবিল; কর্ণে সব ১, আর টেবিলটি প্রতিসম।যেখানে শিখবেন: পর্ব ৩০পর্ব ৬৩
Cosine distanceকোসাইন ডিসট্যান্স
1 − cosine similarity; একই দিক হলে 0, উল্টো দিক হলে 2. গণিতের কঠোর অর্থে metric নয়, তবে কাছের-দূরের ক্রম সাজাতে কাজের।যেখানে শিখবেন: পর্ব ৩৩
Cosine similarityকোসাইন সিমিলারিটি
দুটি vector-এর মাঝের কোণের cosine, (a · b) / (‖a‖‖b‖); মান −1 থেকে 1, দৈর্ঘ্য বাদ দিয়ে শুধু দিকের মিল মাপে।যেখানে শিখবেন: পর্ব ৩৩পর্ব ৬৭পর্ব ৬৯
Cost matrixকস্ট ম্যাট্রিক্স
Confusion matrix-এর প্রতিটি ঘরের জন্য একটি দাম লেখা টেবিল: ভুয়া অর্ডার ছাড় পেলে কত টাকা ক্ষতি, সৎ গ্রাহক আটকালে কত।যেখানে শিখবেন: পর্ব ৬০পর্ব ৭৪
Covarianceকোভ্যারিয়েন্স
দুটি variable-এর গড় থেকে বিচ্যুতির গুণফলের গড়; চিহ্ন বলে একসঙ্গে বাড়ে না উল্টো দিকে যায়, কিন্তু মান এককের ওপর নির্ভর করে।যেখানে শিখবেন: পর্ব ৩৭পর্ব ৬৫
Covariate shiftকোভেরিয়েট শিফট
Distribution shift-এর একটি রূপ, যেখানে input-এর বণ্টন বদলায় কিন্তু input থেকে উত্তরের নিয়ম একই থাকে।যেখানে শিখবেন: পর্ব ০৬পর্ব ৭২পর্ব ৭৪
CP-SATসি-পি স্যাট
Google-এর open source OR-Tools-এর একটি constraint solver, যা constraint programming আর SAT solver-এর কৌশল মিলিয়ে কাজ করে।যেখানে শিখবেন: পর্ব ৪৩
cp1252 (Windows-1252)সি-পি ১২৫২
পশ্চিম ইউরোপীয় ভাষার জন্য Windows-এর পুরোনো এক-byte encoding; এতে বাংলা নেই, তাই UTF-8 বাংলা এতে পড়লে mojibake হয়।যেখানে শিখবেন: পর্ব ১০
cProfileসি-প্রোফাইল
Python-এর সঙ্গে আসা profiler, যা প্রতিটি function-এর call-সংখ্যা, নিজের সময় (tottime) আর ভেতরের সবকিছুসহ সময় (cumtime) দেখায়।যেখানে শিখবেন: পর্ব ১৯
CPT (conditional probability table)সিপিটি
একটি node-এর parent-দের প্রতিটি সম্ভাব্য মানের জোড়ার জন্য ওই node-এর প্রতিটি মানের সম্ভাবনার টেবিল; প্রতিটি সারির যোগফল ১।যেখানে শিখবেন: পর্ব ৫২
CPU cacheসিপিইউ ক্যাশ
প্রসেসরের গায়ে থাকা ছোট কিন্তু খুব দ্রুত মেমরি, যেখানে সম্প্রতি ব্যবহৃত বা পাশের ডেটা রাখা হয়, যাতে ধীর RAM-এ বারবার যেতে না হয়।যেখানে শিখবেন: পর্ব ১৯
CPythonসি-পাইথন
Python ভাষার মূল, অফিসিয়াল interpreter, যা C-তে লেখা। python.org থেকে যা নামান আর uv যা নামায়, দুটোই CPython; wheel-এর নামে cp মানে CPython.যেখানে শিখবেন: পর্ব ০৭
Credible intervalক্রেডিবল ইন্টারভ্যাল
Posterior distribution-এর একটি পরিসর, যার মধ্যে মডেল আর prior অনুযায়ী parameter থাকার সম্ভাবনা নির্দিষ্ট মাত্রার, যেমন ৯৫%; confidence interval-এর থেকে অর্থে আলাদা।যেখানে শিখবেন: পর্ব ৫০
CRISP-DMক্রিস্প-ডি-এম
Cross-Industry Standard Process for Data Mining: ব্যবসা বোঝা, ডেটা বোঝা, ডেটা প্রস্তুতি, modeling, মূল্যায়ন আর deployment, এই ছয় ধাপের একটি পুরোনো ও বহুল পরিচিত কাজের কাঠামো।যেখানে শিখবেন: পর্ব ৭৪
Cromwell's ruleক্রমওয়েলস রুল
যুক্তিগতভাবে অসম্ভব বা নিশ্চিত না হলে কোনো অনুমানকে prior-এ ঠিক ০ বা ১ না দেওয়ার পরামর্শ, কারণ তখন কোনো প্রমাণই সেই বিশ্বাস বদলাতে পারে না।যেখানে শিখবেন: পর্ব ৫০
Cross joinক্রস জয়েন
কোনো key ছাড়া বাঁয়ের প্রতিটি সারির সঙ্গে ডানের প্রতিটি সারি জোড়া; m আর n সারি থেকে m × n সারি হয়।যেখানে শিখবেন: পর্ব ২৫
Cross-entropyক্রস-এনট্রপি
আসল distribution p থেকে আসা ঘটনাগুলোকে মডেল q-এর সম্ভাবনায় লিখলে গড় খরচ; সূত্র −∑ p log q, যা কখনো H(p)-এর চেয়ে কম হয় না।যেখানে শিখবেন: পর্ব ৩৮পর্ব ৫৯পর্ব ৬৮
Cross-fittingক্রস-ফিটিং
train ডেটাকে কয়েকটি fold-এ ভাগ করে প্রতিটি fold-এর মান অন্য fold-গুলো থেকে শেখা হিসাবে বসানো, যাতে কোনো সারি নিজের label দেখে নিজের feature না পায়; TargetEncoder-এর fit_transform এটি করে।যেখানে শিখবেন: পর্ব ৬৩
Cross-validationক্রস-ভ্যালিডেশন
ডেটাকে কয়েক ভাগে ভাগ করে প্রতিবার এক ভাগে পরীক্ষা আর বাকিগুলোয় train করা, তারপর সব score-এর গড় ও ছড়ানো দেখা; একটি ভাগের চেয়ে স্থির মাপ দেয়।যেখানে শিখবেন: পর্ব ৫৬পর্ব ৬১পর্ব ৬৪
Crossoverক্রসওভার
Genetic algorithm-এ দুই বাবা-মায়ের অংশ মিলিয়ে নতুন সন্তান-সমাধান বানানোর ধাপ।যেখানে শিখবেন: পর্ব ৪৪
Crosstab (contingency table)ক্রসট্যাব
দুটি শ্রেণিবাচক কলামের প্রতিটি জোড়া কতবার এসেছে, তার গোনার টেবিল; pandas-এ pd.crosstab.যেখানে শিখবেন: পর্ব ২৫পর্ব ৩৫
CSV (Comma-Separated Values)সি-এস-ভি
প্রতিটি লাইনে একটি সারি আর কমা দিয়ে আলাদা করা মান রাখার সরল text ফাইল; type লেখা থাকে না।যেখানে শিখবেন: পর্ব ১০
CUDAকুডা
NVIDIA GPU-তে সাধারণ হিসাব চালানোর প্ল্যাটফর্ম ও library-সংকলন। PyTorch-এর মতো library-র GPU-রূপ সাধারণত একটি নির্দিষ্ট CUDA version-এর জন্য build করা থাকে।যেখানে শিখবেন: পর্ব ০৭
Cumulative sum (cumsum)কিউমুলেটিভ সাম
চলতি যোগফল: প্রতিটি অবস্থানে শুরু থেকে সেই পর্যন্ত সব মানের যোগ।যেখানে শিখবেন: পর্ব ১৬পর্ব ১৯পর্ব ৩২
Curse of dimensionalityকার্স অব ডাইমেনশনালিটি
মাত্রা বাড়লে যে সমস্যাগুলো দেখা দেয় তার সাধারণ নাম: জায়গা বিশাল হয়ে ডেটা পাতলা হয়, আর এলোমেলো ডেটায় দূরত্বগুলো প্রায় সমান হয়ে আসে।যেখানে শিখবেন: পর্ব ৩৩পর্ব ৬৯
Cyclical encoding (sin/cos)সাইক্লিক্যাল এনকোডিং
ঘণ্টা, সপ্তাহের দিন বা মাসের মতো ঘুরে আসা মানকে একটি বৃত্তে বসিয়ে দুটি কলাম sin(2πx/P) আর cos(2πx/P) বানানো, যাতে ২৩টা আর ০টা পাশাপাশি থাকে।যেখানে শিখবেন: পর্ব ৬৩
Cythonসাইথন
Python-এর মতো দেখতে একটি ভাষা আর compiler, যা type লেখা কোডকে আগেভাগে C-তে অনুবাদ করে Python extension বানায়; NumPy আর scikit-learn-এর অনেক অংশ এতে লেখা।যেখানে শিখবেন: পর্ব ১৯

D

d-separationডি-সেপারেশন
DAG দেখে বলার নিয়ম যে কিছু চলক জানা থাকলে দুটি চলক conditionally independent কি না: তাদের মধ্যের প্রতিটি পথ বন্ধ হলে তারা d-separated.যেখানে শিখবেন: পর্ব ৫২
DAG (directed acyclic graph)ড্যাগ
যে graph-এর প্রতিটি edge-এর একটি দিক আছে, আর কোনো node থেকে তীর ধরে এগিয়ে আবার সেই node-এ ফেরা যায় না, অর্থাৎ কোনো চক্র নেই।যেখানে শিখবেন: পর্ব ৫২
Damping factorড্যাম্পিং ফ্যাক্টর
PageRank-এ link ধরে চলার সম্ভাবনা d (প্রায়ই 0.85); বাকি 1 − d সম্ভাবনায় surfer যেকোনো পাতায় লাফ দেন, ফলে chain ergodic হয়।যেখানে শিখবেন: পর্ব ৫৩
Dashboardড্যাশবোর্ড
কয়েকটি chart, সংখ্যা আর ছাঁকনি একসঙ্গে একটি পাতায়, যা নিয়মিত দেখে সিদ্ধান্ত নেওয়ার জন্য বানানো হয়।যেখানে শিখবেন: পর্ব ৩১
Data augmentationডেটা অগমেন্টেশন
বিদ্যমান উদাহরণ থেকে অর্থ না বদলে নতুন উদাহরণ বানানো, যেমন ছবি একটু ঘোরানো বা কাটা, যাতে মডেল বেশি বৈচিত্র্য দেখে।যেখানে শিখবেন: পর্ব ৬১
Data bufferডেটা বাফার
মেমরির একটি টানা অংশ, যেখানে array-র কাঁচা সংখ্যাগুলো পাশাপাশি বাইট হিসেবে রাখা থাকে; একাধিক array একই buffer ভাগ করে নিতে পারে।যেখানে শিখবেন: পর্ব ১৩
Data cleaningডেটা ক্লিনিং
কাঁচা ডেটার ফাঁকা মান, duplicate, ভুল type, এলোমেলো বানান আর অসম্ভব মান খুঁজে নিয়ম মেনে ঠিক করা বা চিহ্নিত করার কাজ, যাতে ডেটা বাস্তব ঘটনাকে সৎভাবে দেখায়।যেখানে শিখবেন: পর্ব ২৩পর্ব ৭৭
Data dictionaryডেটা ডিকশনারি
প্রতিটি কলামের অর্থ, একক, প্রত্যাশিত মান আর কখন জানা যায় তার লিখিত তালিকা; EDA আর leakage যাচাইয়ের ভিত্তি।যেখানে শিখবেন: পর্ব ৬২
Data driftডেটা ড্রিফট
সময়ের সঙ্গে input feature-এর বণ্টন training-এর সময়ের বণ্টন থেকে সরে যাওয়া, যেমন অর্ডারের দাম বেড়ে যাওয়া; label না জেনেই মাপা যায়।যেখানে শিখবেন: পর্ব ৭৪পর্ব ৭৬পর্ব ৭৭
Data leakage (target leakage)ডেটা লিকেজ
সিদ্ধান্তের মুহূর্তে অজানা বা target থেকে তৈরি তথ্য feature হিসেবে ঢুকে পড়া, যাতে test-এ ফল অবাস্তব রকম ভালো আসে।যেখানে শিখবেন: পর্ব ০৫পর্ব ০৮পর্ব ১১
Data minimisationডেটা মিনিমাইজেশন
কাজের জন্য যতটুকু ব্যক্তিগত তথ্য দরকার, তার বেশি সংগ্রহ বা সংরক্ষণ না করার নীতি।যেখানে শিখবেন: পর্ব ৭২পর্ব ৭৬পর্ব ৭৭
Data profilingডেটা প্রোফাইলিং
কিছু না বদলে ডেটার অবস্থা মাপা: সারির সংখ্যা, প্রতিটি কলামের dtype, ফাঁকা মানের সংখ্যা, duplicate আর আলাদা মানের তালিকা।যেখানে শিখবেন: পর্ব ২৩পর্ব ৬২
Data Scienceডেটা সায়েন্স
ডেটা জোগাড়, পরিষ্কার, বিশ্লেষণ, chart আর কখনো model দিয়ে প্রশ্নের উত্তর ও সিদ্ধান্তের ভিত্তি বের করার পুরো কাজ; AI আর statistics-এর সঙ্গে আংশিক মেশে।যেখানে শিখবেন: পর্ব ০৪
Data snoopingডেটা স্নুপিং
Test বা অন্য মূল্যায়নের ডেটা বারবার দেখে সিদ্ধান্ত নেওয়া, যাতে সেই ডেটা আর নিরপেক্ষ থাকে না আর score আশাবাদী হয়।যেখানে শিখবেন: পর্ব ৫৬
Data validationডেটা ভ্যালিডেশন
ডেটা নির্দিষ্ট নিয়ম মানছে কি না যাচাই করা, যেমন পরিমাণ ধনাত্মক, ID অনন্য, ফোন ১১ অঙ্কের; নিয়ম ভাঙলে কাজ থামানো বা সারি চিহ্নিত করা।যেখানে শিখবেন: পর্ব ২৩পর্ব ৪৭
Data versioningডেটা ভার্সনিং
Code-এর মতো ডেটারও প্রতিটি সংস্করণ চিহ্নিত করে রাখা, যাতে কোন ফল কোন ডেটা থেকে এসেছে তা পরে নিশ্চিতভাবে বলা যায়।যেখানে শিখবেন: পর্ব ১২পর্ব ৭৪পর্ব ৭৭
Data visualizationডেটা ভিজ্যুয়ালাইজেশন
ডেটাকে chart, মানচিত্র বা ছবিতে রূপ দেওয়া, যাতে আকৃতি, প্রবণতা আর ব্যতিক্রম চোখে দেখা যায়।যেখানে শিখবেন: পর্ব ২৯
Data-ink ratioডেটা-ইঙ্ক রেশিও
Tufte-এর একটি নকশা-নীতি: chart-এর মোট কালির কত অংশ আসলে ডেটা দেখায়। অনুপাত বাড়াতে ডেটা না দেখানো কালি যতটা সম্ভব বাদ দিতে বলা হয়।যেখানে শিখবেন: পর্ব ৩২
Database connectionডেটাবেস কানেকশন
প্রোগ্রাম আর ডেটাবেসের মধ্যে খোলা একটি যোগাযোগের পথ, যার মাধ্যমে query পাঠানো আর ফল আনা হয়; কাজ শেষে বন্ধ করতে হয়।যেখানে শিখবেন: পর্ব ২১
dataclassডেটাক্লাস
@dataclass লিখে বানানো class, যেখানে ঘরের নাম আর type hint থেকে Python নিজেই __init__, __repr__ আর __eq__ লিখে দেয়; স্থির রেকর্ডের পরিষ্কার ছাঁচ।যেখানে শিখবেন: পর্ব ০৯
DataFrameডেটাফ্রেম
pandas-এর 2-D টেবিল, যা একই index ভাগ করা কয়েকটি নামযুক্ত Series দিয়ে তৈরি; প্রতিটি কলামের নিজের dtype থাকে।যেখানে শিখবেন: পর্ব ২০পর্ব ২১পর্ব ২২
DataFrame.applyঅ্যাপ্লাই
pandas-এর method যা প্রতিটি সারি বা কলামের ওপর একটি Python function ডাকে; axis=1-এ প্রতিটি সারির জন্য আলাদা call হয়, তাই বড় টেবিলে ধীর।যেখানে শিখবেন: পর্ব ২৭
DataFrame.iterrowsইটাররোজ
pandas-এর method যা প্রতিটি সারিকে (index, Series) জোড়া হিসেবে একে একে দেয়; খুব ধীর, আর মিশ্র dtype-এর সারিতে মানের dtype বদলে যেতে পারে।যেখানে শিখবেন: পর্ব ২৭
DataFrame.query()কোয়েরি
শর্তকে একটি string হিসেবে লিখে সারি ছাঁকার pandas method, যেমন df.query("qty > @limit"); ভেতরে Python variable বোঝাতে নামের আগে @ লাগে।যেখানে শিখবেন: পর্ব ২২
Datalogডেটালগ
Function ছাড়া Horn clause-এর logic ভাষা, Prolog-এর একটি সীমিত রূপ, যেখানে প্রশ্নের উত্তর সবসময় থামে; database আর program analysis-এ ব্যবহার হয়।যেখানে শিখবেন: পর্ব ৪৬
Datasetডেটাসেট
শেখা বা মাপার জন্য জোগাড় করা উদাহরণের পুরো সংগ্রহ, সাধারণত একটি টেবিল যার প্রতিটি সারি একটি উদাহরণ।যেখানে শিখবেন: পর্ব ৫৫
Dataset cardডেটাসেট কার্ড
Hub-এ একটি dataset-এর README: উৎস, সংগ্রহের পদ্ধতি, ভাষা, label কীভাবে দেওয়া, licence, পরিচিত সীমা আর উদ্দিষ্ট ব্যবহার।যেখানে শিখবেন: পর্ব ৭১
Datasheet for datasetsডেটাশিট
Gebru ও সহকর্মীদের প্রস্তাবিত প্রশ্নমালা, যা একটি dataset কেন, কে, কীভাবে বানাল, কী আছে, কী নেই আর কীভাবে ব্যবহার করা উচিত নয় তা লিখে রাখতে বলে।যেখানে শিখবেন: পর্ব ৭১পর্ব ৭৯
Datasheet for datasetsডেটাশিট ফর ডেটাসেটস
একটি ডেটাসেটের উদ্দেশ্য, গঠন, সংগ্রহের পদ্ধতি, প্রক্রিয়াকরণ, ব্যবহার, বিতরণ আর রক্ষণাবেক্ষণ লিখে রাখার নথি; Gebru ও সহকর্মীদের প্রস্তাব।যেখানে শিখবেন: পর্ব ৭২পর্ব ৭৩পর্ব ৭৪
datetime64ডেটটাইম সিক্সটি-ফোর
NumPy আর pandas-এ তারিখ-সময়ের dtype, যা একটি নির্দিষ্ট এককে (যেমন us বা ns) সময়কে 64-বিট পূর্ণসংখ্যা হিসেবে রাখে; missing হলে NaT.যেখানে শিখবেন: পর্ব ২০
DatetimeIndexডেটটাইম ইনডেক্স
Timestamp দিয়ে তৈরি pandas index; এটি থাকলে তারিখ লিখেই সারি বাছাই, resample আর সময়ভিত্তিক rolling করা যায়।যেখানে শিখবেন: পর্ব ২৬
Daylight saving time (DST)ডেলাইট সেভিং টাইম
বছরের কিছু সময় ঘড়ি এক ঘণ্টা এগিয়ে রাখার ব্যবস্থা; এর ফলে কিছু ঘড়ির সময় একেবারে থাকে না, আর কিছু সময় দুবার আসে।যেখানে শিখবেন: পর্ব ২৬
DBSCANডিবিস্ক্যান
ঘনত্বভিত্তিক clustering: যথেষ্ট প্রতিবেশী আছে এমন বিন্দুগুলো জুড়ে দল বানায়, যেকোনো আকৃতির দল ধরতে পারে, আর একা পড়ে থাকা বিন্দুকে noise (label −১) বলে।যেখানে শিখবেন: পর্ব ৬৫পর্ব ৭৬পর্ব ৭৭
ddof (delta degrees of freedom)ডি-ডি-ও-এফ
var আর std-এ ভাগ হবে n − ddof দিয়ে; NumPy-র default 0, pandas-এর 1, আর নমুনা থেকে variance অনুমানে সাধারণত 1 দেওয়া হয়।যেখানে শিখবেন: পর্ব ১৬পর্ব ২০পর্ব ৭৬
De Morgan's lawsডি মরগানের সূত্র
¬(A ∧ B) ≡ ¬A ∨ ¬B আর ¬(A ∨ B) ≡ ¬A ∧ ¬B; ¬-কে বন্ধনীর ভেতরে নেওয়ার নিয়ম।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৭৫
decimal.Decimalডেসিমেল
দশমিক ভিত্তিতে হিসাব করা Python-এর সংখ্যা-ধরন, যাতে 0.1 ঠিক 0.1 থাকে আর rounding-এর নিয়ম স্পষ্ট করে বলা যায়; string থেকে বানাতে হয়।যেখানে শিখবেন: পর্ব ০৯
Decision boundaryডিসিশন বাউন্ডারি
Feature-এর জগতে যে রেখা বা তল একটি classifier-এর এক শ্রেণির অঞ্চলকে আরেক শ্রেণির অঞ্চল থেকে আলাদা করে।যেখানে শিখবেন: পর্ব ৫৫পর্ব ৫৭পর্ব ৫৯
Decision logডিসিশন লগ
প্রকল্পের বড় সিদ্ধান্তগুলো তারিখ, কারণ, বিকল্প আর কে নিলেন সহ লিখে রাখার খাতা, যাতে পরে কেউ বুঝতে পারেন কেন এমন করা হয়েছিল।যেখানে শিখবেন: পর্ব ৭৪পর্ব ৭৬
Decision nodeডিসিশন নোড
Decision tree-এর যে node-এ সিদ্ধান্তগ্রহীতা নিজে একটি শাখা বাছেন; এর মান শাখাগুলোর মানের মধ্যে সবচেয়ে বড়টি।যেখানে শিখবেন: পর্ব ৫৪
Decision tableডিসিশন টেবিল
শর্তের প্রতিটি মিশ্রণের জন্য একটি সারি আর তার সিদ্ধান্ত লেখা সারণি; নিয়ম পরিষ্কার দেখায়, ফাঁক আর বিরোধ সহজে ধরা পড়ে।যেখানে শিখবেন: পর্ব ৪৭
Decision treeডিসিশন ট্রি
একটির পর একটি প্রশ্ন করে ডেটাকে ভাগ করে সিদ্ধান্তে পৌঁছানো মডেল, যার প্রতিটি পাতায় একটি ভবিষ্যদ্বাণী থাকে।যেখানে শিখবেন: পর্ব ৩৮পর্ব ৬৩পর্ব ৬৬
Decision tree (decision analysis)ডিসিশন ট্রি
সিদ্ধান্ত বিশ্লেষণের গাছ, যেখানে decision node-এ নিজের পছন্দ আর chance node-এ অনিশ্চিত ঘটনা থাকে, আর পাতায় ফলের মান; machine learning-এর decision tree থেকে আলাদা।যেখানে শিখবেন: পর্ব ৫৪
Deep Learningডিপ লার্নিং
অনেক স্তরের neural network দিয়ে machine learning, যেখানে মাঝের স্তরগুলো কাঁচা ডেটা থেকে নিজেই কাজের feature শেখে। “Deep” মানে স্তরের সংখ্যা বেশি।যেখানে শিখবেন: পর্ব ০৪পর্ব ৭৭
Default argumentডিফল্ট আর্গুমেন্ট
Function-এর parameter-এর আগে থেকে দেওয়া মান, যা call-এর সময় না দিলে ব্যবহৃত হয়।যেখানে শিখবেন: পর্ব ০৯
Definite clauseডেফিনিট ক্লজ
ঠিক একটি positive literal-এর Horn clause, যাকে “যদি শর্তগুলো তাহলে ফল” রূপে পড়া যায়।যেখানে শিখবেন: পর্ব ৪৫
Degree heuristicডিগ্রি হিউরিস্টিক
MRV-তে সমান হলে সেই variable বাছা, যে সবচেয়ে বেশি খালি variable-এর সঙ্গে constraint-এ বাঁধা।যেখানে শিখবেন: পর্ব ৪৩
Degrees of freedom (df)ডিগ্রিজ অব ফ্রিডম
হিসাবে স্বাধীনভাবে বদলাতে পারে এমন মানের সংখ্যা; গড় থেকে বিচ্যুতির যোগফল শূন্য হতে হয় বলে n টি মানের variance-এ df = n − 1.যেখানে শিখবেন: পর্ব ৩৭
Delete listডিলিট লিস্ট
STRIPS action-এর যে fact-গুলো action-এর পর আর সত্য থাকে না, অর্থাৎ state থেকে মুছে যায়।যেখানে শিখবেন: পর্ব ৪৯
Delete relaxationডিলিট রিল্যাক্সেশন
সব action-এর delete list বাদ দিয়ে বানানো সহজ সমস্যা, যেখানে কোনো fact আর মিথ্যা হয় না; planning heuristic-এর প্রধান উৎস।যেখানে শিখবেন: পর্ব ৪৯
Delimiterডিলিমিটার
একটি সারির মানগুলো আলাদা করার চিহ্ন, যেমন কমা, সেমিকোলন বা tab.যেখানে শিখবেন: পর্ব ১০
Demographic parityডেমোগ্রাফিক প্যারিটি
Fairness-এর একটি সংজ্ঞা: সব দলের selection rate সমান; পার্থক্য (বড় − ছোট) বা অনুপাত (ছোট ÷ বড়) দিয়ে মাপা হয়।যেখানে শিখবেন: পর্ব ৭২পর্ব ৭৫পর্ব ৭৬
Dendrogramডেনড্রোগ্রাম
Hierarchical clustering-এর গাছের ছবি, যেখানে প্রতিটি জোড়া লাগার উচ্চতা তখনকার দুই দলের দূরত্ব; কোনো উচ্চতায় আড়াআড়ি কাটলে দল পাওয়া যায়।যেখানে শিখবেন: পর্ব ৬৫
Dense vectorডেন্স ভেক্টর
কম মাত্রার vector যার প্রায় সব ঘরে অশূন্য সংখ্যা থাকে; embedding সাধারণত এমন।যেখানে শিখবেন: পর্ব ৬৯পর্ব ৭৭পর্ব ৭৯
Dependencyডিপেন্ডেন্সি
আপনার প্রকল্প চলার জন্য যে বাইরের package লাগে। যেমন বাজারঘরের বিশ্লেষণ-প্রকল্পের dependency হলো numpy, pandas আর scikit-learn.যেখানে শিখবেন: পর্ব ০৭পর্ব ১২
Dependency resolverডিপেন্ডেন্সি রিজলভার
ইনস্টলারের যে অংশ সব package-এর version-শর্ত একসাথে মিলিয়ে এমন একটি version-সেট খোঁজে, যা সবার শর্ত পূরণ করে। মিল না পেলে কারণসহ error দেয়।যেখানে শিখবেন: পর্ব ০৭
Deploymentডিপ্লয়মেন্ট
শেখা model-কে আসল ব্যবস্থায় বসানো, যাতে অ্যাপ বা সফটওয়্যার নতুন ইনপুটে তার অনুমান ব্যবহার করতে পারে।যেখানে শিখবেন: পর্ব ৫৫পর্ব ৭৪
Derivativeডেরিভেটিভ
একটি function-এর কোনো বিন্দুতে বদলের তাৎক্ষণিক হার, মানে সেই বিন্দুতে curve-এর ঢাল; f′(x) বা df/dx লেখা হয়।যেখানে শিখবেন: পর্ব ৩৪
Description logicডেসক্রিপশন লজিক
Concept আর role দিয়ে লেখা FOL-এর সীমিত, সাধারণত decidable অংশ; OWL ontology ভাষার ভিত্তি।যেখানে শিখবেন: পর্ব ৪৬
Descriptive statisticsডেসক্রিপটিভ স্ট্যাটিস্টিক্স
ডেটার সংক্ষিপ্ত মাপ, যেমন গণনা, গড়, standard deviation, ন্যূনতম, quartile আর সর্বোচ্চ, যা ডেটার আকার বুঝতে সাহায্য করে।যেখানে শিখবেন: পর্ব ২০
Deserializationডিসিরিয়ালাইজেশন
ফাইল বা নেটওয়ার্ক থেকে আসা বাইট থেকে আবার বস্তু বানানো; অবিশ্বস্ত ইনপুটে এটি কোড চালানোর ঝুঁকি আনতে পারে।যেখানে শিখবেন: পর্ব ৬৪পর্ব ৭১
Design matrix (X)ডিজাইন ম্যাট্রিক্স
সব উদাহরণের feature vector সারি হিসেবে সাজানো matrix, আকার n × d; n উদাহরণের সংখ্যা আর d feature-এর সংখ্যা। সঙ্গে n দৈর্ঘ্যের label vector y থাকে।যেখানে শিখবেন: পর্ব ৫৫পর্ব ৫৮
Determinantডিটারমিন্যান্ট
একটি বর্গাকার matrix থেকে পাওয়া একটি সংখ্যা, যা শূন্য হলে matrix-এর inverse নেই; কম্পিউটারে matrix কতটা ভালো-আচরণের তা বোঝার জন্য এটি দুর্বল মাপ, condition number ভালো।যেখানে শিখবেন: পর্ব ১৭
Determinismডিটারমিনিজম
একই input দিলে প্রতিবার হুবহু একই output আসার গুণ; seed না দেওয়া random কাজ বা কিছু GPU গণনা এই গুণ ভাঙতে পারে।
Deterministicডিটারমিনিস্টিক
যে পরিবেশে বর্তমান অবস্থা আর agent-এর কাজ জানলে পরের অবস্থা নিশ্চিতভাবে বলা যায়।যেখানে শিখবেন: পর্ব ০১পর্ব ৩৯পর্ব ৪২
Dialectডায়ালেক্ট (আঞ্চলিক ভাষা)
একটি ভাষার আঞ্চলিক রূপ, যার শব্দ, উচ্চারণ ও বানান প্রমিত রূপ থেকে আলাদা হতে পারে, যেমন চট্টগ্রাম বা সিলেটের বাংলা।যেখানে শিখবেন: পর্ব ৬৭
dict (dictionary)ডিক্ট
Python-এর একটি সংগ্রহ, যেখানে প্রতিটি মান একটি নাম বা চাবি (key) দিয়ে রাখা আর খোঁজা হয়, অবস্থান দিয়ে নয়। ডেটার একটি রেকর্ড রাখার স্বাভাবিক রূপ।যেখানে শিখবেন: পর্ব ০৯পর্ব ২০পর্ব ৭৮
Dictionary encodingডিকশনারি এনকোডিং
একটি কলামের প্রতিটি আলাদা মান একবার একটি তালিকায় রেখে প্রতিটি সারিতে শুধু ছোট code লেখার কৌশল।যেখানে শিখবেন: পর্ব ১০পর্ব ২৭
Differential evolutionডিফারেনশিয়াল ইভোলিউশন
Storn আর Price-এর ১৯৯৭ সালে প্রকাশিত population-ভিত্তিক global optimisation পদ্ধতি, যা সদস্যদের পার্থক্য দিয়ে নতুন প্রার্থী বানায়; SciPy-তে differential_evolution নামে আছে।যেখানে শিখবেন: পর্ব ৪৪
Differential privacyডিফারেনশিয়াল প্রাইভেসি
হিসাব করা শব্দ মিশিয়ে ফল প্রকাশের এমন পদ্ধতি, যাতে কোনো একজন মানুষ ডেটায় থাকুন বা না থাকুন, ফলের বণ্টন প্রায় একই থাকে; Dwork ও সহকর্মীদের ২০০৬ সালের কাজ থেকে।যেখানে শিখবেন: পর্ব ৭২পর্ব ৭৬পর্ব ৭৭
Diffusion Modelডিফিউশন মডেল
যে generative model এলোমেলো noise থেকে শুরু করে ধাপে ধাপে noise সরিয়ে ছবি বা শব্দ তৈরি করতে শেখে।যেখানে শিখবেন: পর্ব ০৪
Dijkstra's algorithmডাইকস্ট্রা অ্যালগরিদম
ঋণাত্মক নয় এমন ওজনের graph-এ একটি উৎস থেকে সব node-এর সবচেয়ে ছোট দূরত্ব বের করার অ্যালগরিদম, Edsger Dijkstra ১৯৫৯ সালে প্রকাশ করেন।যেখানে শিখবেন: পর্ব ৪০
Dimensionality reductionডাইমেনশনালিটি রিডাকশন
অনেক কলামের ডেটাকে যতটা সম্ভব তথ্য রেখে কম কলামে আনা, ছবি আঁকা বা পরের মডেলের জন্য।যেখানে শিখবেন: পর্ব ০৫পর্ব ৫৫পর্ব ৬৫
Direct labelingডিরেক্ট লেবেলিং
Legend-এর বদলে রেখা, bar বা বিন্দুর ঠিক পাশেই নাম বা মান লিখে দেওয়া, যাতে রং মিলিয়ে খুঁজতে না হয়।যেখানে শিখবেন: পর্ব ৩২
Discount factor (γ)ডিসকাউন্ট ফ্যাক্টর
০ থেকে ১-এর একটি সংখ্যা γ, যা দিয়ে t ধাপ পরের reward-কে γ^t গুণ করা হয়; ছোট γ মানে ভবিষ্যতের reward-এর গুরুত্ব কম।যেখানে শিখবেন: পর্ব ৫৪পর্ব ৭৬পর্ব ৭৭
Discreteডিসক্রিট
যেখানে অবস্থা, সময় বা কাজ গোনা যায় এমন আলাদা আলাদা ধাপে ভাগ করা। উল্টোটি continuous.যেখানে শিখবেন: পর্ব ০১পর্ব ৩৯
Discrete dataডিসক্রিট ডেটা
গোনা যায় এমন আলাদা আলাদা মান, সাধারণত পূর্ণসংখ্যা, যেমন পণ্যের সংখ্যা বা পূর্ণ দিন।যেখানে শিখবেন: পর্ব ২৯পর্ব ৩৬
Discriminative Modelডিসক্রিমিনেটিভ মডেল
যে model সরাসরি P(y∣x) শেখে — ইনপুট দেখে লেবেলের সম্ভাবনা — আর শ্রেণিগুলোর মাঝের সীমারেখায় মনোযোগ দেয়। এটি নতুন ইনপুট তৈরি করতে পারে না।যেখানে শিখবেন: পর্ব ০৪পর্ব ৫১পর্ব ৭৬
Disjunction (∨)ডিসজাংশন
“অথবা”: A ∨ B সত্য যখন অন্তত একটি সত্য, দুটিই সত্য হলেও।যেখানে শিখবেন: পর্ব ৪৫
Disparate impact (four-fifths rule)ডিসপ্যারেট ইমপ্যাক্ট
নিয়ম সবার জন্য এক হলেও ফল একটি দলের জন্য অসমভাবে খারাপ হওয়া; যুক্তরাষ্ট্রের একটি নির্দেশিকায় selection rate-এর অনুপাত 0.8-এর কম হলে প্রাথমিক ইঙ্গিত ধরা হয়।যেখানে শিখবেন: পর্ব ৭২পর্ব ৭৬
Distance concentrationডিসট্যান্স কনসেনট্রেশন
অনেক মাত্রার এলোমেলো ডেটায় সবচেয়ে কাছের আর সবচেয়ে দূরের দূরত্ব আপেক্ষিকভাবে প্রায় সমান হয়ে আসার ঘটনা।যেখানে শিখবেন: পর্ব ৩৩
Distance matrixডিসট্যান্স ম্যাট্রিক্স
একটি টেবিল, যার সারি i আর কলাম j-এর ঘরে বিন্দু i থেকে বিন্দু j-এর দূরত্ব; কর্ণে শূন্য আর সমমিত।যেখানে শিখবেন: পর্ব ১৫পর্ব ৫৭পর্ব ৭৮
Distance-weighted votingডিসট্যান্স-ওয়েটেড ভোটিং
k-NN-এর এমন ভোট যেখানে প্রতিটি প্রতিবেশীর ভোটের ওজন তার দূরত্বের উল্টো, সাধারণত w = 1/d, তাই কাছের প্রতিবেশীর প্রভাব বেশি।যেখানে শিখবেন: পর্ব ৫৭পর্ব ৭৫
Distributionডিস্ট্রিবিউশন
একটি চলকের কোন মান কতবার বা কত ঘনভাবে আসে তার পুরো চিত্র; কোথায় ঘন, কোথায় পাতলা, কত দূর ছড়ানো।যেখানে শিখবেন: পর্ব ২৯পর্ব ৩৬পর্ব ৭০
Distribution shiftডিস্ট্রিবিউশন শিফট
ব্যবহারের সময়ের ডেটা training ডেটা থেকে আলাদা ধরনের হয়ে যাওয়া, যেমন গ্রাহকেরা নতুন ভাষায় লিখতে শুরু করলে।যেখানে শিখবেন: পর্ব ০৩পর্ব ০৬পর্ব ৫৪
Distributional hypothesisডিস্ট্রিবিউশনাল হাইপোথিসিস
ভাষাতত্ত্বের একটি ধারণা: যে শব্দগুলো একই রকম প্রসঙ্গে বসে, তাদের অর্থও প্রায়ই কাছাকাছি।যেখানে শিখবেন: পর্ব ৬৯
Diverging paletteডাইভার্জিং প্যালেট
মাঝে একটি নিরপেক্ষ হালকা রং আর দুই দিকে দুটি আলাদা রঙের ধারা; যে ডেটার একটি অর্থপূর্ণ মাঝবিন্দু (যেমন ০) আছে, তার জন্য।যেখানে শিখবেন: পর্ব ৩০পর্ব ৭৬
do-operator (intervention)ডু অপারেটর
do(X = x) মানে X-এর মান বাইরে থেকে জোর করে বসানো, শুধু দেখা নয়; Judea Pearl-এর causal inference-এ P(Y ∣ do(X)) আর P(Y ∣ X) সাধারণত আলাদা।যেখানে শিখবেন: পর্ব ৫২
Document frequency (df)ডকুমেন্ট ফ্রিকোয়েন্সি
সংগ্রহের কতগুলো লেখায় শব্দটি অন্তত একবার আছে; একই লেখায় দশবার থাকলেও গোনা একবার।যেখানে শিখবেন: পর্ব ৬৭
Domainডোমেইন
একটি variable কোন কোন মান নিতে পারে, তার সেট; search চলার সময় এই সেট ছোট হতে পারে।যেখানে শিখবেন: পর্ব ৪৩পর্ব ৭৭
Domain and rangeডোমেইন আর রেঞ্জ
একটি property-র দুই পাশের class: domain বলে subject কোন class-এর, range বলে object কোন class-এর, যেমন made_by-এর domain Product আর range Brand.যেখানে শিখবেন: পর্ব ৪৮
Domain of discourseডোমেইন অফ ডিসকোর্স
যে বস্তুগুলো নিয়ে কথা হচ্ছে তাদের অশূন্য সেট; ∀ আর ∃ এই সেটের ওপরই চলে।যেখানে শিখবেন: পর্ব ৪৬
Domain shiftডোমেইন শিফট
Model যে ধরনের লেখায় শিখেছে (যেমন ইংরেজি tweet) আর আপনি যেখানে ব্যবহার করছেন (যেমন বাংলা-Banglish পণ্য-রিভিউ) তার মধ্যে পার্থক্য; এতে মান কমে যেতে পারে।যেখানে শিখবেন: পর্ব ৭১
Dot plotডট প্লট
প্রতিটি দলের জন্য একটি সারি আর মানের জায়গায় একটি বিন্দু; মান অবস্থান দিয়ে পড়া হয় বলে axis শূন্য থেকে শুরু না হলেও চলে।যেখানে শিখবেন: পর্ব ২৯
Dot productডট প্রোডাক্ট
একই দৈর্ঘ্যের দুটি vector-এর মিলে যাওয়া ঘরগুলো গুণ করে সব যোগ করা; ফল একটি সংখ্যা, NumPy-তে a @ b বা np.dot(a, b).যেখানে শিখবেন: পর্ব ১৭পর্ব ৩৩পর্ব ৫৭
Double descentডাবল ডিসেন্ট
কিছু পরিস্থিতিতে দেখা ঘটনা: জটিলতা বাড়াতে থাকলে test error কমে, ডেটা ঠিক মুখস্থ করার সীমার কাছে বাড়ে, তারপর আরও জটিল মডেলে আবার কমে।যেখানে শিখবেন: পর্ব ৬১
Downcastingডাউনকাস্টিং
একটি সংখ্যার কলামকে এমন সবচেয়ে ছোট dtype-এ নামানো যাতে তার সব মান ধরে, যেমন int64 থেকে int8; pandas-এ pd.to_numeric(downcast=...) দিয়ে করা হয়।যেখানে শিখবেন: পর্ব ২৭
Downsamplingডাউনস্যাম্পলিং
ছবির pixel-সংখ্যা কমিয়ে ছোট করা, যেমন প্রতি দুইটির একটি নেওয়া (striding) বা প্রতিটি ব্লকের গড় নেওয়া।যেখানে শিখবেন: পর্ব ১৮
DPI (dots per inch)ডিপিআই
প্রতি ইঞ্চিতে কতগুলো pixel; raster ছবির pixel সংখ্যা = figsize (ইঞ্চি) × dpi, যেমন 6 × 100 = 600 pixel চওড়া।যেখানে শিখবেন: পর্ব ২৮
DPLLডিপিএলএল
Davis, Putnam, Logemann আর Loveland-এর নামে SAT-এর backtracking অ্যালগরিদম, unit propagation আর pure literal কৌশলসহ।যেখানে শিখবেন: পর্ব ৪৫
Dropoutড্রপআউট
Neural network-এর training-এ প্রতি ধাপে কিছু neuron এলোমেলোভাবে বন্ধ রাখা, যাতে network কোনো একক পথের ওপর নির্ভর না করে।যেখানে শিখবেন: পর্ব ৬১পর্ব ৬৮
.dt accessorডট ডিটি অ্যাকসেসর
তারিখের Series-এর ওপর একটি দরজা, যা দিয়ে প্রতিটি সারির বছর, মাস, বার, ঘণ্টা ইত্যাদি একসঙ্গে বের করা যায়, যেমন s.dt.month.যেখানে শিখবেন: পর্ব ২৬
dtype (data type)ডি-টাইপ
NumPy array-র প্রতিটি ঘর কত বাইটের আর বিটগুলোকে কী হিসেবে পড়তে হবে (int8, int64, float32, bool ইত্যাদি) তার ঘোষণা; পুরো array-র জন্য একটিই।যেখানে শিখবেন: পর্ব ১৩পর্ব ১৪পর্ব ১৫
Dual axisডুয়াল অ্যাক্সিস
একই chart-এ বাঁয়ে আর ডানে দুটি আলাদা y-axis, প্রতিটির scale আলাদা।দুটি scale ইচ্ছামতো বাছাই করা যায় বলে সম্পর্কহীন রেখাকেও মিলে যেতে দেখানো যায়।যেখানে শিখবেন: পর্ব ৩২পর্ব ৭৬পর্ব ৭৭
dual_annealingডুয়াল অ্যানিলিং
SciPy-র global optimiser, যা simulated annealing-এর একটি সাধারণীকৃত রূপের সঙ্গে মাঝে মাঝে local search মেলায়; সীমার বাক্স দিতে হয়।যেখানে শিখবেন: পর্ব ৪৪
Duck typingডাক টাইপিং
বস্তুর ধরন নয়, তার কী কী method আছে তা দেখে ব্যবহার করার রীতি; fit আর predict থাকলেই scikit-learn যেকোনো বস্তুকে model হিসেবে চালাতে পারে।যেখানে শিখবেন: পর্ব ৬৪
DuckDBডাকডিবি
আলাদা server ছাড়া program-এর ভেতরে চলা একটি কলাম-ভিত্তিক বিশ্লেষণের database, যা CSV, Parquet ফাইল বা DataFrame-এর ওপর সরাসরি SQL চালায়।যেখানে শিখবেন: পর্ব ২৭
Dummy-variable trapডামি ভেরিয়েবল ট্র্যাপ
Intercept-এর সঙ্গে সব category-র dummy কলাম রাখলে তাদের যোগফল সব-1 কলামের সমান হয়ে নিখুঁত multicollinearity তৈরি হয়; সমাধান একটি category বাদ দেওয়া।যেখানে শিখবেন: পর্ব ৫৮পর্ব ৬৩
DummyClassifierডামি ক্লাসিফায়ার
scikit-learn-এর একটি baseline model যা feature না দেখে সহজ নিয়মে উত্তর দেয়, যেমন সবসময় সবচেয়ে বেশি দেখা শ্রেণি (strategy="most_frequent"). আসল model-কে অন্তত এটিকে হারাতে হবে।যেখানে শিখবেন: পর্ব ৬০পর্ব ৬৬পর্ব ৬৭
Duplicate rowডুপ্লিকেট রো
যে সারি আগের কোনো সারির পুনরাবৃত্তি, হয় সব কলামে হুবহু এক, নয়তো নির্দিষ্ট কলামে (যেমন order_id) এক; pandas-এ duplicated() দিয়ে ধরা হয়।যেখানে শিখবেন: পর্ব ২৩পর্ব ৫৬পর্ব ৭৩
DVC (Data Version Control)ডি-ভি-সি
Git-এর পাশে চলা একটি open-source টুল; বড় ডেটা ফাইল আলাদা storage-এ রাখে আর Git-এ শুধু তার hash-সহ একটি ছোট .dvc ফাইল রাখে।যেখানে শিখবেন: পর্ব ১২পর্ব ৭৬
Dynamic programmingডাইনামিক প্রোগ্রামিং
বড় সমস্যাকে ছোট, পরস্পর-জড়িত উপ-সমস্যায় ভেঙে প্রতিটির উত্তর একবার হিসাব করে জমা রাখা আর বারবার ব্যবহার করার কৌশল; Viterbi আর value iteration এর উদাহরণ।যেখানে শিখবেন: পর্ব ৭৭

