সরাসরি মূল অংশে যান
ABCL TECH · সম্পূর্ণ ফ্রি কোর্স

মেশিন লার্নিং — শেখার তত্ত্ব আর ML-এর গণিত থেকে SVM, boosting, Bayesian ML, forecasting আর ব্যাখ্যা পেরিয়ে production-এ চলা একটি পূর্ণ ML প্রকল্প পর্যন্ত

Machine Learning — learning theory, linear algebra and optimization for ML, probabilistic models, SVM and kernels, trees and boosting, unsupervised and Bayesian ML, forecasting, recommenders, interpretability, data science workflow and production ML

A free 77-lesson machine learning course taught in Bangla across 14 modules, built on a sample shop called Bazarghar: learning theory, linear algebra and optimisation for ML, probabilistic models, linear models, SVM and kernels, trees and boosting, unsupervised and Bayesian ML, forecasting, recommenders and survival analysis, interpretability, conformal prediction and fairness, SQL, A/B tests and causal inference, production ML, a capstone, and exam and interview practice. Most code runs in the page with in-browser Python.

একটি fit আর একটি predict লিখতে পারা এক জিনিস, আর কোন model কেন কাজ করে, কখন করে না, আর তার নম্বর কতটা বিশ্বাসযোগ্য তা বলতে পারা আরেক জিনিস। এই কোর্স দ্বিতীয়টির জন্য। এখানে আপনি ML-এর গণিত — linear algebra, optimization আর সম্ভাবনার model — নিজ হাতে হিসাব করবেন, তারপর linear model, SVM ও kernel, tree ও boosting, unsupervised আর Bayesian ML ভেতর থেকে বুঝবেন, শেষে forecasting, ব্যাখ্যা, A/B test, causal inference আর production ML-এর মতো বাস্তবের কাজে লাগাবেন। পুরো কোর্সে উদাহরণ একটিই: “বাজারঘর” নামের একটি কাল্পনিক অনলাইন দোকানের ডেটা — গ্রাহকের churn, জেলাভিত্তিক অর্ডার, বাংলা রিভিউ, কুপন-পরীক্ষা আর ডেলিভারি। বেশিরভাগ কোড পাতাতেই চলে, কিছুই install না করে। AI-এর ভিত্তি কোর্স শেষ করা শিক্ষার্থী, CSE, EEE, ICT ও পরিসংখ্যানের শিক্ষার্থী, ডেটা ও ML পদের ইন্টারভিউর প্রার্থী আর কাজে ML ব্যবহার করা পেশাজীবী — সবার জন্য কোর্সটি সহজ বাংলায়, ধাপে ধাপে সাজানো।

  • ৭৭টি পর্ব
  • ১৪টি মডিউল
  • সম্পূর্ণ বাংলায়
  • ব্রাউজারেই Python
  • সম্পূর্ণ ফ্রি
পর্ব ০১ থেকে শুরু করুন সব পর্ব দেখুন শব্দকোষ

AI-এর যুগে কেন এই কোর্স?

Why go deeper into machine learning now

আজ একটি AI assistant-কে বললেই কয়েক সেকেন্ডে একটি পুরো ML pipeline লিখে দেয়। সমস্যা হলো, ML কোডের ভুল প্রায়ই চুপচাপ থাকে: কোড চলে, নম্বর আসে, আর নম্বরটি ভুল। test set-এ tuning, একটি মাত্র ভাগের score-কে চূড়ান্ত ধরা, imbalance আর calibration উপেক্ষা করা, SHAP-এর মানকে কারণ বলে পড়া — এগুলো ধরতে ভেতরের যুক্তি জানতে হয়। এই কোর্স কোনো জাদু বা দ্রুত সাফল্যের প্রতিশ্রুতি দেয় না; দেয় সেই যুক্তি, যাতে model বাছাই, মূল্যায়ন আর ব্যাখ্যার প্রতিটি সিদ্ধান্ত নিজে নিতে আর যাচাই করতে পারেন।

শুরুর আগে পরিষ্কার করে জেনে নিন

  • এই কোর্সের পূর্বশর্ত AI-এর ভিত্তি আর Python for AI. সেখানে শেখানো NumPy, pandas, chart, সম্ভাবনা ও পরিসংখ্যানের প্রথম ধাপ, gradient descent, train-validation-test আর leakage, k-NN, linear ও logistic regression, metric, overfitting, pipeline আর cross-validation এখানে আবার শেখানো হয় না; দরকার হলে এক-দুই লাইনে মনে করিয়ে দেওয়া হয়। পর্ব ০১-এ আটটি প্রশ্নের একটি ছোট পরীক্ষা আছে, যা দিয়ে নিজের প্রস্তুতি মেপে নিতে পারবেন।
  • পুরোনো দুটি কোর্স এখন এই কোর্সের ভেতরে। সাইটের আগের Math for AI আর Data Science কোর্সের বিষয়গুলো — ML-এর জন্য linear algebra, optimization আর সম্ভাবনা, আর SQL, A/B test, customer analytics ও data storytelling — নতুন করে লিখে এই কোর্সের মডিউল ২ থেকে মডিউল ৪ আর মডিউল ১২-এ আনা হয়েছে। তাই আলাদা করে সেগুলো পড়ার দরকার নেই।
  • পুরো কোর্সে একটিই উদাহরণ: “বাজারঘর” নামের দোকান। এটি একটি কাল্পনিক অনলাইন দোকান, কোনো আসল প্রতিষ্ঠান নয়। এর ডেটা কোর্সের কোড seed দিয়ে তৈরি করে, তাই সবাই হুবহু একই সংখ্যা পান। কোথাও কোথাও scikit-learn-এর সঙ্গে আসা পরিচিত public dataset-ও ব্যবহার হয়, উৎসের নামসহ।
  • আউটপুট বানানো নয়। পাতায় চলা কোড আপনার ব্রাউজারেই চলে। যা ব্রাউজারে চলে না — XGBoost, LightGBM, CatBoost, SHAP, Optuna, FastAPI, Streamlit, Polars বা DuckDB — তা একটি আসল কম্পিউটারে চালিয়ে আউটপুট বসানো হয়েছে, পাশে লেখা “সত্যিকারের run” আর ব্যবহার করা version.
  • পুরো পথটি আগে দেখে নিন: পর্ব ০১ · ML-এর মানচিত্র-তে ১৪ মডিউলের মানচিত্র, কোন মডিউল কোনটির ওপর দাঁড়িয়ে, আর পাতার ও ডেস্কটপের টুলের তালিকা দেওয়া আছে।

গণিত হাতে-কলমে

Eigen আর SVD, convexity, Adam-এর derivation, Lagrange আর KKT, MLE ও MAP — প্রতিটি আগে ছোট সংখ্যার উদাহরণে খাতায়, তারপর NumPy-তে মিলিয়ে দেখা। ফলে SVM-এর dual বা gradient boosting-এর সূত্র আর মুখস্থের জিনিস থাকে না।

সৎ তুলনা

একই fold-এ, গড়ের পাশে ছড়ানোসহ, baseline রেখে model-এর তুলনা; model তুলনার পরিসংখ্যান, bootstrap আর conformal prediction দিয়ে নম্বরের অনিশ্চয়তা মাপা। কোন model ভালো — এই প্রশ্ন সবসময় “কোন ডেটায়, কত ডেটায়, কোন metric-এ” দিয়ে শেষ হয়।

AI-এর কাজ যাচাই

প্রতিটি পর্বে আলাদা একটি AI-এর যুগের অংশ আছে: সরানো scikit-learn parameter বা পুরোনো XGBoost argument, বানানো hyperparameter, test set-এ tuning, ভুল metric আর বিশ্বাসযোগ্য দেখতে কিন্তু ভুল derivation — কীভাবে ধরবেন, আর AI-কে কী নিয়ম দিয়ে কাজ দেবেন।

পরীক্ষা আর ইন্টারভিউ

বিশ্ববিদ্যালয়ের Machine Learning, Pattern Recognition, Data Mining ও Data Science কোর্সে, চাকরির লিখিত পরীক্ষায়, আর data scientist, data analyst বা ML engineer পদের ইন্টারভিউতে SVM, boosting, bias-variance, metric, A/B test আর ML system design-এর প্রশ্ন আসতে পারে।