E

Eager executionইগার এক্সিকিউশন
প্রতিটি নির্দেশ লেখার সঙ্গে সঙ্গে চালানোর পদ্ধতি, যেমন pandas বা Polars-এর read_csv; lazy পদ্ধতির উল্টো।যেখানে শিখবেন: পর্ব ২৭
Early stoppingআর্লি স্টপিং
Validation ডেটার loss আর না কমলে training আগেভাগে থামানো, যাতে মডেল train ডেটা মুখস্থ না করে।যেখানে শিখবেন: পর্ব ৩৪পর্ব ৬১পর্ব ৬৮
ECDFই-সি-ডি-এফ
empirical cumulative distribution function; প্রতিটি মান x-এর জন্য x বা তার কম মানের অংশ কত, তা আঁকে, কোনো bin ছাড়াই।যেখানে শিখবেন: পর্ব ২৯পর্ব ৩০পর্ব ৩৬
EDA logই-ডি-এ লগ
EDA-র সময় প্রতিটি প্রশ্ন, তার প্রমাণ (সংখ্যা বা chart) আর নেওয়া সিদ্ধান্তের লিখিত তালিকা, নেতিবাচক ফলসহ।যেখানে শিখবেন: পর্ব ৬২
Edge detectionএজ ডিটেকশন
ছবির যেখানে উজ্জ্বলতা হঠাৎ বদলায়, সেই কিনারাগুলো খুঁজে বের করা; Sobel-এর মতো kernel দিয়ে করা যায়।যেখানে শিখবেন: পর্ব ১৮
Effect sizeএফেক্ট সাইজ
পার্থক্য বা প্রভাব আসলে কত বড়, তার মাপ, যেমন দুই গড়ের পার্থক্য দিনে, বা SD-এর এককে Cohen's d; নমুনার আকারে p-value-এর মতো বদলায় না।যেখানে শিখবেন: পর্ব ৩৭
Effective branching factor (b*)ইফেক্টিভ ব্রাঞ্চিং ফ্যাক্টর
যে b-এর একটি সুষম গাছ সমাধানের গভীরতা d-তে search-এর দেখা N সংখ্যক node (আর মূলসহ N + 1) রাখত; 1-এর যত কাছে, heuristic তত কার্যকর।যেখানে শিখবেন: পর্ব ৪১
Eigenvalue / eigenvectorআইগেনভ্যালু
যে vector-কে একটি matrix দিয়ে গুণ করলে শুধু লম্বা বা খাটো হয়, দিক বদলায় না, তা eigenvector, আর সেই গুণিতক সংখ্যাটি eigenvalue; PCA-র মূল ধারণা।যেখানে শিখবেন: পর্ব ১৭পর্ব ৫৩পর্ব ৬৫
Elastic netইলাস্টিক নেট
L1 আর L2 দুই শাস্তি একসঙ্গে; lasso-র মতো শূন্য বানায়, আবার পরস্পর সম্পর্কিত feature-কে ridge-এর মতো একসঙ্গে রাখতে পারে।যেখানে শিখবেন: পর্ব ৬১
Elbow methodএলবো মেথড
বিভিন্ন k-এ inertia এঁকে যেখানে কমার গতি হঠাৎ ধীর হয় (কনুইয়ের মতো বাঁক), সেই k বাছার চোখে-দেখা নিয়ম।যেখানে শিখবেন: পর্ব ৬৫
Element-wise operationএলিমেন্ট-ওয়াইজ অপারেশন
দুটি array-র একই অবস্থানের উপাদান জোড়ায় জোড়ায় নিয়ে হিসাব, যেমন a + b-তে প্রথমটির সঙ্গে প্রথমটি, দ্বিতীয়টির সঙ্গে দ্বিতীয়টি।যেখানে শিখবেন: পর্ব ১৫পর্ব ১৭
Elitismএলিটিজম
প্রতি প্রজন্মের সেরা এক বা কয়েকটি সমাধানকে অক্ষত পরের প্রজন্মে পাঠানো, যাতে সেরা উত্তর হারিয়ে না যায়।যেখানে শিখবেন: পর্ব ৪৪
ELIZA effectএলাইজা এফেক্ট
সরল প্রোগ্রামের আচরণে মানুষের মতো বোঝাপড়া বা আবেগ আরোপ করার প্রবণতা; নামটি ১৯৬৬ সালের ELIZA প্রোগ্রাম থেকে।যেখানে শিখবেন: পর্ব ০২
Ellipsis (...)এলিপসিস
NumPy indexing-এ তিন ডট (...), যার মানে বাকি যত দিক আছে সবগুলো পুরো নেওয়া; যেমন ছবির array-তে img[..., 0] মানে সব pixel-এর প্রথম channel.যেখানে শিখবেন: পর্ব ১৪
Embeddingএমবেডিং
শব্দ, পণ্য বা লেখার মতো জিনিসকে একটি নির্দিষ্ট মাত্রার সংখ্যার vector দেওয়া, যাতে অর্থে কাছাকাছি জিনিস vector-এও কাছাকাছি থাকে; সাধারণত মডেল ডেটা থেকে শেখে।যেখানে শিখবেন: পর্ব ৩৩পর্ব ৬৯পর্ব ৭০
Embedding driftএমবেডিং ড্রিফট
Model, version বা ডেটা বদলালে একই লেখার vector বদলে যাওয়া; পুরোনো index-এর সঙ্গে নতুন query আর মেলে না।যেখানে শিখবেন: পর্ব ৬৯
Embedding inversionএমবেডিং ইনভার্শন
শুধু embedding থেকে মূল লেখা বা তার অংশ আন্দাজ করে ফিরিয়ে আনার চেষ্টা; গবেষণায় দেখানো একটি গোপনীয়তা-ঝুঁকি।যেখানে শিখবেন: পর্ব ৬৯
Emission probabilityএমিশন প্রোবাবিলিটি
HMM-এ একটি লুকানো অবস্থায় থাকলে একটি নির্দিষ্ট ফল দেখার সম্ভাবনা, P(দেখা ফল | লুকানো অবস্থা)।যেখানে শিখবেন: পর্ব ৫৩পর্ব ৭৭
Empty clauseএম্পটি ক্লজ
কোনো literal নেই এমন clause, যা কোনো model-এ সত্য হয় না; পাওয়া মানে clause-গুলো একসঙ্গে অসম্ভব।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৭৫
Ensemble learningএনসেম্বল লার্নিং
অনেকগুলো model-এর অনুমান মিলিয়ে একটি সিদ্ধান্ত নেওয়া, যেমন গড়, ভোট বা ধাপে ধাপে যোগ; random forest আর boosting এর উদাহরণ।যেখানে শিখবেন: পর্ব ৬৬পর্ব ৭৭
Entailment (⊨)এনটেইলমেন্ট
KB ⊨ α মানে KB-র সব বাক্য যে প্রতিটি model-এ সত্য, সেখানে α-ও সত্য; KB থেকে α নিশ্চিতভাবে বেরিয়ে আসে।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৪৬পর্ব ৭৬
Entityএনটিটি
Knowledge graph-এর একটি বস্তু বা ধারণা, যেমন একটি পণ্য, গ্রাহক, ব্র্যান্ড বা জেলা; graph-এ এটি একটি node.যেখানে শিখবেন: পর্ব ৪৮
Entity resolutionএনটিটি রেজোলিউশন
একই বাস্তব বস্তুর ভিন্ন ভিন্ন লেখা (বানান, ভাষা, উৎস) খুঁজে এক entity-তে মেলানো; record linkage বা deduplication নামেও পরিচিত।যেখানে শিখবেন: পর্ব ৪৮
Entropy (Shannon entropy)এনট্রপি
একটি distribution-এর গড় surprise, H = −∑ p log p; সব ফল সমান হলে সর্বোচ্চ, একটি ফল নিশ্চিত হলে শূন্য।যেখানে শিখবেন: পর্ব ৩৮পর্ব ৭৫পর্ব ৭৬
Environmentএনভায়রনমেন্ট
Agent যে জগতে কাজ করে, যেমন একটি মোড়, একটি inbox বা একটি দাবার বোর্ড।যেখানে শিখবেন: পর্ব ০১পর্ব ৩৯
Episodicএপিসোডিক
যে পরিবেশে প্রতিটি সিদ্ধান্ত আলাদা, আগের সিদ্ধান্ত পরেরটিকে প্রভাবিত করে না। উল্টোটি sequential.যেখানে শিখবেন: পর্ব ০১
Epochইপক
প্রশিক্ষণের সময় পুরো training ডেটা একবার করে দেখা শেষ হওয়া।যেখানে শিখবেন: পর্ব ০২পর্ব ৩৪পর্ব ৬১
Equal opportunityইকুয়াল অপরচুনিটি
Fairness-এর একটি সংজ্ঞা: যাঁদের আসল ফল positive, তাঁদের মধ্যে positive সিদ্ধান্তের হার (TPR) সব দলে সমান; Hardt ও সহকর্মীদের ২০১৬ সালের প্রবন্ধ থেকে।যেখানে শিখবেন: পর্ব ৭২পর্ব ৭৫পর্ব ৭৬
Equalised oddsইকুয়ালাইজড অডস
Fairness-এর একটি সংজ্ঞা: TPR আর FPR দুটিই সব দলে সমান; equalized odds difference হলো দুই ফাঁকের বড়টি।যেখানে শিখবেন: পর্ব ৭২পর্ব ৭৬পর্ব ৭৯
Ergodic Markov chainআরগোডিক চেইন
যে chain-এ সব অবস্থা থেকে সব অবস্থায় পৌঁছানো যায় আর কোনো বাঁধা চক্র নেই; সসীম হলে তার stationary distribution একটিই, আর যেকোনো শুরু থেকে সেখানে পৌঁছায়।যেখানে শিখবেন: পর্ব ৫৩
Error analysisএরর অ্যানালাইসিস
Model-এর ভুল উদাহরণগুলো একে একে খুলে দেখা, কোন feature সিদ্ধান্ত টেনেছে আর কোন ধরনের ডেটায় ভুল বেশি, যাতে পরের উন্নতি অনুমানে নয়, প্রমাণে হয়।যেখানে শিখবেন: পর্ব ৬৭পর্ব ৭৩পর্ব ৭৬
Error barএরর বার
chart-এ একটি মানের চারপাশের দাগ, যা ছড়ানো (SD, percentile) বা অনুমানের অনিশ্চয়তা (SE, confidence interval) বোঝায়; কোনটি, তা লিখে দিতে হয়।যেখানে শিখবেন: পর্ব ৩০পর্ব ৩২
Estimator (scikit-learn)এস্টিমেটর
scikit-learn-এর যে বস্তু fit(X, y) দিয়ে ডেটা থেকে কিছু শেখে আর নিজেকেই ফেরত দেয়; imputer, scaler, model সবাই estimator.যেখানে শিখবেন: পর্ব ৬৪পর্ব ৬৬
Euclidean distanceইউক্লিডিয়ান ডিসট্যান্স
দুটি বিন্দুর মধ্যে সোজা লাইনের দূরত্ব, পার্থক্য-vector-এর L2 norm; পিথাগোরাসের উপপাদ্যের অনেক মাত্রার রূপ।যেখানে শিখবেন: পর্ব ১৭পর্ব ৩৩পর্ব ৪১
Evaluation functionইভ্যালুয়েশন ফাংশন
খেলা শেষ না হওয়া একটি অবস্থা কার পক্ষে কতটা ভালো, তার একটি আনুমানিক সংখ্যা; গভীরতার সীমায় থেমে আসল utility-র বদলে এটি ব্যবহার হয়।যেখানে শিখবেন: পর্ব ৪২পর্ব ৭৭
Eventইভেন্ট
Sample space-এর একটি উপসেট, অর্থাৎ কিছু outcome-এর দল, যেমন “জোড় সংখ্যা আসা” = {2, 4, 6}.যেখানে শিখবেন: পর্ব ৩৫
Evidence (marginal likelihood)মার্জিনাল লাইকলিহুড
সব অনুমান মিলিয়ে প্রমাণটি দেখার মোট সম্ভাবনা, P(E) = ∑ P(E | Hᵢ) P(Hᵢ); Bayes-এর সূত্রের হর, যা posterior-এর যোগফল ১ করে দেয়।যেখানে শিখবেন: পর্ব ৫০
Example (instance, sample)ইনস্ট্যান্স
Dataset-এর একটি সারি বা একটি একক জিনিস, যেমন একটি অর্ডার; এর feature আর থাকলে label একসঙ্গে একটি উদাহরণ।যেখানে শিখবেন: পর্ব ৫৫
Execution countএক্সিকিউশন কাউন্ট
Cell-এর বাঁ পাশের In [n] সংখ্যা; kernel চালু হওয়ার পর এটি কততম চালানো, তা জানায়। এটি cell-এর অবস্থান নয়, চালানোর ক্রম।যেখানে শিখবেন: পর্ব ০৮
Execution monitoringএক্সিকিউশন মনিটরিং
Plan চালানোর সময় প্রতিটি action-এর আগে আসল জগতে তার শর্ত আবার পরীক্ষা করা, যাতে জগৎ বদলালে তা ধরা পড়ে।যেখানে শিখবেন: পর্ব ৪৯
EXIF metadataএক্সিফ মেটাডেটা
ছবির ফাইলের ভেতরে রাখা বাড়তি তথ্য, যেমন তোলার সময়, ক্যামেরার মডেল আর কখনো GPS অবস্থান।যেখানে শিখবেন: পর্ব ১৮
Existential instantiationএক্সিস্টেনশিয়াল ইনস্ট্যানশিয়েশন
∃x α থেকে x-এর জায়গায় একটি একেবারে নতুন constant বসানোর নিয়ম, যা KB-তে আর কোথাও নেই।যেখানে শিখবেন: পর্ব ৪৬
Existential quantifier (∃)এক্সিস্টেনশিয়াল কোয়ান্টিফায়ার
∃x P(x) মানে domain-এ অন্তত একটি বস্তু আছে যার জন্য P সত্য; সাধারণত ∧ এর সঙ্গে বসে।যেখানে শিখবেন: পর্ব ৪৬
Expanding windowএক্সপ্যান্ডিং উইন্ডো
যে জানালা শুরু থেকে আজ পর্যন্ত সব মান নেয় আর প্রতিদিন বড় হয়; যেমন শুরু থেকে এখন পর্যন্ত গড়।যেখানে শিখবেন: পর্ব ২৬
Expectation–maximization (EM)এক্সপেক্টেশন-ম্যাক্সিমাইজেশন
লুকানো চলক থাকলে parameter শেখার পুনরাবৃত্তিমূলক পদ্ধতি: E-ধাপে লুকানো অংশের প্রত্যাশা, M-ধাপে সেই অনুযায়ী parameter; likelihood কমে না, তবে local maximum-এ আটকাতে পারে।যেখানে শিখবেন: পর্ব ৫৩
Expected costএক্সপেক্টেড কস্ট
প্রতিটি ভুলের দামকে তার সংখ্যা বা সম্ভাবনা দিয়ে গুণ করে যোগফল, যেমন C_FN × FN + C_FP × FP; threshold বাছার একটি ব্যবসায়িক মাপ।যেখানে শিখবেন: পর্ব ৬০পর্ব ৭৪
Expected utilityএক্সপেক্টেড ইউটিলিটি
প্রতিটি সম্ভাব্য ফলের utility-কে তার সম্ভাবনা দিয়ে গুণ করে যোগ করলে যে মান পাওয়া যায়।যেখানে শিখবেন: পর্ব ০১পর্ব ৫৪পর্ব ৫৯
Expected valueএক্সপেক্টেড ভ্যালু
প্রত্যাশিত মান E[X]: প্রতিটি মানকে তার সম্ভাবনা দিয়ে গুণ করে যোগফল, মানে দীর্ঘমেয়াদি ওজনসহ গড়।যেখানে শিখবেন: পর্ব ৩৬পর্ব ৪২পর্ব ৫৪
Expected value of perfect information (EVPI)ভ্যালু অফ পারফেক্ট ইনফরমেশন
অনিশ্চিত বিষয়টি আগে নিশ্চিত জানলে প্রত্যাশিত সেরা মান আর না জেনে সেরা মানের পার্থক্য; যেকোনো তথ্যের দামের ঊর্ধ্বসীমা।যেখানে শিখবেন: পর্ব ৫৪পর্ব ৭৫
Expectiminimaxএক্সপেক্টিমিনিম্যাক্স
দান বা ছক্কার মতো সম্ভাবনা থাকা খেলার জন্য minimax-এর রূপ: MAX আর MIN node-এর পাশাপাশি chance node থাকে, যার মান সন্তানদের মানের সম্ভাবনা-ওজনসহ গড়।যেখানে শিখবেন: পর্ব ৪২পর্ব ৭৭
Experiment trackingএক্সপেরিমেন্ট ট্র্যাকিং
প্রতিটি training run-এর parameter, ডেটার hash, code-এর version আর metric নিয়মিতভাবে লিখে রাখা, যাতে পরে তুলনা ও পুনরাবৃত্তি করা যায়।যেখানে শিখবেন: পর্ব ১২পর্ব ৭৪
Expert systemএক্সপার্ট সিস্টেম
একটি সরু বিষয়ের বিশেষজ্ঞ জ্ঞান “যদি … তাহলে …” নিয়ম হিসেবে লিখে রেখে সিদ্ধান্ত বা পরামর্শ দেওয়া প্রোগ্রাম; ১৯৮০-এর দশকে জনপ্রিয় ছিল।যেখানে শিখবেন: পর্ব ০২পর্ব ০৩পর্ব ৪৭
Explainabilityএক্সপ্লেইনেবিলিটি
একটি সিদ্ধান্ত কেন নেওয়া হলো তা মানুষের বোঝার মতো করে দেখাতে পারার ক্ষমতা।যেখানে শিখবেন: পর্ব ০৩পর্ব ৪৫পর্ব ৪৭
Explained variance ratioএক্সপ্লেইনড ভ্যারিয়েন্স রেশিও
একটি principal component মোট variance-এর কত ভাগ বহন করে; সব ভাগের যোগফল ১।যেখানে শিখবেন: পর্ব ৬৫পর্ব ৭৫পর্ব ৭৬
Explaining awayএক্সপ্লেইনিং অ্যাওয়ে
একটি সাধারণ ফল জানা থাকলে তার একটি কারণ সত্য জানা গেলে অন্য কারণের সম্ভাবনা কমে যাওয়া; collider-এ দেখা যায়।যেখানে শিখবেন: পর্ব ৫২পর্ব ৭৬
Explanation facilityএক্সপ্লানেশন ফ্যাসিলিটি
expert system-এর যে অংশ ব্যাখ্যা দেয়: কেন একটি প্রশ্ন করা হলো (why) আর কোন নিয়মের শিকল ধরে সিদ্ধান্তে পৌঁছানো গেল (how), দুটিই engine-এর trace থেকে আসে।যেখানে শিখবেন: পর্ব ৪৭
Exploration–exploitation trade-offএক্সপ্লোরেশন-এক্সপ্লয়টেশন ট্রেড-অফ
জানা ভালো বিকল্প বারবার নেওয়া (exploitation) আর কম জানা বিকল্প চেষ্টা করে দেখা (exploration)-এর মধ্যে ভারসাম্যের সমস্যা; MCTS আর reinforcement learning-এ এটি কেন্দ্রীয়।যেখানে শিখবেন: পর্ব ৪২পর্ব ৫৪পর্ব ৫৫
Exploratory data analysis (EDA)এক্সপ্লোরেটরি ডেটা অ্যানালাইসিস
Model বানানোর আগে প্রশ্ন, পরিসংখ্যান আর chart দিয়ে ডেটার গুণমান, গঠন আর সন্দেহজনক সংকেত চেনার কাজ; John Tukey নামটি জনপ্রিয় করেন।যেখানে শিখবেন: পর্ব ৬২পর্ব ৭৩পর্ব ৭৬
Explored setএক্সপ্লোরড সেট
যেসব state ইতিমধ্যে expand হয়েছে তাদের সেট; graph search এটি দিয়ে repeated state বাদ দেয়। অনেক বইয়ে reached set বা closed list বলা হয়।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৪০
Exponential distributionএক্সপোনেনশিয়াল ডিস্ট্রিবিউশন
হার λ-এর Poisson ঘটনার দুটির মাঝের অপেক্ষার সময়ের distribution; গড় 1/λ, আর scipy-তে scale = 1/λ.যেখানে শিখবেন: পর্ব ৩৬
Expression (Polars)এক্সপ্রেশন
Polars-এ কলামের ওপর একটি হিসাবের বর্ণনা, যেমন pl.col("qty") * pl.col("price_paisa"), যা Polars নিজে সমান্তরালে চালায়।যেখানে শিখবেন: পর্ব ২৭

F

F-beta scoreএফ-বিটা স্কোর
Precision আর recall-এর ওজন দেওয়া harmonic mean: (1 + β²)PR/(β²P + R). β > 1 হলে recall বেশি গুরুত্ব পায় (যেমন F2), β < 1 হলে precision.যেখানে শিখবেন: পর্ব ৬০
F1 scoreএফ-ওয়ান স্কোর
Precision আর recall-এর harmonic mean, অর্থাৎ 2PR/(P+R); দুটির যেকোনো একটি কম হলে F1-ও কমে যায়।যেখানে শিখবেন: পর্ব ১২পর্ব ৬০পর্ব ৬৭
Facet (small multiples)ফ্যাসেট
একটি কলামের প্রতিটি মানের জন্য একই ধরনের আলাদা ছোট chart, পাশাপাশি বা ওপর-নিচে সাজানো, যাতে সহজে তুলনা করা যায়।যেখানে শিখবেন: পর্ব ৩১
FacetGridফ্যাসেটগ্রিড
seaborn-এর একটি object, যা একটি Figure আর তার ছকে সাজানো অনেকগুলো Axes ধরে রাখে; প্রতিটি panel ডেটার একটি দলের একই রকম ছবি।যেখানে শিখবেন: পর্ব ৩০পর্ব ৭৬
Factored representationফ্যাক্টর্ড রিপ্রেজেন্টেশন
যেখানে একটি state কয়েকটি আলাদা fact বা চলকের মান দিয়ে লেখা হয়, যেমন rider(hub), bag(p1); ফলে অ্যালগরিদম state-এর ভেতরটা দেখতে পারে।যেখানে শিখবেন: পর্ব ৪৯
Factorial (n!)ফ্যাক্টোরিয়াল
১ থেকে n পর্যন্ত সব পূর্ণসংখ্যার গুণফল; n টি জিনিস সারিতে সাজানোর মোট উপায়। 0! = 1 ধরা হয়।যেখানে শিখবেন: পর্ব ৩৫পর্ব ৪২
Fairnessফেয়ারনেস
AI-এর সিদ্ধান্ত আর ভুল বিভিন্ন দলের মধ্যে কীভাবে ভাগ হচ্ছে এবং তা গ্রহণযোগ্য কি না — সেই প্রশ্ন ও তার মাপকাঠি।যেখানে শিখবেন: পর্ব ০৬পর্ব ৫৪পর্ব ৬০
FAISSফাইস
Dense vector-এ দ্রুত similarity search আর clustering-এর একটি খোলা library, যাতে flat, IVF, HNSW ইত্যাদি index আছে।যেখানে শিখবেন: পর্ব ৬৯
False negativeফলস নেগেটিভ
আসলে positive এমন উদাহরণকে negative বলা, যেমন একটি প্রতারণার SMS-কে আসল বার্তা বলে ছেড়ে দেওয়া।যেখানে শিখবেন: পর্ব ৫১পর্ব ৫৯পর্ব ৬০
False negative rate (FNR)ফলস নেগেটিভ রেট
আসলে positive এমন ঘটনার মধ্যে কত ভাগ model ধরতে পারেনি; FNR = FN ÷ (FN + TP).যেখানে শিখবেন: পর্ব ০৬পর্ব ৬০
False positiveফলস পজিটিভ
আসলে negative এমন উদাহরণকে positive বলা, যেমন একটি আসল অর্ডারের SMS-কে spam বলা।যেখানে শিখবেন: পর্ব ৫১পর্ব ৫৯পর্ব ৬০
False positive rate (FPR)ফলস পজিটিভ রেট
আসলে negative এমন ঘটনার মধ্যে কত ভাগকে model ভুল করে positive বলেছে; FPR = FP ÷ (FP + TN).যেখানে শিখবেন: পর্ব ০৬পর্ব ৩৫পর্ব ৬০
Fancy indexing (advanced indexing)ফ্যান্সি ইনডেক্সিং
integer-এর list বা array দিয়ে index করা, যেমন a[[3, 1]]; ইচ্ছামতো ক্রমে আর পুনরাবৃত্তিসহ বাছাই করা যায়, আর ফল সবসময় একটি copy.যেখানে শিখবেন: পর্ব ১৪পর্ব ৭৬পর্ব ৭৭
Featureফিচার
model-কে দেওয়া ইনপুটের একটি মাপ বা বৈশিষ্ট্য, যেমন ডেলিভারির দূরত্ব বা পার্সেলের ওজন। ডেটা টেবিলে সাধারণত একটি কলাম।যেখানে শিখবেন: পর্ব ০৩পর্ব ০৪পর্ব ০৫
Feature engineeringফিচার ইঞ্জিনিয়ারিং
কাঁচা কলাম থেকে model-এর কাজে লাগে এমন সংখ্যা বানানো: scaling, encoding, log, অনুপাত, সময়ের অংশ ইত্যাদি; যা কিছু ডেটা থেকে শেখে, তা শুধু train অংশে fit করতে হয়।যেখানে শিখবেন: পর্ব ৬৩
Feature extractionফিচার এক্সট্র্যাকশন
Pretrained model-কে না বদলিয়ে তার ভেতরের vector বের করে অন্য একটি ছোট model, যেমন logistic regression-এর feature হিসেবে ব্যবহার করা।যেখানে শিখবেন: পর্ব ৭১
Feature hashingফিচার হ্যাশিং
প্রতিটি category-কে একটি hash function দিয়ে নির্দিষ্ট সংখ্যক কলামের একটিতে পাঠানো; অভিধান রাখতে হয় না, নতুন মানও চলে, তবে কিছু আলাদা মান একই কলামে মিশে যায়।যেখানে শিখবেন: পর্ব ৬৩
Feature Learningফিচার লার্নিং
মানুষের হাতে feature না বানিয়ে model-কে কাঁচা ডেটা থেকেই কাজের feature শিখতে দেওয়া; deep learning-এর মূল শক্তি।যেখানে শিখবেন: পর্ব ০৪
Feature scalingফিচার স্কেলিং
বিভিন্ন একক বা পরিসরের কলামকে তুলনীয় মাপে আনা, যেমন standardization বা min-max scaling, যাতে একটি কলাম একাই দূরত্ব ঠিক না করে।যেখানে শিখবেন: পর্ব ৩৩পর্ব ৩৪পর্ব ৫৭
Feature selectionফিচার সিলেকশন
অনেক feature-এর মধ্যে থেকে কাজের কয়েকটি বাছাই করা, যেমন SelectKBest; এটি label দেখে বলে cross-validation-এর ভেতরে করতে হয়।যেখানে শিখবেন: পর্ব ৫৬পর্ব ৬১
Feature vectorফিচার ভেক্টর
একটি জিনিসের (ক্রেতা, পণ্য, ছবি) সব feature একই ক্রমে সাজানো একটি সংখ্যার সারি।যেখানে শিখবেন: পর্ব ৩৩পর্ব ৫১পর্ব ৫৫
FeatureUnionফিচার ইউনিয়ন
scikit-learn-এর একটি যন্ত্র, যা একই input-এ কয়েকটি transformer পাশাপাশি চালিয়ে তাদের ফল কলামে কলামে জুড়ে দেয়, যেমন শব্দ আর অক্ষরের TF-IDF একসঙ্গে।যেখানে শিখবেন: পর্ব ৭৩
Feed-forward network (MLP)ফিড-ফরওয়ার্ড নেটওয়ার্ক
Transformer block-এর যে অংশ প্রতিটি token-এর vector-কে আলাদাভাবে একটি ছোট দুই-স্তরের neural network দিয়ে বদলায়।যেখানে শিখবেন: পর্ব ৭০
Feedback loopফিডব্যাক লুপ
Model-এর সিদ্ধান্ত পরের training data তৈরি করে, আর সেই ডেটা আবার একই সিদ্ধান্তকে জোরালো করে — এমন চক্র।যেখানে শিখবেন: পর্ব ০৬পর্ব ৫৫পর্ব ৭২
Figureফিগার
matplotlib-এ পুরো ছবির ক্যানভাস; এর ভেতরে এক বা একাধিক Axes, শিরোনাম আর লেখা থাকে, আর savefig এটিকেই ফাইলে লেখে।যেখানে শিখবেন: পর্ব ২৮পর্ব ৭৬
Figure-level functionফিগার-লেভেল ফাংশন
যে seaborn function নিজেই নতুন Figure বানিয়ে col/row ধরে panel সাজায় আর FacetGrid ফেরত দেয়, যেমন displot, relplot, catplot; ax= উপেক্ষা করে।যেখানে শিখবেন: পর্ব ৩০পর্ব ৭৬
Filterফিল্টার
শর্ত মেনে কিছু সারি বা মান রেখে বাকিগুলো বাদ দেওয়ার কাজ।যেখানে শিখবেন: পর্ব ০৯পর্ব ২২
Fine-tuningফাইন-টিউনিং
আগে প্রশিক্ষিত model-কে তুলনামূলক ছোট, নির্দিষ্ট ডেটায় আরও প্রশিক্ষণ দিয়ে কোনো কাজ বা আচরণের জন্য মানিয়ে নেওয়া।যেখানে শিখবেন: পর্ব ০৪পর্ব ১২পর্ব ৭০
Finite differenceফাইনাইট ডিফারেন্স
খুব ছোট একটি ধাপ h নিয়ে (f(x+h) − f(x)) ÷ h ধরনের ভাগফল দিয়ে derivative-এর আনুমানিক মান বের করার পদ্ধতি।যেখানে শিখবেন: পর্ব ৩৪
First-choice hill climbingফার্স্ট-চয়েস হিল ক্লাইম্বিং
এলোমেলোভাবে একটি করে প্রতিবেশী বানিয়ে প্রথম যেটি বর্তমানের চেয়ে ভালো সেখানে যাওয়া; প্রতিবেশী খুব বেশি হলে সব মাপার চেয়ে সস্তা।যেখানে শিখবেন: পর্ব ৪৪
First-order logic (FOL)ফার্স্ট-অর্ডার লজিক
বস্তু, তাদের গুণ ও সম্পর্ক আর function দিয়ে জগৎ বর্ণনার logic, যেখানে ∀ আর ∃ quantifier শুধু বস্তুর ওপর বসে; predicate logic নামেও পরিচিত।যেখানে শিখবেন: পর্ব ৪৬পর্ব ৭৭
fit_transformফিট-ট্রান্সফর্ম
একই ডেটায় আগে শেখা (fit), তারপর সেই শেখা মান দিয়ে বদলানো (transform); শুধু train ডেটায় ব্যবহারের জন্য, নতুন ডেটায় শুধু transform.যেখানে শিখবেন: পর্ব ৬৪
Fitness functionফিটনেস ফাংশন
Genetic algorithm-এ প্রতিটি সমাধান কত ভালো তার মাপ, objective function-এরই আরেক নাম।যেখানে শিখবেন: পর্ব ৪৪পর্ব ৭৬
Fixpointফিক্সপয়েন্ট
নিয়ম বারবার চালাতে চালাতে যে অবস্থায় আর কোনো নতুন তথ্য আসে না; অনুমানের লুপ সেখানেই থামে।যেখানে শিখবেন: পর্ব ৪৮
float32 (single precision)ফ্লোট থার্টি-টু
৪ byte-এর দশমিক সংখ্যা, যার নির্ভুলতা প্রায় ৭টি অঙ্ক; float64-এর অর্ধেক মেমরি নেয়, কিন্তু লম্বা যোগফলে ভুল দ্রুত জমে।যেখানে শিখবেন: পর্ব ১৯পর্ব ৬৯পর্ব ৭১
Floating-point numberফ্লোটিং পয়েন্ট
দুইয়ের ভিত্তিতে সীমিত বিটে রাখা দশমিক সংখ্যা (Python-এর float); 0.1-এর মতো অনেক সংখ্যা ঠিকঠাক রাখা যায় না, শুধু খুব কাছের মান রাখা যায়।যেখানে শিখবেন: পর্ব ০৯পর্ব ১৩পর্ব ১৬
Floating-point underflowআন্ডারফ্লো
কোনো হিসাবের ফল এত ছোট যে float তা রাখতে পারে না, তাই চুপচাপ ০ হয়ে যায়; অনেক ছোট সম্ভাবনা গুণ করলে ঘটে, log নিয়ে যোগ করে এড়ানো হয়।যেখানে শিখবেন: পর্ব ৩৫পর্ব ৩৮পর্ব ৫১
Font fallbackফন্ট ফলব্যাক
প্রথম ফন্টে কোনো অক্ষর না থাকলে তালিকার পরের ফন্ট থেকে সেটি নেওয়া; matplotlib-এ font.family-তে একাধিক ফন্টের তালিকা দিয়ে চালু হয়।যেখানে শিখবেন: পর্ব ২৮
Forecastingফোরকাস্টিং
সময়ের ক্রমে থাকা অতীতের মান দেখে ভবিষ্যতের মান অনুমান করা, যেমন আগামী সপ্তাহের দৈনিক অর্ডার।যেখানে শিখবেন: পর্ব ০৫
Forward algorithmফরোয়ার্ড অ্যালগরিদম
HMM-এ একটি দেখা ক্রমের মোট সম্ভাবনা P(O) বের করার dynamic programming পদ্ধতি; প্রতিটি ধাপে আগের সব অবস্থা থেকে আসার সম্ভাবনা যোগ করে।যেখানে শিখবেন: পর্ব ৫৩পর্ব ৭৭
Forward chainingফরোয়ার্ড চেইনিং
জানা তথ্য থেকে শুরু করে যে নিয়মের সব শর্ত পূরণ হয় তার ফল যোগ করতে থাকা, যতক্ষণ নতুন কিছু আসে।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৪৬পর্ব ৪৭
Forward checkingফরওয়ার্ড চেকিং
একটি মান বসানোর পর তার খালি প্রতিবেশীদের domain থেকে অসঙ্গত মান মুছে ফেলা, আর কোনো domain খালি হলে তখনই পিছিয়ে আসা।যেখানে শিখবেন: পর্ব ৪৩পর্ব ৭৬
Forward fillফরোয়ার্ড ফিল
ফাঁকা ঘরে আগের জানা মানটি বসানো; তাপমাত্রা বা দামের মতো অবস্থার মাপে মানানসই, বিক্রির মতো গোনা সংখ্যায় সাধারণত নয়।যেখানে শিখবেন: পর্ব ২৬
Forward planningফরোয়ার্ড প্ল্যানিং
শুরুর state থেকে প্রয়োগযোগ্য action চালিয়ে সামনের দিকে লক্ষ্যের state খোঁজা; একে progression-ও বলে।যেখানে শিখবেন: পর্ব ৪৯
Foundation Modelফাউন্ডেশন মডেল
বিশাল ও বিচিত্র ডেটায় একবার প্রশিক্ষিত বড় model, যাকে পরে অনেক রকম কাজে খাপ খাওয়ানো যায়। শব্দটি ২০২১ সালে Stanford-এর গবেষকদের একটি প্রতিবেদন থেকে ছড়ায়।যেখানে শিখবেন: পর্ব ০৪পর্ব ৭৬
Frame (Minsky)ফ্রেম
একটি পরিস্থিতি বা বস্তুর ছাঁচ, যার ঘরগুলোতে (slot) মান বসে আর না জানা থাকলে ডিফল্ট মান ধরা হয়; Minsky ১৯৭৪ সালে এই ধারণা দেন।যেখানে শিখবেন: পর্ব ৪৮
Frame problemফ্রেম প্রবলেম
Logic দিয়ে action বর্ণনা করার সময় প্রতিটি action কী কী বদলায় না তা লিখতে হওয়ার সমস্যা; STRIPS ধরে নেয় তালিকায় না থাকা সব কিছু অপরিবর্তিত।যেখানে শিখবেন: পর্ব ৪৯পর্ব ৭৬পর্ব ৭৭
Free variableফ্রি ভেরিয়েবল
যে variable কোনো quantifier-এর আওতায় নেই; এমন variable থাকলে সূত্রটি পূর্ণ বাক্য নয়।যেখানে শিখবেন: পর্ব ৪৬
Freezing (layers)ফ্রিজিং
Fine-tuning-এর সময় pretrained অংশের ওজন না বদলিয়ে স্থির রাখা, শুধু নতুন বা শেষের কিছু অংশ শেখানো; PyTorch-এ requires_grad = False.যেখানে শিখবেন: পর্ব ৭১
Frequency aliasফ্রিকোয়েন্সি অ্যালিয়াস
pandas-এ সময়ের ধাপের সংক্ষিপ্ত নাম, যেমন D মানে দিন, W-SAT মানে শনিবারে শেষ হওয়া সপ্তাহ, ME মানে মাসের শেষ দিন।যেখানে শিখবেন: পর্ব ২৬
Frontierফ্রন্টিয়ার
তৈরি হয়েছে কিন্তু এখনো expand হয়নি এমন node-এর তালিকা; কোনটি আগে তোলা হবে, তা ঠিক করে কোন search algorithm চলছে।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৪০পর্ব ৪১
Fully observableফুলি অবজার্ভেবল
যে পরিবেশে agent প্রতিটি মুহূর্তে সিদ্ধান্তের জন্য দরকারি সব তথ্য দেখতে পায়। কিছু লুকানো থাকলে তা partially observable.যেখানে শিখবেন: পর্ব ০১পর্ব ৩৯পর্ব ৪২
Function symbolফাংশন সিম্বল
এমন প্রতীক যা এক বা একাধিক বস্তু নিয়ে ঠিক একটি বস্তু ফেরত দেয়, যেমন rider(x); ফল সত্য-মিথ্যা নয়, একটি বস্তু।যেখানে শিখবেন: পর্ব ৪৬
FunctionTransformerফাংশন ট্রান্সফর্মার
যেকোনো সাধারণ function (যেমন np.log1p) দিয়ে তৈরি transformer, যা ডেটা থেকে কিছু শেখে না, শুধু প্রতিটি মানে function প্রয়োগ করে।যেখানে শিখবেন: পর্ব ৬৪

G

Gambler's fallacyগ্যাম্বলার্স ফ্যালাসি
স্বাধীন ঘটনায় আগের ফলের ধারা দেখে পরের ফলের সম্ভাবনা বদলেছে ভাবার ভুল, যেমন পাঁচবার head-এর পর tail-এর “পালা” ধরা।যেখানে শিখবেন: পর্ব ৩৫
Game playingগেম প্লেয়িং
প্রতিপক্ষ আছে এমন পরিস্থিতিতে প্রতিটি অবস্থায় সেরা চাল খোঁজা, যেমন দাবা।যেখানে শিখবেন: পর্ব ০৫
Game treeগেম ট্রি
খেলার সব সম্ভাব্য চালের ক্রমকে গাছ আকারে সাজানো: root হলো শুরুর অবস্থা, প্রতিটি শাখা একটি চাল, আর leaf হলো খেলা শেষের অবস্থা, যেখানে ফল জানা।যেখানে শিখবেন: পর্ব ৪২
Garden of forking pathsগার্ডেন অফ ফর্কিং পাথস
Andrew Gelman আর Eric Loken-এর দেওয়া নাম: বিশ্লেষণের অনেক ছোট ছোট বাছাইয়ের পথ থেকে একটি বেছে নিলে কাকতালীয় ধরনও আবিষ্কারের মতো দেখায়।যেখানে শিখবেন: পর্ব ৬২
Gaussian eliminationগাউসিয়ান এলিমিনেশন
এক সমীকরণের গুণিতক আরেকটি থেকে বিয়োগ করে একটি একটি অজানা সরিয়ে ত্রিভুজাকার রূপে আনা, তারপর নিচ থেকে ওপরে বসিয়ে সমাধান করার পদ্ধতি।যেখানে শিখবেন: পর্ব ১৭
Generalised modus ponensজেনারেলাইজড মোডাস পোনেন্স
Unification-সহ modus ponens: তথ্যগুলো একটি নিয়মের শর্তের সঙ্গে একটি θ দিয়ে মিললে নিয়মের ফলে θ বসিয়ে সিদ্ধান্ত।যেখানে শিখবেন: পর্ব ৪৬
Generalizationজেনারালাইজেশন
Training-এ দেখা হয়নি এমন নতুন উদাহরণেও ঠিক উত্তর দিতে পারার ক্ষমতা।যেখানে শিখবেন: পর্ব ০৩পর্ব ৫৫পর্ব ৫৬
Generate-and-testজেনারেট-অ্যান্ড-টেস্ট
সব সম্ভাব্য complete assignment একে একে বানিয়ে প্রতিটি পরীক্ষা করার সরল পদ্ধতি; d^n মিশ্রণের জন্য খুব দ্রুত অসম্ভব হয়ে পড়ে।যেখানে শিখবেন: পর্ব ৪৩
Generationজেনারেশন
নতুন লেখা, ছবি বা শব্দ তৈরি করার সমস্যা; একটি প্রশ্নের অনেক ভালো উত্তর থাকতে পারে বলে মাপা কঠিন।যেখানে শিখবেন: পর্ব ০৫
Generative AIজেনারেটিভ এআই
যে AI ডেটার সম্ভাবনার গঠন শিখে নতুন লেখা, ছবি, শব্দ বা কোড তৈরি করে। আজ সাধারণত বড় neural model বোঝায়, যদিও generative model-এর ধারণা আরও পুরোনো।যেখানে শিখবেন: পর্ব ০৪পর্ব ৭৭
Generative Modelজেনারেটিভ মডেল
যে model ডেটা কীভাবে তৈরি হয় তার সম্ভাবনা শেখে, যেমন P(x∣y) আর P(y); তাই Bayes-এর নিয়মে লেবেলও বলতে পারে, আবার নতুন নমুনাও তৈরি করতে পারে।যেখানে শিখবেন: পর্ব ০৪পর্ব ৫১পর্ব ৭৭
Generatorজেনারেটর
yield দিয়ে একটি একটি মান দেওয়া function বা expression, যা পরের মান চাওয়া না হওয়া পর্যন্ত থেমে থাকে; সব মান একসঙ্গে মেমরিতে রাখে না আর একবারই হাঁটা যায়।যেখানে শিখবেন: পর্ব ০৯পর্ব ৭৬পর্ব ৭৮
Generator (NumPy)জেনারেটর
np.random.default_rng যে object দেয়; এর integers, random, normal, choice-এর মতো method দিয়ে random সংখ্যা তোলা হয়, আর একে argument হিসেবে পাঠানো যায়।যেখানে শিখবেন: পর্ব ১৬
Genetic algorithm (GA)জেনেটিক অ্যালগরিদম
প্রাকৃতিক নির্বাচনের অনুকরণে population-ভিত্তিক search: selection, crossover আর mutation দিয়ে প্রজন্মে প্রজন্মে সমাধান বদলায়; John Holland ১৯৭৫ সালে এর কাঠামো দেন।যেখানে শিখবেন: পর্ব ৪৪
Geometric distributionজিওমেট্রিক ডিস্ট্রিবিউশন
প্রথম হ্যাঁ আসতে কয়টি স্বাধীন পরীক্ষা লাগে, তার distribution; scipy-র সংজ্ঞায় গড় 1/p.যেখানে শিখবেন: পর্ব ৩৬
Gini impurityজিনি ইমপিউরিটি
একটি দলে শ্রেণিগুলো কতটা মেশানো তার মাপ, 1 − ∑p² সূত্রে; সব এক শ্রেণির হলে শূন্য, দুই শ্রেণি আধাআধি হলে ০.৫, আর decision tree এটি সবচেয়ে বেশি কমানো প্রশ্ন বাছে।যেখানে শিখবেন: পর্ব ৬৬
Gitগিট
ফাইলের প্রতিটি পরিবর্তনের ইতিহাস রাখার distributed version control টুল; কে কখন কী বদলেছে তা ফিরে দেখা আর আগের অবস্থায় ফেরা যায়।যেখানে শিখবেন: পর্ব ১২
Git LFS (Large File Storage)গিট এল-এফ-এস
Git-এর একটি extension, যা বড় ফাইলের জায়গায় repository-তে একটি ছোট pointer রাখে আর আসল ফাইল আলাদা LFS server-এ রাখে।যেখানে শিখবেন: পর্ব ১২
.gitignoreগিট-ইগনোর
যে ফাইল বা ফোল্ডার Git-এ তোলা হবে না, তার নিয়মের তালিকা রাখা একটি সাধারণ লেখার ফাইল।যেখানে শিখবেন: পর্ব ১২
Global constraintগ্লোবাল কনস্ট্রেইন্ট
অনেক variable একসঙ্গে জড়িত এমন নিয়ম, যেমন all-different; solver এর জন্য বিশেষ, শক্তিশালী ছাঁটাই চালাতে পারে।যেখানে শিখবেন: পর্ব ৪৩
Global maximumগ্লোবাল ম্যাক্সিমাম
পুরো state space-এ objective function-এর সবচেয়ে বড় মান যেখানে, অর্থাৎ আসল সেরা সমাধান।যেখানে শিখবেন: পর্ব ৪৪
Global minimumগ্লোবাল মিনিমাম
পুরো function-এর সবচেয়ে কম মানের বিন্দু।যেখানে শিখবেন: পর্ব ৩৪পর্ব ৪৪
Goal testগোল টেস্ট
একটি state লক্ষ্য কি না, তা বলার নিয়ম; একটি নির্দিষ্ট state-এর সঙ্গে তুলনা বা একটি শর্ত হতে পারে।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৪০
Goal-based agentগোল-বেসড এজেন্ট
যে agent একটি লক্ষ্য জানে আর ভবিষ্যৎ ভেবে এমন কাজের ধারাবাহিকতা খোঁজে, যা লক্ষ্যে পৌঁছায়।যেখানে শিখবেন: পর্ব ০১পর্ব ৩৯
Goal-count heuristicগোল-কাউন্ট হিউরিস্টিক
লক্ষ্যের কতগুলো fact এখনো সত্য নয় তা গোনা; খুব সস্তা কিন্তু দুর্বল অনুমান।যেখানে শিখবেন: পর্ব ৪৯
Goodhart's lawগুডহার্টের নিয়ম
যখন একটি মাপ লক্ষ্য হয়ে যায়, তখন সেটি আর ভালো মাপ থাকে না; অর্থনীতিবিদ Charles Goodhart-এর নামে।যেখানে শিখবেন: পর্ব ০৫পর্ব ১২পর্ব ৩৮
Google Colabগুগল কোল্যাব
Google-এর একটি অনলাইন notebook সেবা, যেখানে Google account দিয়ে ব্রাউজারেই notebook চালানো যায়; বিনামূল্যের অংশের সীমা সময়ের সঙ্গে বদলায়।যেখানে শিখবেন: পর্ব ০৮
GPU (Graphics Processing Unit)জিপিইউ
মূলত ছবি আঁকার জন্য তৈরি processor, যা একসঙ্গে হাজার হাজার সরল হিসাব করতে পারে; তাই neural network প্রশিক্ষণে খুব কাজে লাগে।যেখানে শিখবেন: পর্ব ০২পর্ব ০৪পর্ব ০৭
Gradientগ্রেডিয়েন্ট
সব partial derivative পাশাপাশি সাজানো vector, ∇L; এটি সবচেয়ে খাড়া চড়াইয়ের দিক দেখায়, আর এর দৈর্ঘ্য বলে ঢাল কত খাড়া।যেখানে শিখবেন: পর্ব ৩৪পর্ব ৭৬পর্ব ৭৭
Gradient boostingগ্রেডিয়েন্ট বুস্টিং
ছোট ছোট গাছ একটির পর একটি যোগ করার পদ্ধতি, যেখানে প্রতিটি নতুন গাছ এ পর্যন্ত মিলিত অনুমানের ভুলের দিক (loss-এর gradient) শেখে আর একটি ছোট ধাপে যোগ হয়।যেখানে শিখবেন: পর্ব ৬৬পর্ব ৭৭
Gradient checkingগ্রেডিয়েন্ট চেকিং
হাতে লেখা gradient-এর সূত্রকে finite difference দিয়ে পাওয়া সংখ্যার সঙ্গে মিলিয়ে বাগ ধরার অভ্যাস।যেখানে শিখবেন: পর্ব ৩৪পর্ব ৫৯পর্ব ৬৮
Gradient descentগ্রেডিয়েন্ট ডিসেন্ট
বারবার gradient-এর উল্টো দিকে ছোট পা ফেলে (w ← w − η·∇L) loss কমানোর পুনরাবৃত্তিমূলক পদ্ধতি।যেখানে শিখবেন: পর্ব ৩৪পর্ব ৪৪পর্ব ৬১
Grammar of graphicsগ্রামার অব গ্রাফিক্স
chart-কে ডেটা, চিহ্ন (বিন্দু, রেখা, bar), কোন কলাম কোন দৃশ্যমান গুণে আর স্কেলের মতো স্বাধীন অংশের সমাহার হিসেবে দেখার একটি পদ্ধতি।যেখানে শিখবেন: পর্ব ৩১
Graphগ্রাফ
কিছু node আর তাদের জোড়া দেওয়া edge-এর কাঠামো; edge-এ দিক বা ওজন থাকতে পারে।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৪৮পর্ব ৬৯
Graph colouringগ্রাফ কালারিং
একটি graph-এর node-গুলোতে এমনভাবে রং দেওয়া, যাতে রেখা দিয়ে যুক্ত দুটি node একই রং না পায়; মানচিত্রে রং আর সময়সূচি এর রূপ।যেখানে শিখবেন: পর্ব ৪৩
Graph Objects (go)গ্রাফ অবজেক্টস
Plotly-র নিচের স্তর, যেখানে go.Figure-এ প্রতিটি trace আর layout-এর অংশ হাতে যোগ করে সূক্ষ্মভাবে নিয়ন্ত্রণ করা যায়।যেখানে শিখবেন: পর্ব ৩১
Grapheme clusterগ্রাফিম ক্লাস্টার
চোখে একটি অক্ষর বলে দেখা একক, যা কয়েকটি code point দিয়ে তৈরি হতে পারে, যেমন বা (ব + া) বা ক্ষ (ক + ্ + ষ)।যেখানে শিখবেন: পর্ব ০৯পর্ব ৩৮পর্ব ৫১
Graphical perceptionগ্রাফিক্যাল পারসেপশন
chart থেকে মানুষ কত নির্ভুলভাবে মান পড়ে তার গবেষণা; Cleveland ও McGill-এর ক্রমে একই স্কেলে অবস্থান সবার ওপরে।যেখানে শিখবেন: পর্ব ২৯
Grayscaleগ্রে-স্কেল
যে ছবির প্রতিটি pixel-এ শুধু একটি উজ্জ্বলতার মান, কালো থেকে সাদা পর্যন্ত ধূসরের নানা ধাপ।যেখানে শিখবেন: পর্ব ১৮পর্ব ৭৬
Greedy decodingগ্রিডি ডিকোডিং
প্রতিটি ধাপে সবচেয়ে সম্ভাব্য token নেওয়া; একই prompt-এ সবসময় একই লেখা দেয়, কিন্তু প্রায়ই একঘেয়ে।যেখানে শিখবেন: পর্ব ৭০
Greedy policyগ্রিডি পলিসি
একটি value function থেকে পাওয়া policy, যা প্রতিটি state-এ সবচেয়ে বড় Q-value-এর action বাছে।যেখানে শিখবেন: পর্ব ৫৪
Ground atomগ্রাউন্ড অ্যাটম
একটি predicate যার প্রতিটি জায়গায় নির্দিষ্ট বস্তু বসানো, কোনো চলক নেই, যেমন at(p3,shimul); STRIPS state এমন fact-এর সেট।যেখানে শিখবেন: পর্ব ৪৯
Groundingগ্রাউন্ডিং
Action schema-র চলকগুলোতে সম্ভাব্য সব বস্তু বসিয়ে নির্দিষ্ট ground action-এর তালিকা তৈরি করা।যেখানে শিখবেন: পর্ব ৪৯
Group splitগ্রুপ স্প্লিট
একই group-এর (যেমন একই গ্রাহক বা রোগীর) সব সারি train বা test-এর এক দিকেই রাখা ভাগ; scikit-learn-এ GroupShuffleSplit আর GroupKFold.যেখানে শিখবেন: পর্ব ৫৬পর্ব ৭৮পর্ব ৭৯
groupbyগ্রুপ-বাই
pandas-এর method, যা এক বা একাধিক key কলামের মান ধরে সারিগুলোকে দলে ভাগ করে, যাতে প্রতিটি দলে আলাদা হিসাব (sum, mean, transform ইত্যাদি) চালানো যায়; SQL-এর GROUP BY-এর সমতুল্য।যেখানে শিখবেন: পর্ব ২৪পর্ব ২৮পর্ব ৭৫
GroupBy applyঅ্যাপ্লাই
প্রতিটি দলকে একটি যেকোনো Python function-এ দিয়ে ফল জোড়া লাগানোর সাধারণ পথ; সবচেয়ে নমনীয়, কিন্তু প্রতি দলে Python ডাকে বলে দল অনেক হলে ধীর।যেখানে শিখবেন: পর্ব ২৪
GroupBy filterফিল্টার
groupby-এর পর প্রতিটি দলে একটি শর্ত পরীক্ষা করে পুরো দলের সব সারি রাখা বা বাদ দেওয়া, যেমন শুধু অন্তত ৩টি অর্ডারের জেলাগুলো।যেখানে শিখবেন: পর্ব ২৪
GroupBy transformট্রান্সফর্ম
দলের ভেতরে হিসাব করে ফলটি দলের প্রতিটি সারিতে ফেরত দেওয়া, ফলে ফলের দৈর্ঘ্য আর index মূল টেবিলের সমান; যেমন প্রতিটি অর্ডারের পাশে তার জেলার মোট।যেখানে শিখবেন: পর্ব ২৪পর্ব ৭৬পর্ব ৭৮
Grouped bar chartগ্রুপড বার চার্ট
প্রতিটি দলের ভেতরের ভাগগুলোর bar পাশাপাশি, সবগুলো শূন্য থেকে; দলের ভেতরের তুলনা সহজ।যেখানে শিখবেন: পর্ব ২৯
Groupingগ্রুপিং
সারিগুলোকে একটি চাবি (যেমন জেলা) ধরে দলে ভাগ করে প্রতিটি দলের সারাংশ (গণনা, যোগফল, গড়) বের করা; SQL-এ GROUP BY.যেখানে শিখবেন: পর্ব ০৯
Guardrailগার্ডরেল
শেখা model-এর চারপাশে বসানো নির্দিষ্ট নিয়ম বা পরীক্ষা, যা বিপজ্জনক বা নিষিদ্ধ সিদ্ধান্ত আটকায় বা মানুষের কাছে পাঠায়।যেখানে শিখবেন: পর্ব ০৩পর্ব ৪৭পর্ব ৭৯