কোর্সটি কাদের জন্য

  • AI-এর ভিত্তি কোর্স শেষ করা শিক্ষার্থী — বা যাঁরা NumPy, pandas, scikit-learn আর ML-এর প্রথম ধারণাগুলো জানেন, আর এখন machine learning-এর আসল গভীরতা চান
  • CSE, EEE, ICT ও পরিসংখ্যানের শিক্ষার্থী — Machine Learning, Pattern Recognition, Data Mining বা Data Science কোর্সের বিষয়: learning theory, SVM, kernel, EM, PCA-র বাইরে, Bayesian ML — derivation, ধাপে ধাপে ট্রেস আর পূর্ণ সমাধানসহ
  • চাকরি ও ইন্টারভিউর প্রার্থী — data scientist, data analyst, ML engineer বা AI engineer পদের ইন্টারভিউ আর IT পদের লিখিত পরীক্ষার জন্য numerical, MCQ প্রশ্নব্যাংক, লিখিত-ভাইভা, NumPy-তে from-scratch coding আর ML system design
  • কর্মরত developer, analyst ও গবেষক — কাজে ML ব্যবহার করেন, আর model বাছাই, A/B test-এর বিশ্লেষণ, model serving ও নজরদারির ভিত্তি মজবুত করতে চান

এই কোর্সে যা আলাদা

  • পাতাতেই চলা Python — NumPy, SciPy, pandas, scikit-learn, statsmodels আর matplotlib-এর কোড “চালান” চাপলে আপনার ব্রাউজারেই চলে (Pyodide, অর্থাৎ WebAssembly-তে চলা আসল CPython), chart-সহ; কোড বদলে আবার চালাতে পারেন। পর্ব ৬১-এর SQL-ও পাতাতেই চলে, ব্রাউজারের SQLite-এ
  • সত্যিকারের run থেকে আউটপুট — XGBoost, LightGBM, CatBoost, SHAP, Optuna, FastAPI, Streamlit, Polars আর DuckDB-র মতো যা ব্রাউজারে চলে না, তা একটি আসল কম্পিউটারে চালিয়ে নেওয়া, পাশে লেখা version আর যে এক যন্ত্রে মাপা হয়েছে সেই কথা
  • সৎ হিসাব — কোন সংখ্যা শুধু একটি স্থানীয় run-এর, কোথায় পার্থক্য fold-এর ছড়ানোর চেয়ে ছোট, model কোথায় ভুল করে, আর কোথায় বিশেষজ্ঞরা একমত নন — সব স্পষ্ট করে বলা; কোনো বানানো পরিসংখ্যান নেই
  • ক্যাপস্টোন আর সার্টিফিকেট — বাজারঘরের churn আর lifetime value থেকে কাকে কুপন দেবেন, তার প্রত্যাশিত লাভ ধরে একটি পূর্ণ প্রকল্প, A/B পরিকল্পনা, নজরদারি আর model card পর্যন্ত; লগইন করলে ড্যাশবোর্ডে মডিউল টেস্ট, ফাইনাল পরীক্ষা আর ফ্রি সার্টিফিকেট

প্রতিটি পর্ব যেভাবে সাজানো

How every lesson works

প্রতিটি পর্ব একই ছকে লেখা: আগে অন্তর্দৃষ্টি, চেনা উদাহরণ আর ছবি, তারপর সূত্র, derivation আর চালানো কোড, শেষে অনুশীলন আর যাচাই।

  1. এক নজরেপুরো পর্বের মূল কথা, মূল সূত্র আর আসল ফলের সংখ্যা কয়েক লাইনে, শুরুতেই।
  2. চেনা উদাহরণবাজারের দরদাম, ক্রিকেটের স্কোরকার্ড, ডাক্তারের রোগনির্ণয়, গাড়ির মেকানিক — চেনা জিনিস দিয়ে কঠিন ধারণা।
  3. ছবি আর ধাপে ধাপে ট্রেসনকশার ছবি দেখুন, তারপর “পরে” চেপে চেপে দেখুন একটি SVD, একটি Adam-এর ধাপ, একটি boosting-এর গাছ বা একটি EM-এর পুনরাবৃত্তি প্রতিটি ধাপে কী করে।
  4. চালানো কোড আর আসল আউটপুটপাতাতেই চলা Python, scikit-learn আর statsmodels, আর ব্রাউজারের বাইরের কাজের সত্যিকারের আউটপুট — চালানোর আগে আউটপুট অনুমান করুন, তারপর মেলান।
  5. হিসাব ও অনুশীলনEigenvalue, gradient, likelihood, margin, impurity, power আর sample size — পূর্ণ সমাধান, আর উত্তরসহ অনুশীলনের প্রশ্ন।
  6. যাচাই ও শব্দকোষভাবনার প্রশ্ন, কুইজ, “পরীক্ষা ও ইন্টারভিউতে” নোট, AI-এর যুগের অংশ আর প্রতিটি নতুন শব্দের সহজ মানে।

লগইন করা ঐচ্ছিক। করলে অগ্রগতি সেভ থাকে, আর মডিউল টেস্ট, ফাইনাল পরীক্ষা ও সার্টিফিকেট খুলে যায়। নমুনা দেখতে চান? পর্ব ৩৫ · Gradient boosting খুলে দেখুন।

শেখার পথ — ১৪টি মডিউল

Your learning path

কোর্সটি ইচ্ছা করে এই ক্রমে সাজানো: আগে মানচিত্র আর শেখার তত্ত্ব, তারপর গণিতের ভিত — linear algebra, optimization আর সম্ভাবনার model — তারপর model-এর পরিবারগুলো, তারপর বাস্তবের বিশেষ সমস্যা, ব্যাখ্যা, data science-এর কাজের ধারা আর production, শেষে প্রস্তুতি। যেকোনো মডিউলে চাপলে তার পর্বগুলো দেখাবে।

    প্রতিটি মডিউল এক লাইনে

    AI-এর ভিত্তি সবে শেষ

    ক্রম মেনে চলুন: মডিউল ১ থেকে মডিউল ৪-এর গণিত, তারপর মডিউল ৫ থেকে মডিউল ৯-এর model পরিবার। পর্ব ০১-এর ছোট পরীক্ষায় চারের কম ঠিক হলে আগে AI-এর ভিত্তি কোর্সের NumPy, গণিত আর ডেটা থেকে শেখার মডিউল ঝালিয়ে নিন।

    ML কোর্সের শিক্ষার্থী

    পর্ব ০৩-এর শেখার তত্ত্ব, তারপর মডিউল ৪, মডিউল ৬, মডিউল ৭ আর মডিউল ৮ — MLE, SVM, tree, EM আর PCA; সঙ্গে পর্ব ৭৩-এর numerical আর পর্ব ৭৫-এর লিখিত উত্তর।

    ডেটা অ্যানালিস্ট

    মডিউল ১২-এর SQL, A/B test আর customer analytics গণিতের মডিউল ছাড়াও পড়া যায়; সঙ্গে পর্ব ২১-এর bootstrap, পর্ব ৫১-এর forecasting আর পর্ব ৫৬-এর model বোঝা।

    কর্মরত ডেভেলপার

    মডিউল ৭-এর boosting আর tabular model বাছাই, মডিউল ১১-এর ব্যাখ্যা ও drift, তারপর মডিউল ১৩-এর serving, নজরদারি আর system design; শেষে ক্যাপস্টোনে নিজে একটি প্রকল্প বানান আর পর্ব ৭৭-এ নিজেকে যাচাই করুন।

    পথ যেটাই হোক, আগে পর্ব ০১ আর পর্ব ০২ পড়ুন। নির্ভরতার ক্রম মোটামুটি মানুন: SVM-এর dual (পর্ব ২৮) বুঝতে Lagrange আর KKT (পর্ব ১৬) লাগে, PCA থেকে recommender পর্যন্ত অনেক কিছু দাঁড়িয়ে আছে SVD-র (পর্ব ০৯) ওপর, gradient boosting (পর্ব ৩৫) সহজ হয় gradient পদ্ধতি (পর্ব ১৩) পড়া থাকলে, আর Bayesian linear regression (পর্ব ৪৫) পড়ার আগে multivariate Gaussian (পর্ব ১৯) জানা চাই। মডিউল ১৪ যেকোনো সময় ঝালাইয়ের জন্য খুলতে পারেন।