H

h_addএইচ-অ্যাড
Delete relaxation-এ precondition আর লক্ষ্যের খরচ যোগ করে হিসাব করা heuristic; বেশি তথ্যপূর্ণ, কিন্তু ভাগাভাগি করা কাজ বারবার গুনে বাড়িয়ে বলতে পারে।যেখানে শিখবেন: পর্ব ৪৯
h_maxএইচ-ম্যাক্স
Delete relaxation-এ প্রতিটি action-এর precondition-খরচের সর্বোচ্চটি ধরে হিসাব করা heuristic; admissible, কিন্তু প্রায়ই অনেক কম বলে।যেখানে শিখবেন: পর্ব ৪৯
Hallucinationহ্যালুসিনেশন
generative model-এর আত্মবিশ্বাসী কিন্তু ভুল বা বানানো ফল, যেমন অস্তিত্বহীন উদ্ধৃতি বা function-এর নাম। সম্ভাব্য লেখা বাছাইয়ের স্বাভাবিক ঝুঁকি।যেখানে শিখবেন: পর্ব ০৪পর্ব ০৬পর্ব ৩২
Hamহ্যাম
Spam-এর উল্টো: আসল, চাওয়া বার্তা, যেমন দোকানের অর্ডার-আপডেট বা ব্যক্তিগত SMS; শব্দটি ইমেইল ফিল্টারের জগতে চালু হয়।যেখানে শিখবেন: পর্ব ৫১
Hard constraintহার্ড কনস্ট্রেইন্ট
যে নিয়ম কোনো অবস্থায় ভাঙা যাবে না; ভাঙলে উত্তরটি সমাধানই নয়।যেখানে শিখবেন: পর্ব ৪৩
HarfBuzzহারফবাজ
খোলা উৎসের একটি text shaping engine, যা ব্রাউজার, অপারেটিং সিস্টেম আর অনেক সফটওয়্যারে বাংলাসহ জটিল লিপি ঠিকভাবে সাজায়; matplotlib 3.11 এটি libraqm-এর মাধ্যমে ব্যবহার করে।যেখানে শিখবেন: পর্ব ২৮
Harmonic meanহারমোনিক মিন
সংখ্যাগুলোর উল্টো মানের গড়ের উল্টো; দুটি সংখ্যা a আর b-এর জন্য 2ab/(a + b). ছোট সংখ্যাটির দিকে টেনে থাকে, তাই একটি মান খুব কম হলে গড়ও কম হয়।যেখানে শিখবেন: পর্ব ৬০
Hash functionহ্যাশ ফাংশন
যেকোনো আকারের ডেটা থেকে নির্দিষ্ট দৈর্ঘ্যের একটি ছোট “আঙুলের ছাপ” বানানোর নিয়ম; ডেটার একটি bit বদলালেও ছাপ পুরো বদলে যায়।যেখানে শিখবেন: পর্ব ১২পর্ব ৭১
Header rowহেডার রো
CSV বা টেবিলের প্রথম সারি, যেখানে ডেটার বদলে কলামগুলোর নাম লেখা থাকে।যেখানে শিখবেন: পর্ব ১০
Heapহিপ
এমন একটি গাছ-আকারের গঠন যেখানে সবচেয়ে ছোট (min-heap) বা বড় উপাদান সবসময় মাথায় থাকে; top-k রাখতে কাজে লাগে।যেখানে শিখবেন: পর্ব ৬৯
Heatmapহিটম্যাপ
একটি টেবিলের প্রতিটি ঘরের মানকে রঙে দেখানোর chart, যেমন correlation matrix বা জেলা × মাসের বিক্রি।যেখানে শিখবেন: পর্ব ৩০
Heavy-tailed distributionহেভি-টেইলড ডিস্ট্রিবিউশন
যার লেজ normal-এর চেয়ে অনেক ধীরে সরু হয়, তাই চরম মান তুলনামূলক ঘন ঘন আসে, আর গড় ও standard deviation ঝুঁকি কম দেখায়।যেখানে শিখবেন: পর্ব ৩৬পর্ব ৩৭
Held-out dataহেল্ড-আউট ডেটা
Training-এ একবারও ব্যবহার না করে আলাদা রাখা উদাহরণ, যা দিয়ে model নতুন ডেটায় কেমন করবে তা আন্দাজ করা হয়।যেখানে শিখবেন: পর্ব ৫৫
Held–Karp algorithmহেল্ড-কার্প অ্যালগরিদম
TSP-এর নির্ভুল সমাধানের dynamic programming পদ্ধতি, খরচ প্রায় n² · 2ⁿ; ২০টির মতো শহরে চলে, বড় আকারে মেমরি আর সময়ে অচল।যেখানে শিখবেন: পর্ব ৪৪
Heteroscedasticityহেটেরোস্কেডাস্টিসিটি
ভুলের ছড়ানো বা variance সব জায়গায় সমান না হওয়া, যেমন বড় অনুমানে বড় ভুল; সাধারণ standard error তখন ভুল হয়, উল্টোটিকে বলে homoscedasticity.যেখানে শিখবেন: পর্ব ৫৮
Heuristicহিউরিস্টিক
সব সম্ভাবনা না দেখে ভালো সমাধানের দিকে দ্রুত যাওয়ার একটি অনুমাননির্ভর নিয়ম; সবসময় সেরা ফল দেবে এমন নিশ্চয়তা নেই।যেখানে শিখবেন: পর্ব ০২পর্ব ৩৯পর্ব ৪০
Heuristic dominanceহিউরিস্টিক ডমিন্যান্স
দুটি admissible heuristic-এর একটি সব node-এ অন্যটির সমান বা বড় হলে বলা হয় সেটি অন্যটিকে dominate করে; বড়টি A*-এ কম node খোলায়।যেখানে শিখবেন: পর্ব ৪১
Hexbinহেক্সবিন
x-y সমতলকে ষড়ভুজ খোপে ভাগ করে প্রতিটি খোপে কয়টি বিন্দু তা রঙে দেখানো chart; বড় scatter-এর বিকল্প।যেখানে শিখবেন: পর্ব ২৯
Hidden Layerহিডেন লেয়ার
neural network-এর ইনপুট আর output-এর মাঝের স্তর; এর মান কেউ সরাসরি বলে দেয় না, প্রশিক্ষণে network নিজেই নতুন feature হিসেবে তৈরি করে।যেখানে শিখবেন: পর্ব ০৩পর্ব ০৪পর্ব ৬৮
Hidden Markov model (HMM)হিডেন মারকভ মডেল
এমন model, যেখানে লুকানো অবস্থাগুলো একটি Markov chain ধরে চলে আর প্রতিটি অবস্থা একটি সম্ভাবনায় একটি দেখা যায় এমন ফল দেয়।যেখানে শিখবেন: পর্ব ৫৩পর্ব ৭৬পর্ব ৭৭
Hidden stateহিডেন স্টেট
Kernel-এর মেমরিতে থাকা এমন মান, যা notebook-এর বর্তমান cell-গুলো ওপর থেকে নিচে চালালে আর তৈরি হয় না; যেমন মুছে ফেলা cell-এর variable বা দুবার চালানো cell-এর ফল।যেখানে শিখবেন: পর্ব ০৮পর্ব ১১পর্ব ২৮
Hidden variableহিডেন ভ্যারিয়েবল
একটি সম্ভাবনার প্রশ্নে যে চলকটি প্রশ্নও নয়, প্রমাণও নয়; inference-এ তার সব মানের ওপর যোগ করে (sum out করে) তাকে বাদ দেওয়া হয়।যেখানে শিখবেন: পর্ব ৫২
Hierarchical (agglomerative) clusteringহায়ারার্কিক্যাল ক্লাস্টারিং
প্রতিটি বিন্দুকে আলাদা দল ধরে শুরু করে বারবার সবচেয়ে কাছের দুটি দল জোড়া লাগানো, যাতে পুরো ইতিহাস একটি গাছে আঁকা যায়।যেখানে শিখবেন: পর্ব ৬৫
High cardinalityহাই কার্ডিনালিটি
একটি category কলামে আলাদা মানের সংখ্যা খুব বেশি হওয়া, যেমন হাজারো পণ্যের ID; one-hot তখন বিশাল আর বিরল কলাম বানায়, আর অনেক মান মাত্র একবার দেখা যায়।যেখানে শিখবেন: পর্ব ৬৩পর্ব ৭৮
Hill climbingহিল ক্লাইম্বিং
সবচেয়ে সরল local search: প্রতি ধাপে বর্তমানের চেয়ে ভালো কোনো প্রতিবেশীতে যাওয়া, আর কোনো প্রতিবেশী ভালো না হলে থামা; খরচ কমানোর সমস্যায় এটি আসলে নিচে নামে।যেখানে শিখবেন: পর্ব ৪৪পর্ব ৭৫
Histogramহিস্টোগ্রাম
একটি সংখ্যার কলামকে কয়েকটি ব্যবধানে (bin) ভাগ করে প্রতিটি ব্যবধানে কতগুলো মান পড়েছে তা bar দিয়ে দেখানো chart; ডেটার বণ্টন বোঝার প্রথম ছবি।যেখানে শিখবেন: পর্ব ২৮পর্ব ২৯পর্ব ৩০
Historical biasহিস্টোরিক্যাল বায়াস
অতীতের সিদ্ধান্ত বা ঘটনার অন্যায্যতা যখন ডেটায় থেকে যায় আর model তা শিখে নেয়; ডেটা নিখুঁতভাবে মাপা হলেও এই পক্ষপাত থাকতে পারে।যেখানে শিখবেন: পর্ব ৭২পর্ব ৭৭
HNSWএইচ-এন-এস-ডব্লিউ
Hierarchical Navigable Small World: vector-গুলোকে কয়েক স্তরের প্রতিবেশী-graph-এ সাজিয়ে লোভী হাঁটায় কাছের vector খোঁজার একটি approximate পদ্ধতি।যেখানে শিখবেন: পর্ব ৬৯
Holdout setহোল্ডআউট
মূল্যায়নের জন্য আলাদা করে রাখা, শেখা বা বাছাইয়ে ব্যবহার না করা ডেটার অংশ; সাধারণত test set-কেই holdout বলা হয়।যেখানে শিখবেন: পর্ব ৫৬
Horizon effectহরাইজন এফেক্ট
গভীরতার সীমার ঠিক বাইরে থাকা বিপদ প্রোগ্রাম দেখতে পায় না, তাই অনিবার্য ক্ষতিকে কয়েক চাল পিছিয়ে সীমার ওপারে ঠেলে দিয়ে ভাবে বিপদ কেটে গেছে।যেখানে শিখবেন: পর্ব ৪২পর্ব ৭৭
Horn clauseহর্ন ক্লজ
বড়জোর একটি positive literal আছে এমন clause; এমন KB-তে forward আর backward chaining দ্রুত চলে।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৪৬পর্ব ৪৭
HTN (Hierarchical task network)এইচ-টি-এন
যে planning-এ লক্ষ্য একটি বড় কাজ হিসেবে দেওয়া হয়, আর method দিয়ে তাকে ধাপে ধাপে ছোট কাজে ভাঙা হয়, যতক্ষণ না সরাসরি চালানো যায় এমন action পাওয়া যায়।যেখানে শিখবেন: পর্ব ৪৯
hueহিউ
seaborn-এর যে parameter একটি কলামকে রঙে পাঠায়: category হলে প্রতিটি মানের আলাদা রং, সংখ্যা হলে একটি ধারাবাহিক রঙের ধারা।যেখানে শিখবেন: পর্ব ৩০পর্ব ৭৬
Huffman codingহাফম্যান কোডিং
সাধারণ চিহ্নকে ছোট আর বিরল চিহ্নকে লম্বা bit-কোড দেওয়ার greedy পদ্ধতি, যা পূর্ণসংখ্যার দৈর্ঘ্যের কোডের মধ্যে সেরা।যেখানে শিখবেন: পর্ব ৩৮
Hugging Face Hubহাগিং ফেস হাব
model, dataset আর demo রাখার একটি অনলাইন ভান্ডার, যেখানে প্রতিটি repository Git-এর মতো commit ইতিহাস রাখে আর huggingface_hub library দিয়ে ফাইল নামানো যায়।যেখানে শিখবেন: পর্ব ৭১পর্ব ৭৬
Human-in-the-loopহিউম্যান-ইন-দ্য-লুপ
এমন নকশা, যেখানে AI-এর সিদ্ধান্ত চূড়ান্ত হওয়ার আগে একজন মানুষ যাচাই, সংশোধন বা বাতিল করতে পারেন।যেখানে শিখবেন: পর্ব ০৬পর্ব ৭২পর্ব ৭৬
Hyperparameterহাইপারপ্যারামিটার
Training শুরুর আগে মানুষ যে সেটিং বেছে দেন, যেমন logistic regression-এর C বা test_size; model নিজে এটি শেখে না।যেখানে শিখবেন: পর্ব ১২পর্ব ৪৪পর্ব ৫১
Hypothesis (in ML)হাইপোথিসিস
Learning algorithm যে একটি নির্দিষ্ট ফাংশন বেছে নেয়, যেমন শেখা সহগসহ একটি রেখা; অজানা আসল সম্পর্কের একটি অনুমান।যেখানে শিখবেন: পর্ব ৫৫
Hypothesis spaceহাইপোথিসিস স্পেস
যে সব ফাংশনের মধ্য থেকে learning algorithm বাছতে পারে তাদের সংগ্রহ, যেমন সব সরল রেখা বা সব degree 9 বহুপদী।যেখানে শিখবেন: পর্ব ৫৫
Hypothesis testহাইপোথিসিস টেস্ট
একটি অনুমান (null hypothesis) সত্য ধরে দেখা, পাওয়া ডেটা সেই অনুমানের সঙ্গে কতটা বেমানান, তা মাপার পদ্ধতি।যেখানে শিখবেন: পর্ব ৩৭

I

IANA time zone databaseআয়ানা টাইম জোন ডেটাবেস
পৃথিবীর প্রতিটি অঞ্চলের ঘড়ির নিয়ম আর তার ইতিহাসের সর্বজনীন তালিকা, যেমন Asia/Dhaka; Python-এ tzdata package এটি বহন করে।যেখানে শিখবেন: পর্ব ২৬
IDA* (iterative deepening A*)আইডিএ-স্টার
f-এর একটি সীমা ধরে DFS চালানো আর প্রতি দফায় সীমা বাড়ানো A*-এর রূপ; memory লাগে শুধু বর্তমান পথের সমান। Richard Korf ১৯৮৫ সালে প্রকাশ করেন।যেখানে শিখবেন: পর্ব ৪১
Idempotentআইডেমপোটেন্ট
যে কাজ একবার করলে আর বারবার করলে একই ফল দেয়; যেমন নতুন কপিতে পয়সাকে টাকায় নেওয়া, যা দুবার ডাকলেও দাম আবার ভাগ হয় না।যেখানে শিখবেন: পর্ব ১১পর্ব ২৩
Identity matrixআইডেন্টিটি ম্যাট্রিক্স
কর্ণ বরাবর 1 আর বাকি সব ঘরে 0 এমন বর্গাকার matrix, matrix জগতের “1”; একে দিয়ে গুণ করলে কিছু বদলায় না, NumPy-তে np.eye(n).যেখানে শিখবেন: পর্ব ১৭পর্ব ৬১
Ill-conditioned matrixইল-কন্ডিশনড
যে matrix-এর condition number খুব বড়, ফলে ইনপুট বা rounding-এর সামান্য ভুল উত্তরে বিশাল ভুল তৈরি করে; যেমন Hilbert matrix বা প্রায় একই তথ্যের কয়েকটি কলাম।যেখানে শিখবেন: পর্ব ১৭
iloc (position-based indexer)আই-লোক
pandas-এ সারি আর কলামের অবস্থান (0 থেকে গোনা integer) দিয়ে বাছাই করার উপায়, যেমন df.iloc[2:4, 0]; Python-এর মতো slice-এর শেষ অবস্থান বাদ পড়ে।যেখানে শিখবেন: পর্ব ২২পর্ব ৭৬
Immature labelইমম্যাচিউর লেবেল
যে সারির আসল ফল এখনো জানা যায়নি বা খাতায় ওঠেনি, অথচ সাময়িকভাবে “ঘটেনি” লেখা আছে; যেমন গত সপ্তাহের অর্ডারের ফেরত। এমন সারি দিয়ে train করলে model ঝুঁকি কম দেখায়।যেখানে শিখবেন: পর্ব ৭৯
Impact × feasibility matrixইমপ্যাক্ট-ফিজিবিলিটি ম্যাট্রিক্স
সম্ভাব্য প্রকল্পগুলোকে দুই অক্ষে বসানো ছক: সফল হলে লাভ কত (impact) আর কতটা করা সম্ভব (feasibility); কোনটি আগে করবেন তা ঠিক করতে সাহায্য করে।যেখানে শিখবেন: পর্ব ৭৪পর্ব ৭৬
Implication (→)ইমপ্লিকেশন
“যদি A তাহলে B”: A → B মিথ্যা শুধু A সত্য আর B মিথ্যা হলে; এটি ¬A ∨ B-এর সমান।যেখানে শিখবেন: পর্ব ৪৫
Imputationইমপিউটেশন
ফাঁকা মানের জায়গায় একটি অনুমিত মান বসানো, যেমন ধ্রুবক, দলের median বা আগের মান; এটি একটি সিদ্ধান্ত, যা ফলকে বাঁকাতে পারে।যেখানে শিখবেন: পর্ব ২৩পর্ব ৫৬পর্ব ৬৩
In-place operationইন-প্লেস অপারেশন
নতুন array না বানিয়ে আগের array-এর ঘরেই ফল লিখে দেওয়া কাজ, যেমন a += b বা out= দেওয়া ufunc; মেমরি বাঁচায়, কিন্তু মূল ডেটা বদলে দেয়।যেখানে শিখবেন: পর্ব ১৯
Incident responseইনসিডেন্ট রেসপন্স
কোনো ক্ষতিকর ঘটনা ধরা পড়লে তা থামানো, কারণ খোঁজা, ক্ষতিগ্রস্তদের জানানো, স্থায়ী সমাধান আর শিক্ষা লিখে রাখার পূর্বপরিকল্পিত প্রক্রিয়া।যেখানে শিখবেন: পর্ব ৭২পর্ব ৭৪পর্ব ৭৬
Independent eventsইনডিপেনডেন্ট ইভেন্টস
স্বাধীন event: একটি ঘটেছে জানলে অন্যটির সম্ভাবনা বদলায় না, অর্থাৎ P(A ∩ B) = P(A) · P(B).যেখানে শিখবেন: পর্ব ৩৫পর্ব ৭৬
Index (pandas)ইনডেক্স
pandas-এ সারির (বা কলামের) label-এর তালিকা, যা দিয়ে সারি খোঁজা হয় আর দুটি Series বা টেবিল মেলানো হয়।যেখানে শিখবেন: পর্ব ২০পর্ব ২১
Index alignmentইনডেক্স অ্যালাইনমেন্ট
দুটি Series বা DataFrame-এর হিসাবের আগে pandas-এর label ধরে মান মেলানো; যে label একদিকে নেই সেখানে ফল NaN হয়।যেখানে শিখবেন: পর্ব ২০পর্ব ৭৬
Indexingইনডেক্সিং
অবস্থানের নম্বর (index) দিয়ে একটি array বা list থেকে একটি বা কয়েকটি উপাদান তোলা বা বসানো; NumPy-তে প্রতিটি দিকের জন্য একটি করে index, কমা দিয়ে আলাদা।যেখানে শিখবেন: পর্ব ১৪
Inductive biasইনডাক্টিভ বায়াস
দেখা উদাহরণের বাইরে অনুমান করতে learner যে পূর্ব-অনুমানগুলো নেয়, যেমন সম্পর্ক মসৃণ বা সরল; এগুলো ছাড়া শুধু মুখস্থ করা যায়, শেখা যায় না।যেখানে শিখবেন: পর্ব ৫৫
Inertia (within-cluster sum of squares)ইনারশিয়া
প্রতিটি বিন্দু থেকে তার নিজের দলের কেন্দ্রের বর্গ দূরত্বের যোগফল; k-means এটিই কমায়, আর k বাড়লে এটি প্রায় সবসময় কমে।যেখানে শিখবেন: পর্ব ৬৫পর্ব ৭৫পর্ব ৭৭
Inferenceইনফারেন্স
জানা বাক্য থেকে নিয়ম মেনে নতুন বাক্য বা সিদ্ধান্ত বের করার প্রক্রিয়া।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৫২
Inference (prediction)ইনফারেন্স
শেখা parameter দিয়ে নতুন ইনপুটের উত্তর বলা; scikit-learn-এ predict. Logic-এর inference থেকে এর অর্থ আলাদা।যেখানে শিখবেন: পর্ব ৫৫
Inference by enumerationইনফারেন্স বাই এনুমারেশন
প্রমাণের সঙ্গে মেলে এমন সব পূর্ণ অবস্থার joint probability হিসাব করে লুকানো চলকগুলোর ওপর যোগ করা, তারপর normalise করে প্রশ্নের উত্তর বের করার নির্ভুল পদ্ধতি; চলক বাড়লে খরচ exponential হারে বাড়ে।যেখানে শিখবেন: পর্ব ৫২
Inference engineইনফারেন্স ইঞ্জিন
যে প্রোগ্রাম rule base আর working memory মিলিয়ে কোন নিয়ম খাটে তা খোঁজে, একটি বেছে চালায় আর নতুন fact যোগ করে; বিষয়-নিরপেক্ষ অংশ।যেখানে শিখবেন: পর্ব ৪৭
Inference ruleইনফারেন্স রুল
জানা বাক্যের একটি ছাঁচ থেকে নতুন বাক্য বের করার এক ধাপের নিয়ম, যেমন modus ponens বা resolution-এর নিয়ম।যেখানে শিখবেন: পর্ব ৪৫
Infinity (inf)ইনফিনিটি
Float-এর বিশেষ মান, যা শূন্য দিয়ে ভাগ বা খুব বড় ফলে আসে; ধনাত্মক আর ঋণাত্মক দুই রকম হয়।যেখানে শিখবেন: পর্ব ১৬
Information content (surprise)ইনফরমেশন কনটেন্ট
সম্ভাবনা p-এর একটি ঘটনা ঘটলে যতটা তথ্য পাওয়া যায়, −log₂ p bit; ঘটনা যত বিরল, মান তত বড়।যেখানে শিখবেন: পর্ব ৩৮
Information gainইনফরমেশন গেইন
Decision tree-তে একটি feature দিয়ে ভাগ করলে লক্ষ্যের entropy যতটা কমে; mutual information-এর সমান।যেখানে শিখবেন: পর্ব ৩৮পর্ব ৬৬পর্ব ৭৫
Information retrievalইনফরমেশন রিট্রিভাল
বড় লেখার সংগ্রহ থেকে একটি প্রশ্ন বা খোঁজের সঙ্গে সবচেয়ে মানানসই লেখা খুঁজে সাজিয়ে দেওয়ার বিদ্যা; search engine এর পরিচিত উদাহরণ।যেখানে শিখবেন: পর্ব ৬৭পর্ব ৬৯পর্ব ৭০
Infrequent categoryইনফ্রিকোয়েন্ট ক্যাটাগরি
train-এ খুব কম বার দেখা category, যাদের OneHotEncoder-এর min_frequency বা max_categories দিয়ে একটি সাধারণ "বাকি সব" কলামে মেলানো যায়।যেখানে শিখবেন: পর্ব ৬৩
Initial stateইনিশিয়াল স্টেট
যে state থেকে agent বা search শুরু হয়; যেমন গুদাম থেকে যাত্রা শুরু।যেখানে শিখবেন: পর্ব ৩৯
Inner joinইনার জয়েন
যে join-এ শুধু সেই সারি থাকে যাদের key দুই টেবিলেই আছে; মিল না পাওয়া সারি চুপচাপ বাদ পড়ে।যেখানে শিখবেন: পর্ব ২৫পর্ব ৪৮
Instance-based learningইনস্ট্যান্স-বেসড লার্নিং
যে পদ্ধতি সাধারণ নিয়ম না শিখে জমা রাখা উদাহরণগুলোর সঙ্গে নতুন উদাহরণের মিল তুলনা করে সিদ্ধান্ত নেয়।যেখানে শিখবেন: পর্ব ৫৭
Instruction tuningইনস্ট্রাকশন টিউনিং
নির্দেশ আর ভালো উত্তরের জোড়ায় pretrained language model-কে আরও প্রশিক্ষণ দেওয়া, যাতে সে নির্দেশ মেনে উত্তরের ধরনে লেখে।যেখানে শিখবেন: পর্ব ৭০
Integer overflowইন্টিজার ওভারফ্লো
নির্দিষ্ট বিটের পূর্ণসংখ্যায় ফল সীমা পেরোলে মানটি উল্টো প্রান্তে ঘুরে যাওয়া; যেমন int8-এ 92 × 2 = −72. NumPy array-র হিসাবে এটি কোনো warning ছাড়াই ঘটে।যেখানে শিখবেন: পর্ব ১৩পর্ব ১৮পর্ব ১৯
Interaction featureইন্টারঅ্যাকশন ফিচার
দুটি feature-এর গুণফল বা যৌথ রূপ, যা বলে একটির প্রভাব অন্যটির মানের ওপর নির্ভর করে; যেমন ছাড় × প্রথম অর্ডার, যা linear model নিজে থেকে বানাতে পারে না।যেখানে শিখবেন: পর্ব ৬৩পর্ব ৬৬
Interactive chartইন্টারঅ্যাকটিভ চার্ট
যে chart-এ পাঠক hover, zoom, ছাঁকনি বা ক্লিক দিয়ে বিস্তারিত দেখতে পারেন; সাধারণত ব্রাউজারে JavaScript দিয়ে আঁকা হয়।যেখানে শিখবেন: পর্ব ৩১
Interceptইন্টারসেপ্ট
সব feature শূন্য হলে model-এর অনুমান, রেখা যেখানে y-অক্ষ ছোঁয়; design matrix-এর সব-1 কলামের weight, যাকে bias-ও বলে।যেখানে শিখবেন: পর্ব ৫৮পর্ব ৬১
Internal stateইন্টারনাল স্টেট
Agent-এর ভেতরে রাখা পৃথিবীর একটি অনুমান বা স্মৃতি, যা নতুন percept আর নিজের কাজ দেখে হালনাগাদ হয়।যেখানে শিখবেন: পর্ব ০১
Interpolationইন্টারপোলেশন
দুই পাশের জানা মান থেকে মাঝের অজানা মান অনুমান করা, যেমন সরলরেখা টেনে।যেখানে শিখবেন: পর্ব ২৬পর্ব ৭৮
Interpretationইন্টারপ্রিটেশন
প্রতিটি constant, predicate আর function প্রতীককে domain-এর বস্তু, সম্পর্ক আর ম্যাপের সঙ্গে মেলানোর নিয়ম।যেখানে শিখবেন: পর্ব ৪৬
Intersection (A ∩ B)ইন্টারসেকশন
যে outcome দুটি event-এই আছে; “A এবং B” দুটোই ঘটা।যেখানে শিখবেন: পর্ব ৩৫
Inverse document frequency (idf)ইনভার্স ডকুমেন্ট ফ্রিকোয়েন্সি
শব্দটি কত বিরল তার মাপ: যত কম লেখায় আছে, idf তত বড়; scikit-learn-এর smooth রূপে idf = ln((1 + n)/(1 + df)) + 1.যেখানে শিখবেন: পর্ব ৬৭
Inversion (inversion count)ইনভার্শন
একটি ক্রমে যতগুলো জোড়ায় বড় সংখ্যা ছোট সংখ্যার আগে আছে, তার সংখ্যা; 8-puzzle সমাধানযোগ্য কি না তা এর জোড়-বিজোড় দিয়ে বোঝা যায়।যেখানে শিখবেন: পর্ব ৩৯
.ipynbআইপিওয়াইএনবি
Jupyter notebook-এর ফাইল format: একটি JSON ফাইল, যাতে cell-এর লেখা, execution count, output আর metadata জমা থাকে।যেখানে শিখবেন: পর্ব ০৮পর্ব ৩১
IPythonআইপাইথন
Python-এর একটি উন্নত interactive shell, যা ২০০১ সালে Fernando Pérez শুরু করেন; Jupyter-এর Python kernel আজও এর ওপর দাঁড়িয়ে।যেখানে শিখবেন: পর্ব ০৮
IQR (interquartile range)আইকিউআর
তৃতীয় আর প্রথম চতুর্থাংশের পার্থক্য, Q3 − Q1; মাঝের ৫০% মান কত জায়গা জুড়ে আছে তার মাপ।যেখানে শিখবেন: পর্ব ২৯পর্ব ৩০পর্ব ৩৭
IRI (Internationalized Resource Identifier)আইআরআই
ওয়েব ঠিকানার মতো বিশ্বজুড়ে অনন্য একটি নাম, যাতে Unicode অক্ষরও চলে; RDF-এ entity আর predicate চেনাতে ব্যবহৃত হয়।যেখানে শিখবেন: পর্ব ৪৮
Irreducible errorইরিডিউসিবল এরর
ডেটার নিজের গোলমাল থেকে আসা ভুল, যা কোনো model কমাতে পারে না; অনুমানের সেরা সম্ভাব্য সীমা।যেখানে শিখবেন: পর্ব ৫৫পর্ব ৬১
ISO 8601আই-এস-ও ৮৬০১
তারিখ ও সময় বড় একক থেকে ছোট এককে লেখার আন্তর্জাতিক মান, যেমন 2026-03-05T18:36:24+06:00.যেখানে শিখবেন: পর্ব ১০পর্ব ২৬
Iterative deepening DFS (IDDFS)ইটারেটিভ ডিপেনিং
গভীরতার সীমা 0, 1, 2, ... করে বাড়িয়ে বারবার depth-limited search চালানো; DFS-এর মতো কম memory আর BFS-এর মতো সবচেয়ে কম ধাপের পথ।যেখানে শিখবেন: পর্ব ৪০পর্ব ৪২পর্ব ৭৭
IVF indexআই-ভি-এফ ইনডেক্স
Inverted file index: k-means দিয়ে vector-গুলোকে দলে ভাগ করে, খোঁজার সময় শুধু কাছের কয়েকটি দলের ভেতরে দেখা।যেখানে শিখবেন: পর্ব ৬৯

J

JIT compilation (just-in-time)জে-আই-টি কম্পাইলেশন
প্রোগ্রাম চলার সময়, প্রথম দরকারের মুহূর্তে কোডকে যন্ত্রের কোডে অনুবাদ করা; প্রথম call ধীর, পরেরগুলো দ্রুত।যেখানে শিখবেন: পর্ব ১৯
Jitterজিটার
একই জায়গায় জমে থাকা বিন্দুগুলোকে আলাদা দেখাতে সামান্য এলোমেলো সরানো; এই সরানোর কোনো অর্থ নেই।যেখানে শিখবেন: পর্ব ২৯
joblibজবলিব
Python-এর একটি library, যা pickle-এর ওপর ভিত্তি করে বড় NumPy array-সহ বস্তু দক্ষভাবে ফাইলে রাখে; scikit-learn model সংরক্ষণে বহুল ব্যবহৃত।যেখানে শিখবেন: পর্ব ৬৪পর্ব ৭৩পর্ব ৭৬
Join keyজয়েন কি
যে কলামের মান মিলিয়ে দুই টেবিলের সারি জোড়া হয়, যেমন orders আর products-এর product_id.যেখানে শিখবেন: পর্ব ২৫পর্ব ৪৮
Joint entropyজয়েন্ট এনট্রপি
দুটি variable-কে একসঙ্গে একটি জোড়া ধরে তাদের মিলিত distribution-এর entropy; চিহ্ন H(X, Y), যা দুটির আলাদা entropy-র যোগের চেয়ে বেশি নয়।যেখানে শিখবেন: পর্ব ৩৮
Joint probabilityজয়েন্ট প্রোবাবিলিটি
দুটি event একসঙ্গে ঘটার সম্ভাবনা, P(A ∩ B); contingency table-এ একটি ঘর ÷ মোট।যেখানে শিখবেন: পর্ব ৩৫পর্ব ৫২
JSONজেসন
JavaScript Object Notation: চাবি আর মানের জোড়া, তালিকা আর লেখা দিয়ে ডেটা রাখার একটি সহজ লেখা-ভিত্তিক format.যেখানে শিখবেন: পর্ব ০৮পর্ব ১০পর্ব ৩১
JSON Lines (JSONL)জেসন লাইনস
প্রতিটি লাইনে একটি সম্পূর্ণ JSON record রাখার রীতি; log আর বড় ডেটাসেটে শেষে লাইন জোড়া ও লাইন ধরে পড়া সহজ।যেখানে শিখবেন: পর্ব ১০পর্ব ২১পর্ব ৭৪
JSON Lines (JSONL)জেসন লাইনস
যে ফাইলের প্রতিটি লাইন একটি সম্পূর্ণ JSON object; নতুন রেকর্ড শুধু শেষে একটি লাইন জুড়ে যোগ করা যায়, তাই log-এর জন্য সুবিধাজনক।যেখানে শিখবেন: পর্ব ১২
Jupyter notebookজুপিটার নোটবুক
কোড, লেখা, ছবি আর ফলাফল একসঙ্গে রাখার একটি ফাইল ও পরিবেশ, যেখানে কোড ছোট ছোট cell-এ ভাগ করে চালানো যায়। ফাইলের extension হলো .ipynb.যেখানে শিখবেন: পর্ব ০৮
JupyterLabজুপিটারল্যাব
ব্রাউজারে চলা Jupyter-এর বর্তমান প্রধান কাজের পরিবেশ, যেখানে notebook, terminal, ফাইল আর text editor পাশাপাশি খোলা যায়।যেখানে শিখবেন: পর্ব ০৮
Jupytextজুপিটেক্সট
Notebook-কে সাধারণ .py বা Markdown ফাইলের সঙ্গে জোড়া রাখার টুল; cell-এর সীমা # %% মন্তব্য দিয়ে চিহ্নিত থাকে।যেখানে শিখবেন: পর্ব ০৮

K

k-anonymityকে-অ্যানোনিমিটি
টেবিলে quasi-identifier-এর প্রতিটি সমন্বয়ে অন্তত k জন থাকলে টেবিলটি k-anonymous; Latanya Sweeney ২০০২ সালে প্রস্তাব করেন।যেখানে শিখবেন: পর্ব ৭২পর্ব ৭৬পর্ব ৭৭
k-fold cross-validationকে-ফোল্ড
ডেটাকে k সমান অংশে (fold) ভাগ করে k বার ঘোরানো, যাতে প্রতিটি অংশ ঠিক একবার পরীক্ষার ভাগ হয়; k = 5 বা 10 বহুল প্রচলিত।যেখানে শিখবেন: পর্ব ৫৬
k-meansকে-মিনস
label ছাড়া ডেটাকে k-টি দলে ভাগ করার পদ্ধতি, যা প্রতিটি বিন্দুকে সবচেয়ে কাছের কেন্দ্রে দেয় আর প্রতিটি কেন্দ্রকে তার দলের গড়ে সরায়, যতক্ষণ না দল আর বদলায়।যেখানে শিখবেন: পর্ব ৬৫পর্ব ৬৯পর্ব ৭৫
k-means++কে-মিনস প্লাস প্লাস
k-means-এর শুরুর কেন্দ্র বাছার নিয়ম: প্রতিটি নতুন কেন্দ্র বাছা হয় আগের কেন্দ্রগুলো থেকে বর্গ দূরত্বের অনুপাতে সম্ভাবনা দিয়ে, ফলে কেন্দ্রগুলো ছড়িয়ে পড়ে।যেখানে শিখবেন: পর্ব ৬৫
k-Nearest Neighbors (k-NN)কে-নিয়ারেস্ট নেইবার্স
একটি পদ্ধতি যা নতুন বিন্দুর সবচেয়ে কাছের k-টি training বিন্দু খুঁজে তাদের label-এর ভোটে শ্রেণি বা মানের গড়ে সংখ্যা অনুমান করে।যেখানে শিখবেন: পর্ব ৫৭পর্ব ৬১পর্ব ৭৫
k-NN regressionকে-এনএন রিগ্রেশন
k-NN-এর রূপ যেখানে সবচেয়ে কাছের k-টি training বিন্দুর লক্ষ্যমানের গড় (বা ওজনসহ গড়) দিয়ে একটি সংখ্যা অনুমান করা হয়।যেখানে শিখবেন: পর্ব ৫৭
Kaleidoক্যালেইডো
Plotly figure থেকে স্থির PNG, SVG বা PDF বানানোর package; ভেতরে একটি headless Chrome চালিয়ে ছবি আঁকে।যেখানে শিখবেন: পর্ব ৩১
KD-treeকে-ডি ট্রি
একটি binary গাছ যা প্রতিটি স্তরে একটি অক্ষ ধরে বিন্দুগুলোকে দুই ভাগে কাটে, যাতে nearest neighbour খোঁজায় দূরের ভাগ বাদ দেওয়া যায়; কম মাত্রায় সবচেয়ে কার্যকর।যেখানে শিখবেন: পর্ব ৫৭পর্ব ৭৮
KDE (kernel density estimation)কে-ডি-ই
প্রতিটি পর্যবেক্ষণে একটি ছোট ঘণ্টা-আকারের ঢিবি বসিয়ে সব যোগ করে distribution-এর একটি মসৃণ অনুমান বানানোর পদ্ধতি।যেখানে শিখবেন: পর্ব ৩০
keepdimsকিপ-ডিমস
sum বা mean-এর মতো aggregation-এ True দিলে যে axis ধরে হিসাব হলো তা মাপ 1 হিসেবে থেকে যায়, তাই ফল মূল array-র সঙ্গে সরাসরি broadcast হয়।যেখানে শিখবেন: পর্ব ১৫পর্ব ১৬
Kernelকার্নেল
Notebook-এর পেছনে চলা আলাদা একটি প্রক্রিয়া, যা cell-এর কোড চালায় আর চালানো সব variable মনে রাখে। Restart করলে এর সব মান মুছে যায়।যেখানে শিখবেন: পর্ব ০৮পর্ব ৭৬
Kernel (convolution filter)কার্নেল
Convolution-এ ব্যবহৃত ছোট সংখ্যার টেবিল, যেমন 3 × 3; এর সংখ্যাগুলো ঠিক করে কোন বৈশিষ্ট্য (গড়, কিনারা) খোঁজা হবে।যেখানে শিখবেন: পর্ব ১৮
KL divergence (Kullback–Leibler)কেএল ডাইভারজেন্স
মডেল q দিয়ে আসল p লেখার বাড়তি খরচ, H(p, q) − H(p); সবসময় শূন্য বা ধনাত্মক, আর দুই দিকে সাধারণত আলাদা।যেখানে শিখবেন: পর্ব ৩৮পর্ব ৭৫পর্ব ৭৬
Knowledge acquisition bottleneckনলেজ অ্যাকুইজিশন বটলনেক
বিশেষজ্ঞের মাথার জ্ঞান বের করে নিখুঁত নিয়মে লেখার কাজটি ধীর, ব্যয়বহুল আর অসম্পূর্ণ হয় বলে নিয়মভিত্তিক সিস্টেম বড় করা কঠিন হয়ে যাওয়ার সমস্যা।যেখানে শিখবেন: পর্ব ০৩পর্ব ৪৫পর্ব ৪৬
Knowledge base (KB)নলেজ বেস
কোনো যুক্তির ভাষায় লেখা বাক্যের সংগ্রহ, যা agent জগৎ সম্পর্কে সত্য বলে ধরে নেয়; TELL দিয়ে যোগ হয়, ASK দিয়ে জিজ্ঞেস করা হয়।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৪৬পর্ব ৪৭
Knowledge distillationনলেজ ডিস্টিলেশন
একটি বড় teacher model-এর output দেখে একটি ছোট student model-কে শেখানো, যাতে ছোটটি কাছাকাছি উত্তর দেয় কিন্তু দ্রুত চলে।যেখানে শিখবেন: পর্ব ৭১
Knowledge graphনলেজ গ্রাফ
বস্তুকে node আর সম্পর্ককে edge হিসেবে রাখা তথ্যের জাল, যেমন (miniket, is_a, rice) ধরনের triple-এর সংগ্রহ।যেখানে শিখবেন: পর্ব ৪৬পর্ব ৪৮পর্ব ৭৯
Knowledge graph embeddingনলেজ গ্রাফ এমবেডিং
Graph-এর প্রতিটি entity আর relation-কে একটি সংখ্যার vector দেওয়া, যাতে সত্যি triple-গুলো vector-এর হিসাবে মেলে; যেমন TransE-তে subject + relation ≈ object.যেখানে শিখবেন: পর্ব ৪৮
Knowledge representationনলেজ রিপ্রেজেন্টেশন
জ্ঞানকে এমন আনুষ্ঠানিক রূপে লেখার বিদ্যা, যাতে যন্ত্র তা থেকে প্রশ্নের উত্তর আর নতুন সিদ্ধান্ত বের করতে পারে; logic, rule, semantic network, frame আর knowledge graph এর বিভিন্ন রূপ।যেখানে শিখবেন: পর্ব ৪৮
Knowledge-based agentনলেজ-বেসড এজেন্ট
যে agent নিজের জ্ঞান একটি knowledge base-এ বাক্য হিসেবে রাখে আর সেই বাক্যগুলো থেকে যুক্তি দিয়ে সিদ্ধান্ত নেয়।যেখানে শিখবেন: পর্ব ৪৫
Kolmogorov's axiomsকলমোগোরভের অ্যাক্সিয়ম
১৯৩৩ সালে Kolmogorov-এর দেওয়া সম্ভাবনার তিন মূল নিয়ম: সম্ভাবনা ঋণাত্মক নয়, পুরো sample space-এর সম্ভাবনা ১, আর একসঙ্গে ঘটতে না পারা event-এর সম্ভাবনা যোগ হয়।যেখানে শিখবেন: পর্ব ৩৫
Kolmogorov–Smirnov test (KS test)কলমোগোরভ-স্মিরনভ টেস্ট
দুটি নমুনার cumulative distribution-এর সবচেয়ে বড় ফাঁক (D) মেপে বণ্টন দুটি এক কি না যাচাইয়ের পরীক্ষা; নমুনা বড় হলে খুব ছোট পার্থক্যেও p-value ছোট হয়।যেখানে শিখবেন: পর্ব ৭৪পর্ব ৭৭

L

l-diversityএল-ডাইভার্সিটি
k-anonymity-র উন্নত রূপ: প্রতিটি quasi-identifier-দলে সংবেদনশীল মানের অন্তত l রকম আলাদা মান থাকা, যাতে দলের সবার তথ্য একসঙ্গে ফাঁস না হয়।যেখানে শিখবেন: পর্ব ৭২
L1 norm (Manhattan)এল-ওয়ান নর্ম
সব ঘরের চিহ্ন বাদ দেওয়া মানের যোগফল; রাস্তা ধরে রিকশার পথের মতো দূরত্ব, বড় একক পার্থক্যে L2-এর চেয়ে কম স্পর্শকাতর।যেখানে শিখবেন: পর্ব ১৭পর্ব ৩৩পর্ব ৬১
L2 norm (Euclidean)এল-টু নর্ম
সব ঘরের বর্গের যোগফলের বর্গমূল; সোজা লাইনের দূরত্ব, np.linalg.norm-এর default.যেখানে শিখবেন: পর্ব ১৭পর্ব ৩৩পর্ব ৬১
L2 normalizationএল-টু নরমালাইজেশন
একটি vector-এর প্রতিটি মানকে তার L2 দৈর্ঘ্য (বর্গের যোগফলের বর্গমূল) দিয়ে ভাগ করা, যাতে দৈর্ঘ্য ১ হয়; তখন দুটি vector-এর dot product-ই cosine similarity.যেখানে শিখবেন: পর্ব ৬৭
Labelলেবেল
একটি উদাহরণের সঠিক উত্তর, যা supervised learning-এ model-কে শেখার জন্য দেওয়া হয়, যেমন একটি SMS-এর পাশে লেখা “spam” শব্দটি।যেখানে শিখবেন: পর্ব ০৩পর্ব ০৪পর্ব ০৫
Label biasলেবেল বায়াস
Training-এর label যা মাপে আর আসলে যা মাপতে চাই, তার পার্থক্য কোনো দলে বেশি হলে যে পক্ষপাত হয়; যেমন courier-এর দেরিকে গ্রাহকের দেরি লেখা।যেখানে শিখবেন: পর্ব ৭২পর্ব ৭৬
Label delayলেবেল ডিলে
অনুমান করার অনেক পরে আসল ফল জানা যাওয়া, যেমন ফেরত হলো কি না তা জানতে কয়েক সপ্তাহ; এই সময়ে model-এর আসল মান মাপা যায় না।যেখানে শিখবেন: পর্ব ৭৪পর্ব ৭৭পর্ব ৭৯
Label mapping (id2label)লেবেল ম্যাপিং
Model-এর output-এর ঘর নম্বর (০, ১, ২) কোন label-এর তা বলে দেওয়া তালিকা, config.json-এর id2label; এটি না থাকলে বা ভুল হলে LABEL_0-এর মতো অর্থহীন নাম বা উল্টো ফল আসে।যেখানে শিখবেন: পর্ব ৭১
Lag featureল্যাগ ফিচার
আগের সময়ের মান থেকে বানানো feature, যেমন গতকালের বা গত সপ্তাহের একই বারের বিক্রি; shift দিয়ে তৈরি হয়।যেখানে শিখবেন: পর্ব ২৬পর্ব ৫৬
lambdaল্যামডা
এক expression-এর নামহীন ছোট function, যেমন lambda o: o["amount_paisa"]; সাধারণত sorted-এর key-র মতো জায়গায় ব্যবহৃত হয়।যেখানে শিখবেন: পর্ব ০৯পর্ব ২০
Language modelল্যাঙ্গুয়েজ মডেল
লেখার একটি ক্রমকে সম্ভাবনা দেয় এমন model; সাধারণত আগের token দেখে পরের token-এর সম্ভাবনা-বণ্টন দেয়।যেখানে শিখবেন: পর্ব ৭০
LAPACKল্যাপ্যাক
linear system, least squares, eigenvalue আর SVD-এর জন্য বহু দশকের পরীক্ষিত একটি সংখ্যাগত library; NumPy আর SciPy-র linalg function-গুলো ভেতরে এর routine ডাকে।যেখানে শিখবেন: পর্ব ১৭
Laplace distributionলাপ্লাস ডিস্ট্রিবিউশন
শূন্যের চারপাশে তীক্ষ্ণ চূড়া আর normal-এর চেয়ে মোটা লেজওয়ালা বণ্টন, ঘনত্ব exp(−|w|/b)-এর সমানুপাতিক; lasso-র prior হিসেবে পড়া যায়।যেখানে শিখবেন: পর্ব ৬১পর্ব ৭২
Laplace mechanismলাপ্লাস মেকানিজম
সঠিক উত্তরের সঙ্গে Laplace বণ্টনের শব্দ যোগ করা, যার scale = sensitivity ÷ ε; differential privacy-র সবচেয়ে সরল পদ্ধতি।যেখানে শিখবেন: পর্ব ৭২
Laplace smoothingল্যাপলাস স্মুদিং
প্রতিটি শব্দের গণনায় ১ যোগ করে নেওয়া, যাতে training-এ না দেখা শব্দের সম্ভাবনা শূন্য না হয়ে যায়।যেখানে শিখবেন: পর্ব ০৩পর্ব ৩৫পর্ব ৩৮
Laplace's rule of successionলাপ্লাসের রুল অব সাকসেশন
n বারে k সাফল্য দেখলে পরের বার সাফল্যের সম্ভাবনা (k + 1) / (n + 2) ধরা; সমান Beta(1, 1) prior থেকে পাওয়া posterior-এর গড়।যেখানে শিখবেন: পর্ব ৫০
Large Language Model (LLM)লার্জ ল্যাঙ্গুয়েজ মডেল
বিপুল লেখায় আগের token দেখে পরের token অনুমান করতে প্রশিক্ষিত বড় neural network, যা পরে সহায়কের আচরণের জন্য আরও প্রশিক্ষিত হতে পারে। এর লেখা সাবলীল হলেও ভুল হতে পারে।যেখানে শিখবেন: পর্ব ০২পর্ব ০৪পর্ব ১২
Lasso (L1)ল্যাসো
Least absolute shrinkage and selection operator: loss-এ coefficient-এর পরম মানের যোগফলের শাস্তি, যা অনেক coefficient ঠিক শূন্যে নামিয়ে feature বাছাই করে।যেখানে শিখবেন: পর্ব ৬১পর্ব ৭৬পর্ব ৭৭
Latencyলেটেন্সি
একটি অনুরোধ পাঠানো থেকে উত্তর পাওয়া পর্যন্ত সময়, যেমন একটি রিভিউয়ের জন্য কত millisecond; গড়ের সঙ্গে সবচেয়ে ধীর অনুরোধগুলোও দেখা দরকার।যেখানে শিখবেন: পর্ব ৭১পর্ব ৭৪
Latent semantic analysis (LSA)লেটেন্ট সিম্যান্টিক অ্যানালিসিস
শব্দ-নথির matrix-এ truncated SVD চালিয়ে শব্দ আর নথিকে কম মাত্রার vector বানানোর পুরোনো পদ্ধতি, যা ১৯৯০ সালের একটি প্রবন্ধ থেকে পরিচিত।যেখানে শিখবেন: পর্ব ৬৯
Law of large numbersল অব লার্জ নাম্বারস
বৃহৎ সংখ্যার নিয়ম: স্বাধীন নমুনার সংখ্যা যত বাড়ে, তাদের গড় তত আসল প্রত্যাশিত মানের কাছে যায়।যেখানে শিখবেন: পর্ব ১৬পর্ব ৩৫পর্ব ৩৬
Law of total probabilityল অব টোটাল প্রোবাবিলিটি
পরস্পর বর্জনশীল আর সব মিলিয়ে পূর্ণ কয়েকটি পথ থাকলে, একটি event-এর সম্ভাবনা সব পথের যোগফল: P(L) = ∑ P(L | Hᵢ) P(Hᵢ).যেখানে শিখবেন: পর্ব ৩৫
Layer normalization (LayerNorm)লেয়ার নরমালাইজেশন
প্রতিটি vector-এর মানগুলোকে গড় 0 আর ছড়ানো 1-এর কাছে এনে শেখা মাপে বদলানো, যাতে প্রশিক্ষণ স্থির থাকে।যেখানে শিখবেন: পর্ব ৭০
Lazy evaluationলেজি ইভ্যালুয়েশন
হিসাব আগে থেকে না করে ঠিক দরকারের মুহূর্তে করা; বড় ডেটা অল্প মেমরিতে চালানোর একটি কৌশল।যেখানে শিখবেন: পর্ব ০৯পর্ব ২৭
Lazy learningলেজি লার্নিং
যে শেখার পদ্ধতি training-এর সময় কোনো সূত্র বানায় না, শুধু ডেটা জমা রাখে, আর সব হিসাব করে prediction-এর সময়; যেমন k-NN.যেখানে শিখবেন: পর্ব ৫৭
LCV (least constraining value)এল-সি-ভি
একটি variable-এর মানগুলোর মধ্যে আগে সেটি চেষ্টা করা, যা প্রতিবেশীদের domain থেকে সবচেয়ে কম মান মোছে।যেখানে শিখবেন: পর্ব ৪৩
Leaf nodeলিফ নোড
Decision tree-র শেষ দল, যার পরে আর প্রশ্ন নেই; নতুন উদাহরণ এখানে পৌঁছালে এই দলের train উদাহরণগুলোর অনুপাত বা গড়ই অনুমান।যেখানে শিখবেন: পর্ব ৬৬
Learned attributeলার্নড অ্যাট্রিবিউট
fit-এর সময় ডেটা থেকে হিসাব করে রাখা মান, যার নামের শেষে underscore থাকে, যেমন mean_, statistics_ বা coef_; fit-এর আগে এটি থাকে না।যেখানে শিখবেন: পর্ব ৬৪
Learning agentলার্নিং এজেন্ট
যে agent অভিজ্ঞতা থেকে নিজের আচরণ উন্নত করে; এর অংশ performance element, critic, learning element আর problem generator.যেখানে শিখবেন: পর্ব ০১
Learning curveলার্নিং কার্ভ
Training ডেটার পরিমাণ বাড়ালে train আর validation error কীভাবে বদলায় তার লেখচিত্র; বেশি ডেটায় লাভ হবে কি না তা বুঝতে কাজে লাগে।যেখানে শিখবেন: পর্ব ৬১পর্ব ৭৬পর্ব ৭৯
Learning pipeline (ML workflow)লার্নিং পাইপলাইন
প্রশ্ন ঠিক করা থেকে ডেটা, প্রস্তুতি, ভাগ, training, মূল্যায়ন, deploy আর নজরদারি পর্যন্ত একটি ML প্রকল্পের ধাপের চক্র।যেখানে শিখবেন: পর্ব ৫৫
Learning rateলার্নিং রেট
প্রতিটি সংশোধনে weight কতটা সরানো হবে তা ঠিক করার সংখ্যা, প্রায়ই η (eta) দিয়ে লেখা হয়।যেখানে শিখবেন: পর্ব ০২পর্ব ৩৪পর্ব ৫৫
Least squaresলিস্ট স্কোয়ারস
সমীকরণ অজানার চেয়ে বেশি হলে এমন উত্তর খোঁজা, যাতে অমিলের বর্গের যোগফল সবচেয়ে কম হয়; linear regression-এর ভিত্তি, NumPy-তে np.linalg.lstsq.যেখানে শিখবেন: পর্ব ১৭পর্ব ৩৪পর্ব ৫৫
Leave-one-out cross-validationলিভ-ওয়ান-আউট
প্রতিবার একটি উদাহরণ বাদ রেখে বাকিগুলোয় train করে বাদ রাখাটির উত্তর দেখা, সব উদাহরণে একবার করে; ছোট ডেটায় স্থির মাপ দেয়।যেখানে শিখবেন: পর্ব ৫১পর্ব ৫৬
Left joinলেফট জয়েন
যে join-এ বাঁ টেবিলের প্রতিটি সারি থাকে; ডানে মিল না পেলে ডানের কলামগুলো missing (NaN) হয়।যেখানে শিখবেন: পর্ব ২৫পর্ব ৭৬
Legendলেজেন্ড
chart-এর কোন রং বা চিহ্ন কোন ডেটার, তা বলে দেওয়া ছোট তালিকা; matplotlib-এ label দিয়ে আঁকার পর ax.legend() ডাকলে তৈরি হয়।যেখানে শিখবেন: পর্ব ২৮
Lemmatizationলেমাটাইজেশন
শব্দকে অভিধানের মূল রূপে ফেরানো (করেছিলাম, করব → করা), সাধারণত ব্যাকরণ ও অভিধান ব্যবহার করে; stemming-এর চেয়ে নির্ভুল, কিন্তু ভাষাভিত্তিক হাতিয়ার লাগে।যেখানে শিখবেন: পর্ব ৬৭
Licence (software / model licence)লাইসেন্স
মালিক কোন শর্তে কোড, ওজন বা ডেটা ব্যবহার, বদল আর বিতরণের অনুমতি দেন তার আইনি লেখা; নাম দেখে নয়, পুরো লেখা পড়ে শর্ত বুঝতে হয়।যেখানে শিখবেন: পর্ব ৭১
Lie factorলাই ফ্যাক্টর
Edward Tufte-এর (১৯৮৩) একটি মাপ: chart-এ দেখানো আপেক্ষিক পরিবর্তনকে ডেটার আপেক্ষিক পরিবর্তন দিয়ে ভাগ করলে যা আসে। ১ মানে ছবি ডেটার সঙ্গে মেলে, ১-এর বেশি মানে ছবি পার্থক্য বাড়িয়ে দেখাচ্ছে।যেখানে শিখবেন: পর্ব ৩২পর্ব ৭৬পর্ব ৭৭
Likelihoodলাইকলিহুড
একটি অনুমান বা parameter-এর মান সত্য ধরলে দেখা প্রমাণ বা ডেটা পাওয়ার সম্ভাবনা, P(E | H); এটি H-এর ফাংশন হিসেবে পড়া হয়, আর H-এর ওপর যোগ করলে ১ হতেই হবে এমন নয়।যেখানে শিখবেন: পর্ব ৫০পর্ব ৫১পর্ব ৭৭
Likelihood ratioলাইকলিহুড রেশিও
দুটি অনুমানের অধীনে একই প্রমাণের সম্ভাবনার অনুপাত, P(E | H₁) / P(E | H₂); ১-এর বেশি হলে প্রমাণ H₁-এর পক্ষে।যেখানে শিখবেন: পর্ব ৫০পর্ব ৭৬
Likelihood weightingলাইকলিহুড ওয়েটিং
প্রমাণের চলকগুলোর মান টেনে না নিয়ে সরাসরি বসিয়ে দেওয়া, আর প্রতিটি নমুনাকে প্রমাণের সম্ভাবনা দিয়ে ওজন দেওয়ার sampling পদ্ধতি; কোনো নমুনা ফেলতে হয় না।যেখানে শিখবেন: পর্ব ৫২
Line magicলাইন ম্যাজিক
এক % চিহ্ন দিয়ে শুরু হওয়া magic, যা শুধু ওই একটি লাইনের ওপর কাজ করে; যেমন %time x = f().যেখানে শিখবেন: পর্ব ০৮পর্ব ১৯
Line plotলাইন প্লট
বিন্দুগুলোকে ক্রম অনুযায়ী রেখা দিয়ে জোড়া chart, সাধারণত সময়ের সঙ্গে বদল দেখাতে; matplotlib-এ ax.plot.যেখানে শিখবেন: পর্ব ২৮পর্ব ২৯
Linear algebraলিনিয়ার অ্যালজেবরা
vector আর matrix-এর যোগ, গুণ, সমীকরণ সমাধান আর দৈর্ঘ্য মাপার গণিত; ডেটা আর মেশিন লার্নিং-এর হিসাবের ভিত্তি।যেখানে শিখবেন: পর্ব ১৭
Linear regressionলিনিয়ার রিগ্রেশন
একটি সংখ্যা অনুমানের model, যেখানে অনুমান হলো feature-গুলোর weighted যোগফল আর একটি intercept, ŷ = b + w₁x₁ + … + wₚxₚ; weight বেছে নেওয়া হয় সাধারণত বর্গ-ভুলের যোগ সবচেয়ে কম করে।যেখানে শিখবেন: পর্ব ৫৮পর্ব ৫৯
Linear system (Ax = b)লিনিয়ার সিস্টেম
কয়েকটি একঘাত সমীকরণ একসঙ্গে, যেখানে অজানা vector x-কে matrix A দিয়ে গুণ করলে জানা vector b পাওয়া যায়; NumPy-তে np.linalg.solve(A, b).যেখানে শিখবেন: পর্ব ১৭
Linearly separableলিনিয়ারলি সেপারেবল
দুই দলের বিন্দুকে একটি সরল রেখা (বা বেশি মাত্রায় একটি সমতল) দিয়ে পুরোপুরি আলাদা করা গেলে ডেটাকে এই নামে ডাকা হয়।যেখানে শিখবেন: পর্ব ০২পর্ব ৫৯পর্ব ৬৮
Linkageলিংকেজ
Hierarchical clustering-এ দুই দলের দূরত্ব মাপার নিয়ম: single (সবচেয়ে কাছের জোড়া), complete (সবচেয়ে দূরের জোড়া), average (সব জোড়ার গড়) বা ward (জোড়া লাগালে বর্গ যোগফল কত বাড়ে)।যেখানে শিখবেন: পর্ব ৬৫
Linkage attackলিংকেজ অ্যাটাক
“বেনামি” টেবিলকে নামসহ অন্য একটি টেবিলের সঙ্গে quasi-identifier দিয়ে জুড়ে মানুষকে আবার চেনার কৌশল।যেখানে শিখবেন: পর্ব ৭২
Linterলিন্টার
যে টুল কোড না চালিয়ে পড়ে সন্দেহজনক ধাঁচ খোঁজে, যেমন ব্যবহার না হওয়া import বা খালি except; Ruff আর Flake8 উদাহরণ।যেখানে শিখবেন: পর্ব ১১
listলিস্ট
Python-এর ক্রম মেনে চলা, বদলানো যায় এমন সংগ্রহ; প্রতিটি উপাদান একটি অবস্থান (index) দিয়ে পাওয়া যায়।যেখানে শিখবেন: পর্ব ০৯পর্ব ৭৮
Literalলিটারাল
একটি proposition symbol বা তার negation, যেমন S বা ¬S.যেখানে শিখবেন: পর্ব ৪৫
Literate programmingলিটারেট প্রোগ্রামিং
Donald Knuth-এর প্রস্তাবিত পদ্ধতি, যেখানে প্রোগ্রাম লেখা হয় মানুষের পড়ার মতো ব্যাখ্যার ভেতরে কোড বসিয়ে।যেখানে শিখবেন: পর্ব ০৮
Live codingলাইভ কোডিং
ইন্টারভিউয়ারের সামনে, সাধারণত সময় বেঁধে, একটি সমস্যার কোড লেখা ও চালানো; শেষ কোডের সাথে চিন্তার পথ আর যাচাইয়ের অভ্যাসও দেখা হয়।যেখানে শিখবেন: পর্ব ৭৮
Lloyd's algorithmলয়েডস অ্যালগরিদম
k-means-এর প্রচলিত রূপ: assign আর update ধাপ পালাক্রমে চালানো; Stuart Lloyd ১৯৫৭ সালে লেখেন, প্রকাশিত হয় ১৯৮২ সালে।যেখানে শিখবেন: পর্ব ৬৫পর্ব ৭৭
loc (label-based indexer)লোক
pandas-এ সারি আর কলামের label বা নাম দিয়ে বাছাই করার উপায়, যেমন df.loc[2:4, "qty"]; label slice-এ শুরু আর শেষ দুটিই ধরা হয়।যেখানে শিখবেন: পর্ব ২২পর্ব ৭৬
Local maximumলোকাল ম্যাক্সিমাম
এমন state যার কোনো প্রতিবেশী তার চেয়ে ভালো নয়, অথচ অন্য কোথাও আরও ভালো state আছে; hill climbing এখানে আটকে যায়।যেখানে শিখবেন: পর্ব ৪৪পর্ব ৫৩পর্ব ৭৬
Local minimumলোকাল মিনিমাম
এমন বিন্দু যার আশেপাশে সবচেয়ে কম মান, কিন্তু দূরে কোথাও আরও কম মান থাকতে পারে।যেখানে শিখবেন: পর্ব ৩৪পর্ব ৪৩পর্ব ৪৪
localhost (127.0.0.1)লোকালহোস্ট
নিজের কম্পিউটারের ঠিকানা; এখানে bind করা server বাইরের নেটওয়ার্ক থেকে সরাসরি খোলা যায় না।যেখানে শিখবেন: পর্ব ০৮
Lockfileলকফাইল
dependency resolve করার পর প্রতিটি package-এর (transitive সহ) হুবহু version, উৎস আর ফাইলের hash লিখে রাখা ফাইল, যেমন uv.lock. এতে অন্য কম্পিউটারেও হুবহু একই পরিবেশ বানানো যায়।যেখানে শিখবেন: পর্ব ০৭পর্ব ১২পর্ব ৬৪
Log loss (binary cross-entropy)লগ লস
Classifier যা আসলে ঘটেছে তাকে যে সম্ভাবনা দিয়েছিল, তার −log-এর গড়; আত্মবিশ্বাসী ভুলে খুব বড় হয়।যেখানে শিখবেন: পর্ব ৩৮পর্ব ৫১পর্ব ৫৯
Log probabilityলগ প্রোবাবিলিটি
সম্ভাবনার logarithm; অনেক ছোট সম্ভাবনা গুণ করার বদলে তাদের log যোগ করা যায়, তাতে হিসাব সহজ আর স্থিতিশীল হয়।যেখানে শিখবেন: পর্ব ০৩পর্ব ৩৫পর্ব ৩৮
Log scaleলগ স্কেল
যে axis-এ সমান দূরত্ব মানে সমান গুণ (১০, ১০০, ১০০০), সমান যোগ নয়; কয়েক গুণ জুড়ে ছড়ানো ডেটার জন্য।যেখানে শিখবেন: পর্ব ২৯পর্ব ৩৬পর্ব ৬২
Log transformলগ ট্রান্সফর্ম
একটি ধনাত্মক কলামকে তার লগারিদমে বদলানো, যেমন np.log বা শূন্য থাকলে np.log1p; ডানে লম্বা লেজওয়ালা বণ্টনকে প্রায় প্রতিসম করে আর গুণের সম্পর্ককে যোগের সম্পর্কে আনে।যেখানে শিখবেন: পর্ব ৬৩পর্ব ৬৪
Log-normal distributionলগ-নরমাল ডিস্ট্রিবিউশন
যে ধনাত্মক চলকের logarithm normal, তার distribution; ডান দিকে লম্বা লেজ, যেমন অর্ডারের মূল্য বা অপেক্ষার সময়ের মডেলে।যেখানে শিখবেন: পর্ব ৩৬
Log-oddsলগ-অডস
দুই সম্ভাবনার অনুপাতের log, যেমন log P(spam) − log P(ham); ধনাত্মক হলে প্রথমটির দিকে, ঋণাত্মক হলে দ্বিতীয়টির দিকে।যেখানে শিখবেন: পর্ব ৫১পর্ব ৫৯
Log-sum-expলগ-সাম-এক্সপ
log(e^a + e^b + …) নিরাপদে হিসাবের কৌশল: সবচেয়ে বড় মান m বের করে m + log ∑ e^(x − m); log-space-এ সম্ভাবনা যোগ করতে লাগে, SciPy-তে scipy.special.logsumexp.যেখানে শিখবেন: পর্ব ৫৩পর্ব ৫৯পর্ব ৭৯
Log-uniform distributionলগ-ইউনিফর্ম ডিস্ট্রিবিউশন
এমন বণ্টন যেখানে মানের log সমানভাবে ছড়ানো, অর্থাৎ প্রতিটি দশ-গুণ পরিসরে সমান সম্ভাবনা; C বা learning rate-এর মতো parameter খোঁজার জন্য উপযুক্ত।যেখানে শিখবেন: পর্ব ৬৬
Loggingলগিং
প্রোগ্রাম চলার সময় সময়, গুরুত্বের মাত্রা (INFO, WARNING, ERROR) আর উৎসসহ বার্তা লিখে রাখা, যাতে পরে বোঝা যায় কী ঘটেছিল; Python-এ logging module.যেখানে শিখবেন: পর্ব ১১
Logical connectiveলজিক্যাল কানেক্টিভ
ছোট বাক্য জুড়ে বড় বাক্য বানানোর চিহ্ন: ¬ (না), ∧ (এবং), ∨ (অথবা), → (যদি … তাহলে) আর ↔ (ঠিক তখনই)।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৪৬
Logical equivalence (≡)লজিক্যাল ইকুইভ্যালেন্স
দুটি বাক্য প্রতিটি model-এ একই মান পেলে তারা equivalent; অর্থাৎ α ↔ β একটি valid বাক্য।যেখানে শিখবেন: পর্ব ৪৫
Logistic Regressionলজিস্টিক রিগ্রেশন
একটি discriminative classification model, যা feature-এর ওজনযুক্ত যোগফলকে sigmoid দিয়ে ০ থেকে ১-এর সম্ভাবনায় আনে। নামে regression হলেও কাজটি classification.যেখানে শিখবেন: পর্ব ০৩পর্ব ০৪পর্ব ০৬
Logitলজিট
Softmax-এর আগের কাঁচা score; যেকোনো বাস্তব সংখ্যা হতে পারে, softmax এগুলোকে ০ থেকে ১-এর মধ্যে এমন সংখ্যায় বদলায় যাদের যোগফল ১।যেখানে শিখবেন: পর্ব ৭১
Logitsলজিটস
Network-এর শেষ স্তরের কাঁচা স্কোর, softmax বা sigmoid লাগানোর আগে; যেকোনো বাস্তব সংখ্যা হতে পারে।যেখানে শিখবেন: পর্ব ৬৮পর্ব ৭০
Long formatলং ফরম্যাট
যে টেবিলে প্রতিটি মাপ নিজের সারিতে, আর কোন মাস বা কোন জেলা তা একটি আলাদা কলামে লেখা থাকে।যেখানে শিখবেন: পর্ব ২৫পর্ব ৩০
Lookup tableলুকআপ টেবিল
যে টেবিলে প্রতিটি key-র জন্য একটিই সারি থাকার কথা, আর অন্য টেবিল সেখান থেকে নাম, দাম বা জেলার মতো তথ্য খুঁজে নেয়।যেখানে শিখবেন: পর্ব ২৫
Loss functionলস ফাংশন
মডেলের অনুমান আসল উত্তর থেকে কতটা দূরে, তা একটি সংখ্যায় মাপার নিয়ম; শেখা মানে এই সংখ্যাটি কমানো।যেখানে শিখবেন: পর্ব ৩৪পর্ব ৫৫
Lossless compressionলসলেস কমপ্রেশন
এমন compression, যেখানে ফাইল খুললে হুবহু আগের ডেটা ফেরত আসে, যেমন ZIP বা zlib-এর কাজ।যেখানে শিখবেন: পর্ব ৩৮
Lossy compressionলসি কমপ্রেশন
যে সংকোচনে ফাইল ছোট করতে কিছু তথ্য স্থায়ীভাবে বাদ যায়, যেমন JPEG; আবার খুললে মূল সংখ্যা হুবহু ফেরে না।যেখানে শিখবেন: পর্ব ১৮
Low-resource languageলো-রিসোর্স ল্যাঙ্গুয়েজ
যে ভাষায় AI শেখানোর মতো পরিষ্কার, label দেওয়া ডিজিটাল ডেটা ও টুল তুলনামূলক কম — ভাষাভাষীর সংখ্যা বেশি হলেও।যেখানে শিখবেন: পর্ব ০৬
LU decompositionএলইউ ডিকম্পোজিশন
একটি matrix-কে একটি নিচের-ত্রিভুজাকার (L) আর একটি ওপরের-ত্রিভুজাকার (U) matrix-এর গুণফলে ভাঙা; Gaussian elimination-এর হিসাব জমিয়ে রাখার রূপ, যা np.linalg.solve ভেতরে ব্যবহার করে।যেখানে শিখবেন: পর্ব ১৭
Lumaলুমা
gamma-সংশোধিত R, G, B মানের ওজন দেওয়া যোগফল থেকে পাওয়া উজ্জ্বলতা, যেমন BT.601-এর 0.299R + 0.587G + 0.114B; পদার্থবিদ্যার luminance থেকে সামান্য আলাদা।যেখানে শিখবেন: পর্ব ১৮

M

MAC (maintaining arc consistency)ম্যাক
Backtracking-এর প্রতিটি মান বসানোর পর সেই variable থেকে AC-3 চালিয়ে arc consistency বজায় রাখা; forward checking-এর চেয়ে বেশি ছাঁটে, কিন্তু বেশি খরচ।যেখানে শিখবেন: পর্ব ৪৩
Machine epsilonমেশিন এপসাইলন
1-এর পরের সবচেয়ে কাছের float আর 1-এর পার্থক্য; float64-এ প্রায় 2.2 × 10⁻¹⁶, NumPy-তে np.finfo(float).eps.যেখানে শিখবেন: পর্ব ৩৪
Machine learningমেশিন লার্নিং
AI-এর যে শাখায় প্রোগ্রাম হাতে লেখা নিয়মের বদলে ডেটা থেকে নিজের আচরণ শেখে।যেখানে শিখবেন: পর্ব ০১পর্ব ০২পর্ব ০৩
Macro averageম্যাক্রো অ্যাভারেজ
প্রতিটি শ্রেণির metric আলাদা হিসাব করে সাধারণ গড়; ছোট শ্রেণিও বড় শ্রেণির সমান ওজন পায়।যেখানে শিখবেন: পর্ব ৬০পর্ব ৬৭পর্ব ৭১
MAD (median absolute deviation)এম-এ-ডি
প্রতিটি মান median থেকে কত দূরে, সেই দূরত্বগুলোর median; SD-র একটি robust বিকল্প।যেখানে শিখবেন: পর্ব ৩৭পর্ব ৬২
MAE (Mean Absolute Error)এমএই
অনুমান আর আসল মানের পার্থক্যের পরম মানগুলোর গড়; এর একক আসল মানের এককের মতোই, যেমন দিন।যেখানে শিখবেন: পর্ব ০৫পর্ব ২৬পর্ব ৫৫
Magic commandম্যাজিক কমান্ড
IPython-এর বিশেষ কমান্ড, যা % বা %% দিয়ে শুরু হয়; যেমন %timeit বা %pip. এগুলো সাধারণ Python নয়, তাই .py ফাইলে চলে না।যেখানে শিখবেন: পর্ব ০৮
Majority voteমেজরিটি ভোট
কয়েকটি মতামতের মধ্যে যে শ্রেণি সবচেয়ে বেশিবার এসেছে, সেটিকে উত্তর ধরা; সমান হলে একটি নির্দিষ্ট টাই-ভাঙার নিয়ম লাগে।যেখানে শিখবেন: পর্ব ৫৭
Majority-class baselineমেজরিটি-ক্লাস বেসলাইন
সব উদাহরণের জন্য সবচেয়ে বেশি দেখা শ্রেণিটি বলে দেওয়া; এর accuracy হলো সেই শ্রেণির অনুপাত।যেখানে শিখবেন: পর্ব ০৫পর্ব ৫১পর্ব ৫৭
mambaমাম্বা
conda-র একটি দ্রুত, C++-এ নতুন করে লেখা রূপ, একই package আর channel ব্যবহার করে। এর solver (libmamba) পরে conda-তেও ডিফল্ট হয়েছে।যেখানে শিখবেন: পর্ব ০৭
Manhattan distanceম্যানহাটান ডিসট্যান্স
দুটি vector-এর ঘরে ঘরে পার্থক্যের absolute মানের যোগ, মানে পার্থক্যের L1 norm; ছকের রাস্তা ধরে চলার দূরত্বের মতো।যেখানে শিখবেন: পর্ব ৩৩পর্ব ৪১
Mapম্যাপ
একটি সংগ্রহের প্রতিটি উপাদানে একই নিয়ম প্রয়োগ করে নতুন মান বানানোর কাজ; Python-এ map() function বা comprehension দিয়ে করা হয়।যেখানে শিখবেন: পর্ব ০৯
MAP estimate (maximum a posteriori)ম্যাপ এস্টিমেট
Posterior distribution যে মানে সবচেয়ে উঁচু, সেই parameter-এর মান; সমান prior-এ এটি MLE-এর সমান, আর Beta prior-এ MLE-এর সঙ্গে pseudo-count যোগ করার মতো।যেখানে শিখবেন: পর্ব ৫০পর্ব ৬১
MAPEম্যাপ
Mean absolute percentage error: প্রতিটি ভুলকে আসল মান দিয়ে ভাগ করে শতাংশের গড়। আসল মান শূন্য বা শূন্যের কাছে হলে বিস্ফোরিত হয়।যেখানে শিখবেন: পর্ব ৬০
MAR (Missing At Random)এম-এ-আর
যখন মান হারানো দেখা যায় এমন অন্য তথ্যের ওপর নির্ভর করে, যেমন একটি উৎস বা জেলায় বেশি ফাঁকা; তখন সেই তথ্য ধরে দলভিত্তিক পূরণ যুক্তিসংগত।যেখানে শিখবেন: পর্ব ২৩পর্ব ৬২পর্ব ৭৭
Marginমার্জিন
SVM-এ সীমারেখা থেকে সবচেয়ে কাছের training বিন্দুগুলোর দূরত্ব; margin চওড়া রাখা মানে নতুন ডেটায় ছোট নড়চড়ে সিদ্ধান্ত কম বদলানো।যেখানে শিখবেন: পর্ব ৬৭
Marginal probabilityমার্জিনাল প্রোবাবিলিটি
অন্য চলক যা-ই হোক, একটি event-এর মোট সম্ভাবনা, P(A); টেবিলের কিনারার মোট ÷ সব মিলিয়ে মোট।যেখানে শিখবেন: পর্ব ৩৫
Markdown cellমার্কডাউন সেল
যে cell-এ কোড নয়, Markdown নিয়মে লেখা ব্যাখ্যা, শিরোনাম, তালিকা বা সূত্র থাকে; চালালে সেটি সাজানো লেখা হয়ে দেখায়।যেখানে শিখবেন: পর্ব ০৮
Markov chainমারকভ চেইন
অবস্থার এমন একটি ক্রম, যেখানে পরের অবস্থার সম্ভাবনা শুধু এখনকার অবস্থার ওপর নির্ভর করে; transition matrix দিয়ে পুরোটা লেখা যায়।যেখানে শিখবেন: পর্ব ৫৩পর্ব ৭৫
Markov decision process (MDP)মারকভ ডিসিশন প্রসেস
ধাপে ধাপে সিদ্ধান্তের গাণিতিক model: state, action, transition probability, reward আর discount factor; উত্তর একটি policy.যেখানে শিখবেন: পর্ব ৫৪পর্ব ৫৫পর্ব ৭৫
Markov propertyমারকভ প্রপার্টি
বর্তমান অবস্থা জানা থাকলে অতীতের ইতিহাস পরের অবস্থার সম্ভাবনা আর বদলায় না, এই অনুমান; সংক্ষেপে ভবিষ্যৎ শুধু বর্তমানের ওপর নির্ভর করে।যেখানে শিখবেন: পর্ব ৫৩পর্ব ৫৪
Masked language model (fill-mask)মাস্কড ল্যাঙ্গুয়েজ মডেল
বাক্যের কিছু token লুকিয়ে ([MASK]) সেগুলো অনুমান করতে শেখা model, যেমন BERT; fill-mask pipeline লুকানো ঘরের সম্ভাব্য token দেখায়।যেখানে শিখবেন: পর্ব ৭১
Materializationম্যাটেরিয়ালাইজেশন
নিয়ম থেকে অনুমিত triple আগেভাগে হিসাব করে store-এ লিখে রাখা, যাতে query-র সময় আর অনুমান চালাতে না হয়।যেখানে শিখবেন: পর্ব ৪৮
matplotlibম্যাটপ্লটলিব
Python-এর সবচেয়ে পুরোনো ও বহুল ব্যবহৃত chart আঁকার লাইব্রেরি; seaborn আর pandas-এর plot এর ওপরেই তৈরি।যেখানে শিখবেন: পর্ব ২৮পর্ব ২৯পর্ব ৩০
Matrixম্যাট্রিক্স
সারি আর কলামে সাজানো সংখ্যার আয়তাকার টেবিল, যেমন অর্ডার × পণ্যের পরিমাণ; NumPy-তে এটি ২-মাত্রার একটি array হিসেবে থাকে।যেখানে শিখবেন: পর্ব ১৭
Matrix inverseম্যাট্রিক্স ইনভার্স
এমন matrix যার সঙ্গে মূল matrix গুণ করলে identity পাওয়া যায়; কেবল non-singular বর্গাকার matrix-এর থাকে, আর সমীকরণ সমাধানে সরাসরি বানানোর বদলে solve ব্যবহার করাই ভালো।যেখানে শিখবেন: পর্ব ১৭
Matrix multiplication (@)ম্যাট্রিক্স মাল্টিপ্লিকেশন
বাঁয়ের প্রতিটি সারি আর ডানের প্রতিটি কলামের dot product দিয়ে নতুন matrix বানানো; (m, k) @ (k, n) থেকে (m, n), ভেতরের k মিলতে হয়।যেখানে শিখবেন: পর্ব ১৭পর্ব ৩২
Matrix-vector productম্যাট্রিক্স-ভেক্টর প্রোডাক্ট
একটি matrix-এর প্রতিটি সারির সঙ্গে একটি vector-এর dot product, ফলে প্রতিটি সারির জন্য একটি সংখ্যা; যেমন পরিমাণ @ দাম থেকে প্রতিটি অর্ডারের মোট বিল।যেখানে শিখবেন: পর্ব ১৭পর্ব ৫৩
Max norm (L∞)ম্যাক্স নর্ম
একটি vector-এর ঘরগুলোর absolute মানের মধ্যে সবচেয়ে বড়টি; আরেক নাম Chebyshev norm.যেখানে শিখবেন: পর্ব ৩৩
max_depthম্যাক্স ডেপথ
Decision tree-র মূল থেকে পাতা পর্যন্ত সর্বোচ্চ কতটি প্রশ্ন হতে পারে, সেই hyperparameter; ছোট মানে সরল গাছ, বড় মানে মুখস্থের ঝুঁকি।যেখানে শিখবেন: পর্ব ৬৬
Maximum expected utility (MEU)ম্যাক্সিমাম এক্সপেক্টেড ইউটিলিটি
যে নীতিতে agent সব সম্ভাব্য কাজের expected utility হিসাব করে সবচেয়ে বড়টির কাজ বেছে নেয়; rational agent-এর আনুষ্ঠানিক সংজ্ঞা।যেখানে শিখবেন: পর্ব ৫৪
Maximum likelihood estimation (MLE)ম্যাক্সিমাম লাইকলিহুড
মডেলের এমন parameter বেছে নেওয়া, যাতে দেখা ডেটার সম্ভাবনা (likelihood) সবচেয়ে বেশি হয়; এটি cross-entropy কমানোর সমান।যেখানে শিখবেন: পর্ব ৩৮পর্ব ৫০পর্ব ৫১
MCAR (Missing Completely At Random)এম-সি-এ-আর
যখন মান হারানো কোনো কিছুর সঙ্গেই সম্পর্কিত নয়; তখন ফাঁকা সারি বাদ দিলে ডেটা কমে, কিন্তু সাধারণত ফল বাঁকে না।যেখানে শিখবেন: পর্ব ২৩পর্ব ৬২পর্ব ৭৮
Mean (arithmetic mean)মিন
গড়: সব মান যোগ করে মানের সংখ্যা দিয়ে ভাগ; একটি বিশাল মান একে অনেক দূর টেনে নিতে পারে।যেখানে শিখবেন: পর্ব ৩৭
Mean poolingমিন পুলিং
প্রতিটি token-এর vector-এর গড় নিয়ে পুরো বাক্যের একটি vector বানানো; padding token বাদ দিতে attention mask দিয়ে গুণ করা হয়।যেখানে শিখবেন: পর্ব ৭১
Mean reciprocal rank (MRR)মিন রেসিপ্রোকাল র‍্যাঙ্ক
প্রতিটি প্রশ্নে প্রথম প্রাসঙ্গিক ফলের অবস্থান r হলে 1/r, তারপর সব প্রশ্নের গড়।যেখানে শিখবেন: পর্ব ৬৯পর্ব ৭৫
Mean squared error (MSE)মিন স্কোয়ার্ড এরর
প্রতিটি অনুমানের ভুলকে বর্গ করে সবগুলোর গড়; বড় ভুলকে বেশি শাস্তি দেয়, regression-এর সবচেয়ে প্রচলিত loss.যেখানে শিখবেন: পর্ব ৩৪পর্ব ৫৫পর্ব ৫৮
Medianমিডিয়ান
মানগুলো সাজালে ঠিক মাঝের মান (জোড় সংখ্যক হলে মাঝের দুটির গড়); গড়ের চেয়ে একক খুব বড় বা ছোট মানে অনেক কম নড়ে।যেখানে শিখবেন: পর্ব ১৪পর্ব ১৬পর্ব ২৩
meltমেল্ট
pandas-এর যে function wide টেবিলের কয়েকটি কলামকে সারিতে নামিয়ে long টেবিল বানায়; pivot-এর উল্টো কাজ।যেখানে শিখবেন: পর্ব ২৫
Memoizationমেমোইজেশন
একবার হিসাব করা ফল মনে রেখে দেওয়া, যাতে একই input আবার এলে নতুন করে হিসাব না করে মনে রাখা উত্তরটি ফেরত দেওয়া যায়; Python-এ functools.lru_cache এর একটি সহজ উপায়।যেখানে শিখবেন: পর্ব ৪২
Memorizationমেমোরাইজেশন
Model প্রতিটি training উদাহরণের উত্তর গোলমালসহ মনে রাখে, সাধারণ নিয়ম শেখে না; training ভুল প্রায় শূন্য কিন্তু নতুন ডেটায় খারাপ।যেখানে শিখবেন: পর্ব ৫৫
Memory layoutমেমোরি লেআউট
একটি বহুমাত্রিক array মেমরির লম্বা সারির ঘরে কোন ক্রমে বসানো আছে, তার বিন্যাস; যেমন C order বা Fortran order.যেখানে শিখবেন: পর্ব ১৯
Memory mapping (np.memmap)মেমোরি ম্যাপিং
ডিস্কের একটি ফাইলকে মেমরির array-এর মতো ব্যবহার করা, যেখানে যে অংশ ছোঁয়া হয় শুধু সেটুকু ডিস্ক থেকে আনা হয়; RAM-এর চেয়ে বড় ডেটার জন্য।যেখানে শিখবেন: পর্ব ১৯
memory_usage(deep=True)মেমরি ইউসেজ ডিপ
pandas-এ মেমরি মাপার পদ্ধতি, যা object কলামের প্রতিটি Python object-এর আকারও যোগ করে; deep ছাড়া শুধু pointer গোনা হয়।যেখানে শিখবেন: পর্ব ২৭পর্ব ৭৮
MemoryErrorমেমরি এরর
Python বা NumPy যখন একটি object-এর জন্য যথেষ্ট মেমরি পায় না, তখন এই error ওঠে; বড় অস্থায়ী array-তে এটি পরিচিত।যেখানে শিখবেন: পর্ব ১৫
Memorylessnessমেমোরিলেসনেস
স্মৃতিহীনতা: এতক্ষণ অপেক্ষা করা হয়েছে, তাতে আরও অপেক্ষার সম্ভাবনা বদলায় না; exponential আর geometric distribution-এর বৈশিষ্ট্য।যেখানে শিখবেন: পর্ব ৩৬
Merge (pandas)মার্জ
দুটি টেবিলের সারি একটি বা একাধিক মিলের কলাম (key) দেখে পাশাপাশি জোড়া লাগানো; pandas-এ এটি করে pd.merge বা DataFrame.merge.যেখানে শিখবেন: পর্ব ২৫পর্ব ৭২
Metadataমেটাডেটা
ডেটা সম্পর্কে ডেটা; NumPy array-তে dtype, shape আর strides-এর মতো তথ্য, যা বলে buffer-এর বাইটগুলো কীভাবে পড়তে হবে।যেখানে শিখবেন: পর্ব ১৩
Method chainingমেথড চেইনিং
একটি method-এর ফেরত দেওয়া object-এর ওপর সঙ্গে সঙ্গে পরের method ডাকা, যাতে কয়েকটি ধাপ এক টানা লেখায় পড়া যায়।যেখানে শিখবেন: পর্ব ২০
Metropolis criterionমেট্রোপলিস ক্রাইটেরিয়ন
নতুন state ভালো হলে সবসময়, আর খরচ Δ বাড়লে exp(−Δ/T) সম্ভাবনায় তাকে গ্রহণ করার নিয়ম; ১৯৫৩ সালের Metropolis ও সহকর্মীদের প্রবন্ধ থেকে এসেছে।যেখানে শিখবেন: পর্ব ৪৪
Micro averageমাইক্রো অ্যাভারেজ
সব শ্রেণির TP, FP আর FN একসঙ্গে যোগ করে তারপর metric; প্রতিটি উদাহরণ সমান ওজন পায়। প্রতি উদাহরণে একটি label হলে micro F1 আর accuracy একই।যেখানে শিখবেন: পর্ব ৬০
Min-conflictsমিন-কনফ্লিক্টস
একটি পূর্ণ assignment থেকে শুরু করে বারবার একটি নিয়ম-ভাঙা variable বেছে তাকে সবচেয়ে কম বিরোধের মান দেওয়ার local search; দ্রুত কিন্তু অসম্পূর্ণ।যেখানে শিখবেন: পর্ব ৪৩
Min-max scalingমিন-ম্যাক্স স্কেলিং
প্রতিটি মান থেকে train-এর সর্বনিম্ন বাদ দিয়ে (সর্বোচ্চ − সর্বনিম্ন) দিয়ে ভাগ করা, যাতে train-এর মান 0 থেকে 1-এর মধ্যে আসে; একটি outlier পুরো পরিসর দখল করতে পারে।যেখানে শিখবেন: পর্ব ৬৩
Mini-batchমিনি-ব্যাচ
Gradient হিসাবের জন্য একবারে নেওয়া ডেটার ছোট একটি দল, যেমন ৩২টি সারি।যেখানে শিখবেন: পর্ব ৩৪পর্ব ৫৮পর্ব ৬৮
Minimaxমিনিম্যাক্স
দুই খেলোয়াড়ের খেলায় চাল বাছার পদ্ধতি: MAX নিজের পালায় সবচেয়ে বড় মান নেয়, MIN সবচেয়ে ছোট, আর leaf থেকে মানগুলো ওপরে তুলে এনে root-এর সেরা চাল বের হয়।যেখানে শিখবেন: পর্ব ৪২পর্ব ৭৬পর্ব ৭৭
Missing indicatorমিসিং ইন্ডিকেটর
একটি বাড়তি ০/১ কলাম যা বলে মূল কলামের মানটি ফাঁকা ছিল কি না; ফাঁকা হওয়া নিজেই তথ্য বহন করলে model তা ব্যবহার করতে পারে।যেখানে শিখবেন: পর্ব ৬২পর্ব ৬৩পর্ব ৭৮
Missing valueমিসিং ভ্যালু
যে ঘরে তথ্য নেই; pandas-এ সাধারণত NaN, NaT বা pd.NA দিয়ে বোঝানো হয়, আর এটি শূন্যের সমান নয়।যেখানে শিখবেন: পর্ব ২০পর্ব ২৩পর্ব ৬৩
Missingness patternমিসিংনেস প্যাটার্ন
কোন কলামে, কোন দলে আর কোন সময়ে মান ফাঁকা থাকে তার ধরন; ফাঁকা কি না সেটিকে একটি ০/১ কলাম ধরে অন্য কলাম ধরে তার হার দেখে পড়া হয়।যেখানে শিখবেন: পর্ব ৬২
MIT Licenseএম-আই-টি লাইসেন্স
একটি ছোট, উদার open source লাইসেন্স: ব্যবহার, বদল আর বিতরণ করা যায়, শর্ত হলো copyright ও লাইসেন্সের লেখা রাখা; কোনো warranty নেই।যেখানে শিখবেন: পর্ব ৬৯পর্ব ৭৩
Mixinমিক্সইন
একটি ছোট সাহায্যকারী class, যা থেকে উত্তরাধিকার নিলে কয়েকটি তৈরি method বিনা খরচে আসে; যেমন TransformerMixin দেয় fit_transform.যেখানে শিখবেন: পর্ব ৬৪
MLflowএম-এল-ফ্লো
Experiment tracking, model সংরক্ষণ আর model registry-র জন্য একটি open-source প্ল্যাটফর্ম।যেখানে শিখবেন: পর্ব ১২পর্ব ৭৪
MLOpsএম-এল-অপস
Model train, deploy, নজরদারি আর হালনাগাদের কাজকে software-এর DevOps-এর মতো স্বয়ংক্রিয়, পুনরাবৃত্তিযোগ্য আর দায়বদ্ধভাবে চালানোর অভ্যাস ও হাতিয়ার।যেখানে শিখবেন: পর্ব ৭৪
MLP (multi-layer perceptron)এমএলপি
Input আর output-এর মাঝে এক বা একাধিক hidden layer থাকা সবচেয়ে সরল ধরনের neural network.যেখানে শিখবেন: পর্ব ০৩পর্ব ৬৮পর্ব ৭৬
MNAR (Missing Not At Random)এম-এন-এ-আর
যখন মান হারানো সেই হারানো মানটির নিজের ওপর নির্ভর করে, যেমন অসন্তুষ্ট গ্রাহক রেটিং দেন না; তখন বাদ বা সাধারণ পূরণ দুটোই পক্ষপাত আনে।যেখানে শিখবেন: পর্ব ২৩পর্ব ৬২পর্ব ৭৭
Modeমোড
ডেটায় সবচেয়ে বেশিবার আসা মান; রেটিং বা পেমেন্ট পদ্ধতির মতো category আর অল্প কয়েকটি পূর্ণসংখ্যার মানে সবচেয়ে কাজের।যেখানে শিখবেন: পর্ব ৩৭
Model (logic)মডেল
যুক্তিবিদ্যায় একটি সম্ভাব্য জগৎ: প্রতিটি proposition symbol-এ একটি করে সত্য বা মিথ্যা মান বসানো; truth table-এর একটি সারি।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৪৬
Model (machine learning)মডেল
ইনপুট থেকে আউটপুটে যাওয়ার একটি ফাংশন, যার কাঠামো মানুষ বাছেন আর সংখ্যাগুলো (parameter) ডেটা থেকে শেখা হয়।যেখানে শিখবেন: পর্ব ৫৫
Model cacheমডেল ক্যাশ
নামানো model-এর ফাইল রাখার স্থানীয় ফোল্ডার, সাধারণত ~/.cache/huggingface/hub; প্রথমবার নামে, পরে এখান থেকে পড়ে, আর HF_HOME দিয়ে জায়গা বদলানো যায়।যেখানে শিখবেন: পর্ব ৭১
Model cardমডেল কার্ড
একটি model-এর উদ্দেশ্য, training data, মূল্যায়ন, উপদলভিত্তিক ফল আর সীমা এক জায়গায় লিখে রাখার নথি।যেখানে শিখবেন: পর্ব ০৬পর্ব ১২পর্ব ৬৯
Model checkingমডেল চেকিং
সব model একে একে পরীক্ষা করে entailment বা satisfiability যাচাই; propositional logic-এ sound আর complete, কিন্তু 2^n খরচ।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৭৫
Model complexityমডেল কমপ্লেক্সিটি
একটি মডেল কত রকম আকারের function বানাতে পারে তার মোটা মাপ, যেমন polynomial-এর degree বা k-NN-এ k কত ছোট।যেখানে শিখবেন: পর্ব ৬১
Model idমডেল আইডি
Hub-এ একটি model-এর নাম, মালিক/নাম আকারে (যেমন sagorsarker/bangla-bert-base); বানানে একটি অক্ষরের ভুলেও সম্পূর্ণ অন্য কারও repository খুলতে পারে।যেখানে শিখবেন: পর্ব ৭১
Model monitoringমডেল মনিটরিং
চালু করার পর model-এর input-এর বণ্টন আর বাস্তব ফল নিয়মিত মেপে দেখা, যাতে shift বা মান কমে যাওয়া দ্রুত ধরা পড়ে।যেখানে শিখবেন: পর্ব ০৬পর্ব ৭২পর্ব ৭৪
Model persistenceমডেল পারসিস্টেন্স
fit করা model বা pipeline ফাইলে সংরক্ষণ করে পরে আবার খোলা, যাতে প্রতিবার নতুন করে train করতে না হয়।যেখানে শিখবেন: পর্ব ৬৪
Model retirementমডেল রিটায়ারমেন্ট
একটি model পরিকল্পনামাফিক বন্ধ করা: বিকল্প চালু, নির্ভরশীল ব্যবস্থাকে জানানো, ডেটা আর ফাইলের নিয়মমতো সংরক্ষণ বা মোছা, আর কারণ লিখে রাখা।যেখানে শিখবেন: পর্ব ৭৪
Model-based reflex agentমডেল-বেসড এজেন্ট
যে agent একটি internal state রেখে পৃথিবীর না-দেখা অংশের হিসাব রাখে, আর সেই হিসাব দিয়ে নিয়ম মেলায়।যেখানে শিখবেন: পর্ব ০১
Modus ponensমোডাস পোনেন্স
α → β আর α জানা থাকলে β বের করার নিয়ম।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৪৬
Mojibakeমোজিবাকে
এক encoding-এ লেখা byte অন্য encoding ধরে পড়ায় তৈরি ভাঙা, অর্থহীন লেখা; যেমন দাম হয়ে যায় দাম.যেখানে শিখবেন: পর্ব ১০পর্ব ৭৬
Monte Carlo methodমন্টে কার্লো
অনেক random নমুনা বা trial চালিয়ে একটি সংখ্যা, যেমন সম্ভাবনা বা গড়, অনুমান করার পদ্ধতি।যেখানে শিখবেন: পর্ব ১৬পর্ব ৩৫পর্ব ৩৬
Monty Hall problemমন্টি হল প্রবলেম
তিন দরজার গেম শোর ধাঁধা: জেনেশুনে উপস্থাপক একটি খালি দরজা খুললে দরজা বদলানোয় জয়ের সম্ভাবনা ২/৩, না বদলালে ১/৩.যেখানে শিখবেন: পর্ব ৩৫
Morphologyমরফোলজি (রূপতত্ত্ব)
শব্দ কীভাবে মূল, বিভক্তি আর প্রত্যয় জুড়ে গঠিত হয় তার নিয়ম; বাংলায় একই মূল থেকে অনেক রূপ হয় (টাকা, টাকায়, টাকার)।যেখানে শিখবেন: পর্ব ৬৭
Most general unifier (MGU)মোস্ট জেনারেল ইউনিফায়ার
যে unifier সবচেয়ে কম variable বাঁধে, আর অন্য যেকোনো unifier যার ওপর আরও substitution চাপিয়ে পাওয়া যায়।যেখানে শিখবেন: পর্ব ৪৬
Move orderingমুভ অর্ডারিং
কোন চাল আগে পরীক্ষা হবে তার ক্রম; ভালো চাল আগে দেখলে alpha-beta অনেক বেশি শাখা কাটতে পারে, খারাপ ক্রমে প্রায় কিছুই কাটে না।যেখানে শিখবেন: পর্ব ৪২
Moving averageমুভিং অ্যাভারেজ
চলমান গড়: প্রতিটি দিনে শেষ কয়েক দিনের গড়, যা দৈনিক ওঠানামা মসৃণ করে প্রবণতা দেখায়।যেখানে শিখবেন: পর্ব ২৬পর্ব ২৯পর্ব ৩২
MRV (minimum remaining values)এম-আর-ভি
পরের variable হিসেবে তাকে বাছা, যার domain-এ সবচেয়ে কম মান বাকি; একে fail-first heuristic-ও বলে।যেখানে শিখবেন: পর্ব ৪৩পর্ব ৭৬
Multi-agentমাল্টি-এজেন্ট
যে পরিবেশে একাধিক agent আছে, যাদের নিজস্ব লক্ষ্য; তারা সহযোগী বা প্রতিপক্ষ হতে পারে।যেখানে শিখবেন: পর্ব ০১
Multi-class classificationমাল্টি-ক্লাস ক্লাসিফিকেশন
দুইয়ের বেশি শ্রেণির classification যেখানে প্রতিটি উদাহরণ ঠিক একটি শ্রেণিতে পড়ে।যেখানে শিখবেন: পর্ব ০৫পর্ব ৬০
Multi-head attentionমাল্টি-হেড অ্যাটেনশন
কয়েকটি আলাদা query, key আর value matrix-এর সেট সমান্তরালে চালিয়ে তাদের ফল জুড়ে মেশানো, যাতে একসঙ্গে কয়েক ধরনের সম্পর্ক ধরা যায়।যেখানে শিখবেন: পর্ব ৭০
Multi-hop queryমাল্টি-হপ কোয়েরি
যে প্রশ্নের উত্তর পেতে graph-এর কয়েকটি রেখা পরপর পার হতে হয়; কয়েকটি triple pattern একই variable দিয়ে join করে লেখা হয়।যেখানে শিখবেন: পর্ব ৪৮
Multi-label classificationমাল্টি-লেবেল ক্লাসিফিকেশন
যে classification-এ একটি উদাহরণ একসঙ্গে কয়েকটি শ্রেণি বা ট্যাগ পেতে পারে; প্রতিটি ট্যাগের জন্য আলাদা হ্যাঁ/না অনুমান করা হয়।যেখানে শিখবেন: পর্ব ০৫পর্ব ৭৩
Multiclass classificationমাল্টিক্লাস ক্লাসিফিকেশন
দুইয়ের বেশি শ্রেণি থেকে একটি বেছে নেওয়ার কাজ, যেমন একটি ফুল তিন প্রজাতির কোনটি।যেখানে শিখবেন: পর্ব ৫৯পর্ব ৭৩
Multicollinearityমাল্টিকোলিনিয়ারিটি
দুই বা বেশি feature প্রায় একই তথ্য দিলে (একটি অন্যগুলো থেকে প্রায় বের করা যায়) যে অবস্থা হয়; coefficient অস্থির হয় আর standard error ফুলে ওঠে, যদিও অনুমান প্রায়ই ঠিক থাকে।যেখানে শিখবেন: পর্ব ৫৮পর্ব ৬৩
MultiIndexমাল্টি-ইনডেক্স
pandas-এর একাধিক স্তরের index, যেমন (জেলা, category); একাধিক key-তে groupby করলে ফলে সাধারণত এটি আসে।যেখানে শিখবেন: পর্ব ২৪পর্ব ২৫
Multilingual modelমাল্টিলিঙ্গুয়াল মডেল
একসঙ্গে অনেক ভাষার লেখায় train করা ভাষা model; বাংলা থাকলেও বাংলার ভাগ সাধারণত ছোট, তাই মান যাচাই করে নিতে হয়।যেখানে শিখবেন: পর্ব ৬৭
Multinomial Naive Bayesমাল্টিনোমিয়াল নাইভ বেইজ
যে Naive Bayes লেখাকে শব্দ-গোনা হিসেবে দেখে: একটি শব্দ যতবার আসে ততবার তার log সম্ভাবনা যোগ হয়, অনুপস্থিত শব্দ কিছু যোগ করে না।যেখানে শিখবেন: পর্ব ৫১পর্ব ৭৩
Multiple comparisons problemমাল্টিপল কম্প্যারিজনস
অনেকগুলো test একসঙ্গে করলে শুধু কাকতালেই কোনো একটিতে ছোট p-value আসার সম্ভাবনা অনেক বেড়ে যায়।যেখানে শিখবেন: পর্ব ৩৭পর্ব ৫৬পর্ব ৬২
Multiplication ruleমাল্টিপ্লিকেশন রুল
গুণের নিয়ম: P(A ∩ B) = P(A | B) · P(B); স্বাধীন হলে সরল হয়ে P(A) · P(B).যেখানে শিখবেন: পর্ব ৩৫
Mutable default argumentমিউটেবল ডিফল্ট আর্গুমেন্ট
default হিসেবে list বা dict-এর মতো বদলানো যায় এমন object দেওয়ার ফাঁদ: def-এর সময় একবারই তৈরি হয় বলে সব call একই object ভাগ করে আর তা জমতে থাকে।যেখানে শিখবেন: পর্ব ০৯পর্ব ৭৬
Mutationমিউটেশন
Genetic algorithm-এ সন্তানের ছোট এলোমেলো বদল, যেমন একটি টুকরো উল্টানো; population-এর বৈচিত্র্য টিকিয়ে রাখে।যেখানে শিখবেন: পর্ব ৪৪
Mutual informationমিউচুয়াল ইনফরমেশন
একটি variable জানলে আরেকটি সম্পর্কে অনিশ্চয়তা কতটা কমে, I(X; Y) = H(Y) − H(Y | X); স্বাধীন হলে শূন্য।যেখানে শিখবেন: পর্ব ৩৮
Mutually exclusive eventsমিউচুয়ালি এক্সক্লুসিভ
পরস্পর বর্জনশীল: যে event-গুলো একসঙ্গে ঘটতে পারে না, তাই P(A ∩ B) = 0.যেখানে শিখবেন: পর্ব ৩৫
MYCINমাইসিন
১৯৭০-এর দশকে Stanford-এ তৈরি রক্তের সংক্রমণে antibiotic পরামর্শের গবেষণামূলক expert system; backward chaining আর certainty factor-এর জন্য বিখ্যাত, রোগীর চিকিৎসায় নিয়মিত ব্যবহৃত হয়নি।যেখানে শিখবেন: পর্ব ৪৭