    সম্পূর্ণ সিলেবাস

    Full syllabus

    যে পর্ব পড়া শেষ করেছেন, তার পাশে ✓ চিহ্ন দেখাবে। লগইন করলে এই অগ্রগতি আপনার সব ডিভাইসে থাকবে।

    শুরুর আগে ও শেষের পরে

    Before you start · After you finish

    আগে যা জানা থাকলেই চলবে

    • AI-এর ভিত্তি আর Python for AI কোর্সের বিষয়গুলো, অথবা সমান জ্ঞান: Python-এ ডেটার কাজ, NumPy-র shape, axis আর broadcasting, আর pandas-এর groupby ও merge
    • গণিতের প্রথম ধাপ: vector আর dot product, derivative আর gradient descent, সম্ভাবনা, distribution, mean-variance আর Bayes-এর উপপাদ্য — ML-এর গভীর গণিত এখানে মডিউল ২ থেকে মডিউল ৪-এ গোড়া থেকে গড়ে তোলা হয়
    • ML-এর প্রথম পরিচয়: train-validation-test আর data leakage, k-NN, linear ও logistic regression, precision-recall আর ROC, overfitting ও bias-variance, scikit-learn-এর pipeline আর cross-validation
    • পাতার উদাহরণ পড়তে ও চালাতে কিছু install করতে হয় না; ডেস্কটপের টুল নিজে চালাতে চাইলে Python আর uv লাগবে, যার পুরো setup AI-এর ভিত্তি কোর্সে আছে, আর এই কোর্সের প্যাকেজের তালিকা পর্ব ০১-এ

    কোর্স শেষে যা পারবেন

    • একটি ব্যবসার প্রশ্নকে label, loss, metric আর baseline-সহ ML task-এ রূপ দিতে, আর পুনরুৎপাদনযোগ্য experiment সাজাতে
    • Eigen, SVD, matrix calculus, convexity, Adam, KKT, MLE আর MAP হাতে ও NumPy-তে হিসাব করতে, আর model-এর সূত্রগুলো derive করতে
    • Linear model, SVM ও kernel, decision tree, random forest আর gradient boosting-এর ভেতরের যুক্তি ব্যাখ্যা করতে, আর tabular ডেটায় যুক্তি দিয়ে model বাছতে
    • Gaussian mixture, density estimation, manifold learning, anomaly detection আর Bayesian পদ্ধতি দিয়ে label ছাড়া গঠন আর অনিশ্চয়তা নিয়ে কাজ করতে
    • Imbalanced ডেটা, time series forecasting, recommender আর survival analysis-এর ঠিক মূল্যায়ন করতে, যাতে ভবিষ্যৎ বা test-এর তথ্য ফাঁস না হয়
    • Model-এর ব্যাখ্যা, calibration, conformal পরিসর, distribution shift আর ন্যায্যতা যাচাই করতে
    • SQL-এর window function, A/B test-এর পরিকল্পনা ও বিশ্লেষণ, আর causal inference-এর মূল পদ্ধতি দিয়ে সিদ্ধান্তের প্রশ্নের উত্তর দিতে
    • Model serve, test আর নজরদারি করতে, একটি ML system-এর নকশা ব্যাখ্যা করতে, AI-এর লেখা ML কোড যাচাই করে তবেই ব্যবহার করতে, আর শর্ত পূরণ করলে একটি ফ্রি কোর্স-সমাপ্তির সার্টিফিকেট পেতে

    এরপর কী? এই কোর্সে neural network ইচ্ছা করেই খুব কম। সেই দিক গভীরে নেবে সাইটের পরের AI কোর্সগুলো: Deep Learning, Natural Language Processing, Generative AI, Computer Vision, Reinforcement Learning, MLOps, Data Engineering আর AI Ethics. পাশাপাশি কাজে লাগবে আমাদের শেষ হওয়া কোর্স: ডেটা স্ট্রাকচার ও অ্যালগরিদম, ডেটাবেস ও SQL, সিস্টেম ডিজাইন, ক্লাউড ও DevOps আর ফুল-স্ট্যাক ওয়েব ফ্রেমওয়ার্ক।

    সাধারণ প্রশ্ন

    Frequently asked questions
    প্র ০১শুরু করতে আগে কী জানা দরকার?