N

n-gramএন-গ্রাম
পরপর n টি token বা অক্ষরের একটি টুকরো, যেমন bigram-এ দুটি শব্দ একসঙ্গে; এতে লেখার ক্রমের কিছুটা ধরা পড়ে।যেখানে শিখবেন: পর্ব ৫১পর্ব ৫৩পর্ব ৬৭
n-queensএন-কুইন্স
n × n দাবার বোর্ডে n-টি রানি এমনভাবে বসানোর ধাঁধা যাতে কেউ কাউকে একই সারি, কলাম বা কর্ণে আক্রমণ না করে; 8-queens-এর ৯২টি সমাধান।যেখানে শিখবেন: পর্ব ৪৪
Naive Bayesনাইভ বেইজ
Bayes-এর উপপাদ্যভিত্তিক একটি generative classifier, যা ধরে নেয় শ্রেণি জানা থাকলে feature-গুলো একে অপরের থেকে স্বাধীন। সরল, দ্রুত আর অল্প ডেটায় ভালো baseline.যেখানে শিখবেন: পর্ব ০৩পর্ব ০৪পর্ব ৫০
Naive datetimeনাইভ ডেটটাইম
time zone ছাড়া লেখা সময়; এটি কোন দেশের ঘড়ির সময় তা জানা নেই, তাই একে পৃথিবীর একটি নির্দিষ্ট মুহূর্ত বলা যায় না।যেখানে শিখবেন: পর্ব ২৬
Named aggregationনেমড অ্যাগ্রিগেশন
pandas-এর agg-এ ফলের কলামের নাম নিজে দেওয়ার রূপ, যেমন agg(total=("amount", "sum")); বাঁয়ে নতুন নাম, ডানে কোন কলাম আর কোন হিসাব।যেখানে শিখবেন: পর্ব ২৪পর্ব ৭৮
Namespace prefixনেমস্পেস প্রিফিক্স
লম্বা IRI-র শুরুর অংশের একটি ছোট নাম, যেমন bz: = https://example.org/bazarghar/; এতে bz:S10 লিখলেই পুরো IRI বোঝায়।যেখানে শিখবেন: পর্ব ৪৮
NaN (Not a Number)ন্যান
IEEE 754 float-এর একটি বিশেষ মান, যা অর্থহীন হিসাব বা ফাঁকা ঘর বোঝায়; এটি কোনো কিছুর সমান নয়, নিজেরও নয়, তাই খুঁজতে হয় np.isnan দিয়ে।যেখানে শিখবেন: পর্ব ১৬পর্ব ২০পর্ব ২১
Narrow AIন্যারো এআই
একটি নির্দিষ্ট কাজ বা ছোট পরিসরের কাজে ভালো AI system, যেমন spam ছাঁকা বা দাবা খেলা। আজকের ব্যবহৃত প্রায় সব AI এই ধরনের।যেখানে শিখবেন: পর্ব ০৪
NaT (Not a Time)ন্যাট
pandas-এ তারিখ বা সময়ের কলামে ফাঁকা বা পড়া-যায়নি এমন মানের চিহ্ন, সংখ্যার NaN-এর সমতুল্য।যেখানে শিখবেন: পর্ব ২৩পর্ব ২৬
Nat (unit of information)ন্যাট
স্বাভাবিক log (ভিত্তি e) দিয়ে মাপা তথ্যের একক; 1 nat ≈ 1.4427 bit, আর scikit-learn-এর log loss এই এককে দেয়।যেখানে শিখবেন: পর্ব ৩৮
Natural frequencyন্যাচারাল ফ্রিকোয়েন্সি
শতাংশের বদলে গোনা সংখ্যায় সম্ভাবনা বলা, যেমন “১০০০টির মধ্যে ১টি”; Bayes-এর হিসাব এভাবে সহজ হয়।যেখানে শিখবেন: পর্ব ৩৫পর্ব ৭৫
nbconvertএনবিকনভার্ট
Notebook-কে HTML, script বা আবার notebook-এ রূপান্তরের Jupyter টুল; --execute দিলে নতুন kernel-এ সব cell ওপর থেকে নিচে চালায়।যেখানে শিখবেন: পর্ব ০৮
nbstripoutএনবিস্ট্রিপআউট
Notebook থেকে output আর execution count মুছে দেওয়ার একটি ছোট টুল, যাতে Git-এ শুধু কোডের পরিবর্তন জমা হয়।যেখানে শিখবেন: পর্ব ০৮
ndarray (NumPy array)এন-ডি অ্যারে
NumPy-র মূল ডেটা-কাঠামো: একই dtype-এর সংখ্যা একটি টানা মেমরিতে, সঙ্গে shape, strides আর dtype-এর বর্ণনা; যত খুশি মাত্রার হতে পারে।যেখানে শিখবেন: পর্ব ১৩পর্ব ৭৬
Near-duplicateনিয়ার-ডুপ্লিকেট
প্রায় একই লেখা বা সারি, যেখানে শুধু যতিচিহ্ন, বানান বা একটি শব্দের তফাত; হুবহু নকলের মতোই train আর test-এ দুই পাশে পড়লে leakage ঘটায়।যেখানে শিখবেন: পর্ব ৭৩পর্ব ৭৬
Nearest-neighbour heuristicনিয়ারেস্ট-নেইবার হিউরিস্টিক
TSP-এর একটি দ্রুত greedy নির্মাণ-পদ্ধতি: প্রতিবার সবচেয়ে কাছের এখনো-না-যাওয়া শহরে যাওয়া; ফল ভালো হলেও প্রায়ই সেরা নয়।যেখানে শিখবেন: পর্ব ৪৪
Negamaxনেগাম্যাক্স
Zero-sum খেলায় minimax-এর ছোট রূপ: max(a, b) = −min(−a, −b) কাজে লাগিয়ে প্রতিটি স্তরে মান উল্টে নিয়ে শুধু max ব্যবহার করা; চিহ্নের ভুল এখানে সাধারণ বাগ।যেখানে শিখবেন: পর্ব ৪২
Negation (¬)নেগেশন
একটি বাক্যের উল্টো মান দেওয়া connective; ¬P সত্য ঠিক তখন, যখন P মিথ্যা।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৭৩
Negation as failureনেগেশন অ্যাজ ফেইলিওর
কোনো লক্ষ্য প্রমাণ করা না গেলে তাকে মিথ্যা ধরা, যেমন Prolog-এর \+; খাঁটি logic-এর ¬ থেকে আলাদা।যেখানে শিখবেন: পর্ব ৪৬
Negative indexনেগেটিভ ইনডেক্স
শেষ থেকে গোনা index: -1 শেষ উপাদান, -2 তার আগেরটি; দৈর্ঘ্য n হলে a[-k] আর a[n - k] একই ঘর।যেখানে শিখবেন: পর্ব ১৪
Negative log-likelihood (NLL)নেগেটিভ লগ-লাইকলিহুড
দেখা ডেটার likelihood-এর log-কে ঋণাত্মক করে নেওয়া loss; এটি কমানো মানে likelihood বাড়ানো, আর binary label-এ এটিই log loss.যেখানে শিখবেন: পর্ব ৫৯
Negative markingনেগেটিভ মার্কিং
MCQ পরীক্ষার নিয়ম, যেখানে ভুল উত্তরে নম্বর কাটা যায়, যেমন ঠিক হলে +১ আর ভুলে −০.২৫; তাই অন্ধ আন্দাজের গড় লাভ কমে যায়।যেখানে শিখবেন: পর্ব ৭৬
Neighbourhoodনেইবারহুড
একটি state থেকে একটি ছোট নির্দিষ্ট বদলে যে state-গুলোতে যাওয়া যায় তাদের সেট, যেমন 8-queens-এ একটি রানিকে নিজের কলামে সরানো; এই নিয়মই ভূদৃশ্যের আকার ঠিক করে।যেখানে শিখবেন: পর্ব ৪৪
Nested cross-validationনেস্টেড ক্রস-ভ্যালিডেশন
দুই স্তরের cross-validation: ভেতরের loop hyperparameter বাছে, বাইরের loop প্রতিবার না-দেখা ভাগে পুরো বাছাই-পদ্ধতির পারফরম্যান্স মাপে।যেখানে শিখবেন: পর্ব ৬৬পর্ব ৭৩পর্ব ৭৯
Nested quantifierনেস্টেড কোয়ান্টিফায়ার
একাধিক quantifier একটির ভেতরে আরেকটি, যেমন ∀x∃y; ∀ আর ∃ মিশলে ক্রম বদলালে অর্থ বদলায়।যেখানে শিখবেন: পর্ব ৪৬
Neural Networkনিউরাল নেটওয়ার্ক
স্তরে স্তরে সাজানো ছোট ছোট হিসাবের একক (neuron) দিয়ে তৈরি model; প্রতিটি সংযোগের weight প্রশিক্ষণে ঠিক হয়। মস্তিষ্ক থেকে নাম এলেও এটি একটি গাণিতিক ফাংশন।যেখানে শিখবেন: পর্ব ০৩পর্ব ০৪পর্ব ১৭
Neuro-symbolic AIনিউরো-সিম্বলিক এআই
Neural network-এর শেখার ক্ষমতা আর প্রতীক, নিয়ম বা যুক্তির নিখুঁততা একসাথে জোড়া দেওয়ার চেষ্টা।যেখানে শিখবেন: পর্ব ০৩পর্ব ৪৫পর্ব ৪৬
Next-token predictionনেক্সট-টোকেন প্রেডিকশন
আগের token দেখে পরের token-এর সম্ভাবনা বলা; ভাষা model-এর pretraining-এর প্রধান কাজ, যেখানে পরের token-টিই label.যেখানে শিখবেন: পর্ব ৫৫পর্ব ৭৬
NFC (Normalization Form C)এন-এফ-সি
Unicode normalization-এর সবচেয়ে প্রচলিত রূপ, যা সাধারণত অক্ষর জোড়া লাগিয়ে রাখে; তবে য়, ড়, ঢ়-কে নিয়ম অনুযায়ী দুই code point-এ রাখে।যেখানে শিখবেন: পর্ব ১০পর্ব ২৩পর্ব ৫১
Nimনিম
কয়েকটি কাঠির স্তূপ নিয়ে দুজনের খেলা: নিজের পালায় একটি স্তূপ থেকে যত খুশি (অন্তত একটি) কাঠি তুলতে হয়, আর সাধারণ নিয়মে যে শেষ কাঠিটি তোলে সে জেতে।যেখানে শিখবেন: পর্ব ৪২
Nim-sumনিম-সাম
Nim-এর সব স্তূপের কাঠির সংখ্যার bitwise XOR; Bouton-এর নিয়মে nim-sum শূন্য হলে যার চাল সে (প্রতিপক্ষ নিখুঁত খেললে) হারে, শূন্য না হলে জেতে।যেখানে শিখবেন: পর্ব ৪২
NLP (Natural Language Processing)এনএলপি
মানুষের ভাষার লেখা বা কথা নিয়ে কম্পিউটারের কাজ, যেমন মনোভাব চেনা, সারাংশ বা অনুবাদ।যেখানে শিখবেন: পর্ব ০৫
No free lunch (learning)নো ফ্রি লাঞ্চ
Wolpert-এর ১৯৯৬ সালের ফল: সব সম্ভাব্য লক্ষ্য-ফাংশনকে সমান ধরলে না-দেখা উদাহরণে গড় ভুলে কোনো learning algorithm অন্যটির চেয়ে ভালো নয়।যেখানে শিখবেন: পর্ব ৫৫
No free lunch theoremনো ফ্রি লাঞ্চ থিওরেম
Wolpert ও Macready-র ১৯৯৭ সালের ফল: সসীম search space-এ সব সম্ভাব্য objective function-এর গড়ে সব search পদ্ধতির কর্মক্ষমতা সমান, তাই সুবিধা আসে সমস্যার কাঠামো মেলানো থেকে।যেখানে শিখবেন: পর্ব ৪৪
Node expansionনোড এক্সপ্যানশন
একটি node-এর state-এ সব action প্রয়োগ করে তার successor বা সন্তান node তৈরি করা; search-এর খরচ সাধারণত expansion গুনে মাপা হয়।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৪০পর্ব ৪১
Nominal dataনমিনাল ডেটা
শুধু নাম বা দল, যার মধ্যে কোনো স্বাভাবিক ক্রম নেই, যেমন জেলা বা পেমেন্ট পদ্ধতি।যেখানে শিখবেন: পর্ব ২৯পর্ব ৬৩
Non-commercial licence (NC)নন-কমার্শিয়াল লাইসেন্স
যে licence শুধু অবাণিজ্যিক ব্যবহারের অনুমতি দেয়, যেমন CC BY-NC 4.0; দোকানের পণ্য বা সেবায় ব্যবহারের জন্য মালিকের আলাদা অনুমতি লাগে।যেখানে শিখবেন: পর্ব ৭১পর্ব ৭৯
Nonparametric modelনন-প্যারামেট্রিক মডেল
যে model-এর আকার আগে থেকে ঠিক করা কয়েকটি সংখ্যায় বাঁধা নয়, ডেটা বাড়লে model-ও বড় হয়; যেমন k-NN, যা পুরো ডেটাই রাখে।যেখানে শিখবেন: পর্ব ৫৭
Normনর্ম
একটি vector-এর দৈর্ঘ্য বা আকারের মাপ; দুটি vector-এর পার্থক্যের norm হলো তাদের দূরত্ব, NumPy-তে np.linalg.norm.যেখানে শিখবেন: পর্ব ১৭পর্ব ৩৩পর্ব ৭৬
Normal distributionনরমাল ডিস্ট্রিবিউশন
ঘণ্টার মতো আকারের সম্ভাবনার বণ্টন, যা গড় আর standard deviation দিয়ে পুরোপুরি বর্ণনা করা যায়।যেখানে শিখবেন: পর্ব ১৬পর্ব ৩৬পর্ব ৩৭
Normal equationsনরমাল ইকুয়েশনস
MSE-এর gradient শূন্য বসিয়ে পাওয়া সমীকরণ XᵀXw = Xᵀy; এর অর্থ residual প্রতিটি কলামের সঙ্গে লম্ব, আর সমাধান w = (XᵀX)⁻¹Xᵀy.যেখানে শিখবেন: পর্ব ৫৮পর্ব ৭৫পর্ব ৭৬
Normalization (database)নরমালাইজেশন
ডেটাবেসের তথ্য এমনভাবে ভাগ করে রাখা, যাতে একই তথ্য একাধিক জায়গায় না থাকে আর বদলাতে হলে এক জায়গাতেই বদলাতে হয়।যেখানে শিখবেন: পর্ব ২৫
NP-completeএনপি-কমপ্লিট
NP শ্রেণির সবচেয়ে কঠিন সমস্যাগুলো, যাদের যেকোনো একটির দ্রুত সমাধান সব NP সমস্যার দ্রুত সমাধান দেবে; এমন পদ্ধতি জানা নেই।যেখানে শিখবেন: পর্ব ৪৫
np.einsumআইনসাম
Einstein summation নিয়মে ছোট একটি লেখা দিয়ে গুণ আর যোগের নানা হিসাব (dot, outer, সারির যোগ) একসঙ্গে প্রকাশের NumPy function.যেখানে শিখবেন: পর্ব ১৫
np.newaxisনিউ-অ্যাক্সিস
Index-এর ভেতরে লিখলে array-তে মাপ 1-এর একটি নতুন মাত্রা যোগ করে; এটি আসলে None-এরই আরেক নাম।যেখানে শিখবেন: পর্ব ১৫
np.vectorizeএনপি ডট ভেক্টরাইজ
একটি সাধারণ Python function-কে array-তে চালানোর সুবিধা দেয়, কিন্তু ভেতরে প্রতিটি উপাদানের জন্য Python-এর loop-ই চলে; তাই গতি বাড়ে না।যেখানে শিখবেন: পর্ব ১৫পর্ব ৭৬
Null hypothesis (H0)নাল হাইপোথিসিস
“কোনো পার্থক্য বা প্রভাব নেই” ধরনের অনুমান, যাকে সত্য ধরে test-এর হিসাব করা হয়; ডেটা একে প্রমাণ করে না, শুধু বেমানান বলতে পারে।যেখানে শিখবেন: পর্ব ৩৭
Nullable dtypeনালেবল ডি-টাইপ
pandas-এর এমন dtype (যেমন Int64, boolean) যা মানের পাশে একটি আলাদা mask রেখে ফাঁকা ঘরকে pd.NA হিসেবে রাখতে পারে, পূর্ণসংখ্যাকে float-এ না বদলে।যেখানে শিখবেন: পর্ব ২৭
Nullable integer (Int64)নালেবল ইন্টিজার
pandas-এর পূর্ণসংখ্যার dtype, যা মানের পাশে একটি আলাদা mask রেখে ফাঁকা ঘরে pd.NA বসায়, ফলে কলাম float হয় না।যেখানে শিখবেন: পর্ব ২০পর্ব ২১পর্ব ২৩
Numbaনাম্বা
একটি Python library, যা NumPy আর সংখ্যার কোডের function-কে চালানোর মুহূর্তে LLVM দিয়ে যন্ত্রের নিজের কোডে compile করে দ্রুত চালায়।যেখানে শিখবেন: পর্ব ১৯
Numerical stabilityনিউমেরিক্যাল স্টেবিলিটি
Float সংখ্যার সীমার মধ্যে থেকে হিসাব এমনভাবে লেখা, যাতে overflow, underflow বা log(0)-এর মতো কারণে ফল inf বা nan না হয়।যেখানে শিখবেন: পর্ব ৫৯পর্ব ৬৮
NumPyনাম-পাই
Python-এ সংখ্যার বহুমাত্রিক array (ndarray) আর তার দ্রুত হিসাবের library. pandas, scikit-learn, matplotlib-সহ প্রায় সব বিজ্ঞানের Python library এর ওপর দাঁড়িয়ে আছে।যেখানে শিখবেন: পর্ব ০৭পর্ব ২৯

O

Object-oriented APIঅবজেক্ট-ওরিয়েন্টেড এপিআই
matplotlib ব্যবহারের যে ধরনে fig, ax = plt.subplots() দিয়ে বস্তু হাতে নিয়ে ax.plot, ax.set_title-এর মতো method সরাসরি ডাকা হয়; matplotlib-এর docs-এ একে explicit interface বলা হয়।যেখানে শিখবেন: পর্ব ২৮পর্ব ৭৬
Objective functionঅবজেক্টিভ ফাংশন
যে function প্রতিটি সমাধানকে একটি সংখ্যা দেয়, “কত ভালো” বা “কত খরচ”; optimisation মানে এটিকে সবচেয়ে বড় বা সবচেয়ে ছোট করা।যেখানে শিখবেন: পর্ব ৪৪
Occurs checkঅকার্স চেক
Unification-এ একটি variable-কে এমন term-এ বাঁধার আগে যাচাই, যার ভেতরে সেই variable নিজেই আছে, যেমন X ≐ f(X); থাকলে ব্যর্থ।যেখানে শিখবেন: পর্ব ৪৬
OCR (Optical Character Recognition)ও-সি-আর
ছবি বা স্ক্যান করা কাগজ থেকে লেখা চিনে যন্ত্রে পড়ার মতো text বানানোর প্রযুক্তি।যেখানে শিখবেন: পর্ব ০৬
Octile distanceঅক্টাইল ডিসট্যান্স
আট দিকে চলা যায় এমন grid-এ max(dx, dy) + (√2 − 1)·min(dx, dy), যেখানে কোনাকুনি ধাপের খরচ √2; এমন grid-এ এটি admissible হয়।যেখানে শিখবেন: পর্ব ৪১
Oddsঅডস
একটি ঘটনা ঘটার সম্ভাবনা আর না ঘটার সম্ভাবনার অনুপাত, p / (1 − p); যেমন সম্ভাবনা ০.৮ মানে odds ৪ : ১।যেখানে শিখবেন: পর্ব ৫০পর্ব ৫৯
Odds ratioঅডস রেশিও
দুই অবস্থার odds-এর অনুপাত; logistic regression-এ একটি feature এক একক বাড়লে odds যত গুণ হয়, সেটি e^w.যেখানে শিখবেন: পর্ব ৫৯
Offline metricঅফলাইন মেট্রিক
পুরোনো ডেটার validation বা test set-এ মাপা model-এর মান, যেমন accuracy বা AUC; আসল ব্যবহারে ব্যবসার ফল কী হবে তা নিশ্চিত বলে না।যেখানে শিখবেন: পর্ব ৭৪
Offline mode (HF_HUB_OFFLINE)অফলাইন মোড
HF_HUB_OFFLINE=1 থাকলে huggingface_hub আর transformers internet-এ যায় না, শুধু cache থেকে পড়ে; cache-এ না থাকলে error দেয়।যেখানে শিখবেন: পর্ব ৭১
OLS (Ordinary Least Squares)ওএলএস
Residual-এর বর্গের যোগফল সবচেয়ে কম করে linear regression-এর coefficient বের করার সাধারণ পদ্ধতি; statsmodels-এ sm.OLS.যেখানে শিখবেন: পর্ব ৫৮
One-hot encodingওয়ান-হট এনকোডিং
একটি category feature-কে প্রতিটি category-র জন্য একটি আলাদা 0/1 কলামে ভাঙা, যাতে model কোনো মিথ্যা ক্রম বা দূরত্ব ধরে না নেয়।যেখানে শিখবেন: পর্ব ৫৮পর্ব ৫৯পর্ব ৬৩
One-to-many relationshipওয়ান-টু-মেনি
দুই টেবিলের সম্পর্ক, যেখানে একদিকের একটি key-র সঙ্গে অন্যদিকের অনেক সারি মেলে; যেমন একটি পণ্য, তার অনেক অর্ডার।যেখানে শিখবেন: পর্ব ২৫
One-vs-rest (OvR)ওয়ান-ভার্সাস-রেস্ট
দুই শ্রেণির classifier দিয়ে বহু শ্রেণির কাজ করার কৌশল: প্রতিটি শ্রেণির জন্য একটি model, “এই শ্রেণি বনাম বাকি সব”, আর যার score সবচেয়ে বড় সেটিই উত্তর।যেখানে শিখবেন: পর্ব ৭৩
Online inferenceঅনলাইন ইনফারেন্স
অনুরোধ আসামাত্র একটি API-র মাধ্যমে model চালিয়ে সঙ্গে সঙ্গে উত্তর দেওয়া, যেমন checkout-এর মুহূর্তে; latency আর সার্ভার সবসময় চালু রাখার খরচ লাগে।যেখানে শিখবেন: পর্ব ৭৪
ONNX (Open Neural Network Exchange)ওএনএনএক্স
machine learning model-এর একটি খোলা ফরম্যাট, যাতে একটি টুলে বানানো model অন্য runtime-এ, এমনকি Python ছাড়া, চালানো যায়।যেখানে শিখবেন: পর্ব ৬৪পর্ব ৭১
Ontological commitmentঅন্টোলজিক্যাল কমিটমেন্ট
একটি logic জগৎ সম্পর্কে কী ধরে নেয়, অর্থাৎ জগতে কী কী আছে: শুধু তথ্য, নাকি বস্তু আর সম্পর্কও।যেখানে শিখবেন: পর্ব ৪৬
Ontologyঅন্টোলজি
একটি বিষয়ের ধারণাগুলোর আনুষ্ঠানিক বর্ণনা: কোন কোন class আছে, কোনটি কার ভেতরে, কোন সম্পর্ক কোন class-এর মধ্যে খাটে; knowledge graph-এর schema.যেখানে শিখবেন: পর্ব ৪৮
Open weightsওপেন ওয়েটস
Model-এর শেখা ওজন সবার জন্য নামানোর সুযোগ; এর মানে এই নয় যে training ডেটা, training কোড বা স্বাধীন ব্যবহারের অনুমতিও খোলা।যেখানে শিখবেন: পর্ব ৭১
Open-world assumptionওপেন ওয়ার্ল্ড অ্যাজাম্পশন
যে তথ্য জ্ঞানভান্ডারে লেখা নেই তাকে অজানা ধরা, মিথ্যা নয়; RDF আর OWL সাধারণত এটি মানে, আর database সাধারণত উল্টো closed-world ধারণা মানে।যেখানে শিখবেন: পর্ব ৪৮পর্ব ৭৬
openpyxlওপেন-পাই-এক্স-এল
xlsx ফাইল পড়া-লেখার Python package; pandas-এর read_excel আর to_excel xlsx-এর জন্য এটি ব্যবহার করে.যেখানে শিখবেন: পর্ব ১০পর্ব ২১
OpenRAIL licenceওপেনরেইল লাইসেন্স
Responsible AI License পরিবারের একটি ধরন, যা ওজন ব্যবহার আর বিতরণের অনুমতি দেয় কিন্তু কিছু ক্ষতিকর ব্যবহার নিষেধ করে, আর সেই নিষেধ পরের ব্যবহারকারীর কাছেও পৌঁছে দিতে বলে।যেখানে শিখবেন: পর্ব ৭১
Operating pointঅপারেটিং পয়েন্ট
একটি model বাস্তবে যে নির্দিষ্ট threshold বা সীমায় চালানো হয়, আর তাতে যে precision ও recall পাওয়া যায়; ROC বা PR curve-এর একটি বিন্দু।যেখানে শিখবেন: পর্ব ৬০
Optimality (cost-optimality)অপটিমালিটি
Algorithm যে সমাধান দেয় তা সব সমাধানের মধ্যে সবচেয়ে কম path cost-এর, এই নিশ্চয়তা।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৪০পর্ব ৪১
Optimizationঅপটিমাইজেশন
নিয়ম মেনে সম্ভাব্য সমাধানগুলোর মধ্যে খরচ সবচেয়ে কম বা লাভ সবচেয়ে বেশি এমনটি খোঁজা।যেখানে শিখবেন: পর্ব ০৫পর্ব ৪৩পর্ব ৪৪
Order crossover (OX)অর্ডার ক্রসওভার
Permutation-এর crossover: প্রথম বাবা/মা থেকে একটি টুকরো হুবহু রেখে বাকি ঘর দ্বিতীয়জনের ক্রমে ভরা, যাতে প্রতিটি শহর ঠিক একবার থাকে।যেখানে শিখবেন: পর্ব ৪৪
Ordinal dataঅর্ডিনাল ডেটা
ক্রম আছে কিন্তু ধাপগুলো সমান নয় এমন ডেটা, যেমন ১ থেকে ৫ rating বা ছোট-মাঝারি-বড়।যেখানে শিখবেন: পর্ব ২৯পর্ব ৬৩
Ordinal encodingঅর্ডিনাল এনকোডিং
প্রতিটি category-কে একটি পূর্ণসংখ্যা দেওয়া, যেমন S=0, M=1, L=2; ক্রম সত্যিই থাকলে মানানসই, না থাকলে linear model একটি মিথ্যা ক্রম শিখে ফেলে।যেখানে শিখবেন: পর্ব ৬৩
Orthogonalঅর্থোগোনাল
দুটি vector পরস্পর সমকোণে (90°) থাকলে তারা orthogonal; তাদের dot product শূন্য।যেখানে শিখবেন: পর্ব ৩৩পর্ব ৬৫
Out-of-fold (OOF) predictionআউট-অফ-ফোল্ড প্রেডিকশন
Cross-validation-এ প্রতিটি সারির অনুমান সেই model থেকে, যে fold-এ সারিটি train-এ ছিল না; এতে test না ছুঁয়েই প্রতিটি train সারির একটি সৎ অনুমান পাওয়া যায়।যেখানে শিখবেন: পর্ব ৭৩
Outcomeআউটকাম
একটি অনিশ্চিত পরীক্ষার একটি নির্দিষ্ট ফল, যেমন ছক্কায় ৪ আসা।যেখানে শিখবেন: পর্ব ৩৫
Outer join (full outer join)আউটার জয়েন
যে join-এ দুই টেবিলের সব key থাকে; যেদিকে মিল নেই, সেদিকের কলাম missing হয়।যেখানে শিখবেন: পর্ব ২৫
Outer productআউটার প্রোডাক্ট
দুটি vector-এর প্রতিটি জোড়ার গুণফলের টেবিল; দৈর্ঘ্য m আর n হলে ফল m × n মাপের matrix.যেখানে শিখবেন: পর্ব ১৫
Outlierআউটলায়ার
বাকি ডেটা থেকে অস্বাভাবিকভাবে দূরের একটি মান; এটি ভুল এন্ট্রি হতে পারে, আবার সত্যিকারের বিরল ঘটনাও হতে পারে, তাই বদলানোর আগে কারণ খোঁজা দরকার।যেখানে শিখবেন: পর্ব ১৪পর্ব ২৩পর্ব ২৮
Over-stemmingওভার-স্টেমিং
Stemmer বেশি ছেঁটে ফেলায় ভিন্ন অর্থের শব্দ একই মূলে মিশে যাওয়া, যেমন “বাজার” আর “বাজাতে” দুটিই “বাজা”।যেখানে শিখবেন: পর্ব ৬৭
Overfittingওভারফিটিং
মডেল train ডেটার খুঁটিনাটি আর গোলমাল মুখস্থ করে ফেলে, ফলে নতুন ডেটায় খারাপ করে।যেখানে শিখবেন: পর্ব ৩৮পর্ব ৫১পর্ব ৫৫
Overflow (floating-point)ওভারফ্লো
হিসাবের ফল float-এর সবচেয়ে বড় মান (float64-এ প্রায় 1.8 × 10^308) পেরিয়ে গেলে তা inf হয়ে যাওয়া, যেমন np.exp(1000).যেখানে শিখবেন: পর্ব ৫৯
Overplottingওভারপ্লটিং
অনেক বিন্দু একটির ওপর আরেকটি পড়ে ঘনত্ব লুকিয়ে যাওয়া; ছোট marker, alpha, jitter বা hexbin দিয়ে সারানো হয়।যেখানে শিখবেন: পর্ব ২৯
OWL (Web Ontology Language)আউল
RDFS-এর চেয়ে প্রকাশক্ষম W3C-র ontology ভাষা, যাতে class-এর অমিল, transitive property বা সংখ্যার সীমার মতো নিয়ম লেখা যায়; ভিত্তি description logic.যেখানে শিখবেন: পর্ব ৪৮

P

p-hackingপি-হ্যাকিং
ডেটা, বিশ্লেষণ বা থামার সময় বারবার বদলে এমন একটি সংস্করণ বেছে নেওয়া, যেখানে p-value সীমার নিচে আসে; এতে মিথ্যা আবিষ্কার বাড়ে।যেখানে শিখবেন: পর্ব ৩৭পর্ব ৬২পর্ব ৬৬
p-valueপি-ভ্যালু
null hypothesis আর মডেলের সব অনুমান সত্য হলে, পাওয়া ফলের মতো বা তার চেয়েও চরম ফল আসার সম্ভাবনা; এটি hypothesis সত্য হওয়ার সম্ভাবনা নয়।যেখানে শিখবেন: পর্ব ৩৭পর্ব ৭৪
PageRankপেজর‍্যাংক
Brin আর Page-এর ১৯৯৮ সালে বর্ণিত পদ্ধতি, যা link-এর graph-এ random surfer-এর stationary distribution দিয়ে প্রতিটি পাতার গুরুত্ব মাপে।যেখানে শিখবেন: পর্ব ৫৩
Paired comparisonপেয়ার্ড কম্প্যারিসন
দুই model-কে একই উদাহরণে (একই test set বা একই bootstrap নমুনায়) মেপে তাদের পার্থক্যের অনিশ্চয়তা হিসাব করা; আলাদা আলাদা মাপার চেয়ে ন্যায্য আর সূক্ষ্ম।যেখানে শিখবেন: পর্ব ৬০পর্ব ৬৬
Pairwise summationপেয়ারওয়াইজ সামেশন
সংখ্যাগুলোকে জোড়ায় জোড়ায় ভাগ করে ধাপে ধাপে যোগ করার পদ্ধতি, যা একটির পর একটি যোগের চেয়ে অনেক কম গোল করার ভুল জমায়; NumPy-র np.sum অনেক ক্ষেত্রে এটি ব্যবহার করে।যেখানে শিখবেন: পর্ব ১৯
pandasপ্যান্ডাস
টেবিলের ডেটা নিয়ে কাজের জনপ্রিয় Python library, যা NumPy-র ওপর কলামের নাম, সারির label আর কলামভেদে আলাদা dtype যোগ করে।যেখানে শিখবেন: পর্ব ২০পর্ব ২১পর্ব ২২
Parameter (model parameter)প্যারামিটার
মডেলের ভেতরের যে সংখ্যাগুলো (weight, bias) প্রশিক্ষণে শেখা হয়; মডেলের মাপ প্রায়ই এদের সংখ্যা দিয়ে বলা হয়।যেখানে শিখবেন: পর্ব ০২পর্ব ০৩পর্ব ৩৪
Parameterized queryপ্যারামিটারাইজড কোয়েরি
যে query-তে মানের জায়গায় শুধু একটি চিহ্ন (? বা :name) থাকে আর মান আলাদাভাবে পাঠানো হয়, ফলে ডেটাবেস মানটিকে সবসময় ডেটা হিসেবে দেখে।যেখানে শিখবেন: পর্ব ২১
Paraphraseপ্যারাফ্রেজ
একই কথা ভিন্ন শব্দে বলা, যেমন “দেরিতে এসেছে” আর “সময়মতো পৌঁছায়নি”।যেখানে শিখবেন: পর্ব ৬৯
Parent (node)প্যারেন্ট
DAG-এ যে node থেকে কোনো node-এ সরাসরি তীর আসে, সেটি তার parent; Bayesian network-এ একটি node-এর সম্ভাবনা শুধু তার parent-দের মানের ওপর লেখা হয়।যেখানে শিখবেন: পর্ব ৫২
Parity (of a permutation)প্যারিটি
একটি বিন্যাসের inversion সংখ্যা জোড় না বিজোড়; 8-puzzle-এর কোনো চালে এটি বদলায় না বলে বিজোড় parity-র বিন্যাস লক্ষ্যে পৌঁছায় না।যেখানে শিখবেন: পর্ব ৩৯
Part-of-speech taggingপার্ট-অফ-স্পিচ ট্যাগিং
একটি বাক্যের প্রতিটি শব্দকে তার ব্যাকরণগত পদ (বিশেষ্য, ক্রিয়া, বিশেষণ ইত্যাদি) দিয়ে চিহ্নিত করার কাজ।যেখানে শিখবেন: পর্ব ৫৩
Partial aggregateপার্শিয়াল অ্যাগ্রিগেট
ডেটার একটি টুকরো থেকে বানানো এমন সারাংশ (যেমন sum আর count) যা অন্য টুকরোর সারাংশের সঙ্গে জুড়ে পুরো ডেটার সঠিক ফল দেয়।যেখানে শিখবেন: পর্ব ২৭
Partial derivativeপার্শিয়াল ডেরিভেটিভ
অনেক চলকের function-এ বাকি সব চলক স্থির রেখে একটিমাত্র চলকের সাপেক্ষে derivative; ∂L/∂w লেখা হয়।যেখানে শিখবেন: পর্ব ৩৪
Partial-order planningপার্শিয়াল-অর্ডার প্ল্যানিং
যে planning শুধু দরকারি আগে-পরের সম্পর্ক রাখে, পুরো ক্রম বেঁধে দেয় না; ফল action-এর একটি আংশিক ক্রম, যা থেকে অনেক বৈধ ধারাবাহিক plan পাওয়া যায়।যেখানে শিখবেন: পর্ব ৪৯
PATH (environment variable)পাথ
ফোল্ডারের একটি তালিকা, যেখানে shell ক্রমানুসারে প্রোগ্রাম খোঁজে; প্রথম যেটি মেলে সেটিই চলে। venv activate করলে তার ফোল্ডার এই তালিকার শুরুতে বসে।যেখানে শিখবেন: পর্ব ০৭
Path costপাথ কস্ট
শুরু থেকে একটি পথের মোট খরচ, সাধারণত প্রতিটি ধাপের খরচের যোগ; যেমন কিলোমিটার, সময় বা চালের সংখ্যা।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৪০পর্ব ৪১
Pattern databaseপ্যাটার্ন ডেটাবেস
কয়েকটি অংশের (যেমন কয়েকটি টাইল) উপ-সমস্যার প্রতিটি বিন্যাসের সেরা খরচ আগে থেকে হিসাব করে রাখা টেবিল, যা search-এর সময় heuristic হিসেবে দেখা হয়।যেখানে শিখবেন: পর্ব ৪১
Pattern matchingপ্যাটার্ন ম্যাচিং
লেখা বা ডেটার মধ্যে একটি নির্দিষ্ট ছাঁচ (যেমন regular expression) মেলে কি না দেখা, আর মিললে তার অংশগুলো আলাদা করে নেওয়া।যেখানে শিখবেন: পর্ব ০২
PCA (Principal Component Analysis)পিসিএ
Dimensionality reduction-এর একটি জনপ্রিয় পদ্ধতি, যা ডেটার সবচেয়ে বেশি variance-এর দিকগুলো খুঁজে নতুন কলাম বানায়।যেখানে শিখবেন: পর্ব ০৫পর্ব ৬৫পর্ব ৭৭
PDDLপি-ডি-ডি-এল
Planning Domain Definition Language: planning সমস্যা লেখার প্রমিত ভাষা, ১৯৯৮ সালের planning প্রতিযোগিতার জন্য প্রস্তাবিত; domain file আর problem file-এ ভাগ করা।যেখানে শিখবেন: পর্ব ৪৯
PDF (probability density function)পি-ডি-এফ
Continuous random variable-এর ঘনত্বের বক্ররেখা; উচ্চতা সম্ভাবনা নয়, কোনো পরিসরের নিচের ক্ষেত্রফলই সেই পরিসরের সম্ভাবনা, আর মোট ক্ষেত্রফল 1.যেখানে শিখবেন: পর্ব ৩৬
PEASপিস
Performance measure, Environment, Actuators, Sensors — একটি AI সমস্যা স্পষ্ট করে লেখার চার অংশের ছক।যেখানে শিখবেন: পর্ব ০১পর্ব ৭৬পর্ব ৭৯
Per capitaপার ক্যাপিটা
প্রতি জনে হিসাব: মোট মানকে মানুষের সংখ্যা (বা ক্রেতা, অর্ডার) দিয়ে ভাগ করা হার, যাতে বড় আর ছোট দলের ন্যায্য তুলনা হয়।যেখানে শিখবেন: পর্ব ৩২পর্ব ৭৭
Percentileপার্সেন্টাইল
এমন একটি মান, যার নিচে মোটামুটি নির্দিষ্ট শতাংশ ডেটা থাকে; ৫০ percentile হলো median.যেখানে শিখবেন: পর্ব ১৬পর্ব ২৯পর্ব ৩৬
Perceptপারসেপ্ট
কোনো এক মুহূর্তে agent-এর sensor যা টের পায়। শুরু থেকে সব percept-এর তালিকাকে বলে percept sequence.যেখানে শিখবেন: পর্ব ০১
Perceptionপারসেপশন
ছবি, ভিডিও বা শব্দের মতো কাঁচা সংকেত থেকে অর্থ বের করা, যেমন ছবিতে বস্তু চেনা।যেখানে শিখবেন: পর্ব ০৫
Perceptronপারসেপট্রন
Frank Rosenblatt-এর (১৯৫৮) শিখতে পারা artificial neuron: input-এর weight দেওয়া যোগফল আর bias দেখে ০ বা ১ বলে, আর ভুল হলে weight শোধরায়।যেখানে শিখবেন: পর্ব ০২পর্ব ৫৫পর্ব ৬৮
Perceptually uniformপারসেপচুয়ালি ইউনিফর্ম
এমন colormap যেখানে মানের সমান ধাপে চোখে প্রায় সমান রঙের পার্থক্য দেখা যায়, তাই রং দেখে মানের দূরত্ব ঠিকভাবে বোঝা যায়।যেখানে শিখবেন: পর্ব ৩২
Perfect informationপারফেক্ট ইনফরমেশন
খেলার এমন অবস্থা, যেখানে প্রত্যেক খেলোয়াড় পুরো বোর্ড আর আগের সব চাল দেখতে পায়, কিছুই লুকানো নেই; দাবা আর Go এমন, তাস বা পোকার নয়।যেখানে শিখবেন: পর্ব ৪২পর্ব ৭৭
Perfect separationপারফেক্ট সেপারেশন
Training ডেটার দুই শ্রেণিকে একটি রেখা বা সমতল পুরোপুরি আলাদা করতে পারলে logistic regression-এর penalty-হীন ওজন সীমাহীনভাবে বাড়তে থাকে; এই অবস্থার নাম।যেখানে শিখবেন: পর্ব ৫৯পর্ব ৬২
Performance measureপারফরম্যান্স মেজার
যে মাপকাঠিতে agent-এর আচরণ কতটা ভালো তা বিচার করা হয়। এটি ভুল লিখলে agent ভুল জিনিসই দক্ষতার সঙ্গে অপটিমাইজ করে।যেখানে শিখবেন: পর্ব ০১পর্ব ৭৭
Permissive licenceপারমিসিভ লাইসেন্স
অল্প শর্তে বাণিজ্যিক ব্যবহার, বদল আর বিতরণের অনুমতি দেওয়া licence, যেমন MIT আর Apache-2.0; সাধারণ শর্ত হলো licence-এর লেখা আর কপিরাইট নোটিশ রেখে দেওয়া।যেখানে শিখবেন: পর্ব ৭১
Permutation (nPr)পারমুটেশন
ক্রম গুরুত্বপূর্ণ এমন বাছাই: n টি থেকে r টি বেছে সাজানোর উপায় n! / (n − r)!; Python-এ math.perm.যেখানে শিখবেন: পর্ব ৩৫
Permutation importanceপারমিউটেশন ইমপর্ট্যান্স
held-out ডেটায় একটি কলামের মান এলোমেলো করে score কতটা কমে, তা মেপে সেই কলামের গুরুত্ব আঁচ করা; প্রায় একই তথ্যের দুটি কলাম থাকলে দুটিকেই কম গুরুত্বপূর্ণ দেখাতে পারে।যেখানে শিখবেন: পর্ব ৬৩
Permutation testপারমুটেশন টেস্ট
দলের label বারবার এলোমেলো করে দেখা, শুধু কাকতালে পাওয়া পার্থক্যের মতো বড় পার্থক্য কত ঘন ঘন আসে; সূত্রের বদলে simulation দিয়ে p-value.যেখানে শিখবেন: পর্ব ৩৭
Perplexityপারপ্লেক্সিটি
Cross-entropy-র exp; language model গড়ে যেন কতগুলো সমান সম্ভাব্য বিকল্পের মধ্যে দোটানায়, তার মাপ।যেখানে শিখবেন: পর্ব ৩৮পর্ব ৭০
Personal data / data protectionপার্সোনাল ডেটা, ডেটা প্রোটেকশন
যে তথ্য দিয়ে কোনো মানুষকে চেনা যায় (নাম, ফোন, ঠিকানা, ছবি, কণ্ঠ), আর তা সংগ্রহ, ব্যবহার ও সংরক্ষণে নিয়ম মেনে চলার নীতি।যেখানে শিখবেন: পর্ব ০৬পর্ব ১২পর্ব ১৮
pgmpyপিজিএমপাই
Bayesian network-সহ probabilistic graphical model বানানো, শেখা আর inference চালানোর একটি open-source Python লাইব্রেরি।যেখানে শিখবেন: পর্ব ৫২
Phase transition (SAT)ফেজ ট্রানজিশন
এলোমেলো 3-SAT-এ clause আর variable-এর অনুপাত প্রায় ৪.২-এর কাছে satisfiable থেকে unsatisfiable-এ হঠাৎ বদল, যেখানে সমস্যা সবচেয়ে কঠিন।যেখানে শিখবেন: পর্ব ৪৫
pickleপিকল
Python-এর বস্তুকে বাইটে বদলে ফাইলে রাখা আর ফেরত আনার নিজস্ব মডিউল; খোলার সময় ফাইলের নির্দেশে কোড চলতে পারে, তাই শুধু বিশ্বস্ত ফাইল খোলা উচিত।যেখানে শিখবেন: পর্ব ৬৪পর্ব ৭১পর্ব ৭৩
Pie chartপাই চার্ট
একটি বৃত্তকে টুকরোয় ভাগ করে অংশ দেখানো chart; কোণ আর ক্ষেত্রফলে তুলনা কঠিন বলে দুই-তিনটি ভাগেই ভালো চলে।যেখানে শিখবেন: পর্ব ২৯
pipপিপ
Python-এর সাথে আসা package ইনস্টলার, যা সাধারণত PyPI থেকে package নামায়। কোন Python-এ বসাচ্ছে তা নিশ্চিত করতে python -m pip লেখা নিরাপদ।যেখানে শিখবেন: পর্ব ০৭পর্ব ০৮
Pipeline (scikit-learn)পাইপলাইন
Preprocessing-এর ধাপ আর model একসঙ্গে বাঁধা একটি বস্তু, যার fit প্রতিটি ধাপকে শুধু দেওয়া train ডেটায় fit করে; preprocessing leakage ঠেকানোর সহজ উপায়।যেখানে শিখবেন: পর্ব ৫৬পর্ব ৬৩পর্ব ৬৪
pipeline() (transformers)পাইপলাইন
transformers library-র একটি function, যা একটি কাজের জন্য tokenizer, model আর post-processing একসঙ্গে জুড়ে দেয়; লেখা দিলে label আর score ফেরত দেয়।যেখানে শিখবেন: পর্ব ৭১
Pivot tableপিভট টেবিল
দুই key-এর grouped aggregation, যার একটি key সারিতে আর আরেকটি কলামে ছড়ানো থাকে; pandas-এ pd.pivot_table, spreadsheet-এও একই নামের সুবিধা।যেখানে শিখবেন: পর্ব ২৫পর্ব ৭৬
Pixelপিক্সেল
Picture element: ডিজিটাল ছবির সবচেয়ে ছোট একক, grid-এর একটি ঘর, যার রং এক বা একাধিক সংখ্যা দিয়ে লেখা।যেখানে শিখবেন: পর্ব ১৮পর্ব ৭৬
Plan validationপ্ল্যান ভ্যালিডেশন
একটি দেওয়া plan শুরুর state থেকে ধাপে ধাপে চালিয়ে প্রতিটি action-এর precondition আর শেষে লক্ষ্য পরীক্ষা করা; যে প্রোগ্রাম এটি করে তাকে validator বলে।যেখানে শিখবেন: পর্ব ৪৯
Planningপ্ল্যানিং
একটি লক্ষ্যে পৌঁছাতে কোন কাজ কোন ক্রমে করতে হবে তা বের করা।যেখানে শিখবেন: পর্ব ০৫পর্ব ৩৯পর্ব ৪৯
Plateauপ্ল্যাটো
ভূদৃশ্যের সমতল অংশ, যেখানে প্রতিবেশীদের মান সমান; সেখানে কোন দিকে উন্নতি তা বোঝা যায় না বলে লোভী পদ্ধতি থেমে যায়।যেখানে শিখবেন: পর্ব ৪৪
Playout (rollout)প্লেআউট
একটি অবস্থা থেকে এলোমেলো বা সহজ নিয়মের চাল দিয়ে খেলা শেষ পর্যন্ত চালিয়ে দেখা কে জেতে; অনেক playout-এর গড় ফল অবস্থাটির একটি মোটা দাগের অনুমান দেয়।যেখানে শিখবেন: পর্ব ৪২
Plotlyপ্লটলি
interactive chart বানানোর একটি লাইব্রেরি-পরিবার; ব্রাউজারে plotly.js ছবি আঁকে, আর Python-এর plotly package সেই ছবির বর্ণনা JSON হিসেবে বানায়।যেখানে শিখবেন: পর্ব ৩১
Plotly Express (px)প্লটলি এক্সপ্রেস
Plotly-র উঁচু স্তরের অংশ, যা একটি DataFrame আর কলামের নাম পেলে এক লাইনে পুরো chart বানায়, যেমন px.scatter বা px.line.যেখানে শিখবেন: পর্ব ৩১পর্ব ৭৬
Plotting contextপ্লটিং কনটেক্সট
seaborn-এর যে সেটিং chart কোথায় দেখা হবে (paper, notebook, talk, poster) অনুযায়ী লেখা আর রেখার আকার একসঙ্গে বাড়ায় বা কমায়।যেখানে শিখবেন: পর্ব ৩০
Plyপ্লাই
একজন খেলোয়াড়ের একটি চাল, মানে game tree-র এক স্তর; দুই খেলোয়াড়ের একটি করে চাল মিলে দুই ply.যেখানে শিখবেন: পর্ব ৪২
PMF (probability mass function)পি-এম-এফ
Discrete random variable-এর প্রতিটি মানের সম্ভাবনা, যেমন P(X = 2); সব মানের যোগফল 1.যেখানে শিখবেন: পর্ব ৩৬
Poisson distributionপোয়াসোঁ ডিস্ট্রিবিউশন
নির্দিষ্ট সময় বা জায়গায় গড় হার λ-তে স্বাধীনভাবে ঘটা ঘটনার সংখ্যার distribution; গড় আর variance দুটিই λ.যেখানে শিখবেন: পর্ব ৩৬পর্ব ৭৫
Polarsপোলার্স
Rust-এ লেখা একটি DataFrame library, যা Apache Arrow-এর কলাম-বিন্যাসে ডেটা রাখে, সব CPU core-এ কাজ ভাগ করে আর lazy query optimizer দেয়।যেখানে শিখবেন: পর্ব ২৭
Policy (π)পলিসি
প্রতিটি state-এ কোন action নিতে হবে তার নিয়ম, π(s) = a; MDP-র সমাধান একটি policy, একটি নির্দিষ্ট পথ নয়।যেখানে শিখবেন: পর্ব ৫৪পর্ব ৫৫পর্ব ৭৭
Policy evaluationপলিসি ইভ্যালুয়েশন
একটি নির্দিষ্ট policy মেনে চললে প্রতিটি state-এর মান কত, তা হিসাব করা; এখানে action-এর ওপর max থাকে না।যেখানে শিখবেন: পর্ব ৫৪
Policy iterationপলিসি ইটারেশন
একটি policy-র মান বের করা (evaluation) আর সেই মান দিয়ে greedy policy বানানো (improvement) পালা করে চালানো, যতক্ষণ policy বদলায়।যেখানে শিখবেন: পর্ব ৫৪পর্ব ৭৭
Polynomial featuresপলিনোমিয়াল ফিচারস
x², x³ বা x₁x₂-এর মতো নতুন কলাম, যা linear model-কে বাঁকা সম্পর্ক ধরতে দেয়; degree বেশি হলে overfitting-এর ঝুঁকি দ্রুত বাড়ে।যেখানে শিখবেন: পর্ব ৫৮পর্ব ৬১
Polynomial regressionপলিনোমিয়াল রিগ্রেশন
x-এর ঘাত (x, x², x³ …) দিয়ে বাঁকা সম্পর্ক fit করা; degree যত বেশি, ফাংশন তত নমনীয় আর overfitting-এর ঝুঁকি তত বেশি।যেখানে শিখবেন: পর্ব ৫৫
POMDPপি-ও-এম-ডি-পি
Partially observable MDP: agent নিজের state সরাসরি দেখে না, শুধু observation পায়, তাই সম্ভাব্য state-গুলোর ওপর একটি belief রেখে সিদ্ধান্ত নেয়।যেখানে শিখবেন: পর্ব ৫৪
Populationপপুলেশন
পরিসংখ্যানে যাদের নিয়ে প্রশ্ন, তাদের সবাই, যেমন এ বছরের সব অর্ডার; সাধারণত পুরোটা দেখা যায় না, শুধু একটি নমুনা।যেখানে শিখবেন: পর্ব ৩৬
Population Stability Index (PSI)পপুলেশন স্টেবিলিটি ইনডেক্স
একটি feature-এর পুরোনো আর নতুন বণ্টন bin-এ ভাগ করে প্রতিটি bin-এ (নতুন ভাগ − পুরোনো ভাগ) × ln(নতুন ÷ পুরোনো) যোগ করা মাপ; শূন্য মানে কোনো পরিবর্তন নেই।যেখানে শিখবেন: পর্ব ৭৪পর্ব ৭৫পর্ব ৭৬
Portপোর্ট
একই কম্পিউটারে একাধিক network প্রোগ্রাম আলাদা করার সংখ্যা, যেমন 8888 বা 18931.যেখানে শিখবেন: পর্ব ০৮
Positional encodingপজিশনাল এনকোডিং
প্রতিটি token-এর vector-এ তার অবস্থানের তথ্য যোগ করার পদ্ধতি, কারণ attention নিজে ক্রম দেখে না; মূল Transformer-এ sine আর cosine দিয়ে তৈরি।যেখানে শিখবেন: পর্ব ৭০
Positive classপজিটিভ ক্লাস
Binary classification-এ যে শ্রেণিটিকে আমরা খুঁজছি, যেমন ভুয়া অর্ডার বা রোগ; সাধারণত label 1. Precision আর recall এই শ্রেণির হিসাবেই মাপা হয়।যেখানে শিখবেন: পর্ব ৬০
Positive predictive value (PPV)পজিটিভ প্রেডিক্টিভ ভ্যালু
Model যাদের positive বলেছে, তাদের কত ভাগ আসলে positive, TP ÷ (TP + FP); precision-এর আরেক নাম।যেখানে শিখবেন: পর্ব ৭২
Posterior meanপোস্টেরিয়র মিন
Posterior distribution-এর গড়, parameter-এর একটি এক-সংখ্যার অনুমান; Beta(α, β) posterior-এ α / (α + β).যেখানে শিখবেন: পর্ব ৫০
Posterior probabilityপোস্টেরিয়র প্রোবাবিলিটি
প্রমাণ দেখার পর হালনাগাদ করা সম্ভাবনা, P(H | E); Bayes-এর নিয়ম দিয়ে হিসাব হয়।যেখানে শিখবেন: পর্ব ৩৫পর্ব ৫০পর্ব ৫১
Power transform (Box-Cox, Yeo-Johnson)পাওয়ার ট্রান্সফর্ম
ডেটা থেকে একটি ঘাত λ শিখে কলামকে প্রায় normal আকারে আনার রূপান্তর; Box-Cox শুধু ধনাত্মক মানে চলে, Yeo-Johnson শূন্য আর ঋণাত্মক মানেও।যেখানে শিখবেন: পর্ব ৬৩
ppf (percent point function)পি-পি-এফ
CDF-এর উল্টো function: একটি সম্ভাবনা q দিলে সেই মান দেয়, যার নিচে q ভাগ সম্ভাবনা, মানে quantile বা percentile.যেখানে শিখবেন: পর্ব ৩৬পর্ব ৫০
Precisionপ্রিসিশন
মডেল যাদের হ্যাঁ বলেছে তাদের কত ভাগ সত্যিই হ্যাঁ: TP / (TP + FP).যেখানে শিখবেন: পর্ব ০৫পর্ব ৫১পর্ব ৫৯
Precision-recall curveপ্রিসিশন-রিকল কার্ভ
Threshold বদলাতে বদলাতে recall (x অক্ষ) আর precision (y অক্ষ) বসিয়ে আঁকা রেখা; positive খুব কম হলে ROC-এর চেয়ে বেশি তথ্য দেখায়।যেখানে শিখবেন: পর্ব ৬০
Preconditionপ্রিকন্ডিশন
একটি action চালানোর আগে যে fact-গুলো সত্য থাকতে হবে; সবগুলো state-এ থাকলে তবেই action প্রয়োগযোগ্য।যেখানে শিখবেন: পর্ব ৪৯পর্ব ৭৬পর্ব ৭৭
Predicateপ্রেডিকেট
বস্তুর গুণ বা বস্তুদের মধ্যের সম্পর্ক, যা সত্য বা মিথ্যা হয়, যেমন Rice(x) বা Ordered(x, y); কয়টি argument লাগে তা তার arity.যেখানে শিখবেন: পর্ব ৪৬পর্ব ৭৭
Predicate pushdownপ্রেডিকেট পুশডাউন
Optimizer-এর একটি কৌশল যেখানে filter-এর শর্ত ফাইল পড়ার ধাপে নামিয়ে দেওয়া হয়, যাতে পড়ার সময়েই অপ্রয়োজনীয় সারি বাদ যায়।যেখানে শিখবেন: পর্ব ২৭
Prediction driftপ্রেডিকশন ড্রিফট
Model-এর অনুমানের বণ্টন বদলে যাওয়া, যেমন হঠাৎ অনেক বেশি অর্ডারকে ঝুঁকিপূর্ণ বলা; label আসার আগেই পাওয়া একটি সতর্কসংকেত।যেখানে শিখবেন: পর্ব ৭৪পর্ব ৭৯
Premature convergenceপ্রিম্যাচিওর কনভার্জেন্স
Population খুব দ্রুত প্রায় একই রকম সমাধানে ভরে গিয়ে ভালো উত্তরের আগেই উন্নতি থেমে যাওয়া; কম mutation বা ছোট population-এ বেশি দেখা যায়।যেখানে শিখবেন: পর্ব ৪৪
Preprocessing leakageপ্রিপ্রসেসিং লিকেজ
Scaling, imputation বা feature বাছাইয়ের মতো প্রস্তুতির ধাপ ভাগের আগে পুরো ডেটায় fit করা, যাতে test-এর তথ্য train-এর মাপকাঠিতে ঢুকে যায়।যেখানে শিখবেন: পর্ব ৫৬পর্ব ৬৩পর্ব ৬৪
Pretrained modelপ্রিট্রেইনড মডেল
বিপুল সাধারণ ডেটায় আগে থেকে train করা model, যা নিজের ছোট কাজে সরাসরি বা অল্প fine-tuning করে ব্যবহার করা যায়।যেখানে শিখবেন: পর্ব ৬৭পর্ব ৬৯পর্ব ৭১
Pretrainingপ্রিট্রেনিং
নির্দিষ্ট কাজের আগে বিপুল সাধারণ ডেটায় model-এর প্রথম বড় প্রশিক্ষণ; ভাষা model-এ এর লক্ষ্য সাধারণত পরের token অনুমান।যেখানে শিখবেন: পর্ব ০৪পর্ব ১২পর্ব ৫৫
Prevalenceপ্রিভ্যালেন্স
পুরো ডেটায় positive শ্রেণির ভাগ, যেমন ১০০০ অর্ডারে ১৯টি ভুয়া মানে প্রায় ১.৯%; base rate-এর আরেক নাম।যেখানে শিখবেন: পর্ব ৬০
Principal componentপ্রিন্সিপাল কম্পোনেন্ট
PCA-র একটি নতুন অক্ষ: ডেটার সবচেয়ে বেশি variance-এর একক দিক, যা আগের সব অক্ষের সঙ্গে সমকোণে থাকে।যেখানে শিখবেন: পর্ব ৬৫
Prior probabilityপ্রায়র প্রোবাবিলিটি
নতুন প্রমাণ দেখার আগে একটি অনুমানের সম্ভাবনা, P(H).যেখানে শিখবেন: পর্ব ৩৫পর্ব ৫০পর্ব ৫১
Prior sampling (forward sampling)প্রায়র স্যাম্পলিং
DAG-এর ক্রমে, আগে parent পরে child, প্রতিটি চলকের মান তার CPT থেকে random ভাবে টেনে network-এর একটি পূর্ণ নমুনা বানানো।যেখানে শিখবেন: পর্ব ৫২
Priority queueপ্রায়োরিটি কিউ
যে data structure প্রতিবার সবচেয়ে কম (বা বেশি) অগ্রাধিকারের উপাদানটি বের করে দেয়; Python-এ heapq দিয়ে বানানো হয়।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৪০পর্ব ৪১
Privacy budget (ε)প্রাইভেসি বাজেট, এপসাইলন
Differential privacy-তে গোপনীয়তার মাপ ε; ছোট ε মানে বেশি শব্দ ও বেশি গোপনীয়তা, আর প্রতিটি নতুন প্রকাশ এই বাজেট থেকে খরচ হয়।যেখানে শিখবেন: পর্ব ৭২
Probabilityপ্রোবাবিলিটি
কোনো ঘটনা ঘটার সম্ভাবনার মাপ, ০ (অসম্ভব) থেকে ১ (নিশ্চিত) পর্যন্ত একটি সংখ্যা; লেখা হয় P(A).যেখানে শিখবেন: পর্ব ৩৫
Probability treeপ্রোবাবিলিটি ট্রি
ধাপে ধাপে ঘটা ঘটনার শাখা-ছবি; শাখায় conditional probability লেখা থাকে, পথ ধরে গুণ করলে joint, আর পথগুলো যোগ করলে মোট সম্ভাবনা।যেখানে শিখবেন: পর্ব ৩৫
Problem formulationপ্রবলেম ফর্মুলেশন
একটি বাস্তব প্রশ্নকে state, initial state, actions, transition model, goal test আর path cost দিয়ে নিখুঁতভাবে লেখার কাজ।যেখানে শিখবেন: পর্ব ৩৯
Problem statementপ্রবলেম স্টেটমেন্ট
একটি AI প্রকল্পের নির্দিষ্ট বিবরণ: কোন সিদ্ধান্ত, কী input, কী output, কোন ডেটা, সাফল্যের মাপ আর ভুলের দাম লেখা থাকে।যেখানে শিখবেন: পর্ব ০৫
Process ID (PID)প্রসেস আইডি
অপারেটিং সিস্টেম প্রতিটি চলমান প্রোগ্রামকে যে আলাদা সংখ্যা দেয়; এই সংখ্যা দিয়েই নির্দিষ্ট একটি প্রক্রিয়া বন্ধ করা যায়।যেখানে শিখবেন: পর্ব ০৮
Production ruleপ্রোডাকশন রুল
“IF শর্তগুলো সত্য THEN এই সিদ্ধান্ত বা কাজ” আকারের একটি নিয়ম; rule-based system-এর জ্ঞানের মূল একক।যেখানে শিখবেন: পর্ব ৪৭পর্ব ৫৫
Profilingপ্রোফাইলিং
প্রোগ্রাম চালিয়ে মাপা কোন function কতবার ডাকা হলো আর কত সময় বা মেমরি নিল, যাতে আসল ধীর জায়গা খুঁজে পাওয়া যায়।যেখানে শিখবেন: পর্ব ১৯
Project templateপ্রজেক্ট টেমপ্লেট
নতুন প্রকল্পের জন্য আগে থেকে ঠিক করা ফোল্ডার ও ফাইলের কাঠামো, যেমন Cookiecutter Data Science; সবাই একই জায়গায় একই জিনিস খুঁজে পান।যেখানে শিখবেন: পর্ব ১২
Projection pushdownপ্রজেকশন পুশডাউন
Optimizer-এর একটি কৌশল যেখানে শুধু দরকারি কলামগুলো পড়ার নির্দেশ ফাইল পড়ার ধাপে নামিয়ে দেওয়া হয়, যাতে বাকি কলাম পড়াই না হয়।যেখানে শিখবেন: পর্ব ২৭
Prologপ্রোলগ
Horn clause দিয়ে লেখা logic programming ভাষা, যা unification আর depth-first backward chaining দিয়ে প্রশ্নের উত্তর খোঁজে।যেখানে শিখবেন: পর্ব ৪৬
Prompt injectionপ্রম্পট ইনজেকশন
ইনপুট বা খুঁজে আনা লেখার ভেতরে এমন নির্দেশ লুকিয়ে রাখা, যাতে language model আসল নির্দেশ ছেড়ে সেটি মানে।যেখানে শিখবেন: পর্ব ৭০পর্ব ৭২পর্ব ৭৭
Property graphপ্রপার্টি গ্রাফ
যে graph মডেলে node আর edge দুটিরই label আর চাবি-মানের property থাকতে পারে; query সাধারণত Cypher বা GQL-এ লেখা হয়।যেখানে শিখবেন: পর্ব ৪৮
Property pathপ্রপার্টি পাথ
SPARQL-এ এক বা একাধিক ধাপের সম্পর্ক একবারে লেখার উপায়, যেমন rdfs:subClassOf* মানে শূন্য বা তার বেশি subClassOf ধাপ।যেখানে শিখবেন: পর্ব ৪৮
Property-based testingপ্রপার্টি-বেসড টেস্টিং
নির্দিষ্ট উদাহরণের বদলে একটি সাধারণ নিয়ম লিখে টুল দিয়ে অনেক এলোমেলো input-এ সেটি যাচাই করা; ব্যর্থ হলে টুলটি সবচেয়ে ছোট ব্যর্থ উদাহরণ খুঁজে দেয়। Python-এ Hypothesis এর একটি library.যেখানে শিখবেন: পর্ব ১১
Propositionপ্রোপোজিশন
এমন একটি কথা, যা হয় সত্য নয়তো মিথ্যা, মাঝামাঝি নয়; যেমন “ঠিকানা ঢাকায়”।যেখানে শিখবেন: পর্ব ৪৫
Propositional logicপ্রোপোজিশনাল লজিক
যে logic-এ প্রতিটি পূর্ণ বাক্য একটি প্রতীক (P, Q), আর বাক্যগুলো ¬, ∧, ∨, → দিয়ে জোড়া হয়; বাক্যের ভেতরের বস্তু বা সম্পর্ক এতে দেখা যায় না।যেখানে শিখবেন: পর্ব ৪৬পর্ব ৭৭
Propositionalisationপ্রোপোজিশনালাইজেশন
সব ∀ বাক্যে সম্ভাব্য সব ground term বসিয়ে FOL KB-কে propositional KB বানানো; constant বা function বাড়লে আকার বিস্ফোরিত হয়।যেখানে শিখবেন: পর্ব ৪৬
Prosecutor's fallacyপ্রসিকিউটরস ফ্যালাসি
P(প্রমাণ | নির্দোষ) আর P(নির্দোষ | প্রমাণ) গুলিয়ে ফেলার ভুল; সাধারণভাবে P(A | B) আর P(B | A)-কে এক ভাবা।যেখানে শিখবেন: পর্ব ৩৫পর্ব ৫০
Protected attributeপ্রটেক্টেড অ্যাট্রিবিউট
যে বৈশিষ্ট্যের ভিত্তিতে বৈষম্য করা উচিত নয় বা আইনে নিষেধ, যেমন লিঙ্গ, ধর্ম, বয়স, প্রতিবন্ধিতা; কোনটি সুরক্ষিত তা আইন আর প্রসঙ্গ ঠিক করে।যেখানে শিখবেন: পর্ব ৭২
Provenanceপ্রোভেন্যান্স
একটি তথ্য কোথা থেকে, কবে আর কীভাবে এলো তার হিসাব; ভুল উৎসের তথ্য সরাতে আর পরস্পরবিরোধী তথ্যের মধ্যে বাছতে কাজে লাগে।যেখানে শিখবেন: পর্ব ৪৮
Proxy (proxy variable)প্রক্সি
যে feature নিজে সুরক্ষিত নয় কিন্তু সুরক্ষিত বৈশিষ্ট্যের সঙ্গে ঘনিষ্ঠভাবে জড়িত, যেমন এলাকার কোড; সুরক্ষিত কলাম মুছলেও এটি সেই তথ্য বহন করে।যেখানে শিখবেন: পর্ব ৭২পর্ব ৭৬পর্ব ৭৭
Proxy targetপ্রক্সি টার্গেট
আসল লক্ষ্য মাপা কঠিন বলে তার বদলে নেওয়া কাছাকাছি একটি মাপ, যেমন সন্তুষ্টির বদলে ক্লিক; ভুল proxy ভুল আচরণকে পুরস্কৃত করে।যেখানে শিখবেন: পর্ব ০৫পর্ব ৭৬
Pseudo-countসিউডো কাউন্ট
Prior-কে কল্পিত পর্যবেক্ষণ হিসেবে পড়া: Beta(α, β) মোটামুটি আগেই দেখা কয়েকটি সাফল্য আর ব্যর্থতার মতো কাজ করে, যা আসল গণনার সঙ্গে যোগ হয়।যেখানে শিখবেন: পর্ব ৫০
Pseudo-random number generator (PRNG)সিউডো-র‍্যান্ডম নাম্বার জেনারেটর
একটি হিসাবের সূত্র, যা একটি শুরুর মান থেকে এলোমেলো দেখতে সংখ্যার ধারা বানায়; একই শুরুর মানে একই ধারা আসে। NumPy-র default_rng ভেতরে PCG64 ব্যবহার করে.যেখানে শিখবেন: পর্ব ১১পর্ব ১৬
Pseudocodeসুডোকোড
কোনো নির্দিষ্ট প্রোগ্রামিং ভাষার নিয়ম না মেনে, সাধারণ ভাষা আর গাণিতিক চিহ্ন মিশিয়ে লেখা অ্যালগরিদমের ধাপ; উদ্দেশ্য ধাপের ক্রম আর শর্ত স্পষ্ট করা।যেখানে শিখবেন: পর্ব ৭৭
Pseudonymisationসিউডোনিমাইজেশন
নাম বা ফোনের মতো সরাসরি পরিচয়কে একটি কোড দিয়ে বদলানো; কোডের চাবি বা অন্য তথ্য জুড়ে মানুষকে আবার চেনা যায়, তাই এটি এখনও ব্যক্তিগত তথ্য।যেখানে শিখবেন: পর্ব ৭২পর্ব ৭৬পর্ব ৭৭
Pure functionপিওর ফাংশন
যে function শুধু input দেখে output দেয় আর বাইরের কিছু বদলায় না; একই input-এ সবসময় একই ফল।যেখানে শিখবেন: পর্ব ০৯পর্ব ১১পর্ব ৭৬
Pure literalপিওর লিটারাল
যে symbol বাকি সব clause-এ একই চিহ্নে আসে; তাকে সেই literal সত্য করা মান দিলে কোনো ক্ষতি হয় না।যেখানে শিখবেন: পর্ব ৪৫
Purpose limitationপারপাস লিমিটেশন
যে উদ্দেশ্যে ব্যক্তিগত তথ্য নেওয়া হয়েছে, আলাদা ভিত্তি বা সম্মতি ছাড়া তা অন্য উদ্দেশ্যে ব্যবহার না করার নীতি।যেখানে শিখবেন: পর্ব ৭২পর্ব ৭৭
pyarrowপাই-অ্যারো
Apache Arrow-এর Python package; Parquet পড়া-লেখা আর Arrow টেবিলের কাজ করে, pandas-ও এটি ব্যবহার করে।যেখানে শিখবেন: পর্ব ১০পর্ব ২০পর্ব ২১
Pyodideপাইওডাইড
WebAssembly-তে compile করা CPython, যা ব্রাউজারের ভেতরেই Python আর NumPy, pandas-এর মতো package চালায়।যেখানে শিখবেন: পর্ব ০১পর্ব ০৩পর্ব ০৭
PyPIপাই-পি-আই
Python Package Index — Python package-এর অফিসিয়াল অনলাইন ভাণ্ডার। pip আর uv ডিফল্টভাবে এখান থেকেই package নামায়।যেখানে শিখবেন: পর্ব ০৭
pyplotপাইপ্লট
matplotlib-এর একটি module (matplotlib.pyplot), যা MATLAB-এর মতো ফাংশন দেয় আর "বর্তমান" figure ও Axes মনে রেখে কাজ করে।যেখানে শিখবেন: পর্ব ২৮
pyproject.tomlপাইপ্রজেক্ট ডট টমল
Python প্রকল্পের মানক কনফিগ ফাইল: নাম, version, requires-python আর dependencies থাকে PEP 621 অনুযায়ী, আর কোন build টুল লাগবে তা PEP 518 অনুযায়ী। uv আর অন্য আধুনিক টুল এটিই পড়ে।যেখানে শিখবেন: পর্ব ০৭
pytestপাই-টেস্ট
Python-এর জনপ্রিয় test framework; test_ দিয়ে শুরু হওয়া function খুঁজে চালায়, সাধারণ assert দিয়ে যাচাই করে আর ব্যর্থ হলে বিস্তারিত পার্থক্য দেখায়।যেখানে শিখবেন: পর্ব ১১পর্ব ৭৩
Python install managerপাইথন ইনস্টল ম্যানেজার
Windows-এর জন্য python.org-এর নতুন ইনস্টল-টুল (Python 3.14 থেকে সুপারিশকৃত)। py install 3.14, py list-এর মতো কমান্ডে একাধিক Python নামানো ও বাছাই করা যায়।যেখানে শিখবেন: পর্ব ০৭
PyTorchপাইটর্চ
Python-এর একটি open-source deep learning library, যা tensor, neural network-এর স্তর, optimizer আর autograd (automatic differentiation) দেয়, CPU আর GPU দুটিতেই চলে।যেখানে শিখবেন: পর্ব ৬৮

Q

Q-learningকিউ-লার্নিং
Reinforcement learning-এর একটি পদ্ধতি, যা transition model না জেনেই অভিজ্ঞতা থেকে সরাসরি Q(s, a) শেখে; Chris Watkins ১৯৮৯ সালে প্রস্তাব করেন।যেখানে শিখবেন: পর্ব ৫৪পর্ব ৭৭
Q-valueকিউ-ভ্যালু
Q(s, a): state s-এ action a নিয়ে তারপর সেরাভাবে চললে প্রত্যাশিত মোট discount করা reward.যেখানে শিখবেন: পর্ব ৫৪
Quantifierকোয়ান্টিফায়ার
Variable-কে কীভাবে পড়তে হবে তা বলার চিহ্ন: ∀ মানে সব বস্তুর জন্য, ∃ মানে অন্তত একটি বস্তুর জন্য।যেখানে শিখবেন: পর্ব ৪৬পর্ব ৭৬পর্ব ৭৭
Quantizationকোয়ান্টাইজেশন
Model-এর ওজন বা হিসাব কম bit-এ (যেমন float32 থেকে int8) রাখা, যাতে memory কমে আর কখনো গতি বাড়ে; বদলে উত্তর একটু বদলাতে পারে, তাই আবার মূল্যায়ন লাগে।যেখানে শিখবেন: পর্ব ৭১
Quartileকোয়ার্টাইল
সাজানো ডেটাকে চার সমান ভাগে ভাগ করার তিনটি বিন্দু: Q1 (২৫%), median (৫০%) আর Q3 (৭৫%).যেখানে শিখবেন: পর্ব ৩০
Quasi-identifierকোয়াসি-আইডেন্টিফায়ার
যে কলাম একা পরিচয় নয় কিন্তু কয়েকটি মিলে একজন মানুষকে আলাদা করে ফেলতে পারে, যেমন জেলা, বয়স, তারিখ, লিঙ্গ।যেখানে শিখবেন: পর্ব ৭২
Query optimizerকোয়েরি অপটিমাইজার
যে অংশ একটি query plan চালানোর আগে তাকে আরও সস্তা কিন্তু একই ফলের পরিকল্পনায় সাজায়, যেমন দরকারি কলাম আর সারি আগেভাগে বেছে।যেখানে শিখবেন: পর্ব ২৭
Query planকোয়েরি প্ল্যান
একটি প্রশ্নের উত্তর বের করতে কোন ধাপ কোন ক্রমে চলবে তার গাছের মতো বর্ণনা; Polars-এ explain() আর database-এ EXPLAIN দিয়ে দেখা যায়।যেখানে শিখবেন: পর্ব ২৭
Queue (FIFO)কিউ
যে data structure-এ আগে ঢোকানো উপাদান আগে বের হয় (first in, first out); Python-এ collections.deque দিয়ে দ্রুত বানানো যায়।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৪০পর্ব ৭৭
Quickselectকুইকসিলেক্ট
১৯৬১ সালে C. A. R. Hoare-এর প্রকাশিত অ্যালগরিদম, যা pivot দিয়ে ভাগ করে শুধু উত্তরের দিকের ভাগে নামে, ফলে গড়ে O(n) সময়ে k-তম উপাদান খোঁজে।যেখানে শিখবেন: পর্ব ১৪পর্ব ৫৭
Quoting (CSV)কোটিং
যে মানের ভেতরে কমা, নতুন লাইন বা quote আছে, তাকে double quote-এর মধ্যে রাখার নিয়ম; ভেতরের quote দুবার লেখা হয়।যেখানে শিখবেন: পর্ব ১০পর্ব ৭৬

R

RAG (retrieval-augmented generation)র‍্যাগ
উত্তর তৈরির আগে একটি নথি-সংগ্রহ থেকে প্রাসঙ্গিক লেখা খুঁজে এনে language model-কে দেওয়ার পদ্ধতি।যেখানে শিখবেন: পর্ব ০৩পর্ব ৪৮পর্ব ৬৯
Random forestর‍্যান্ডম ফরেস্ট
অনেকগুলো decision tree-কে ডেটার আলাদা এলোমেলো নমুনা আর আলাদা feature-এর উপসেটে বানিয়ে তাদের ভোট বা গড় নেওয়া model; একটি tree-এর চেয়ে কম অস্থির।যেখানে শিখবেন: পর্ব ৬৩পর্ব ৬৬পর্ব ৭৭
Random seedর‍্যান্ডম সিড
Random সংখ্যা তৈরির শুরুর মান; একই seed দিলে প্রতিবার একই ক্রমের সংখ্যা আসে, তাই ফল মেলানো যায়।যেখানে শিখবেন: পর্ব ০৮পর্ব ১১পর্ব ১২
Random variableর‍্যান্ডম ভেরিয়েবল
একটি অনিশ্চিত পরিমাণ, যা প্রতিটি সম্ভাব্য ফলাফলকে একটি সংখ্যা দেয়, যেমন ঘণ্টায় অর্ডারের সংখ্যা বা ডেলিভারির সময়; প্রতিটি মান বা পরিসরের একটি সম্ভাবনা থাকে।যেখানে শিখবেন: পর্ব ৩৬
Random walkর‍্যান্ডম ওয়াক
একটি graph বা সংখ্যারেখায় প্রতিটি ধাপে random ভাবে পাশের একটি জায়গায় সরে যাওয়ার প্রক্রিয়া; একটি Markov chain.যেখানে শিখবেন: পর্ব ৫৩
Random-restart hill climbingর‍্যান্ডম-রিস্টার্ট হিল ক্লাইম্বিং
Hill climbing আটকে গেলে নতুন এলোমেলো শুরু থেকে আবার চালানো, সমাধান না পাওয়া পর্যন্ত; প্রতিটি শুরুতে সফলতা p হলে গড়ে প্রায় 1/p বার শুরু লাগে।যেখানে শিখবেন: পর্ব ৪৪
Range sliderরেঞ্জ স্লাইডার
x অক্ষের নিচের একটি ছোট chart, যার দুই প্রান্ত টেনে লম্বা time series-এর একটি অংশ বড় করে দেখা যায়।যেখানে শিখবেন: পর্ব ৩১
RangeIndexরেঞ্জইনডেক্স
0, 1, 2, … ধরনের default index, যা প্রতিটি সংখ্যা না রেখে শুধু start, stop আর step মনে রাখে।যেখানে শিখবেন: পর্ব ২০
Rank (matrix rank)র‍্যাঙ্ক
একটি matrix-এর কয়টি সারি বা কলাম সত্যিকারের নতুন তথ্য দেয় (linearly independent); NumPy-তে np.linalg.matrix_rank, যা ছোট singular value-কে একটি tolerance মেনে শূন্য ধরে।যেখানে শিখবেন: পর্ব ১৭পর্ব ৫৮
Rankingর‍্যাংকিং
কয়েকটি জিনিসকে প্রাসঙ্গিকতা অনুযায়ী সাজানোর সমস্যা, যেমন সার্চের ফলাফল কোনটি আগে দেখাবে।যেখানে শিখবেন: পর্ব ০৫
Raster graphicsরাস্টার গ্রাফিক্স
pixel-এর grid হিসেবে রাখা ছবি, যেমন PNG বা JPEG; বড় করলে ঝাপসা বা খাঁজকাটা দেখায়।যেখানে শিখবেন: পর্ব ২৮
Rastrigin functionরাস্ট্রিগিন ফাংশন
Optimisation পদ্ধতি পরীক্ষার পরিচিত function, যাতে অসংখ্য local minimum আর (0, 0)-এ একটিমাত্র global minimum 0 থাকে।যেখানে শিখবেন: পর্ব ৪৪
Ratio featureরেশিও ফিচার
দুটি কলামের ভাগফল থেকে বানানো নতুন feature, যেমন মোট দাম ÷ পণ্যের সংখ্যা = প্রতি পণ্যের দাম; হর শূন্য হলে কী হবে, তা আগে ঠিক করতে হয়।যেখানে শিখবেন: পর্ব ৬৩
Rational agentর‍্যাশনাল এজেন্ট
যে agent এ পর্যন্ত দেখা percept আর আগে থেকে জানা তথ্যের ভিত্তিতে এমন কাজ বেছে নেয়, যাতে performance measure-এর প্রত্যাশিত মান সবচেয়ে বেশি হয়। এটি সর্বজ্ঞ বা নির্ভুল হওয়া নয়।যেখানে শিখবেন: পর্ব ০১পর্ব ৫৪পর্ব ৭৬
Raw dataর ডেটা
উৎস থেকে যেমন এসেছে ঠিক তেমন মূল ডেটা; একে কখনো হাতে বদলানো হয় না, সব পরিষ্কার করা হয় code দিয়ে নতুন ফাইলে।যেখানে শিখবেন: পর্ব ১২পর্ব ২৩
rcParamsআরসি-প্যারামস
matplotlib-এর সব default সেটিংয়ের একটি dict-এর মতো ভান্ডার, যেমন figure.figsize, font.family বা savefig.dpi; বদলালে পরের সব chart-এ প্রভাব পড়ে।যেখানে শিখবেন: পর্ব ২৮
RDF (Resource Description Framework)আরডিএফ
W3C-র মানদণ্ড, যেখানে সব তথ্য triple, আর subject ও predicate-এর নাম IRI; বিভিন্ন উৎসের ডেটা মেলানোর একটি সাধারণ ভাষা।যেখানে শিখবেন: পর্ব ৪৮
RDFS (RDF Schema)আরডিএফ স্কিমা
RDF-এর জন্য schema-শব্দের W3C মানদণ্ড: rdfs:Class, rdfs:subClassOf, rdfs:domain, rdfs:range, rdfs:label; সঙ্গে সরল অনুমানের নিয়ম।যেখানে শিখবেন: পর্ব ৪৮
Recallরিকল
সত্যিকারের হ্যাঁ-দের কত ভাগ মডেল ধরতে পেরেছে: TP / (TP + FN).যেখানে শিখবেন: পর্ব ০৫পর্ব ৫১পর্ব ৫৯
Recall@kরিকল অ্যাট কে
একটি প্রশ্নের সব প্রাসঙ্গিক নথির মধ্যে কত ভাগ প্রথম k-টি ফলে এসেছে।যেখানে শিখবেন: পর্ব ৬৯পর্ব ৭৩পর্ব ৭৫
Recency (conflict resolution)রিসেন্সি
conflict resolution-এর একটি কৌশল: যে নিয়ম সবচেয়ে সাম্প্রতিক যোগ হওয়া fact ব্যবহার করে, সেটি আগে চলে; যুক্তি নতুন তথ্যের দিকে মনোযোগ রাখে।যেখানে শিখবেন: পর্ব ৪৭
Recognize–act cycleরিকগনাইজ-অ্যাক্ট সাইকেল
forward chaining engine-এর বারবার চলা তিন ধাপ: match (কোন নিয়ম খাটে), select (একটি বাছাই), act (চালিয়ে working memory বদলানো)। একে match-select-act চক্রও বলে।যেখানে শিখবেন: পর্ব ৪৭
Recommendation systemরেকমেন্ডেশন সিস্টেম
যে ব্যবস্থা একজন ব্যবহারকারীর পছন্দ হতে পারে এমন পণ্য বা বিষয়ের সাজানো তালিকা বানায়।যেখানে শিখবেন: পর্ব ০৫পর্ব ১৪
Recommender systemরেকমেন্ডার সিস্টেম
ব্যবহারকারীর আগের আচরণ দেখে কোন পণ্য, ভিডিও বা লেখা দেখানো হবে তা বাছাই করার সিস্টেম।যেখানে শিখবেন: পর্ব ০৬
Reconstruction errorরিকনস্ট্রাকশন এরর
কম মাত্রায় নামিয়ে আবার আসল মাত্রায় ফেরত আনলে মূল ডেটার সঙ্গে যে বর্গ পার্থক্য থাকে; PCA-তে তা বাদ দেওয়া PC-গুলোর variance-এর সমান।যেখানে শিখবেন: পর্ব ৬৫
Recordরেকর্ড
একটি জিনিসের সব তথ্য একসঙ্গে, যেমন একটি অর্ডারের নম্বর, জেলা আর দাম; টেবিলের একটি সারি।যেখানে শিখবেন: পর্ব ০৯পর্ব ২০
Recurrent neural network (RNN)রিকারেন্ট নিউরাল নেটওয়ার্ক
যে neural network একটি ক্রমের উপাদান একে একে পড়ে আর একটি ভেতরের অবস্থা পরের ধাপে বয়ে নেয়; লেখা আর সময়ের ডেটার জন্য তৈরি, LSTM তার একটি পরিচিত রূপ।যেখানে শিখবেন: পর্ব ৬৮
Refitরিফিট
Hyperparameter খোঁজ শেষে সেরা সেটিং নিয়ে পুরো train ডেটায় model আরেকবার শেখানো; GridSearchCV-তে refit=True থাকলে ফল best_estimator_ হয়।
Refractionরিফ্র্যাকশন
একই নিয়ম একই fact-এর ওপর দ্বিতীয়বার না চালানোর নীতি; এটি না থাকলে engine একই কাজ বারবার করে চিরকাল ঘুরতে পারে।যেখানে শিখবেন: পর্ব ৪৭
Regressionরিগ্রেশন
যে কাজে model-কে একটি সংখ্যা অনুমান করতে হয়, যেমন পণ্যের দাম বা ডেলিভারির দিন।যেখানে শিখবেন: পর্ব ০৪পর্ব ০৫পর্ব ৫৫
Regression coefficientরিগ্রেশন কোএফিশিয়েন্ট
একটি feature-এর weight: বাকি সব feature স্থির রেখে সেই feature এক একক বাড়লে model-এর অনুমান গড়ে কত বদলায়; এর একক আছে, আর এটি কারণের প্রমাণ নয়।যেখানে শিখবেন: পর্ব ৫৮পর্ব ৫৯
Regular expression (regex)রেগুলার এক্সপ্রেশন
লেখার মধ্যে নকশা খোঁজার একটি ছোট ভাষা, যেমন \d (অঙ্ক) বা \b (শব্দের সীমা); বাংলার কার-চিহ্নে এর কিছু নিয়ম ইংরেজির মতো কাজ করে না।যেখানে শিখবেন: পর্ব ২২পর্ব ২৩পর্ব ৫১
Regularizationরেগুলারাইজেশন
Loss-এর সঙ্গে ওজনের আকারের একটি শাস্তি যোগ করে model-কে সংযত রাখার কৌশল, যেমন L2-তে ওজনের বর্গের যোগফল; এতে overfitting আর ওজনের সীমাহীন বৃদ্ধি কমে।যেখানে শিখবেন: পর্ব ৫৯পর্ব ৬১পর্ব ৬৩
Reinforcement Learningরিইনফোর্সমেন্ট লার্নিং
যে শেখায় একটি agent পরিবেশে কাজ করে পুরস্কার (reward) পায়, আর চেষ্টা ও ভুলের মধ্য দিয়ে মোট পুরস্কার বাড়ানোর নীতি শেখে।যেখানে শিখবেন: পর্ব ০২পর্ব ০৪পর্ব ৪২
Rejection samplingরিজেকশন স্যাম্পলিং
Prior sampling-এর যে নমুনা প্রমাণের সঙ্গে মেলে না সেগুলো ফেলে দিয়ে, বাকিগুলোর মধ্যে প্রশ্নের মানের অনুপাত দিয়ে conditional probability অনুমান করা।যেখানে শিখবেন: পর্ব ৫২
Relational calculusরিলেশনাল ক্যালকুলাস
FOL-এর ভাষায় database query লেখার তাত্ত্বিক রূপ, যেখানে কী চাই তা বলা হয়, কীভাবে খুঁজতে হবে তা নয়; SQL-এর ভিত্তির একটি।যেখানে শিখবেন: পর্ব ৪৬
Relaxed problemরিল্যাক্সড প্রবলেম
মূল সমস্যার কিছু নিয়ম তুলে দিয়ে বানানো সহজ সমস্যা; তার সেরা খরচ মূল সমস্যার একটি admissible heuristic হয়।যেখানে শিখবেন: পর্ব ৪১পর্ব ৪৯
Relaxed-plan heuristicরিল্যাক্সড-প্ল্যান হিউরিস্টিক
Delete relaxation-এ লক্ষ্য থেকে পেছনে হেঁটে একটি শিথিল plan তুলে তার ভিন্ন action গোনা; FF planner থেকে পরিচিত, তাই h_FF-ও বলে, admissible নয়।যেখানে শিখবেন: পর্ব ৪৯
Reliability diagram (calibration curve)রিলায়েবিলিটি ডায়াগ্রাম
অনুমিত সম্ভাবনাকে কয়েকটি ঝুড়িতে ভাগ করে প্রতিটি ঝুড়ির গড় অনুমান আর বাস্তবে ঘটার হারের তুলনা; সব বিন্দু কর্ণরেখায় থাকলে model-টিকে calibrated বলা হয়।যেখানে শিখবেন: পর্ব ৫৯
ReLU (rectified linear unit)রেলু
max(0, z): ঋণাত্মক মানকে ০ করে, ধনাত্মক মান যেমন আছে রাখে; ধনাত্মক দিকে ঢাল ১ বলে hidden layer-এ আজকের সাধারণ পছন্দ।যেখানে শিখবেন: পর্ব ৬৮পর্ব ৭৭
Rendererরেন্ডারার
Plotly-তে fig.show() figure-টি কোথায় আর কোন রূপে দেখাবে তা ঠিক করার ব্যবস্থা, যেমন browser, notebook-এর mimetype বা png.যেখানে শিখবেন: পর্ব ৩১
Repeated cross-validationরিপিটেড ক্রস-ভ্যালিডেশন
k-fold cross-validation কয়েকবার চালানো, প্রতিবার আলাদা এলোমেলো ভাগে, যাতে একটি ভাগের ভাগ্যের ওপর ফল কম নির্ভর করে আর ছড়ানো ভালোভাবে বোঝা যায়।যেখানে শিখবেন: পর্ব ৬৬
Repeated stateরিপিটেড স্টেট
Search-এ আগে দেখা কোনো state অন্য পথে বা চক্র ঘুরে আবার আসা।যেখানে শিখবেন: পর্ব ৩৯
Replanningরিপ্ল্যানিং
চলার সময় plan অচল হলে বর্তমান অবস্থা থেকে নতুন plan বানানো।যেখানে শিখবেন: পর্ব ৪৯পর্ব ৭৭
Replicabilityরেপ্লিকেবিলিটি
নতুন ডেটা বা নতুনভাবে লেখা code দিয়ে একই প্রশ্নের উত্তর খুঁজে আগের সিদ্ধান্তের সঙ্গে মিল পাওয়া; reproducibility-র চেয়ে কঠিন পরীক্ষা।যেখানে শিখবেন: পর্ব ১২
Repository (repo)রিপোজিটরি
Git যে ফোল্ডারের পুরো ইতিহাস রাখে, সেই প্রকল্প-ফোল্ডার আর তার ভেতরের .git ডেটাবেস একসঙ্গে।
Representation learningরিপ্রেজেন্টেশন লার্নিং
কোন feature কাজে লাগবে তা মানুষ না বলে দিয়ে model-কেই ডেটা থেকে নিজের ভেতরের feature বানাতে দেওয়া।যেখানে শিখবেন: পর্ব ০৩
Reproducibilityরিপ্রোডিউসিবিলিটি
পুনরুৎপাদনযোগ্যতা: একই কোড আর ডেটা থেকে অন্য কেউ বা অন্য সময়ে একই ফল পাওয়া যায় কি না।যেখানে শিখবেন: পর্ব ০৮পর্ব ১১পর্ব ১২
requirements.txtরিকোয়ারমেন্টস ডট টি-এক্স-টি
এক লাইনে একটি package (প্রয়োজনে version-সহ) লেখা সাধারণ টেক্সট ফাইল, pip-এর প্রথা। pip install -r requirements.txt দিয়ে সব একসাথে বসে; hash বা অন্য OS-এর তথ্য সাধারণত থাকে না।যেখানে শিখবেন: পর্ব ০৭পর্ব ৭১
Resamplingরিস্যাম্পলিং
সময়ের ধারাকে নতুন ধাপে সাজানো: ছোট ধাপকে বড় ধাপে জড়ো করা (দৈনিক থেকে সাপ্তাহিক যোগফল) বা বড় ধাপকে ছোট ধাপে ভাঙা।যেখানে শিখবেন: পর্ব ২৬পর্ব ৭৬
reshapeরিশেপ
মোট ঘরের সংখ্যা না বদলে array-কে নতুন shape-এ দেখা; সংখ্যাগুলো buffer-এর ক্রমেই নতুন ঘরে বসে, আর সম্ভব হলে কোনো কপি হয় না।যেখানে শিখবেন: পর্ব ১৩পর্ব ১৫
Residualরেসিডুয়াল
পাওয়া উত্তর সমীকরণে বসালে যে অমিল থাকে, Ax − b; ছোট residual মানে উত্তর সমীকরণ ভালো মেলায়, যদিও তাতে উত্তর আসল উত্তরের কাছে হবেই এমন নিশ্চয়তা নেই।যেখানে শিখবেন: পর্ব ১৭পর্ব ৩৪পর্ব ৫৮
Residual connectionরেসিডুয়াল কানেকশন
একটি স্তরের ইনপুটকে সরাসরি তার ফলের সঙ্গে যোগ করা; অনেক স্তরের network-এ শেখা সহজ করে।যেখানে শিখবেন: পর্ব ৭০
Residual plotরেসিডুয়াল প্লট
x-অক্ষে model-এর অনুমান আর y-অক্ষে residual রেখে আঁকা ছবি; ভালো model-এ নকশাহীন মেঘ, আর U-আকার, ফানেল বা একা দূরের বিন্দু model-এর দুর্বলতা দেখায়।যেখানে শিখবেন: পর্ব ৫৮
Resolutionরেজোলিউশন
একটি clause-এ L আর অন্যটিতে ¬L থাকলে দুটি জুড়ে L আর ¬L বাদ দিয়ে নতুন clause বানানোর নিয়ম।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৭৫
Resolution refutationরেজোলিউশন রিফিউটেশন
KB-র clause-এর সঙ্গে ¬α যোগ করে resolution চালিয়ে empty clause পেলে KB ⊨ α প্রমাণ করার পদ্ধতি।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৭৬
Restart & Run Allরিস্টার্ট অ্যান্ড রান অল
Kernel নতুন করে চালু করে সব cell ওপর থেকে নিচে একবার করে চালানো; notebook-এর ফল সত্যিই পুনরুৎপাদন হয় কি না, তার সবচেয়ে সহজ পরীক্ষা।যেখানে শিখবেন: পর্ব ০৮
Rete algorithmরিটি অ্যালগরিদম
Charles Forgy-র দেওয়া pattern matching পদ্ধতি, যা নিয়মের শর্তগুলোকে একটি network-এ সাজিয়ে আংশিক মিল মনে রাখে, ফলে প্রতি চক্রে শুধু বদলে যাওয়া fact আবার মেলাতে হয়।যেখানে শিখবেন: পর্ব ৪৭
Retrainingরিট্রেনিং
নতুন ডেটা দিয়ে model আবার train করা, নির্দিষ্ট সময় পরপর (scheduled) বা কোনো সতর্কসংকেত বাজলে (triggered); নতুন model-কেও চালুর আগে যাচাই করতে হয়।যেখানে শিখবেন: পর্ব ৭৪
Revision (commit hash)রিভিশন
Hub-এর repository-র একটি নির্দিষ্ট অবস্থা: branch-এর নাম, tag বা commit hash. revision= দিয়ে commit hash দিলে মালিক পরে ফাইল বদলালেও আপনি হুবহু আগের ফাইলই পাবেন।যেখানে শিখবেন: পর্ব ৭১পর্ব ৭৯
Rewardরিওয়ার্ড
MDP বা reinforcement learning-এ প্রতিটি ধাপের পরে agent যে সংখ্যা পায়; ধনাত্মক হলে পুরস্কার, ঋণাত্মক হলে খরচ।যেখানে শিখবেন: পর্ব ৫৪পর্ব ৫৫
Reward modelরিওয়ার্ড মডেল
মানুষের পছন্দের তুলনা থেকে শেখা model, যা একটি উত্তর কতটা পছন্দের হবে তার score দেয়; RLHF-এ ব্যবহৃত হয়।যেখানে শিখবেন: পর্ব ৭০
Reweighing (re-weighting)রিওয়েইং
Training-এর প্রতিটি সারিকে P(দল) × P(label) ÷ P(দল, label) ওজন দেওয়া, যাতে ওজনসহ ডেটায় দল আর label পরস্পর-নিরপেক্ষ হয়; Kamiran আর Calders-এর ২০১২ সালের পদ্ধতি।যেখানে শিখবেন: পর্ব ৭২
RFM (recency, frequency, monetary)আরএফএম
গ্রাহককে তিনটি সংখ্যায় বর্ণনা করা: শেষ কেনার পর কত দিন, কতবার কেনেন আর কত টাকা খরচ করেন; segmentation-এ বহুল প্রচলিত।যেখানে শিখবেন: পর্ব ৬৫
RGBআর-জি-বি
লাল (Red), সবুজ (Green) আর নীল (Blue) আলো কতটা, এই তিনটি সংখ্যা দিয়ে রং লেখার পদ্ধতি।যেখানে শিখবেন: পর্ব ১৮
Ridgeরিজ
বহুমাত্রিক ভূদৃশ্যে তির্যকভাবে ওঠা সরু শিরা; অনুমোদিত প্রতিটি ছোট চাল শিরা থেকে নামিয়ে দেয় বলে hill climbing-এর কাছে এর প্রতিটি বিন্দু local maximum-এর মতো।যেখানে শিখবেন: পর্ব ৪৪পর্ব ৭৫
Ridge regression (L2)রিজ রিগ্রেশন
Linear regression-এর loss-এ λ গুণ coefficient-এর বর্গের যোগফল যোগ করা; coefficient ছোট হয় কিন্তু সাধারণত ঠিক শূন্য হয় না।যেখানে শিখবেন: পর্ব ৬১পর্ব ৭৭
Right joinরাইট জয়েন
Left join-এর আয়না: ডান টেবিলের প্রতিটি সারি থাকে, বাঁয়ে মিল না পেলে বাঁয়ের কলাম missing হয়।যেখানে শিখবেন: পর্ব ২৫
Risk aversionরিস্ক অ্যাভারশন
একই গড় হলে অনিশ্চিত ফলের চেয়ে নিশ্চিত ফল পছন্দ করার প্রবণতা; utility function concave হলে এমন আচরণ দেখা যায়।যেখানে শিখবেন: পর্ব ৫৪
Risk premiumরিস্ক প্রিমিয়াম
Expected value থেকে certainty equivalent বাদ দিলে যা থাকে; অনিশ্চয়তা এড়াতে একজন গড়ে যতটা লাভ ছেড়ে দিতে রাজি।যেখানে শিখবেন: পর্ব ৫৪
Risk-neutralরিস্ক-নিউট্রাল
যে সিদ্ধান্তগ্রহীতা শুধু expected value দেখেন; একই গড়ের নিশ্চিত আর অনিশ্চিত ফল তাঁর কাছে সমান।যেখানে শিখবেন: পর্ব ৫৪
RLHF (reinforcement learning from human feedback)আর-এল-এইচ-এফ
মানুষের তুলনামূলক পছন্দ থেকে একটি reward model শিখে, reinforcement learning দিয়ে language model-কে সেই পছন্দের দিকে সামঞ্জস্য করার পদ্ধতি।যেখানে শিখবেন: পর্ব ৭০
RMSE (Root Mean Squared Error)আরএমএসই
ভুলগুলোর বর্গের গড়ের বর্গমূল; বড় ভুলকে MAE-এর চেয়ে বেশি শাস্তি দেয়।যেখানে শিখবেন: পর্ব ০৫পর্ব ৫৮পর্ব ৬০
Robust scalingরোবাস্ট স্কেলিং
গড়ের বদলে median বাদ দিয়ে IQR (৭৫তম আর ২৫তম percentile-এর ব্যবধান) দিয়ে ভাগ করা; কয়েকটি outlier এই দুই মাপকে প্রায় নড়াতে পারে না।যেখানে শিখবেন: পর্ব ৬৩পর্ব ৭৬
Robust statisticরোবাস্ট স্ট্যাটিস্টিক
এমন সারাংশ মাপ, যা কয়েকটি চরম বা ভুল মানে প্রায় নড়ে না, যেমন median, IQR আর MAD.যেখানে শিখবেন: পর্ব ৩৭
Robust z-scoreরোবাস্ট জেড-স্কোর
mean আর SD-র বদলে median আর MAD দিয়ে মাপা দূরত্ব, (x − median) ÷ (1.4826 × MAD); চরম মান নিজেই মাপকাঠি টেনে নিতে পারে না।যেখানে শিখবেন: পর্ব ৬২
ROC curveআরওসি কার্ভ
Receiver operating characteristic: threshold বদলাতে বদলাতে প্রতিটি মানে false positive rate (x অক্ষ) আর true positive rate বা recall (y অক্ষ) বসিয়ে আঁকা রেখা।যেখানে শিখবেন: পর্ব ৬০
Rollbackরোলব্যাক
নতুন সংস্করণে সমস্যা দেখা দিলে আগের পরীক্ষিত সংস্করণে ফিরে যাওয়া; model-এর ক্ষেত্রে আগের model ফাইল আর তার সেটিং প্রস্তুত রাখতে হয়।যেখানে শিখবেন: পর্ব ৭৪পর্ব ৭৭
Rolling windowরোলিং উইন্ডো
একটি নির্দিষ্ট মাপের জানালা, যা সময়ের ধারায় এক ঘর করে সরে আর প্রতিটি অবস্থানে ভেতরের মানগুলোর গড় বা যোগফলের মতো হিসাব দেয়।যেখানে শিখবেন: পর্ব ২৬পর্ব ২৮পর্ব ৭৬
Round-trip testরাউন্ড-ট্রিপ টেস্ট
ডেটা লিখে আবার পড়ে মূলের সঙ্গে মেলানোর পরীক্ষা, যাতে লেখা বা পড়ার সময় type, মান বা কলাম নীরবে বদলে গেলে ধরা পড়ে।যেখানে শিখবেন: পর্ব ২১
Rounding errorরাউন্ডিং এরর
কম্পিউটার float-এ সীমিত অঙ্ক রাখে বলে প্রতিটি হিসাবে যে ছোট ভুল হয়; প্রায় সমান দুটি সংখ্যা বিয়োগ করলে তা বড় হয়ে ওঠে।যেখানে শিখবেন: পর্ব ৩৪পর্ব ৫৭
Row explosion (fan-out)রো এক্সপ্লোশন
Join-এর পর সারি অপ্রত্যাশিতভাবে বেড়ে যাওয়া, কারণ যে key একবার থাকার কথা সেটি একাধিকবার আছে; এতে যোগফল আর গোনা চুপচাপ ফুলে ওঠে।যেখানে শিখবেন: পর্ব ২৫পর্ব ৭৭পর্ব ৭৮
Row group (Parquet)রো গ্রুপ
Parquet ফাইলের একটি অংশ, যেখানে কিছু সারির প্রতিটি কলাম আলাদা খণ্ডে থাকে, আর footer-এ তার min/max পরিসংখ্যান লেখা থাকে।যেখানে শিখবেন: পর্ব ১০
Row label (index label)রো লেবেল
DataFrame-এর একটি সারির নাম, যা index-এ থাকে; এটি সংখ্যা, লেখা বা তারিখ হতে পারে, আর সারির অবস্থান (position) থেকে আলাদা জিনিস।যেখানে শিখবেন: পর্ব ২২
Row-major order (C order)রো-মেজর অর্ডার
বহু-মাত্রার array-কে মেমরিতে সারি ধরে রাখার নিয়ম, যেখানে শেষ মাত্রাটি সবচেয়ে দ্রুত বদলায়; C আর NumPy-র default. কলাম ধরে রাখার নিয়মকে বলে column-major বা Fortran order.যেখানে শিখবেন: পর্ব ১৩পর্ব ১৪পর্ব ১৯
Row-oriented storageরো-ওরিয়েন্টেড স্টোরেজ
ডেটা সারি ধরে রাখা: একটি record-এর সব মান পাশাপাশি, তারপর পরের record; যেমন CSV.যেখানে শিখবেন: পর্ব ১০
Rule baseরুল বেস
একটি expert system-এর সব production rule-এর সংগ্রহ; বিষয়ের জ্ঞান এখানে লেখা থাকে, কোডের বাকি অংশ থেকে আলাদা।যেখানে শিখবেন: পর্ব ৪৭
Rule coverageরুল কভারেজ
পরীক্ষার ইনপুটগুলোতে কোন কোন নিয়ম অন্তত একবার চলেছে তার হিসাব; যে নিয়ম কখনো চলে না, সেটি অপ্রাপ্য বা ভুল লেখা হতে পারে।যেখানে শিখবেন: পর্ব ৪৭
Rule-based systemরুল-বেসড সিস্টেম
যে প্রোগ্রাম “যদি এই শর্ত, তাহলে ওই সিদ্ধান্ত” ধরনের হাতে লেখা নিয়মের তালিকা মেনে কাজ করে।যেখানে শিখবেন: পর্ব ০৩পর্ব ৪৭পর্ব ৭৪
Runge's phenomenonরুঙ্গে ফেনোমেনন
সমান দূরত্বের অনেক বিন্দু দিয়ে উঁচু degree-র polynomial টানলে দুই প্রান্তে বড় দোলা তৈরি হওয়া; Carl Runge ১৯০১ সালে এটি দেখান।যেখানে শিখবেন: পর্ব ৬১
R² (coefficient of determination)আর-স্কোয়ার্ড
Regression-এর একটি মাপ: ১ মানে নিখুঁত অনুমান, ০ মানে সবসময় গড় বলার সমান, ঋণাত্মক মানে তার চেয়েও খারাপ।যেখানে শিখবেন: পর্ব ৫৫পর্ব ৫৮পর্ব ৬০