    এই কোর্স AI-এর ভিত্তি আর Python for AI কোর্সের ওপর দাঁড়িয়ে। সেখান থেকে যা সঙ্গে আনবেন: Python আর uv, NumPy-র shape ও broadcasting, pandas-এর groupby ও merge, chart, vector, derivative ও gradient descent, সম্ভাবনা, পরিসংখ্যান আর Bayes, আর ML-এর প্রথম পরিচয় — train-validation-test, leakage, k-NN, linear ও logistic regression, metric, overfitting, pipeline আর cross-validation. এগুলো এখানে আবার শেখানো হয় না, তবে দরকারি জায়গায় এক-দুই লাইনে মনে করিয়ে দেওয়া হয়।

    নিশ্চিত না হলে পর্ব ০১-এর আটটি প্রশ্নের ছোট পরীক্ষাটি কাগজ-কলমে করুন। প্রতিটি প্রশ্নের সঙ্গে আগের কোর্সের কোন পর্ব দেখবেন, তা বলা আছে। এটা কোনো বাধা নয়, শুধু আপনার নিজের জন্য একটি মাপকাঠি।

    প্র ০২কোর্সটি কি সত্যিই পুরো ফ্রি?

    হ্যাঁ, ৭৭টি পর্বের সবকিছু — পড়া, পাতায় চলা Python আর SQL, ধাপে ধাপে ট্রেস, কুইজ, চৌদ্দশোর বেশি শব্দের শব্দকোষ, পরীক্ষা আর সার্টিফিকেট — সম্পূর্ণ ফ্রি। কোনো লুকানো ফি নেই, পড়ার জন্য লগইনও বাধ্যতামূলক নয়। সাইটের খরচ চলে পাতার বিজ্ঞাপন থেকে।

    কোর্সে ব্যবহার করা টুলগুলোও ফ্রি আর open source: Python, NumPy, SciPy, pandas, scikit-learn, statsmodels, XGBoost, LightGBM, CatBoost, SHAP, Optuna, FastAPI আর Streamlit. কোনো account, API key বা পেমেন্ট লাগে না।

    প্র ০৩“বাজারঘর” কী? কোনো আসল দোকান?

    না। বাজারঘর এই কোর্সের জন্য বানানো একটি কাল্পনিক অনলাইন দোকান। এর গ্রাহক, অর্ডার, জেলাভিত্তিক বিক্রি, বাংলা রিভিউ, কুপন-পরীক্ষা আর ডেলিভারির ডেটা — সবই কোর্সের কোড seed দিয়ে তৈরি করে, তাই সবাই একই সংখ্যা পান আর ফলাফল মিলিয়ে দেখতে পারেন। এর নাম, ডেটা, দাম আর ঘটনা সবই বানানো। ডেটার পেছনের লুকোনো নিয়মও আমাদের লেখা, আর যেখানে সেই নিয়ম কোনো model-কে সুবিধা দেয়, পাতায় তা খোলাখুলি বলা আছে।

    আলাদা আলাদা খেলনা উদাহরণের বদলে একটি বাড়ন্ত ডেটাসেট নিলে বোঝা যায়, শুরুর একটি সিদ্ধান্ত — যেমন churn-এর সংজ্ঞা বা ডেটা কীভাবে ভাগ করলেন — পরে কী ফল দেয়। পর্ব ৭২-এর ক্যাপস্টোনে বাজারঘরের churn আর lifetime value থেকে একটি পূর্ণ প্রকল্প বানানো হয়।

    প্র ০৪কোনটি পাতায় চলে, আর কোনটি আসল কম্পিউটারের run?

    পাতায় লেখা থাকে কোনটি কী। পাতায় চলা কোড: NumPy, SciPy, pandas, scikit-learn, statsmodels আর matplotlib-এর উদাহরণ “চালান” চাপলে আপনার ব্রাউজারেই চলে Pyodide দিয়ে, যা WebAssembly-তে চলা আসল CPython. প্রথমবার Python আর scikit-learn নামতে দশ সেকেন্ডের মতো লাগতে পারে, পরের ব্লক দ্রুত চলে। পর্ব ৬১-এর SQL-ও পাতাতেই চলে, ব্রাউজারের SQLite (sql.js) দিয়ে।

    সত্যিকারের run: XGBoost, LightGBM, CatBoost, SHAP, Optuna, MLflow, FastAPI, Streamlit, Polars আর DuckDB-র মতো যা ব্রাউজারে চলে না বা চললেও ভারী, সেগুলো একটি আসল কম্পিউটারে চালিয়ে আউটপুট বসানো হয়েছে, পাশে লেখা “সত্যিকারের run” আর version. সময় বা গতির সংখ্যা সেই এক যন্ত্রের একটি run, সাধারণ নিয়ম নয়। কোনো কিছু চালানো না গেলে তা স্পষ্ট লেখা থাকে; কোনো আউটপুট বানিয়ে লেখা হয়নি।

    প্র ০৫কতটা গণিত জানতে হবে?

    AI-এর ভিত্তি কোর্সের গণিতের অন্তর্দৃষ্টিই শুরুর জন্য যথেষ্ট। এর ওপর ML-এর গভীর গণিত — vector space আর rank, eigen আর SVD, matrix calculus, convexity, optimization-এর পদ্ধতি, KKT, MLE, MAP আর GLM — মডিউল ২ থেকে মডিউল ৪-এ গোড়া থেকে গড়ে তোলা হয়: আগে অন্তর্দৃষ্টি, তারপর ছোট সংখ্যার পূর্ণ হিসাব, তারপর NumPy-তে মিলিয়ে দেখা। প্রতিটি চিহ্নের মানে প্রথমবার কথায় বলে দেওয়া হয়।

    গণিতের পর্বে গতি কমান; একটি পর্বের গণিতে এক ঘণ্টা লাগলেও তা স্বাভাবিক। কোনো derivation আটকে গেলে আগে তার ফলটি ছোট একটি উদাহরণে যাচাই করুন, তারপর প্রমাণে ফিরুন। প্রতিটি পর্বের “আরও গভীরে” অংশ বাদ দিলেও মূল পথ বুঝতে অসুবিধা হবে না।

    প্র ০৬কোন version-এ লেখা? Library তো দ্রুত বদলায়।

    ঠিকই, তাই প্রতিটি সত্যিকারের run-এর পাশে version লেখা আছে। পাতার ভেতরের Python-এ লেখার সময়ের version ছিল Python 3.14.2, NumPy 2.4.6, pandas 3.0.2, SciPy 1.18.0, scikit-learn 1.8.0 আর matplotlib 3.10.8. ডেস্কটপের run-এ scikit-learn 1.9.1, XGBoost 3.4.1, LightGBM 4.7.0, CatBoost 1.2.10, SHAP 0.54.1 আর Optuna 5.0.0; পুরো তালিকা পর্ব ০১-এ, আর অন্য টুলের version সেই পাতাতেই বলা আছে। পাতা আর ডেস্কটপের scikit-learn আলাদা বলে একই কোডের শেষ দশমিকে মাঝে মাঝে তফাত হতে পারে।

    পরে কোনো version বদলালে আপনার version-এর অফিসিয়াল docs মিলিয়ে নিন। ধারণাগুলো — margin, kernel, impurity, gradient, likelihood, calibration, power — version বদলালেও একই থাকে, আর এই কোর্সের মূল জোর সেখানেই।

    প্র ০৭Deep learning বা neural network কোথায়?

    এই কোর্সে neural network ইচ্ছা করেই খুব কম। এর জোর tabular ডেটা, ক্লাসিক আর পরিসংখ্যানভিত্তিক ML, মূল্যায়ন, ব্যাখ্যা আর production-এ — ব্যবসার বেশিরভাগ ডেটা টেবিলেই থাকে, আর সেখানে প্রায়ই gradient boosting বা একটি regularized linear model ভালো প্রার্থী। Tree, linear না neural, সেই তুলনা আছে পর্ব ৩৮-এ।

    Network-এর training, CNN, RNN, Transformer আর বড় ভাষার model আসবে সাইটের পরের Deep Learning, NLP আর Generative AI কোর্সে। এখানকার linear algebra, optimization আর মূল্যায়নের অভ্যাস সেগুলোর সবগুলোতে কাজে লাগবে; যেমন Adam (পর্ব ১৪) আর matrix calculus (পর্ব ১১) সরাসরি neural network-এর ভিত্তি।

    প্র ০৮নিজের কম্পিউটারে কী লাগবে? দুর্বল কম্পিউটারে চলবে?