S

Saddle pointস্যাডল পয়েন্ট
যে বিন্দুতে gradient শূন্য, কিন্তু এক দিকে উঁচু আর আরেক দিকে নিচু, ঘোড়ার জিনের মতো; minimum নয়।যেখানে শিখবেন: পর্ব ৩৪পর্ব ৭৭
safetensorsসেফটেনসরস
Model-এর ওজন রাখার একটি ফাইল ফরম্যাট: শুরুতে ৮ byte-এ header-এর দৈর্ঘ্য, তারপর JSON header (নাম, dtype, shape), তারপর কাঁচা সংখ্যা; খোলার সময় কোনো কোড চলে না।যেখানে শিখবেন: পর্ব ৭১পর্ব ৭৬পর্ব ৭৯
Salienceস্যালিয়েন্স
একটি নিয়মকে হাতে দেওয়া অগ্রাধিকারের সংখ্যা; বেশি salience-এর নিয়ম conflict set-এ আগে চলে। CLIPS-এ declare (salience n) দিয়ে লেখা হয়।যেখানে শিখবেন: পর্ব ৪৭
Sampleস্যাম্পল
নমুনা: population-এর যে অংশটি আসলে দেখা বা মাপা হয়; তা থেকে population সম্পর্কে অনুমান করা হয়।যেখানে শিখবেন: পর্ব ৩৬
Sample space (Ω)স্যাম্পল স্পেস
একটি পরীক্ষার সম্ভাব্য সব outcome-এর সেট; ছক্কার জন্য {1, 2, 3, 4, 5, 6}.যেখানে শিখবেন: পর্ব ৩৫
Samplingস্যাম্পলিং
একটি সম্ভাবনার বণ্টন থেকে এলোমেলোভাবে মান তোলা, যাতে বেশি সম্ভাব্য মান বেশি বার আসে। Generative model এভাবেই নতুন ডেটা তৈরি করে।যেখানে শিখবেন: পর্ব ০৪পর্ব ৫৩পর্ব ৭০
Sampling biasস্যাম্পলিং বায়াস
নমুনায় ঢোকার সম্ভাবনা মাপতে চাওয়া বিষয়ের ওপরই নির্ভর করলে যে পক্ষপাত হয়; নমুনা বড় করলেও তা কমে না।যেখানে শিখবেন: পর্ব ৩৬
Sampling distributionস্যাম্পলিং ডিস্ট্রিবিউশন
একই আকারের অনেক নমুনা নিলে একটি পরিসংখ্যান (যেমন গড়) নমুনা থেকে নমুনায় কীভাবে ছড়ায়, তার distribution.যেখানে শিখবেন: পর্ব ৩৭
Sampling with replacementস্যাম্পলিং উইথ রিপ্লেসমেন্ট
প্রতিটি নমুনা তোলার পর তা আবার ফেরত রাখা, তাই একই জিনিস একাধিকবার আসতে পারে; NumPy-র choice-এর default.যেখানে শিখবেন: পর্ব ১৬পর্ব ৩০পর্ব ৬০
Sarcasmসারকাজম (ব্যঙ্গ)
মুখে প্রশংসা কিন্তু আসল অর্থ উল্টো, যেমন “বাহ! তিন সপ্তাহে ডেলিভারি, কী দ্রুত”; শব্দ গোনা model-এর কাছে এটি প্রশংসার মতোই দেখায়।যেখানে শিখবেন: পর্ব ৬৭
SAT (Boolean satisfiability)স্যাট
একটি propositional বাক্য, সাধারণত CNF-এ, কোনো model-এ সত্য হয় কি না জানার সমস্যা; প্রথম প্রমাণিত NP-complete সমস্যা।যেখানে শিখবেন: পর্ব ৪৫
SAT solverস্যাট সলভার
সত্য/মিথ্যা variable-এর যুক্তিবাক্য একসঙ্গে সত্য করা যায় কি না, তা খোঁজার প্রোগ্রাম; আধুনিকগুলো ব্যর্থতা থেকে নতুন clause শেখে।যেখানে শিখবেন: পর্ব ৪৩পর্ব ৪৫পর্ব ৪৬
Satisfiableস্যাটিসফায়েবল
যে বাক্য অন্তত একটি model-এ সত্য; এমন model খোঁজার প্রশ্নই SAT সমস্যা।যেখানে শিখবেন: পর্ব ৪৫
Scalarস্কেলার
একটিমাত্র সংখ্যা, যার কোনো দিক নেই; যেমন 2 বা 0.5. Vector-এর বিপরীতে এই নাম ব্যবহৃত হয়।যেখানে শিখবেন: পর্ব ৩৩
Scalar multiplicationস্কেলার মাল্টিপ্লিকেশন
একটি সংখ্যা দিয়ে vector-এর প্রতিটি ঘর গুণ করা; ধনাত্মক সংখ্যায় দিক একই থাকে, শুধু দৈর্ঘ্য বদলায়, ঋণাত্মক সংখ্যায় দিক উল্টে যায়।যেখানে শিখবেন: পর্ব ৩৩
Scaled dot-product attentionস্কেলড ডট-প্রোডাক্ট অ্যাটেনশন
softmax(QKᵀ/√d_k)V সূত্রের attention: query আর key-এর dot product, key-এর দৈর্ঘ্যের বর্গমূল দিয়ে ভাগ, softmax, তারপর value-গুলোর ওজনসহ যোগ।যেখানে শিখবেন: পর্ব ৭০পর্ব ৭৫
Scatter plotস্ক্যাটার প্লট
প্রতিটি পর্যবেক্ষণকে (x, y) একটি বিন্দু হিসেবে আঁকা chart, দুটি সংখ্যার সম্পর্ক দেখতে; matplotlib-এ ax.scatter.যেখানে শিখবেন: পর্ব ২৮পর্ব ২৯
Schemaস্কিমা
ডেটার কাঠামোর বর্ণনা: কোন কোন কলাম আছে, প্রতিটির নাম আর type কী।যেখানে শিখবেন: পর্ব ১০পর্ব ২১পর্ব ৬৪
scikit-learnসাইকিট-লার্ন
Python-এর জনপ্রিয় machine learning library, যেখানে classifier, preprocessing আর মূল্যায়নের টুল একই ধাঁচের fit/predict API-তে পাওয়া যায়।যেখানে শিখবেন: পর্ব ০৩পর্ব ১২পর্ব ১৪
Scope (quantifier)স্কোপ
বাক্যের যে অংশের ওপর একটি quantifier খাটে, সাধারণত বন্ধনী দিয়ে দেখানো হয়।যেখানে শিখবেন: পর্ব ৪৬
Scree plotস্ক্রি প্লট
PC-র ক্রম অনুযায়ী explained variance বা তার cumulative যোগফলের রেখা, কতগুলো PC রাখা হবে তা ঠিক করতে ব্যবহৃত।যেখানে শিখবেন: পর্ব ৬৫
Screen readerস্ক্রিন রিডার
যে software পর্দার লেখা আর উপাদান জোরে পড়ে শোনায়, যাতে দৃষ্টিপ্রতিবন্ধী মানুষ কম্পিউটার ও ফোন ব্যবহার করতে পারেন।যেখানে শিখবেন: পর্ব ৩১
sdist (source distribution)এস-ডিস্ট
package-এর সোর্স কোডের আর্কাইভ, সাধারণত .tar.gz. ইনস্টলের সময় নিজের কম্পিউটারে build করতে হয়, তাই ভেতরে C বা Fortran কোড থাকলে compiler লাগে।যেখানে শিখবেন: পর্ব ০৭
seabornসিবর্ন
matplotlib-এর ওপরে লেখা Python-এর পরিসংখ্যানভিত্তিক chart library, যা DataFrame-এর কলামের নাম থেকে দলে ভাগ, হিসাব আর রং নিজে করে।যেখানে শিখবেন: পর্ব ৩০
seaborn.objectsসিবর্ন অবজেক্টস
seaborn 0.12 থেকে আসা ঘোষণামূলক interface, যেখানে so.Plot-এ ডেটা দিয়ে .add() দিয়ে mark আর stat-এর স্তর যোগ করা হয়; নথিতে এখনো পরীক্ষামূলক।যেখানে শিখবেন: পর্ব ৩০
Search (AI search)সার্চ
সম্ভাব্য অবস্থা বা চালের মধ্যে ধাপে ধাপে খুঁজে লক্ষ্যে পৌঁছানোর পথ বের করার পদ্ধতি, যেমন দাবার চাল খোঁজা।যেখানে শিখবেন: পর্ব ০২
Search nodeসার্চ নোড
Search tree-র একটি বিন্দু, যাতে থাকে একটি state, তার parent, যে action-এ এসেছে আর এ পর্যন্ত path cost.যেখানে শিখবেন: পর্ব ৩৯
Search treeসার্চ ট্রি
শুরুর state থেকে search যে পথগুলো তৈরি করে তার গাছ; একই state অনেক node-এ আসতে পারে আর চক্র থাকলে গাছ অসীম হতে পারে।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৪৩
Seasonalityসিজনালিটি
নিয়মিত সময় পরপর ফিরে আসা ধরন, যেমন প্রতি শুক্রবার বেশি বিক্রি বা প্রতি বছর উৎসবের আগে ভিড়।যেখানে শিখবেন: পর্ব ২৬পর্ব ৬২পর্ব ৭৪
Secant lineসিক্যান্ট লাইন
Curve-এর দুটি বিন্দু দিয়ে যাওয়া সরলরেখা; দুটি বিন্দু কাছে আনতে থাকলে এর ঢাল derivative-এর দিকে যায়।যেখানে শিখবেন: পর্ব ৩৪
Secret (গোপন তথ্য)সিক্রেট
Password, API key, token বা database-এর ঠিকানা-সহ পাসওয়ার্ডের মতো তথ্য, যা ফাঁস হলে অন্য কেউ আপনার নামে সিস্টেমে ঢুকতে পারে।যেখানে শিখবেন: পর্ব ১২
SeedSequenceসিড-সিকোয়েন্স
NumPy-র যে অংশ একটি seed-কে ভালোভাবে মিশিয়ে BitGenerator-এর শুরুর অবস্থা বানায়, আর spawn দিয়ে স্বাধীন সন্তান ধারা তৈরি করে।যেখানে শিখবেন: পর্ব ১৬
Selection bias (winner's curse)সিলেকশন বায়াস
অনেক এলোমেলো-ঘেঁষা নম্বরের সবচেয়ে ভালোটি বেছে নিলে সেই নম্বরটি আসল মানের চেয়ে ফোলানো হওয়ার প্রবণতা; best_score_ এই কারণে আশাবাদী।যেখানে শিখবেন: পর্ব ৬৬
Selection rateসিলেকশন রেট
একটি দলের কত ভাগ মানুষ positive সিদ্ধান্ত (যেমন অনুমোদন) পেলেন, P(ŷ = 1 | দল); এতে আসল ফল জানার দরকার হয় না।যেখানে শিখবেন: পর্ব ৭২পর্ব ৭৬
Selective labelsসিলেক্টিভ লেবেলস
শুধু যাঁদের পক্ষে সিদ্ধান্ত হয়েছে (যেমন অনুমোদিত) তাঁদেরই ফল জানা যায়, বাদ পড়াদের ফল কখনো দেখা যায় না; ফলে model-এর ভুল মাপা আর শোধরানো কঠিন হয়।যেখানে শিখবেন: পর্ব ৭২পর্ব ৭৪
Self-attentionসেলফ-অ্যাটেনশন
একই ক্রমের প্রতিটি token যখন query, key আর value দিয়ে অন্য সব token-এর দিকে ওজন দিয়ে তাকিয়ে নিজের নতুন vector বানায়।যেখানে শিখবেন: পর্ব ৭০
Self-supervised learningসেলফ-সুপারভাইজড লার্নিং
যে শেখায় label মানুষ লেখেন না, ডেটার ভেতর থেকেই বানানো হয়, যেমন একটি বাক্যের পরের শব্দ বা লুকানো অংশ অনুমান করা।যেখানে শিখবেন: পর্ব ৫৫
Semantic mappingসিম্যান্টিক ম্যাপিং
ডেটার কোন কলাম ছবির কোন বৈশিষ্ট্যে যাবে (অবস্থান, রং, আকার, আকৃতি, panel), তা বলে দেওয়া; seaborn-এ x, y, hue, size, style, col, row দিয়ে।যেখানে শিখবেন: পর্ব ৩০
Semantic networkসিমান্টিক নেটওয়ার্ক
ধারণাগুলোকে node আর is-a বা has-এর মতো নাম-দেওয়া রেখা দিয়ে জোড়া জ্ঞানের জাল; ১৯৬০-এর দশকে Quillian-এর কাজ থেকে পরিচিত।যেখানে শিখবেন: পর্ব ৪৮
Semanticsসিমান্টিক্স
একটি বাক্য কোন অবস্থায় সত্য, তার নিয়ম; যুক্তিতে প্রতিটি model-এ বাক্যের মান ঠিক করে।যেখানে শিখবেন: পর্ব ৪৫
Semi-decidableসেমি-ডিসাইডেবল
যে প্রশ্নে উত্তর “হ্যাঁ” হলে একটি পদ্ধতি একসময় থেমে তা বলে, কিন্তু “না” হলে চিরকাল চলতে পারে; FOL-এর entailment এমন।যেখানে শিখবেন: পর্ব ৪৬পর্ব ৭৭
Semi-supervised learningসেমি-সুপারভাইজড লার্নিং
অল্প কিছু label দেওয়া উদাহরণের সঙ্গে অনেক label-ছাড়া উদাহরণ মিলিয়ে শেখা, যাতে label-ছাড়া ডেটার গঠনও কাজে লাগে।যেখানে শিখবেন: পর্ব ৫৫
Sensitivity (differential privacy)সেনসিটিভিটি
একজন মানুষ ডেটায় যোগ বা বাদ দিলে একটি প্রশ্নের উত্তর সর্বোচ্চ কতটা বদলাতে পারে; গোনার প্রশ্নে এটি 1.যেখানে শিখবেন: পর্ব ৭২
Sensitivity (true positive rate, recall)সেনসিটিভিটি
আসলে positive এমন ঘটনার কত ভাগকে পরীক্ষা বা model ঠিকভাবে positive বলে; P(flag | আসল).যেখানে শিখবেন: পর্ব ৩৫পর্ব ৫০পর্ব ৬০
Sensitivity analysisসেনসিটিভিটি অ্যানালাইসিস
একটি ইনপুট (যেমন একটি সম্ভাবনা) ধীরে ধীরে বদলে দেখা, ফল বা সেরা সিদ্ধান্ত কতটা আর কোথায় বদলায়।যেখানে শিখবেন: পর্ব ৫৪
Sensorসেন্সর
যে অংশ দিয়ে agent পরিবেশ সম্পর্কে তথ্য পায়, যেমন ক্যামেরা, মাইক্রোফোন বা আসা মেসেজ পড়ার কোড।যেখানে শিখবেন: পর্ব ০১পর্ব ৭৭
Sentence embeddingসেনটেন্স এমবেডিং
পুরো একটি বাক্য বা অনুচ্ছেদের জন্য একটি নির্দিষ্ট মাত্রার vector, যাতে অর্থে কাছাকাছি বাক্যের cosine বড় হয়।যেখানে শিখবেন: পর্ব ৬৯
Sentiment analysisসেন্টিমেন্ট অ্যানালাইসিস
লেখায় প্রকাশিত মনোভাব (ইতিবাচক, নেতিবাচক বা নিরপেক্ষ) স্বয়ংক্রিয়ভাবে চিহ্নিত করার কাজ, যেমন পণ্য-রিভিউ ভালো না খারাপ।যেখানে শিখবেন: পর্ব ৬৭
Sequence predictionসিকোয়েন্স প্রেডিকশন
একটি ক্রমের পরের অংশ অনুমান করা, যেমন পরের শব্দ বা ক্রেতা এরপর কোন পাতা খুলবেন।যেখানে শিখবেন: পর্ব ০৫
Seriesসিরিজ
pandas-এর 1-D কাঠামো: মানের একটি array আর প্রতিটি মানের একটি label (index), সব মানের dtype এক।যেখানে শিখবেন: পর্ব ২০পর্ব ২২পর্ব ২৬
Set of supportসেট অব সাপোর্ট
Resolution-এর একটি কৌশল, যেখানে প্রতিটি ধাপে অন্তত একটি clause আসে ¬α বা তার থেকে তৈরি clause থেকে।যেখানে শিখবেন: পর্ব ৪৫
set_indexসেট ইনডেক্স
একটি বা একাধিক কলামকে DataFrame-এর সারির label (index) বানানোর method; এটি নতুন DataFrame দেয় আর reset_index দিয়ে উল্টানো যায়।যেখানে শিখবেন: পর্ব ২২
SHA-256শা-টু-ফিফটি-সিক্স
একটি প্রচলিত cryptographic hash function, যা যেকোনো ডেটা থেকে 256 bit বা 64টি hex অক্ষরের ছাপ বানায়।যেখানে শিখবেন: পর্ব ১২পর্ব ৭৬
Shadow deploymentশ্যাডো ডিপ্লয়মেন্ট
নতুন model আসল ডেটায় পাশাপাশি চলে আর অনুমান লিখে রাখে, কিন্তু কোনো সিদ্ধান্তে তার উত্তর ব্যবহার হয় না; ঝুঁকি ছাড়া আসল অবস্থায় যাচাইয়ের উপায়।যেখানে শিখবেন: পর্ব ৭৪পর্ব ৭৬পর্ব ৭৯
Shapeশেপ
একটি array বা টেবিলের প্রতিটি মাত্রায় কতগুলো উপাদান, তার তালিকা; যেমন ৪ সারি ও ৩ কলামের array-র shape (4, 3).যেখানে শিখবেন: পর্ব ১১পর্ব ১৩পর্ব ১৪
Share-alike (SA)শেয়ার-অ্যালাইক
Creative Commons licence-এর একটি শর্ত: মূল কাজ বদলে নতুন কিছু বানিয়ে প্রকাশ করলে সেটিও একই licence-এ দিতে হবে।যেখানে শিখবেন: পর্ব ৭১
Sheet (Excel)শিট
একটি xlsx ফাইলের ভেতরের আলাদা আলাদা টেবিলের পাতা; read_excel-এ sheet_name দিয়ে নাম, ক্রমিক নম্বর বা সবগুলো (None) বেছে নেওয়া যায়।যেখানে শিখবেন: পর্ব ২১
Shell commandশেল কমান্ড
Terminal-এ লেখা অপারেটিং সিস্টেমের কমান্ড; notebook-এ ! দিয়ে শুরু করলে cell থেকে এমন কমান্ড চালানো যায়।যেখানে শিখবেন: পর্ব ০৮
Short-circuit evaluationশর্ট-সার্কিট ইভ্যালুয়েশন
and বা or-এর বাঁ পাশ দেখেই উত্তর জানা গেলে ডান পাশ হিসাবই না করা; এজন্য Python প্রতিটি পাশকে একটি একক True বা False-এ নামায়।যেখানে শিখবেন: পর্ব ১৪
Shortcut learningশর্টকাট লার্নিং
Model আসল লক্ষণ না শিখে training data-তে উত্তরের সঙ্গে মিলে যাওয়া সহজ কোনো সংকেত শিখে ফেলা, যা নতুন ডেটায় আর কাজ করে না।যেখানে শিখবেন: পর্ব ০৬পর্ব ৭৬
Shoulderশোল্ডার
এমন plateau যার এক পাশে আবার চড়াই আছে; সমান মানের দিকে কয়েক পা হাঁটলে (sideways move) সেখান থেকে উন্নতি সম্ভব।যেখানে শিখবেন: পর্ব ৪৪
Shrinkageশ্রিংকেজ
শাস্তির কারণে coefficient-গুলো শূন্যের দিকে ছোট হয়ে আসা; একটু bias মেনে variance কমানোর কৌশল।যেখানে শিখবেন: পর্ব ৬১পর্ব ৬৩
Side effectসাইড ইফেক্ট
Function-এর ফেরত দেওয়া মানের বাইরে অন্য কিছু বদলানো, যেমন global variable, ফাইল বা input হিসেবে পাওয়া DataFrame নিজেই বদলে দেওয়া।যেখানে শিখবেন: পর্ব ১১পর্ব ১৪পর্ব ২০
Sideways moveসাইডওয়েজ মুভ
সমান মানের প্রতিবেশীতে যাওয়ার অনুমতি, যাতে plateau পেরিয়ে চড়াই খোঁজা যায়; চিরকাল ঘোরা আটকাতে পরপর এমন চালের একটি সীমা রাখা হয়।যেখানে শিখবেন: পর্ব ৪৪
Sigmoid (logistic function)সিগময়েড
σ(z) = 1/(1 + e^(−z)) সূত্রের S-আকারের function, যা যেকোনো বাস্তব সংখ্যাকে ০ আর ১-এর মাঝের একটি সংখ্যায় আনে; z = 0-তে মান ০.৫ আর derivative হয় σ(1 − σ) আকারের।যেখানে শিখবেন: পর্ব ৫৯পর্ব ৬৮পর্ব ৭৫
Silent bugসাইলেন্ট বাগ
এমন ভুল, যাতে প্রোগ্রাম কোনো error ছাড়াই চলে আর বিশ্বাসযোগ্য দেখতে ফল দেয়, কিন্তু ফলটি ভুল; যেমন ভুল axis-এ গড় বা পয়সাকে টাকা ধরা।যেখানে শিখবেন: পর্ব ১১পর্ব ১৪পর্ব ২৩
Silhouette scoreসিলুয়েট স্কোর
প্রতিটি বিন্দুর জন্য s = (b − a)/max(a, b), যেখানে a নিজের দলের গড় দূরত্ব আর b সবচেয়ে কাছের অন্য দলের গড় দূরত্ব; সব বিন্দুর গড় −১ থেকে ১-এর মধ্যে, বড় মানে দল বেশি আলাদা।যেখানে শিখবেন: পর্ব ৬৫পর্ব ৭৭
SIMD (Single Instruction, Multiple Data)সিমডি
CPU-র এমন ক্ষমতা, যাতে একটি instruction একসঙ্গে কয়েকটি সংখ্যার ওপর একই কাজ করে; NumPy-র অনেক loop এর সুবিধা নিতে পারে, তবে লাভ যন্ত্র আর কাজভেদে ভিন্ন।যেখানে শিখবেন: পর্ব ১৩
Similarity matrixসিমিলারিটি ম্যাট্রিক্স
একটি বর্গাকার টেবিল যার [i, j] ঘরে item i আর j-এর similarity (যেমন cosine) থাকে; কর্ণে সাধারণত 1.যেখানে শিখবেন: পর্ব ৩৩
Simple random samplingসিম্পল র‍্যান্ডম স্যাম্পলিং
নমুনা তোলার এমন পদ্ধতি, যেখানে population-এর প্রতিটি সদস্যের বাছাই হওয়ার সম্ভাবনা সমান।যেখানে শিখবেন: পর্ব ৩৬
Simple reflex agentসিম্পল রিফ্লেক্স এজেন্ট
যে agent শুধু বর্তমান percept দেখে condition–action rule মিলিয়ে কাজ করে, কিছু মনে রাখে না।যেখানে শিখবেন: পর্ব ০১
Simpson's paradoxসিম্পসনস প্যারাডক্স
দলে দলে যে প্রবণতা দেখা যায়, সব দল মেলালে তা দুর্বল বা উল্টে যাওয়ার ঘটনা; সাধারণত দলগুলোর অসম মিশ্রণ আর একটি confounding variable এর কারণ।যেখানে শিখবেন: পর্ব ২৪পর্ব ৩২পর্ব ৩৫
Simulated annealingসিমুলেটেড অ্যানিলিং
ধাতু ধীরে ঠান্ডা করার অনুকরণে local search: খারাপ চালও exp(−Δ/T) সম্ভাবনায় নেওয়া হয়, আর তাপমাত্রা T ধীরে কমে; Kirkpatrick, Gelatt ও Vecchi ১৯৮৩ সালে প্রস্তাব করেন।যেখানে শিখবেন: পর্ব ৪৪পর্ব ৭৬পর্ব ৭৯
Singular matrixসিঙ্গুলার ম্যাট্রিক্স
যে বর্গাকার matrix-এর inverse নেই, কারণ কোনো সারি বা কলাম অন্যগুলোর মিশ্রণ; তখন Ax = b-এর হয় কোনো উত্তর নেই, নয়তো অসংখ্য উত্তর।যেখানে শিখবেন: পর্ব ১৭
site-packagesসাইট-প্যাকেজেস
যে ফোল্ডারে বাইরের package বসানো হয়। প্রতিটি Python ইনস্টল আর প্রতিটি virtual environment-এর নিজস্ব site-packages থাকে, আর import এখানে খোঁজে।যেখানে শিখবেন: পর্ব ০৭
Skewed distributionস্কিউড ডিস্ট্রিবিউশন
একদিকে লম্বা লেজওয়ালা distribution; ডানদিকে লেজ হলে গড় সাধারণত median-এর চেয়ে বড়, যেমন অর্ডারের দাম।যেখানে শিখবেন: পর্ব ২৯পর্ব ৩৬পর্ব ৬২
Skewnessস্কিউনেস
distribution কোন দিকে কতটা হেলে আছে তার মাপ; ধনাত্মক মানে ডান দিকে লম্বা লেজ, যেমন ডেলিভারি-সময় বা দাম।যেখানে শিখবেন: পর্ব ৩৭
Skolem constantস্কোলেম কনস্ট্যান্ট
Existential instantiation-এ “যে-ই হোক” বস্তুর জন্য বসানো নতুন নাম; ∀-এর ভেতরে হলে constant-এর বদলে Skolem function লাগে।যেখানে শিখবেন: পর্ব ৪৬
skopsস্কপস
scikit-learn model সংরক্ষণের একটি বাইরের প্রকল্প, যার skops.io ফরম্যাট খোলার আগে অচেনা type-এর তালিকা দেখায় আর অনুমতি ছাড়া সেগুলো খোলে না।যেখানে শিখবেন: পর্ব ৬৪
Slicingস্লাইসিং
start:stop:step লিখে একটি ধারাবাহিক অংশ তোলা, যেখানে start ধরা হয় কিন্তু stop বাদ পড়ে; NumPy-তে slice একটি view দেয়।যেখানে শিখবেন: পর্ব ১৪পর্ব ১৮
Slopeস্লোপ
একটি রেখার ঢাল: x এক একক বাড়লে y কত বাড়ে বা কমে, মানে Δy ÷ Δx.যেখানে শিখবেন: পর্ব ৩৪
Small multiplesস্মল মাল্টিপলস
একই নকশার ছোট ছোট chart-এর সারি, প্রতিটিতে ডেটার একটি অংশ; Edward Tufte নামটি জনপ্রিয় করেন।যেখানে শিখবেন: পর্ব ২৯পর্ব ৩২পর্ব ৭৬
Soft constraintসফট কনস্ট্রেইন্ট
পছন্দ বা অগ্রাধিকার, যা ভাঙা যায় কিন্তু ভাঙলে জরিমানা হয়; solver মোট জরিমানা কম রাখার চেষ্টা করে।যেখানে শিখবেন: পর্ব ৪৩
Softmaxসফটম্যাক্স
কয়েকটি score-কে e-এর ঘাতে তুলে তাদের যোগফল দিয়ে ভাগ করে এমন সম্ভাবনায় আনার নিয়ম, যাদের যোগফল ১; দুই শ্রেণিতে এটি sigmoid-এর সমান।যেখানে শিখবেন: পর্ব ৫৯পর্ব ৬৮পর্ব ৭০
Solved gameসলভড গেম
যে খেলার নিখুঁত খেলায় ফল (প্রথমজন জেতে, দ্বিতীয়জন জেতে না ড্র) প্রমাণ করে জানা গেছে; tic-tac-toe ড্র, আর checkers-ও ২০০৭ সালে ড্র হিসেবে সমাধান হয়েছে।যেখানে শিখবেন: পর্ব ৪২
Sort keyসর্ট কী
সাজানোর সময় প্রতিটি উপাদান থেকে তুলনার মান বের করার function; sorted() আর list.sort()-এর key parameter.যেখানে শিখবেন: পর্ব ০৯
Soundnessসাউন্ডনেস
Inference পদ্ধতির যে গুণে সে শুধু সত্যিই entailed বাক্য বের করে, কখনো ভুল সিদ্ধান্ত নয়।যেখানে শিখবেন: পর্ব ৪৫
Space complexityস্পেস কমপ্লেক্সিটি
একটি algorithm-কে একসঙ্গে সর্বোচ্চ কতটা memory রাখতে হয়; search-এ frontier আর explored set-এর node-এর সংখ্যা।যেখানে শিখবেন: পর্ব ৩৯
Spaghetti chartস্প্যাগেটি চার্ট
এক ছবিতে অনেকগুলো রেখা জট পাকিয়ে পড়া যায় না এমন line chart; small multiples এর সাধারণ বিকল্প।যেখানে শিখবেন: পর্ব ২৯
Spamস্প্যাম
অবাঞ্ছিত বা প্রতারণামূলক বার্তা, যেমন ভুয়া পুরস্কার বা OTP চাওয়া SMS; classifier-এ সাধারণত positive শ্রেণি ধরা হয়।যেখানে শিখবেন: পর্ব ৫১
SPARQLস্পার্কল
RDF graph-এ query করার W3C মানদণ্ডের ভাষা; WHERE অংশে triple pattern লিখে মিল খোঁজা হয়, সঙ্গে FILTER, GROUP BY, ASK আর property path.যেখানে শিখবেন: পর্ব ৪৮
Sparse matrixস্পার্স ম্যাট্রিক্স
যে matrix-এর বেশিরভাগ ঘর শূন্য, তাকে শুধু শূন্য নয় এমন ঘরের অবস্থান আর মান দিয়ে রাখার পদ্ধতি; CountVectorizer এভাবেই ফল দেয়।যেখানে শিখবেন: পর্ব ৫১পর্ব ৬৭পর্ব ৬৯
Sparse vectorস্পার্স ভেক্টর
যে vector-এর প্রায় সব ঘর শূন্য, যেমন শব্দভিত্তিক TF-IDF; শুধু অশূন্য ঘরগুলো রাখলেই চলে।যেখানে শিখবেন: পর্ব ৬৯পর্ব ৭৭
Sparsityস্পার্সিটি
অনেক মান ঠিক শূন্য থাকার অবস্থা; sparse মডেলে অল্প কয়েকটি feature-ই কাজ করে, তাই পড়া আর চালানো সহজ।যেখানে শিখবেন: পর্ব ৬১পর্ব ৭৭
Spearman rank correlationস্পিয়ারম্যান কোরিলেশন
মানগুলোকে তাদের ক্রম (rank) দিয়ে বদলে তারপর Pearson r; সম্পর্ক সরলরেখা না হলেও একমুখী হলে ১ দেয়, আর outlier-এ কম নড়ে।যেখানে শিখবেন: পর্ব ৩৭
Specificity (conflict resolution)স্পেসিফিসিটি
conflict resolution-এর একটি কৌশল: যে নিয়মের শর্ত বেশি, মানে যা বেশি নির্দিষ্ট পরিস্থিতির জন্য লেখা, সেটি আগে চলে; ব্যতিক্রমের নিয়ম সাধারণ নিয়মকে হারায়।যেখানে শিখবেন: পর্ব ৪৭পর্ব ৫০পর্ব ৬০
Speech recognitionস্পিচ রিকগনিশন
মুখের কথা শুনে লেখায় রূপান্তর করা; সাধারণত word error rate দিয়ে মাপা হয়।যেখানে শিখবেন: পর্ব ০৫পর্ব ৫৩
Split-apply-combineস্প্লিট-অ্যাপ্লাই-কম্বাইন
দলভিত্তিক হিসাবের তিন ধাপের ছাঁচ: key ধরে ডেটা ভাগ (split), প্রতিটি দলে একটি হিসাব (apply), আর ফলগুলো জোড়া (combine); Hadley Wickham-এর ২০১১ সালের প্রবন্ধে নামটি জনপ্রিয় হয়।যেখানে শিখবেন: পর্ব ২৪পর্ব ৭৬পর্ব ৭৭
Spurious correlationস্পিউরিয়াস কোরিলেশন
দুটি জিনিস ডেটায় একসঙ্গে দেখা গেলেও একটি অন্যটির আসল কারণ নয় — কাকতালীয় বা তৃতীয় কোনো কারণে তৈরি ভুয়া সম্পর্ক।যেখানে শিখবেন: পর্ব ০৬পর্ব ২৪পর্ব ৩০
SQLএসকিউএল
Relational ডেটাবেসে ডেটা খোঁজা, বাছাই, যোগফল আর বদলানোর declarative ভাষা; যেমন SELECT, WHERE, GROUP BY.যেখানে শিখবেন: পর্ব ২১পর্ব ৪৬
SQL injectionএসকিউএল ইনজেকশন
ব্যবহারকারীর দেওয়া মান string জোড়া দিয়ে query-তে ঢোকালে সেই মানের ভেতরের SQL কোড হিসেবে চলে যাওয়ার আক্রমণ; এতে অন্যের ডেটা পড়া বা মোছা সম্ভব।যেখানে শিখবেন: পর্ব ২১
SQLAlchemyএসকিউএলঅ্যালকেমি
Python-এর একটি library, যা নানা ডেটাবেসের সঙ্গে একই ধরনের connection (engine) দেয়; PostgreSQL বা MySQL-এর সঙ্গে pandas-এর read_sql ও to_sql এটি দিয়ে চলে।যেখানে শিখবেন: পর্ব ২১
SQLiteএসকিউলাইট
একটি ফাইলেই পুরো ডেটাবেস রাখা ছোট, সার্ভারহীন SQL ডেটাবেস; Python-এর সঙ্গে sqlite3 module হিসেবে আসে।যেখানে শিখবেন: পর্ব ২১
src layoutএসআরসি লেআউট
Python প্রকল্পের এমন কাঠামো, যেখানে package-এর কোড src ফোল্ডারের ভেতরে থাকে; ফলে test চলে install করা package-এর ওপর, প্রকল্পের ফোল্ডারের কোনো আলগা ফাইলের ওপর নয়।যেখানে শিখবেন: পর্ব ৭৩
St Petersburg paradoxসেন্ট পিটার্সবার্গ প্যারাডক্স
মুদ্রা ছোড়ার একটি খেলা, যার expected value অসীম অথচ মানুষ সামান্য দামই দিতে চান; Daniel Bernoulli ১৭৩৮ সালে log utility দিয়ে এর ব্যাখ্যা দেন।যেখানে শিখবেন: পর্ব ৫৪
Stable sortস্টেবল সর্ট
যে সাজানোর পদ্ধতিতে সমান key-র উপাদানগুলো আগের ক্রমেই থাকে; Python-এর sort সবসময় stable.যেখানে শিখবেন: পর্ব ০৯পর্ব ২২
stackস্ট্যাক
DataFrame-এর কলামের label-কে index-এর ভেতরের স্তরে নামিয়ে আনা, ফলে টেবিল লম্বা হয়।যেখানে শিখবেন: পর্ব ২৫
Stack (LIFO)স্ট্যাক
যে data structure-এ সবশেষে ঢোকানো উপাদান আগে বের হয় (last in, first out); frontier হিসেবে দিলে depth-first search হয়।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৪০পর্ব ৭৭
Stacked bar chartস্ট্যাকড বার চার্ট
একটি bar-এর ওপর আরেকটি ভাগ বসানো chart; মোটের তুলনা সহজ, কিন্তু মাঝের ভাগগুলোর তুলনা কঠিন।যেখানে শিখবেন: পর্ব ২৯
Standard deviationস্ট্যান্ডার্ড ডেভিয়েশন
আদর্শ বিচ্যুতি: variance-এর বর্গমূল, যা মূল এককেই ডেটার ছড়ানো মাপে।যেখানে শিখবেন: পর্ব ১৬পর্ব ৩০পর্ব ৩৬
Standard errorস্ট্যান্ডার্ড এরর
একটি অনুমান নমুনাভেদে কতটা নড়ে তার মাপ; একটি অনুপাতের জন্য √(p(1 − p)/n), যা n বাড়লে 1/√n হারে কমে।যেখানে শিখবেন: পর্ব ১৬পর্ব ৩০পর্ব ৩২
Standardization (z-score)স্ট্যান্ডার্ডাইজেশন
প্রতিটি কলাম থেকে গড় বাদ দিয়ে standard deviation দিয়ে ভাগ করা, z = (x − μ) / σ; ফলে কলামগুলোর একক তুলনীয় হয়।যেখানে শিখবেন: পর্ব ৩৩পর্ব ৫৬পর্ব ৫৭
STAR methodস্টার মেথড
আচরণগত প্রশ্নের উত্তর সাজানোর কাঠামো: Situation (পরিস্থিতি), Task (দায়িত্ব), Action (নিজের কাজ), Result (ফল)। শেষে একটি শিক্ষা যোগ করা ভালো।যেখানে শিখবেন: পর্ব ৭৯
Stateস্টেট
একটি সমস্যায় জগতের একটি অবস্থার বর্ণনা, যতটুকু তথ্য সিদ্ধান্তের জন্য দরকার; যেমন রাইডার এখন কোন এলাকায়।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৪২পর্ব ৪৩
State machine (implicit interface)স্টেট মেশিন
pyplot-এর কাজের ধরন: সে একটি "বর্তমান" figure ও Axes মনে রাখে, আর plt.plot বা plt.title সেই বর্তমানটির ওপর কাজ করে।যেখানে শিখবেন: পর্ব ২৮
State spaceস্টেট স্পেস
একটি সমস্যার সব সম্ভাব্য state-এর সেট, যা actions আর transition model মিলে একটি graph হিসেবে দেখা যায়।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৪২পর্ব ৪৪
State-space graphস্টেট স্পেস গ্রাফ
এমন graph যার প্রতিটি node একটি state আর প্রতিটি তীর একটি action; প্রতিটি state এতে একবারই থাকে।যেখানে শিখবেন: পর্ব ৩৯
State-space landscapeস্টেট-স্পেস ল্যান্ডস্কেপ
সব state-কে অবস্থান আর তাদের objective-এর মানকে উচ্চতা ধরে আঁকা কাল্পনিক ভূদৃশ্য, যেখানে চূড়া, উপত্যকা, সমতল আর শিরা দিয়ে local search-এর আচরণ বোঝা যায়।যেখানে শিখবেন: পর্ব ৪৪
Static environmentস্ট্যাটিক এনভায়রনমেন্ট
যে পরিবেশ agent ভাবতে থাকার সময় বদলায় না। বদলালে তা dynamic.যেখানে শিখবেন: পর্ব ০১
Static type checkerস্ট্যাটিক টাইপ চেকার
যে টুল কোড না চালিয়েই type hint পড়ে দেখে ঘোষণা আর ব্যবহার মিলছে কি না; যেমন mypy আর pyright.যেখানে শিখবেন: পর্ব ১১
Stationary distributionস্টেশনারি ডিস্ট্রিবিউশন
অবস্থাগুলোর এমন একটি সম্ভাবনা-বণ্টন π, যাকে transition matrix দিয়ে গুণ করলে বদলায় না (πP = π); দীর্ঘ সময়ে প্রতিটি অবস্থায় কাটানো সময়ের ভাগ।যেখানে শিখবেন: পর্ব ৫৩পর্ব ৭৫
Statistical significanceস্ট্যাটিস্টিক্যাল সিগনিফিকেন্স
p-value আগে ঠিক করা একটি সীমার (যেমন ০.০৫) নিচে হলে ফলটিকে এই নামে ডাকা হয়; এটি ফলের আকার বা গুরুত্ব মাপে না।যেখানে শিখবেন: পর্ব ৩৭
statsmodelsস্ট্যাটসমডেলস
পরিসংখ্যানের model-এর একটি Python library; OLS-সহ নানা model fit করে coefficient-এর standard error, confidence interval আর p-value দেয়।যেখানে শিখবেন: পর্ব ৫৮
Steepest-ascent hill climbingস্টিপেস্ট-অ্যাসেন্ট হিল ক্লাইম্বিং
Hill climbing-এর যে রূপ প্রতি ধাপে সব প্রতিবেশী মেপে সবচেয়ে ভালোটিতে যায়।যেখানে শিখবেন: পর্ব ৪৪
Stemmingস্টেমিং
শব্দের শেষের বিভক্তি বা প্রত্যয় ছেঁটে মূল রূপে আনা, যেমন টাকায় আর টাকার থেকে টাকা; ভুল ছাঁটলে অর্থ হারাতে পারে।যেখানে শিখবেন: পর্ব ৫১পর্ব ৬৭
Step costস্টেপ কস্ট
প্রতিটি ধাপের জন্য দেওয়া ছোট ঋণাত্মক reward, যা সময় বা জ্বালানির খরচ বোঝায় আর agent-কে দ্রুত লক্ষ্যে যেতে উৎসাহ দেয়।যেখানে শিখবেন: পর্ব ৫৪
Step functionস্টেপ ফাংশন
যে ফাংশন একটি সীমার নিচে ০ আর উপরে ১ দেয়; প্রথম দিকের perceptron এটিই ব্যবহার করত।যেখানে শিখবেন: পর্ব ০২পর্ব ৬৮
Stochasticস্টোকাস্টিক
যে পরিবেশে একই কাজের ফল এলোমেলোভাবে ভিন্ন হতে পারে, তাই ফলকে সম্ভাবনা দিয়ে বর্ণনা করতে হয়।যেখানে শিখবেন: পর্ব ০১পর্ব ৪২পর্ব ৫৪
Stochastic gradient descent (SGD)স্টোকাস্টিক গ্রেডিয়েন্ট ডিসেন্ট
পুরো ডেটার বদলে এলোমেলোভাবে বাছা এক বা অল্প কয়েকটি সারি দিয়ে gradient আন্দাজ করে প্রতিবার পা ফেলার পদ্ধতি।যেখানে শিখবেন: পর্ব ৩৪পর্ব ৬৮
Stopwordস্টপওয়ার্ড
খুব ঘন ঘন আসা ছোট শব্দ (আর, ও, এই, the), যাদের অনেক সময় feature থেকে বাদ দেওয়া হয়; কিন্তু “না”-র মতো শব্দ বাদ দিলে অর্থ উল্টে যেতে পারে।যেখানে শিখবেন: পর্ব ৬৭
.str accessorডট স্ট্রিং অ্যাকসেসর
pandas Series-এর লেখার method-এর ভান্ডার, যেমন .str.strip() বা .str.lower(), যা loop ছাড়াই প্রতিটি মানে একই কাজ করে আর ফাঁকা মান এড়িয়ে যায়।যেখানে শিখবেন: পর্ব ২৩
str dtype (pandas)স্ট্রিং ডিটাইপ
pandas 3-এ লেখার কলামের নতুন default dtype; PyArrow থাকলে Arrow দিয়ে, নইলে Python object দিয়ে চলে, missing হলে NaN.যেখানে শিখবেন: পর্ব ২০পর্ব ২২পর্ব ২৩
Straight-line distanceস্ট্রেইট-লাইন ডিসট্যান্স
দুই বিন্দুর মধ্যে সরলরেখার (কাকের উড়ে যাওয়ার) দূরত্ব; রাস্তার ম্যাপে লক্ষ্য পর্যন্ত এটি এটি একটি admissible heuristic হিসেবে কাজ করে।যেখানে শিখবেন: পর্ব ৪১
Stratified k-foldস্ট্র্যাটিফায়েড কে-ফোল্ড
Cross-validation-এর এমন ভাগ যেখানে প্রতিটি fold-এ শ্রেণিগুলোর অনুপাত পুরো ডেটার মতো রাখা হয়; ছোট বা অসম ডেটায় fold-এর মধ্যে অকারণ ওঠানামা কমায়।যেখানে শিখবেন: পর্ব ৬৬পর্ব ৬৭পর্ব ৭৩
Stratified samplingস্ট্র্যাটিফাইড স্যাম্পলিং
population-কে আগে স্তরে ভাগ করে, যেমন জেলা, প্রতিটি স্তর থেকে আলাদাভাবে random নমুনা তোলা, যাতে প্রতিটি স্তরের ভাগ ঠিক থাকে।যেখানে শিখবেন: পর্ব ৩৬পর্ব ৫১পর্ব ৫৬
Streaming engineস্ট্রিমিং ইঞ্জিন
ডেটাকে একবারে পুরো না নিয়ে টুকরো টুকরো প্রক্রিয়া করে query চালানোর ব্যবস্থা; Polars 2-এ lazy query-র collect() ডিফল্টে এটি ব্যবহার করে।যেখানে শিখবেন: পর্ব ২৭
Stridesস্ট্রাইড
Array-র প্রতিটি মাত্রায় এক ঘর এগোতে buffer-এ কত বাইট সরতে হয় তার তালিকা; shape (4, 7)-এর int64 array-তে এটি (56, 8) হয়।যেখানে শিখবেন: পর্ব ১৩পর্ব ১৪পর্ব ১৯
Strip plotস্ট্রিপ প্লট
প্রতিটি মান একটি বিন্দু হিসেবে একটি রেখা বরাবর আঁকা chart; অল্প ডেটার distribution দেখাতে সবচেয়ে সৎ।যেখানে শিখবেন: পর্ব ২৯
STRIPSস্ট্রিপস
Fikes ও Nilsson-এর ১৯৭১ সালের planning পদ্ধতি থেকে আসা action লেখার ধাঁচ, যেখানে প্রতিটি action-এর precondition, add list আর delete list থাকে।যেখানে শিখবেন: পর্ব ৪৯পর্ব ৭৬পর্ব ৭৭
Student's t-distributionটি-ডিস্ট্রিবিউশন
normal-এর মতো ঘণ্টা-আকার কিন্তু মোটা লেজের distribution; SD-ও নমুনা থেকে অনুমান করলে ছোট নমুনার গড়ের অনিশ্চয়তা এটি দিয়ে মাপা হয়।যেখানে শিখবেন: পর্ব ৩৭
Style sheetস্টাইল শিট
অনেকগুলো rcParams একসঙ্গে বদলানোর তৈরি তালিকা, যেমন ggplot বা tableau-colorblind10; plt.style.use দিয়ে চালু হয়।যেখানে শিখবেন: পর্ব ২৮
subClassOf (is-a)সাবক্লাস অফ
একটি class আরেকটির ভেতরে থাকার সম্পর্ক: A subClassOf B মানে A-র প্রতিটি সদস্য B-রও সদস্য; সম্পর্কটি transitive.যেখানে শিখবেন: পর্ব ৪৮
Subplotসাবপ্লট
একটি Figure-এর ভেতরে সারি ও কলামের grid-এ সাজানো একাধিক Axes-এর একটি; plt.subplots(nrows, ncols) একসঙ্গে সবগুলো বানায়।যেখানে শিখবেন: পর্ব ২৮
Substitution (θ)সাবস্টিটিউশন
Variable থেকে term-এর একটি তালিকা, যেমন {x/Miniket}; বাক্যে বসালে প্রতিটি variable তার term দিয়ে বদলায়।যেখানে শিখবেন: পর্ব ৪৬
Subword tokenizationসাবওয়ার্ড টোকেনাইজেশন
শব্দকে ডেটা থেকে শেখা ছোট ছোট টুকরোয় ভাঙা, যাতে ঘন ঘন আসা শব্দ পুরো থাকে আর বিরল বা নতুন শব্দ চেনা টুকরো দিয়ে গড়া যায়; BPE আর WordPiece এর দুটি পরিচিত পদ্ধতি।যেখানে শিখবেন: পর্ব ৬৭পর্ব ৭১
Successive halvingসাকসেসিভ হাভিং
সব প্রার্থীকে প্রথমে অল্প সম্পদে মেপে ভালোদের রেখে বাকিদের বাদ দেওয়া, তারপর বাকিদের বেশি সম্পদ, এভাবে ধাপে ধাপে; দামি খোঁজের সময় বাঁচায়।যেখানে শিখবেন: পর্ব ৬৬
Successorসাকসেসর
একটি state থেকে একটি action নিয়ে এক ধাপে যে অবস্থায় পৌঁছানো যায়, সেই অবস্থা।যেখানে শিখবেন: পর্ব ৩৯
Supervised Learningসুপারভাইজড লার্নিং
যে শেখায় প্রতিটি উদাহরণের সঙ্গে সঠিক উত্তর (label) থাকে, আর model ইনপুট থেকে উত্তরে যাওয়ার ফাংশন শেখে। Classification আর regression এর দুই প্রধান রূপ।যেখানে শিখবেন: পর্ব ০৪পর্ব ০৫পর্ব ৫৫
Support vector machine (SVM)সাপোর্ট ভেক্টর মেশিন
এমন একটি classifier যা দুই শ্রেণির মাঝে সবচেয়ে চওড়া ফাঁক (margin) রেখে সীমারেখা টানতে চায়; linear SVM-এর সিদ্ধান্ত w·x + b-এর চিহ্ন দিয়ে।যেখানে শিখবেন: পর্ব ৬৭পর্ব ৭৩
Survivorship biasসারভাইভারশিপ বায়াস
শুধু টিকে থাকা বা সফল হওয়াদের দেখে সিদ্ধান্ত নেওয়ার পক্ষপাত, কারণ যারা টেকেনি তারা ডেটাতেই নেই।যেখানে শিখবেন: পর্ব ৩৬
Sussman anomalyসাসম্যান অ্যানোমালি
তিন ব্লকের একটি সমস্যা, যেখানে লক্ষ্য দুটি যেকোনো ক্রমে একটি একটি করে পূরণ করলে প্রথমটি ভাঙতে হয়; লক্ষ্যের পারস্পরিক সংঘাতের ক্লাসিক উদাহরণ।যেখানে শিখবেন: পর্ব ৪৯
SVD (Singular Value Decomposition)এসভিডি
যেকোনো matrix-কে দুটি orthogonal matrix আর মাঝে একটি কর্ণ matrix-এর গুণফলে ভাঙার পদ্ধতি; least squares-এ প্রায়-নির্ভরশীল কলাম থাকলেও নির্ভরযোগ্য, NumPy-র lstsq এর ওপর ভিত্তি করে।যেখানে শিখবেন: পর্ব ৫৮পর্ব ৬৫পর্ব ৬৯
SVGএসভিজি
Scalable Vector Graphics, XML-ভিত্তিক একটি vector ছবির format, যা ব্রাউজার সরাসরি দেখাতে পারে।যেখানে শিখবেন: পর্ব ২৮পর্ব ৩১
Symbolic AIসিম্বলিক এআই
মানুষের লেখা প্রতীক, নিয়ম আর যুক্তি দিয়ে বুদ্ধিমান আচরণ তৈরির পথ; একে GOFAI বা নিয়মভিত্তিক AI-ও বলা হয়।যেখানে শিখবেন: পর্ব ০৩পর্ব ৪৫পর্ব ৪৬
Symmetry breakingসিমেট্রি ব্রেকিং
Weight এলোমেলোভাবে শুরু করা, যাতে একই স্তরের hidden unit-গুলো আলাদা gradient পেয়ে আলাদা feature শেখে; সব weight সমান হলে তারা চিরকাল একই থাকে।যেখানে শিখবেন: পর্ব ৬৮
Syntaxসিনট্যাক্স
কোন চিহ্নের সারি একটি বৈধ বাক্য, তার ব্যাকরণ; অর্থের সঙ্গে সম্পর্ক নেই।যেখানে শিখবেন: পর্ব ৪৫

T

t-SNEটি-এসএনই
অনেক মাত্রার ডেটাকে দুই বা তিন মাত্রায় আঁকার একটি nonlinear পদ্ধতি, যা কাছের বিন্দুকে কাছে রাখতে চায়; ছবিতে দলের মাঝের দূরত্ব বা দলের আকার অর্থবহ না-ও হতে পারে।যেখানে শিখবেন: পর্ব ৬৫
Table-driven agentটেবিল-ড্রিভেন এজেন্ট
যে agent প্রতিটি সম্ভাব্য percept sequence-এর জন্য একটি টেবিলে আগে থেকে লেখা action খুঁজে নেয়। টেবিল ঘাতে বাড়ে বলে বাস্তবে অচল।যেখানে শিখবেন: পর্ব ০১
Tangent lineট্যানজেন্ট লাইন
Curve-কে একটি বিন্দুতে ছুঁয়ে যাওয়া সরলরেখা, যার ঢাল সেই বিন্দুর derivative-এর সমান।যেখানে শিখবেন: পর্ব ৩৪
tanh (hyperbolic tangent)ট্যান-এইচ
যে S-আকৃতির activation যেকোনো z-কে −১ থেকে ১-এর মধ্যে আনে আর ০-কে কেন্দ্র করে; ঢাল 1 − tanh², সর্বোচ্চ ১।যেখানে শিখবেন: পর্ব ৬৮
Targetটার্গেট
যে কলাম বা মান মডেল অনুমান করে; supervised learning-এ এটিই label.যেখানে শিখবেন: পর্ব ০৫পর্ব ৫৫
Target encodingটার্গেট এনকোডিং
প্রতিটি category-কে train-এ সেই category-র লক্ষ্যের গড় (যেমন ফেরতের হার) দিয়ে বদলানো, সাধারণত সামগ্রিক গড়ের দিকে টেনে (smoothing); নিজের সারির label গড়ে ঢুকলে leakage হয়।যেখানে শিখবেন: পর্ব ৬৩পর্ব ৭৬পর্ব ৭৯
Target leakageটার্গেট লিকেজ
এমন feature ব্যবহার করা যা লক্ষ্য জানার পরে তৈরি হয় বা লক্ষ্যের ছায়া, যেমন ফেরতের পূর্বাভাসে টাকা ফেরত প্রক্রিয়া হয়েছে কি না।যেখানে শিখবেন: পর্ব ৫৬পর্ব ৬২পর্ব ৬৩
Technical debtটেকনিক্যাল ডেট
এখন তাড়াহুড়ো বা সহজ পথে কাজ সারার ফলে পরে বাড়তি পরিশ্রম আর ঝুঁকির যে বোঝা জমে, ঋণের সুদের মতো; ML ব্যবস্থায় ডেটা আর নির্ভরতার কারণে এটি বেশি লুকোনো থাকে।যেখানে শিখবেন: পর্ব ৭৪
Temperature (sampling)টেম্পারেচার
Softmax-এর আগে logit-কে যে সংখ্যা T দিয়ে ভাগ করা হয়; T ছোট হলে বণ্টন তীক্ষ্ণ, বড় হলে সমান, আর T শূন্যের কাছে গেলে আচরণ প্রায় greedy decoding-এর মতো।যেখানে শিখবেন: পর্ব ৭০পর্ব ৭৬পর্ব ৭৭
Temperature scheduleটেম্পারেচার শিডিউল
Simulated annealing-এ কোন ধাপে তাপমাত্রা T কত হবে তার নিয়ম, যেমন geometric নিয়মে প্রতি ধাপে T ← a·T; একে cooling schedule-ও বলে।যেখানে শিখবেন: পর্ব ৪৪
Temporal leakageটেম্পোরাল লিকেজ
ভবিষ্যদ্বাণীর মুহূর্তের পরের তথ্য feature-এ ঢুকে পড়া, যেমন আগামীকালের মান বা সারা বছরের ডেটা থেকে বানানো গড়।যেখানে শিখবেন: পর্ব ৫৬পর্ব ৭৮
Temporary (intermediate) arrayটেম্পোরারি অ্যারে
একটি লম্বা array expression-এর মাঝখানে NumPy-র বানানো অস্থায়ী array, যা মেমরি নেয় কিন্তু শেষ ফলে দেখা যায় না।যেখানে শিখবেন: পর্ব ১৫পর্ব ১৯
Tensorটেনসর
PyTorch-এর মতো library-র বহুমাত্রিক array, NumPy-র ndarray-এর মতো, সঙ্গে gradient রাখার আর GPU-তে হিসাব করার ব্যবস্থা।যেখানে শিখবেন: পর্ব ৬৮
Term (logic)টার্ম
FOL-এ যেকোনো বস্তুর নাম: একটি constant, একটি variable, বা term-এর ওপর function, যেমন price(rider(x)).যেখানে শিখবেন: পর্ব ৪৬
Term frequency (tf)টার্ম ফ্রিকোয়েন্সি
একটি নির্দিষ্ট লেখায় (document) একটি শব্দ কতবার এসেছে, তার গোনা; scikit-learn-এ default হিসেবে কাঁচা গোনাই tf.যেখানে শিখবেন: পর্ব ৬৭
Terminal testটার্মিনাল টেস্ট
একটি অবস্থায় খেলা শেষ হয়েছে কি না (জয়, হার বা ড্র) তা যাচাইয়ের নিয়ম; শেষ অবস্থাকে terminal state বলে।যেখানে শিখবেন: পর্ব ৪২
Test fixtureটেস্ট ফিক্সচার
Test চালানোর আগে প্রস্তুত করা নির্দিষ্ট ডেটা বা পরিবেশ; pytest-এ @pytest.fixture দিয়ে লেখা হয় আর প্রতিটি test নতুন কপি পায়।যেখানে শিখবেন: পর্ব ১১
Test setটেস্ট সেট
Training-এ একবারও ব্যবহার না করা আলাদা রাখা উদাহরণ, যা দিয়ে শেষে model কতটা ভালো তা মাপা হয়।যেখানে শিখবেন: পর্ব ০৩পর্ব ৫৬পর্ব ৫৭
Text fileটেক্সট ফাইল
যে ফাইলের byte-গুলো একটি character encoding মেনে অক্ষর বোঝায়, তাই নোটপ্যাডে পড়া যায়; যেমন CSV ও JSON.যেখানে শিখবেন: পর্ব ১০
Text shapingটেক্সট শেপিং
Unicode অক্ষরের ক্রমকে ফন্টের সঠিক glyph, ক্রম আর অবস্থানে রূপ দেওয়ার কাজ; বাংলায় কার-চিহ্ন সামনে বসানো আর যুক্তাক্ষর জোড়া এর ওপর নির্ভর করে।যেখানে শিখবেন: পর্ব ২৮
TF-IDFটি-এফ আই-ডি-এফ
Term frequency × inverse document frequency: একটি লেখায় শব্দটি কতবার আছে, তাকে সব লেখায় শব্দটি কত বিরল তা দিয়ে গুণ করে পাওয়া ওজন; যে শব্দ সব জায়গায় আছে তার ওজন কমে, বিরল কিন্তু এই লেখায় বারবার আসা শব্দের ওজন বাড়ে।যেখানে শিখবেন: পর্ব ৬৭পর্ব ৬৯পর্ব ৭০
The Bitter Lessonদ্য বিটার লেসন
Richard Sutton-এর ২০১৯ সালের প্রবন্ধ, যার দাবি: দীর্ঘমেয়াদে হাতে ঢোকানো মানুষের জ্ঞানের চেয়ে computation কাজে লাগানো সাধারণ search আর learning পদ্ধতিই বেশি সফল হয়েছে।যেখানে শিখবেন: পর্ব ০৩পর্ব ৭৬
Think-aloudথিংক-অ্যালাউড
কাজ করার সময় মনে মনে যা ভাবছেন তা জোরে বলা, যাতে শ্রোতা আপনার যুক্তির ধাপগুলো অনুসরণ করতে পারেন।যেখানে শিখবেন: পর্ব ৭৮
Thresholdথ্রেশহোল্ড
যে সীমা পেরোলে একটি সম্ভাবনাকে হ্যাঁ ধরা হয়, যেমন 0.5; সীমা বদলালে precision আর recall বদলায়।যেখানে শিখবেন: পর্ব ০৫পর্ব ৩৫পর্ব ৫৯
Thresholdingথ্রেশহোল্ডিং
একটি সীমার (threshold) বেশি হলে 1, নইলে 0 দিয়ে ধূসর ছবিকে সাদা-কালো দুই মানে ভাঙা।যেখানে শিখবেন: পর্ব ১৮
Tickটিক
অক্ষের ওপর ছোট দাগ আর তার পাশের লেখা (tick label), যা দিয়ে মান পড়া যায়।যেখানে শিখবেন: পর্ব ২৮
Tick formatterটিক ফরম্যাটার
matplotlib.ticker-এর বস্তু, যা tick-এর সংখ্যাকে লেখায় রূপ দেয়, যেমন StrMethodFormatter("Tk {x:,.0f}") দিয়ে টাকার চিহ্ন আর হাজারের কমা।যেখানে শিখবেন: পর্ব ২৮
Tidy dataটাইডি ডেটা
Hadley Wickham-এর ২০১৪ সালের প্রবন্ধের নিয়ম: প্রতিটি variable একটি কলাম, প্রতিটি পর্যবেক্ষণ একটি সারি, আর প্রতিটি ধরনের পর্যবেক্ষণ একটি টেবিল।যেখানে শিখবেন: পর্ব ২৫পর্ব ৩০
Time complexityটাইম কমপ্লেক্সিটি
Input বা সমস্যার আকারের সঙ্গে একটি algorithm-এর কাজের পরিমাণ কীভাবে বাড়ে; search-এ সাধারণত তৈরি বা expand হওয়া node-এর সংখ্যায় মাপা।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৫৭পর্ব ৬৯
Time seriesটাইম সিরিজ
সময়ের ক্রমে মাপা একটি মানের ধারা, যেমন প্রতিদিনের বিক্রি বা প্রতি ঘণ্টার তাপমাত্রা; এখানে ক্রম নিজেই তথ্য, তাই সারি এলোমেলো করা যায় না।যেখানে শিখবেন: পর্ব ২৬
Time zoneটাইম জোন
একটি অঞ্চলের ঘড়ির সময়ের নিয়ম, ইতিহাসসহ; বাংলাদেশের জন্য IANA নাম Asia/Dhaka, এখন UTC+06:00.যেখানে শিখবেন: পর্ব ১০পর্ব ২৬
Time-based splitটাইম-বেসড স্প্লিট
সময়ের ডেটাকে তারিখ ধরে ভাগ করা: আগের অংশে train, পরের অংশে test, যাতে model ভবিষ্যতের তথ্য দেখে না ফেলে।যেখানে শিখবেন: পর্ব ২৬পর্ব ৫৬পর্ব ৬২
timeitটাইম-ইট
Python-এর standard library-র module, যা ছোট কোড অনেকবার চালিয়ে কয়েক দফায় সময় মাপে; terminal-এ python -m timeit আর Jupyter-এ %timeit.যেখানে শিখবেন: পর্ব ১৯
Timestampটাইমস্ট্যাম্প
pandas-এ সময়ের একটি নির্দিষ্ট মুহূর্ত (তারিখ আর ঘড়ির সময়), ঐচ্ছিকভাবে একটি time zone-সহ।যেখানে শিখবেন: পর্ব ২৬
Tokenটোকেন
ভাষা model যে টুকরোয় লেখা পড়ে ও লেখে — কখনো পুরো শব্দ, কখনো শব্দের অংশ, কখনো একটি চিহ্ন বা অক্ষর।যেখানে শিখবেন: পর্ব ০৪পর্ব ৩৮পর্ব ৫১
Tokenizationটোকেনাইজেশন
লেখাকে ছোট টুকরো বা token-এ ভাঙার কাজ, যেমন ফাঁকা জায়গা আর যতিচিহ্নে কেটে শব্দ বের করা।যেখানে শিখবেন: পর্ব ৫১পর্ব ৬৭
Tokenizerটোকেনাইজার
লেখাকে একটি নির্দিষ্ট ভান্ডারের token id-তে ভাঙার আর id থেকে আবার লেখা বানানোর প্রোগ্রাম; প্রতিটি language model-এর নিজের tokenizer থাকে।যেখানে শিখবেন: পর্ব ৭০পর্ব ৭১পর্ব ৭৯
Tooltip (hover)টুলটিপ
একটি বিন্দু বা bar-এর ওপর mouse রাখলে বা চাপলে যে ছোট বাক্সে তার বিস্তারিত দেখায়।যেখানে শিখবেন: পর্ব ৩১পর্ব ৭৬
Top-k selectionটপ-কে
অনেক স্কোর বা মানের মধ্যে সবচেয়ে বড় k-টি বাছাই করা, যেমন সেরা ১০টি পণ্য বা সবচেয়ে কাছের ৫টি প্রতিবেশী।যেখানে শিখবেন: পর্ব ১৪পর্ব ২৪পর্ব ৭০
Top-p (nucleus) samplingটপ-পি
সম্ভাবনা বড় থেকে ছোট সাজিয়ে সবচেয়ে ছোট এমন দল রাখা যাদের যোগ অন্তত p, বাকিগুলো বাদ দিয়ে আবার normalize করে sample নেওয়া।যেখানে শিখবেন: পর্ব ৭০
Topological orderটপোলজিক্যাল অর্ডার
DAG-এর node-গুলোর এমন একটি সারি, যেখানে প্রতিটি তীর আগের node থেকে পরের node-এ যায়; অর্থাৎ প্রতিটি parent তার child-এর আগে আসে।যেখানে শিখবেন: পর্ব ৫২
Tournament selectionটুর্নামেন্ট সিলেকশন
Population থেকে এলোমেলো কয়েকটি সমাধান টেনে তাদের সেরাটিকে বাবা/মা হিসেবে বাছার নিয়ম; টানের মাপ বাড়ালে ভালোদের পক্ষে চাপ বাড়ে।যেখানে শিখবেন: পর্ব ৪৪
Traceট্রেস
Plotly figure-এর একটি ডেটার সারি, যেমন এক জেলার সব বিন্দু বা একটি রেখা; প্রতিটি trace-এর নিজের ধরন, রং আর legend-এ নাম থাকে।যেখানে শিখবেন: পর্ব ৩১
tracemallocট্রেস-ম্যালক
Python-এর standard library-র module, যা প্রোগ্রামের মেমরি বরাদ্দ গুনে এখনকার আর সর্বোচ্চ (peak) ব্যবহার জানায়; NumPy-র array-এর মেমরিও এতে ধরা পড়ে।যেখানে শিখবেন: পর্ব ১৯
Train-test contaminationট্রেন-টেস্ট কন্টামিনেশন
একই বা প্রায় একই উদাহরণ train আর test দুই ভাগে থাকা, যেমন ডুপ্লিকেট সারি; model প্রশ্নটি আগেই দেখে ফেলে বলে score ফুলে ওঠে।যেখানে শিখবেন: পর্ব ৫৬
Train-test splitট্রেন-টেস্ট স্প্লিট
ডেটাকে শেখার অংশ আর যাচাইয়ের অংশে ভাগ করা; scikit-learn-এ train_test_split ফাংশন এলোমেলোভাবে এই ভাগ করে, তাই random_state দরকার।যেখানে শিখবেন: পর্ব ১২পর্ব ২২পর্ব ২৬
Training (fitting)ট্রেনিং
উদাহরণ দেখে model-এর parameter ঠিক করার কাজ, সাধারণত একটি loss function সবচেয়ে কম করে; scikit-learn-এ fit.যেখানে শিখবেন: পর্ব ৫৫
Training Dataট্রেনিং ডেটা
যে উদাহরণগুলো দেখে model নিজের parameter ঠিক করে, অর্থাৎ শেখে। ফল মাপার জন্য এর বাইরের আলাদা test ডেটা লাগে।যেখানে শিখবেন: পর্ব ০৪পর্ব ০৬
Training setট্রেনিং সেট
যে labelled উদাহরণগুলো দেখে model তার parameter ঠিক করে।যেখানে শিখবেন: পর্ব ০৩পর্ব ৫৬পর্ব ৫৭
Transfer learningট্রান্সফার লার্নিং
একটি কাজে বা বিপুল সাধারণ ডেটায় শেখা জ্ঞান (ওজন বা feature) আরেকটি সম্পর্কিত কাজে আবার ব্যবহার করা, যাতে নতুন কাজে কম ডেটা আর কম গণনায় চলে।যেখানে শিখবেন: পর্ব ৭১পর্ব ৭৬
Transformerট্রান্সফর্মার
২০১৭ সালের paper “Attention Is All You Need”-এ প্রস্তাবিত neural network স্থাপত্য, যা attention দিয়ে একটি ক্রমের সব অংশের সম্পর্ক একসাথে হিসাব করে; আধুনিক LLM-এর ভিত্তি।যেখানে শিখবেন: পর্ব ০২পর্ব ৫৩পর্ব ৬৮
Transformer (scikit-learn)ট্রান্সফর্মার
scikit-learn-এর যে estimator শেখা মান দিয়ে ডেটা বদলায় (transform), যেমন StandardScaler বা OneHotEncoder; neural network-এর Transformer স্থাপত্য থেকে আলাদা জিনিস।যেখানে শিখবেন: পর্ব ৬৪
Transition matrixট্রানজিশন ম্যাট্রিক্স
যে matrix-এর ঘর (i, j) হলো অবস্থা i থেকে পরের ধাপে j-তে যাওয়ার সম্ভাবনা; প্রতিটি সারির যোগ 1 (row-stochastic).যেখানে শিখবেন: পর্ব ৫৩পর্ব ৭৬
Transition modelট্রানজিশন মডেল
Result(s, a) নিয়ম, যা বলে state s-এ action a নিলে কোন নতুন state হবে।যেখানে শিখবেন: পর্ব ৩৯
Transition probabilityট্রানজিশন প্রোবাবিলিটি
P(s′ | s, a): state s-এ action a নিলে পরের ধাপে state s′-এ পৌঁছানোর সম্ভাবনা।যেখানে শিখবেন: পর্ব ৫৪
Transitive dependencyট্রানজিটিভ ডিপেন্ডেন্সি
আপনি সরাসরি চাননি, কিন্তু আপনার dependency-র নিজের প্রয়োজনে যে package আসে। scikit-learn চাইলে সাথে scipy, joblib আর threadpoolctl আসে।যেখানে শিখবেন: পর্ব ০৭
Transitive relationট্রানজিটিভ রিলেশন
যে সম্পর্ক চেইন ধরে চলে: A-র সঙ্গে B আর B-র সঙ্গে C সম্পর্কিত হলে A-র সঙ্গে C-ও, যেমন subClassOf বা part_of.যেখানে শিখবেন: পর্ব ৪৮
Transliterationট্রান্সলিটারেশন
এক লিপির লেখা অন্য লিপিতে উচ্চারণ ধরে লেখা, যেমন “ভালো” রোমান হরফে “valo” বা “bhalo”; বানানের প্রমিত নিয়ম না থাকায় একই শব্দের অনেক রূপ আসে।যেখানে শিখবেন: পর্ব ৬৭
Transposeট্রান্সপোজ
Array-র সারি আর কলাম (সাধারণভাবে axis-এর ক্রম) অদলবদল করা; NumPy-তে .T সাধারণত শুধু shape আর strides উল্টায়, ডেটা কপি করে না।যেখানে শিখবেন: পর্ব ১৩পর্ব ১৭
Transposition tableট্রান্সপজিশন টেবিল
খেলার প্রোগ্রামে আগে দেখা অবস্থার মান রাখার hash table, কারণ ভিন্ন ক্রমের চালে একই অবস্থায় পৌঁছানো যায়; alpha-beta-র সঙ্গে ব্যবহারে মানটি নিখুঁত না সীমা, তা-ও লিখে রাখতে হয়।যেখানে শিখবেন: পর্ব ৪২
Travelling salesman problem (TSP)ট্রাভেলিং সেলসম্যান প্রবলেম
সব শহরে ঠিক একবার গিয়ে শুরুর শহরে ফেরার সবচেয়ে ছোট পথ খোঁজার সমস্যা; NP-hard, তাই বড় আকারে সাধারণত heuristic আর local search ব্যবহার হয়।যেখানে শিখবেন: পর্ব ৪৪
Treemapট্রিম্যাপ
একটি আয়তক্ষেত্রকে ভাগের মাপ অনুযায়ী ছোট আয়তক্ষেত্রে ভাগ করা chart, স্তরের ভেতরে স্তরসহ; ক্ষেত্রফলে তুলনা বলে নির্ভুলতা কম।যেখানে শিখবেন: পর্ব ২৯
Trellisট্রেলিস
সময় × অবস্থার ছক, যার প্রতিটি ঘরে forward বা Viterbi-র একটি মান থাকে আর পাশের কলামের ঘরগুলো তীর দিয়ে জোড়া; জালির মতো দেখতে।যেখানে শিখবেন: পর্ব ৫৩
Triangle inequalityট্রায়াঙ্গল ইনইকুয়ালিটি
ত্রিভুজের যেকোনো এক বাহু অন্য দুই বাহুর যোগের চেয়ে বড় নয়, এই নিয়ম; heuristic-এর consistency এই রূপে লেখা হয়।যেখানে শিখবেন: পর্ব ৪১
Trimmed meanট্রিমড মিন
সাজানো মানের দুই প্রান্ত থেকে নির্দিষ্ট ভাগ (যেমন ১০%) বাদ দিয়ে বাকিগুলোর গড়; গড় আর median-এর মাঝামাঝি একটি সারাংশ।যেখানে শিখবেন: পর্ব ৩৭
Tripleট্রিপল
(subject, predicate, object) আকারের তিন অংশের একটি তথ্য, যেমন (CB1, made_by, Kodom); graph-এ subject থেকে object-এর দিকে predicate নামের একটি রেখা।যেখানে শিখবেন: পর্ব ৪৮পর্ব ৭৬
Triple patternট্রিপল প্যাটার্ন
Triple-এর মতো তিন ঘরের একটি ছাঁচ, যার কোনো ঘরে ? দিয়ে শুরু হওয়া variable থাকে; store-এর যেসব triple মেলে, সেগুলো variable-কে মান দেয়।যেখানে শিখবেন: পর্ব ৪৮
Triple storeট্রিপল স্টোর
Triple রাখা আর pattern দিয়ে খোঁজার জন্য তৈরি ডেটাবেস; সাধারণত subject, predicate আর object ধরে একাধিক index রাখে।যেখানে শিখবেন: পর্ব ৪৮
True negative (TN)ট্রু নেগেটিভ
আসলে negative, আর model-ও negative বলেছে; যেমন সৎ অর্ডারকে ঠিকভাবে ছেড়ে দেওয়া।যেখানে শিখবেন: পর্ব ৬০
True positive (TP)ট্রু পজিটিভ
আসলে positive, আর model-ও positive বলেছে; যেমন ভুয়া অর্ডারকে ঠিকভাবে ভুয়া বলা।যেখানে শিখবেন: পর্ব ৬০
True positive rate (TPR)ট্রু পজিটিভ রেট
আসলে positive এমন উদাহরণের কত ভাগ model positive বলেছে, TP ÷ (TP + FN); recall-এর আরেক নাম।যেখানে শিখবেন: পর্ব ৭২
Truncated axisট্রাঙ্কেটেড অ্যাক্সিস
যে axis শূন্য থেকে শুরু না হয়ে কোনো বড় মান থেকে শুরু হয়। Bar বা area chart-এ এতে দৈর্ঘ্যের অনুপাত ভেঙে যায় আর ছোট পার্থক্য বড় দেখায়।যেখানে শিখবেন: পর্ব ৩২পর্ব ৭৭
Truncated SVDট্রাঙ্কেটেড এস-ভি-ডি
SVD-এর শুধু সবচেয়ে বড় k-টি singular value আর তাদের দিক রাখা, যাতে বড় matrix-এর কম মাত্রার কাছাকাছি রূপ পাওয়া যায়।যেখানে শিখবেন: পর্ব ৬৯
Truncation errorট্রাংকেশন এরর
সূত্রকে ছেঁটে আনুমানিক করার কারণে যে ভুল, যেমন finite difference-এ h শূন্য না হওয়ার ভুল; h বড় হলে বাড়ে।যেখানে শিখবেন: পর্ব ৩৪
trust_remote_codeট্রাস্ট রিমোট কোড
transformers-এর একটি option, যা True হলে model-এর repository থেকে নামানো Python ফাইল আপনার কম্পিউটারে চালাতে দেয়; অচেনা repository-তে এটি অচেনা কোড চালানোর সমান।যেখানে শিখবেন: পর্ব ৭১
Truth tableট্রুথ টেবিল
একটি বাক্যের সব symbol-এর প্রতিটি সম্ভাব্য T/F মিশ্রণে বাক্যটির মান দেখানো টেবিল; n-টি symbol-এ 2^n সারি।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৭৫পর্ব ৭৬
Tseitin transformationসাইটিন ট্রান্সফরমেশন
প্রতিটি উপ-রাশির জন্য নতুন symbol বসিয়ে বাক্যকে রৈখিক আকারের CNF-এ আনার কৌশল; ফলটি equisatisfiable, equivalent নয়।যেখানে শিখবেন: পর্ব ৪৫
Turing testটুরিং টেস্ট
Alan Turing-এর ১৯৫০ সালের প্রস্তাবিত imitation game: লিখিত কথোপকথনে প্রশ্নকর্তা যন্ত্রকে মানুষ থেকে আলাদা করতে পারেন কি না।যেখানে শিখবেন: পর্ব ০১পর্ব ০২পর্ব ৭৬
Turtleটার্টল
RDF লেখার একটি সহজ পাঠযোগ্য ফাইল-রূপ, যেখানে prefix, a (মানে rdf:type), ; আর , দিয়ে triple সংক্ষেপে লেখা যায়।যেখানে শিখবেন: পর্ব ৪৮
Two's complementটুজ কমপ্লিমেন্ট
চিহ্নসহ পূর্ণসংখ্যা বিটে রাখার প্রচলিত পদ্ধতি, যেখানে সর্বোচ্চ বিটের মান ঋণাত্মক; ৮ বিটে সীমা −১২৮ থেকে ১২৭।যেখানে শিখবেন: পর্ব ১৩
Type coercionটাইপ কোয়ার্শন
একটি মানকে জোর করে অন্য type-এ আনা, যেমন লেখা থেকে সংখ্যা; pandas-এ errors="coerce" দিলে যা রূপান্তর হয় না তা নীরবে NaN বা NaT হয়ে যায়।যেখানে শিখবেন: পর্ব ২৩
Type hintটাইপ হিন্ট
কোডে লেখা ঘোষণা যে একটি variable, argument বা ফেরত মান কোন ধরনের, যেমন price: float; Python চলার সময় এটি যাচাই করে না, mypy-র মতো টুল করে।যেখানে শিখবেন: পর্ব ১১পর্ব ৭৬
Type promotion (upcasting)টাইপ প্রোমোশন
ভিন্ন dtype-এর মান একসঙ্গে হিসাব করার সময় এমন একটি dtype বেছে নেওয়া, যা দুই পক্ষের সব মান ধরতে পারে; যেমন int32 আর float32 মিশলে ফল হয় float64 dtype-এর।যেখানে শিখবেন: পর্ব ১৩পর্ব ৭৬
Typosquattingটাইপোস্কোয়াটিং
জনপ্রিয় package বা model-এর নামের সঙ্গে এক-দুই অক্ষর তফাতের নাম নিয়ে ক্ষতিকর কিছু প্রকাশ করা, যাতে বানান ভুল করা মানুষ সেটি নামিয়ে ফেলেন।যেখানে শিখবেন: পর্ব ৭১

U

UCB1ইউসিবি ওয়ান
কোন বিকল্প আবার চেষ্টা করা হবে তা বাছার একটি সূত্র: গড় ফল + c √(ln N / n); প্রথম পদ ভালো বিকল্পকে টানে, দ্বিতীয় পদ কম চেষ্টা করা বিকল্পকে সুযোগ দেয়।যেখানে শিখবেন: পর্ব ৪২
ufunc (universal function)ইউ-ফাংক
NumPy-র compiled function, যা একটি array-র প্রতিটি উপাদানে element-wise কাজ করে আর broadcasting মানে, যেমন np.add, np.sqrt.যেখানে শিখবেন: পর্ব ১৫পর্ব ১৬পর্ব ১৯
uint8ইউ-ইন্ট-এইট
৮ বিটের ঋণাত্মকহীন পূর্ণসংখ্যা, পরিসর 0 থেকে 255; বেশির ভাগ ছবির প্রতিটি channel-এর মান এই dtype-এ থাকে।যেখানে শিখবেন: পর্ব ১৮
UMAPইউম্যাপ
Uniform Manifold Approximation and Projection: t-SNE-র মতো আরেকটি nonlinear মাত্রা কমানোর পদ্ধতি, সাধারণত দ্রুত; এর ছবিও parameter আর seed-এ বদলায়।যেখানে শিখবেন: পর্ব ৬৫
Unary constraintইউনারি কনস্ট্রেইন্ট
একটিমাত্র variable-এর ওপর নিয়ম, যেমন MATH ≠ 1; search শুরুর আগেই domain থেকে বাদ দেওয়া যায়।যেখানে শিখবেন: পর্ব ৪৩
Underfittingআন্ডারফিটিং
Model এত সরল যে training ডেটার প্রবণতাও ধরতে পারে না, ফলে training আর নতুন ডেটা দুই জায়গাতেই ভুল বেশি।যেখানে শিখবেন: পর্ব ৫৫পর্ব ৬১
Unicodeইউনিকোড
পৃথিবীর প্রায় সব লিপির প্রতিটি অক্ষর-চিহ্নকে একটি নির্দিষ্ট নম্বর দেওয়ার আন্তর্জাতিক মান; বাংলা ব্লক U+0980 থেকে U+09FF.যেখানে শিখবেন: পর্ব ১০
Unicode normalizationইউনিকোড নরমালাইজেশন
একই দেখতে কিন্তু ভিন্ন code point-এ লেখা string-কে একটি নির্দিষ্ট রূপে (যেমন NFC) আনা, যাতে তুলনা আর গণনা ঠিক হয়।যেখানে শিখবেন: পর্ব ০৯পর্ব ১০পর্ব ২২
Unificationইউনিফিকেশন
দুটি বাক্য বা term-কে হুবহু এক করার জন্য variable-এ কী বসাতে হবে, সেই substitution খোঁজার পদ্ধতি।যেখানে শিখবেন: পর্ব ৪৬পর্ব ৭৭
Uniform distributionইউনিফর্ম ডিস্ট্রিবিউশন
একটি পরিসরের সব মান সমান সম্ভব এমন distribution; scipy-র uniform(loc, scale)-এর পরিসর loc থেকে loc + scale.যেখানে শিখবেন: পর্ব ৩৬
Union (A ∪ B)ইউনিয়ন
যে outcome অন্তত একটি event-এ আছে; “A অথবা B অথবা দুটোই” ঘটা।যেখানে শিখবেন: পর্ব ৩৫
Unique names assumptionইউনিক নেমস অ্যাজাম্পশন
আলাদা নামের constant সবসময় আলাদা বস্তু বলে ধরে নেওয়া; খাঁটি FOL এটি ধরে না, database আর Prolog ধরে।যেখানে শিখবেন: পর্ব ৪৬
Unit propagationইউনিট প্রপাগেশন
কোনো clause-এ একটিই literal বাকি থাকলে তাকে সত্য করা আর তার ফল অন্য clause-এ ছড়ানো।যেখানে শিখবেন: পর্ব ৪৫
Unit testইউনিট টেস্ট
কোডের একটি ছোট অংশকে, যেমন একটি function-কে, জানা input দিয়ে চালিয়ে জানা উত্তরের সঙ্গে মেলানোর স্বয়ংক্রিয় পরীক্ষা।যেখানে শিখবেন: পর্ব ১১পর্ব ২১পর্ব ৪৭
Unit vectorইউনিট ভেক্টর
যে vector-এর L2 দৈর্ঘ্য ঠিক 1; শুধু দিক বোঝাতে ব্যবহৃত হয়।যেখানে শিখবেন: পর্ব ৩৩পর্ব ৬৯
Univariate analysisইউনিভ্যারিয়েট অ্যানালাইসিস
একটি কলাম একা কেমন ছড়ানো তা দেখা, যেমন histogram, box plot বা সময়ের সঙ্গে গোনা।যেখানে শিখবেন: পর্ব ৬২
Universal approximation theoremইউনিভার্সাল অ্যাপ্রক্সিমেশন থিওরেম
যথেষ্ট unit-এর একটি hidden layer-এর network একটি সীমিত এলাকায় যেকোনো ধারাবাহিক function-কে যত কাছে চাই তত কাছে আনতে পারে, এমন ফল (Cybenko, Hornik ও সহকর্মী, ১৯৮৯); weight খুঁজে পাওয়া বা কত unit লাগবে, তা বলে না।যেখানে শিখবেন: পর্ব ৬৮
Universal instantiationইউনিভার্সাল ইনস্ট্যানশিয়েশন
∀x α থেকে x-এর জায়গায় যেকোনো ground term বসিয়ে নতুন বাক্য পাওয়ার নিয়ম।যেখানে শিখবেন: পর্ব ৪৬
Universal quantifier (∀)ইউনিভার্সাল কোয়ান্টিফায়ার
∀x P(x) মানে domain-এর প্রতিটি বস্তুর জন্য P সত্য; সাধারণত → এর সঙ্গে বসে।যেখানে শিখবেন: পর্ব ৪৬
Unpackingআনপ্যাকিং
একটি tuple বা list-এর ঘরগুলোকে এক লাইনে আলাদা আলাদা নামে বসানো, যেমন name, paisa = pair.যেখানে শিখবেন: পর্ব ০৯
Unsatisfiable (contradiction)আনস্যাটিসফায়েবল
যে বাক্য কোনো model-এই সত্য নয়, যেমন P ∧ ¬P; একটি স্ববিরোধ।যেখানে শিখবেন: পর্ব ৪৫
Unseen categoryআনসিন ক্যাটাগরি
নতুন ডেটায় আসা এমন category মান, যা train-এ ছিল না, যেমন নতুন জেলা; OneHotEncoder-এর default আচরণে এটি error দেয়।যেখানে শিখবেন: পর্ব ৬৪পর্ব ৭৮
unstackআনস্ট্যাক
MultiIndex-এর একটি স্তরকে কলামে তুলে দেওয়া, ফলে টেবিল চওড়া হয়; stack-এর উল্টো।যেখানে শিখবেন: পর্ব ২৫
Unsupervised Learningআনসুপারভাইজড লার্নিং
label ছাড়া শুধু ইনপুট থেকে ডেটার ভেতরের গঠন খোঁজা, যেমন একই রকম গ্রাহকদের দল বা কম মাত্রায় ডেটার সারাংশ।যেখানে শিখবেন: পর্ব ০৪পর্ব ০৫পর্ব ৫৫
UTC (Coordinated Universal Time)ইউ-টি-সি
বিশ্বের প্রমিত সময়, যার সঙ্গে প্রতিটি time zone-এর পার্থক্য মাপা হয়; এতে daylight saving নেই।যেখানে শিখবেন: পর্ব ১০পর্ব ২৬
UTF-8ইউ-টি-এফ এইট
Unicode code point-কে ১ থেকে ৪ byte-এ লেখার সবচেয়ে প্রচলিত encoding; ইংরেজি অক্ষর ১ byte, বাংলা ৩ byte.যেখানে শিখবেন: পর্ব ১০পর্ব ৭০
Utilityইউটিলিটি
কোনো ফল বা অবস্থা কতটা কাম্য, তা বোঝানো একটি সংখ্যা; যত বড়, তত ভালো।যেখানে শিখবেন: পর্ব ০১পর্ব ৪২পর্ব ৫৪
Utility-based agentইউটিলিটি-বেসড এজেন্ট
যে agent প্রতিটি সম্ভাব্য কাজের প্রত্যাশিত utility হিসাব করে সবচেয়ে বেশিটি বেছে নেয়, তাই trade-off আর অনিশ্চয়তা সামলাতে পারে।যেখানে শিখবেন: পর্ব ০১পর্ব ৫৪
uvইউ-ভি
Astral কোম্পানির Rust-এ লেখা দ্রুত Python package ও প্রকল্প ম্যানেজার (২০২৪)। Python নামানো, venv তৈরি, package ইনস্টল আর lockfile লেখা — এক টুলে।যেখানে শিখবেন: পর্ব ০৭পর্ব ১২পর্ব ৭৬

V

Valid sentence (tautology)ভ্যালিড
যে বাক্য প্রতিটি model-এ সত্য, যেমন P ∨ ¬P; একে tautology-ও বলে।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৭৫
Validation curveভ্যালিডেশন কার্ভ
একটি hyperparameter (যেমন degree বা k) বদলাতে বদলাতে train আর validation error-এর লেখচিত্র; validation error প্রায়ই U আকারের হয়।যেখানে শিখবেন: পর্ব ৬১
Validation setভ্যালিডেশন সেট
Training থেকে আলাদা রাখা যে অংশ দেখে model, hyperparameter বা feature বাছাই করা হয়; বাছাইয়ে ব্যবহার হয় বলে এটি শেষ নিরপেক্ষ মাপের জন্য নয়।যেখানে শিখবেন: পর্ব ৫৬পর্ব ৫৭পর্ব ৬০
Value functionভ্যালু ফাংশন
V(s): একটি state থেকে একটি policy মেনে চললে ভবিষ্যতের সব discount করা reward-এর প্রত্যাশিত যোগফল।যেখানে শিখবেন: পর্ব ৫৪
Value iterationভ্যালু ইটারেশন
সব state-এ Bellman optimality update বারবার চালিয়ে মান স্থির না হওয়া পর্যন্ত হালনাগাদ করা, তারপর greedy policy পড়া।যেখানে শিখবেন: পর্ব ৫৪পর্ব ৭৫পর্ব ৭৭
Vanishing gradientভ্যানিশিং গ্রেডিয়েন্ট
গভীর network-এ backpropagation-এর সময় প্রতিটি স্তরে ছোট ঢাল গুণ হয়ে শুরুর স্তরে gradient প্রায় শূন্য হয়ে যাওয়া, ফলে সেই স্তরগুলো প্রায় শেখে না।যেখানে শিখবেন: পর্ব ৬৮পর্ব ৭৬
Variable (CSP)ভেরিয়েবল
CSP-তে যার মান ঠিক করতে হবে, যেমন একটি বিভাগের রং, একটি পরীক্ষার দিন বা Sudoku-র একটি ঘর।যেখানে শিখবেন: পর্ব ৪৩
Variable eliminationভ্যারিয়েবল এলিমিনেশন
যোগগুলোকে গুণফলের ভেতরে যতটা সম্ভব ঢুকিয়ে একটি একটি করে লুকানো চলক বাদ দেওয়া আর মাঝের ফল জমিয়ে রাখার নির্ভুল inference পদ্ধতি; একই উত্তর, অনেক কম হিসাব।যেখানে শিখবেন: পর্ব ৫২
Varianceভ্যারিয়েন্স
ভেদাঙ্ক: গড় থেকে প্রতিটি মানের দূরত্বের বর্গের গড়, যা ডেটা কতটা ছড়ানো তা মাপে।যেখানে শিখবেন: পর্ব ১৬পর্ব ৩৬পর্ব ৩৭
Variance (of a model)ভ্যারিয়েন্স
Training set বদলালে মডেলের অনুমান কতটা নড়ে, তার মাপ: একই বিন্দুতে অনেক training set-এর অনুমানের variance.যেখানে শিখবেন: পর্ব ৬১পর্ব ৭৯
Vectorভেক্টর
ক্রম মেনে সাজানো কয়েকটি সংখ্যা, যার প্রতিটি অবস্থানের একটি অর্থ আছে, যেমন তিনটি পণ্যের দামের তালিকা; NumPy-তে এটি ১-মাত্রার একটি array হিসেবে থাকে।যেখানে শিখবেন: পর্ব ১৭পর্ব ৩৩
Vector additionভেক্টর অ্যাডিশন
দুটি সমান মাত্রার vector-এর ঘরে ঘরে যোগ; ছবিতে প্রথম তীরের মাথায় দ্বিতীয় তীরের লেজ বসানো।যেখানে শিখবেন: পর্ব ৩৩
Vector databaseভেক্টর ডেটাবেস
Embedding রাখা, index করা আর কাছের vector খোঁজার জন্য বানানো ডেটাবেস বা ডেটাবেসের extension.যেখানে শিখবেন: পর্ব ৬৯
Vector graphicsভেক্টর গ্রাফিক্স
রেখা, বক্ররেখা আর আকারের গাণিতিক বর্ণনা হিসেবে রাখা ছবি, যেমন SVG বা PDF; যত বড়ই করা হোক, ধার তীক্ষ্ণ থাকে।যেখানে শিখবেন: পর্ব ২৮
Vector normalizationভেক্টর নরমালাইজেশন
একটি vector-কে তার নিজের দৈর্ঘ্য দিয়ে ভাগ করে unit vector বানানো, v / ‖v‖; শূন্য vector-এ এটি করা যায় না।যেখানে শিখবেন: পর্ব ৩৩
Vectorizationভেক্টরাইজেশন
Python-এর loop-এর বদলে পুরো array-এর ওপর একবারে একটি কাজ চালানো, যাতে আসল loop compiled কোডে দ্রুত চলে।যেখানে শিখবেন: পর্ব ০৯পর্ব ১৩পর্ব ১৪
Vega-Liteভেগা-লাইট
grammar of graphics-ভিত্তিক একটি JSON ভাষা, যাতে interactive chart ঘোষণা করে লেখা যায়; Python-এর Altair এর ওপর তৈরি।যেখানে শিখবেন: পর্ব ৩১
Version pinningভার্সন পিনিং
একটি package-এর হুবহু version (যেমন scikit-learn==1.8.0) প্রকল্পে লিখে বেঁধে রাখা, যাতে সব জায়গায় একই কোড চলে।যেখানে শিখবেন: পর্ব ৬৪
Version specifierভার্সন স্পেসিফায়ার
কোন version চলবে তা বলার নিয়ম (PEP 440): ==2.5.4 মানে হুবহু এটি, >=2.3 মানে এটি বা নতুন, <2 মানে 2-এর নিচে।যেখানে শিখবেন: পর্ব ০৭
View (NumPy)ভিউ
একটি array, যার নিজের data নেই, অন্য array-এর memory-ই অন্য শুরুর ঠিকানা আর strides দিয়ে দেখায়; view-এ লিখলে মূল array-ও বদলায়।যেখানে শিখবেন: পর্ব ১৪পর্ব ১৮পর্ব ১৯
VIF (Variance Inflation Factor)ভিআইএফ
অন্য feature-গুলোর সঙ্গে সম্পর্কের কারণে একটি coefficient-এর variance কত গুণ বেড়েছে তার মাপ, 1 ÷ (1 − R²ⱼ); মোটা নিয়মে ৫ বা ১০-এর বেশি হলে সতর্ক হওয়ার সংকেত।যেখানে শিখবেন: পর্ব ৫৮
Violin plotভায়োলিন প্লট
দুই পাশে আয়নার মতো KDE বসিয়ে প্রতিটি দলের distribution-এর আকৃতি দেখানো chart, সাধারণত ভেতরে একটি ছোট box সহ।যেখানে শিখবেন: পর্ব ৩০
viridisভিরিডিস
Stéfan van der Walt আর Nathaniel Smith-এর বানানো একটি sequential colormap, ২০১৭ সাল থেকে matplotlib-এর default; এর উজ্জ্বলতা একদিকে বাড়ে আর এটি perceptually uniform.যেখানে শিখবেন: পর্ব ৩২পর্ব ৭৬
Virtual environment (venv)ভার্চুয়াল এনভায়রনমেন্ট
একটি প্রকল্পের জন্য আলাদা Python-পরিবেশ, যার নিজস্ব package অন্য প্রকল্পে মেশে না। python -m venv বা uv দিয়ে তৈরি হয়, সাধারণত .venv ফোল্ডারে।যেখানে শিখবেন: পর্ব ০৭পর্ব ০৮পর্ব ১২
Visual encodingভিজ্যুয়াল এনকোডিং
ডেটার একটি মানকে ছবির একটি চাক্ষুষ গুণে বসানো, যেমন অবস্থান, দৈর্ঘ্য, কোণ, ক্ষেত্রফল বা রং।যেখানে শিখবেন: পর্ব ২৯
Viterbi algorithmভিটারবি অ্যালগরিদম
HMM-এ দেখা ক্রমের পেছনের সবচেয়ে সম্ভাব্য লুকানো পথ বের করার পদ্ধতি; forward-এর যোগের জায়গায় সর্বোচ্চ নেয় আর backpointer রাখে।যেখানে শিখবেন: পর্ব ৫৩পর্ব ৭৫পর্ব ৭৬
Vocabularyভোকাবুলারি
Training ডেটায় দেখা সব আলাদা token-এর তালিকা; bag-of-words-এ প্রতিটি শব্দ একটি কলাম, আর তালিকার বাইরের শব্দ বাদ পড়ে।যেখানে শিখবেন: পর্ব ৫১পর্ব ৭০
von Neumann–Morgenstern axiomsভন নয়ম্যান–মর্গেনস্টার্ন অ্যাক্সিয়ম
পছন্দের কয়েকটি শর্ত (সাধারণত completeness, transitivity, continuity আর independence), যা মানলে আচরণকে কোনো utility function-এর expected utility সর্বোচ্চ করা হিসেবে বর্ণনা করা যায়।যেখানে শিখবেন: পর্ব ৫৪
Vowel sign (কার-চিহ্ন)ভাওয়েল সাইন
ব্যঞ্জনের সঙ্গে বসা স্বরের চিহ্ন, যেমন া ি ু ে; Unicode-এ এগুলো combining mark, তাই Python-এর \w এগুলোকে শব্দের অক্ষর ধরে না।যেখানে শিখবেন: পর্ব ৫১

W

Warm-up runওয়ার্ম-আপ
মাপার আগে কোড একবার চালিয়ে নেওয়া, যাতে import, প্রথমবার মেমরি ছোঁয়া বা compile-এর মতো এককালীন খরচ মাপের মধ্যে না আসে।যেখানে শিখবেন: পর্ব ১৯
WebAssembly (Wasm)ওয়েব-অ্যাসেম্বলি
ব্রাউজারে প্রায়-নেটিভ গতিতে চলা একটি নিম্নস্তরের কোড-ফরম্যাট। C/C++-এর মতো ভাষার কোড এতে compile করা যায়; CPython-কে এতে compile করেই Pyodide তৈরি।যেখানে শিখবেন: পর্ব ০৭পর্ব ১৩
WebGLওয়েবজিএল
ব্রাউজারে GPU দিয়ে দ্রুত ছবি আঁকার একটি মান; অনেক বিন্দুর chart এতে একটি ক্যানভাসে একসঙ্গে আঁকা হয়।যেখানে শিখবেন: পর্ব ৩১
Weightওয়েট
Neural network বা perceptron-এ একটি input-এর গুরুত্ব বোঝানো সংখ্যা; শেখা মানে মূলত এই সংখ্যাগুলো ঠিক করা।যেখানে শিখবেন: পর্ব ০২পর্ব ১৭পর্ব ৩৪
Weight decayওয়েট ডিকে
প্রতিটি ধাপে weight-কে একটু শূন্যের দিকে টানা, সাধারণ SGD-তে যা loss-এ (λ/2)‖W‖² যোগ করার সমান; overfitting কমানোর একটি regularization কৌশল।যেখানে শিখবেন: পর্ব ৬৮
Weight initializationওয়েট ইনিশিয়ালাইজেশন
Training শুরুর আগে weight-এর প্রথম মান বাছার নিয়ম, যেমন standard deviation √(1/d) বা ReLU-এর জন্য √(2/d), যাতে স্তর পেরিয়ে সংকেত খুব ছোট বা খুব বড় না হয়।যেখানে শিখবেন: পর্ব ৬৮
Weight of evidenceওয়েট অব এভিডেন্স
Likelihood ratio-র log; এতে একাধিক স্বাধীন প্রমাণের প্রভাব গুণের বদলে যোগ হয়, আর log-odds-এর সঙ্গে সরাসরি যোগ করা যায়।যেখানে শিখবেন: পর্ব ৫০
Weighted A*ওয়েটেড এ-স্টার
f = g + w·h (w ≥ 1) দিয়ে চলা A*; সাধারণত দ্রুত, আর admissible h-এ পাওয়া পথের খরচ সেরার সর্বোচ্চ w গুণ।যেখানে শিখবেন: পর্ব ৪১পর্ব ৭৭
Weighted averageওয়েটেড অ্যাভারেজ
প্রতিটি শ্রেণির metric-কে সেই শ্রেণির উদাহরণের সংখ্যা (support) দিয়ে ওজন দিয়ে গড়; বড় শ্রেণি বেশি প্রভাব ফেলে।যেখানে শিখবেন: পর্ব ৬০
Weighted samplingওয়েটেড স্যাম্পলিং
প্রতিটি বিকল্পের আলাদা সম্ভাবনা দিয়ে নমুনা তোলা; NumPy-তে choice-এর p argument দিয়ে।যেখানে শিখবেন: পর্ব ১৬
Weighted sumওয়েটেড সাম
প্রতিটি মানকে তার নিজস্ব ওজন দিয়ে গুণ করে যোগ করা, যেমন পরিমাণকে দাম দিয়ে গুণ করে মোট বিল; dot product আসলে একধরনের weighted sum হিসাব।যেখানে শিখবেন: পর্ব ১৭পর্ব ৬৮পর্ব ৭৭
Welch's t-testওয়েলচস টি-টেস্ট
দুটি স্বাধীন দলের গড়ের তুলনার t-test, যা দুই দলের variance সমান ধরে না; SciPy-তে ttest_ind(..., equal_var=False).যেখানে শিখবেন: পর্ব ৩৭
Wheel (.whl)হুইল
আগে থেকে build করা Python package-ফাইল (আসলে একটি zip), যা শুধু খুলে বসালেই ইনস্টল হয়, compiler লাগে না। নামের শেষাংশ বলে কোন Python আর কোন OS-এর জন্য; নিয়মটি PEP 427-এ।যেখানে শিখবেন: পর্ব ০৭
Wheel tagহুইল ট্যাগ
wheel-এর নামের শেষ তিন অংশ — Python, ABI আর platform; যেমন cp314-cp314-win_amd64 মানে CPython 3.14, ৬৪-বিট Windows. ইনস্টলার এটি মিলিয়ে ঠিক করে কোন ফাইল চলবে।যেখানে শিখবেন: পর্ব ০৭পর্ব ৭৬
Whiskerহুইস্কার
box plot-এর বাক্স থেকে বেরোনো দাগ, যা 1.5 × IQR সীমার ভেতরের সবচেয়ে দূরের আসল মান পর্যন্ত যায়।
Wide formatওয়াইড ফরম্যাট
যে টেবিলে একই ধরনের মাপ আলাদা আলাদা কলামে ছড়ানো, যেমন প্রতিটি মাসের বিক্রি নিজের কলামে।যেখানে শিখবেন: পর্ব ২৫
Wilson intervalউইলসন ইন্টারভাল
একটি অনুপাতের (k/n) confidence interval, যা ছোট n আর ০% বা ১০০%-এর কাছের হারেও যুক্তিসঙ্গত ব্যবধান দেয়; Edwin B. Wilson ১৯২৭ সালে প্রকাশ করেন।যেখানে শিখবেন: পর্ব ৬২
Word analogyওয়ার্ড অ্যানালজি
embedding-এ vector যোগ-বিয়োগ করে শব্দের সম্পর্ক খোঁজার পরীক্ষা, যেমন king − man + woman-এর সবচেয়ে কাছের শব্দ; ফল প্রায়ই যতটা দেখানো হয় ততটা নিখুঁত নয়।যেখানে শিখবেন: পর্ব ৩৩
Word2vecওয়ার্ড-টু-ভেক
২০১৩ সালে Mikolov ও সহকর্মীদের প্রকাশিত দ্রুত পদ্ধতি, যা বিপুল লেখা থেকে প্রতিটি শব্দের জন্য একটি word embedding শেখে।যেখানে শিখবেন: পর্ব ৩৩পর্ব ৬৯
WordPieceওয়ার্ডপিস
BPE-এর মতো একটি subword পদ্ধতি, তবে কোন জোড়া জুড়বে তা শুধু গোনা দিয়ে নয়, জুড়লে ডেটার likelihood কতটা বাড়ে সেই ধরনের score দিয়ে ঠিক করে; BERT এটি ব্যবহার করে।যেখানে শিখবেন: পর্ব ৬৭
Working memoryওয়ার্কিং মেমোরি
rule-based system-এ এই মুহূর্তে জানা সব fact-এর তালিকা; ইনপুট আর নিয়ম থেকে নতুন পাওয়া fact এখানেই জমা হয়।যেখানে শিখবেন: পর্ব ৪৭

X

xlsx (Excel workbook)এক্স-এল-এস-এক্স
Excel-এর আধুনিক ফাইল format: ভেতরে কয়েকটি XML ফাইল-ভরা একটি ZIP, যেখানে sheet, type আর style থাকে।যেখানে শিখবেন: পর্ব ১০
XOR (exclusive OR)এক্স-অর
দুটি input-এর ঠিক একটি সত্য হলে সত্য, দুটোই সত্য বা দুটোই মিথ্যা হলে মিথ্যা; এক স্তরের perceptron এটি শিখতে পারে না।যেখানে শিখবেন: পর্ব ০২পর্ব ৬৮পর্ব ৭৬

Z

z-scoreজেড-স্কোর
একটি মান গড় থেকে কত standard deviation দূরে: z = (x − μ)/σ; normal-কে standard normal-এ আনতে ব্যবহার হয়।যেখানে শিখবেন: পর্ব ৩৬পর্ব ৩৭পর্ব ৭৫
Zero-frequency problemজিরো-ফ্রিকোয়েন্সি প্রবলেম
Training-এ কোনো শ্রেণিতে না দেখা শব্দের সম্ভাবনা ০ ধরলে পুরো গুণফল ০ হয়ে যাওয়ার সমস্যা; smoothing দিয়ে সারানো হয়।যেখানে শিখবেন: পর্ব ৫১
Zero-shot classificationজিরো-শট ক্লাসিফিকেশন
নির্দিষ্ট label-এ train না করেই label-এর নাম দিয়ে লেখা শ্রেণিবিভাগ করা, সাধারণত একটি NLI model দিয়ে প্রতিটি label একটি বাক্য হিসেবে যাচাই করে।যেখানে শিখবেন: পর্ব ৭১
Zero-sum gameজিরো-সাম গেম
যে খেলায় একজনের লাভ ঠিক অন্যজনের ক্ষতি, দুজনের প্রাপ্তির যোগফল সবসময় একই (যেমন জয় +1, হার −1); তাই একজন যা বাড়াতে চায়, অন্যজন ঠিক তা-ই কমাতে চায়।যেখানে শিখবেন: পর্ব ৪২পর্ব ৭৭
Zero-width characterজিরো-উইডথ ক্যারেক্টার
চোখে দেখা যায় না এমন Unicode চিহ্ন, যেমন U+200C (ZWNJ) বা U+200B; শব্দের ভেতরে ঢুকলে লেখা একই দেখায় কিন্তু string বদলে যায়।যেখানে শিখবেন: পর্ব ৫১পর্ব ৬৭পর্ব ৭৩

← AI-এর ভিত্তি আর Python for AI কোর্সের হোম পেজে ফিরে যান