    শুধু পড়তে আর পাতার উদাহরণ চালাতে একটি আধুনিক ব্রাউজারই যথেষ্ট, মোবাইলেও চলে। প্রথমবার scikit-learn-এর মতো বড় package নামাতে কিছু সময় আর কিছুটা ইন্টারনেট খরচ হয়; পাতার উদাহরণগুলো ইচ্ছা করে ছোট রাখা হয়েছে, যাতে সাধারণ যন্ত্রেও চলে। কিছু ব্লকে অনেকগুলো fit একসঙ্গে চলে, সেখানে কয়েক সেকেন্ড লাগতে পারে, পাতায় তা আগেই বলা থাকে।

    ডেস্কটপের টুল নিজে চালাতে Python আর uv লাগবে, যা Windows, macOS বা Linux সবখানে চলে; কোন প্যাকেজ install করবেন, তার আদেশ পর্ব ০১-এ। এই কোর্সের কোনো কাজে GPU লাগে না, সাধারণ ল্যাপটপের CPU-তেই চলে।

    প্র ০৯চাকরির পরীক্ষা বা ডেটা ও ML পদের ইন্টারভিউর জন্য কি যথেষ্ট?

    ভিত্তির জন্য কাজে লাগবে, তবে কোনো কোর্সই চাকরির নিশ্চয়তা দিতে পারে না। লিখিত পরীক্ষা আর ভাইভার ধরনের প্রশ্নের অনুশীলন আছে পর্ব ৭৩, পর্ব ৭৪ আর পর্ব ৭৫-এ — প্রশ্নগুলো এই কোর্সের জন্য লেখা, কোনো আসল পরীক্ষা বা প্রতিষ্ঠান থেকে নেওয়া নয়। NumPy দিয়ে from-scratch algorithm, pandas আর scikit-learn-এর coding আছে পর্ব ৭৬-এ, আর ML-এর ধারণা ও ML system design-এর আলোচনা পর্ব ৭৭-এ।

    তবে শুধু পড়লে হবে না। নিজের হাতে ক্যাপস্টোনটি করুন। নিজের একটি প্রকল্প, যার প্রতিটি সিদ্ধান্ত — সংজ্ঞা, ডেটা ভাগ, metric বাছাই, অনিশ্চয়তা, আর কাকে কী কারণে বেছে নিলেন — আপনি ব্যাখ্যা করতে পারেন, যেকোনো ইন্টারভিউতে শক্ত প্রমাণ।

    প্র ১০সাইটের AI-এর ভিত্তি, DBMS, সিস্টেম ডিজাইন আর অন্য কোর্সের সঙ্গে সম্পর্ক কী?

    AI-এর ভিত্তি আর Python for AI এই কোর্সের পূর্বশর্ত: সেখানে টুল আর প্রথম model, এখানে কেন কাজ করে, কখন করে না আর কতটা নিশ্চিত। ডেটাবেস ও SQL SQL গোড়া থেকে শেখায়, এখানে পর্ব ৬১-এ তা data science-এর window function, cohort আর funnel-এ লাগানো হয়। ডেটা স্ট্রাকচার ও অ্যালগরিদম-এ জটিলতার হিসাব আছে, যা kernel বা বড় ডেটার খরচ বুঝতে কাজে লাগে। সিস্টেম ডিজাইন আর ফুল-স্ট্যাক ওয়েব ফ্রেমওয়ার্ক দেখায় একটি service কীভাবে বানানো আর চালানো হয়, যার ওপর মডিউল ১৩-এর model serving আর ML system design দাঁড়িয়ে। AI-এর ভিত্তি ছাড়া অন্য কোর্স আগে শেষ করা বাধ্যতামূলক নয়।

    সাইটের আগের Math for AI আর Data Science কোর্সের বিষয়গুলো এখন এই কোর্সেরই অংশ, নতুন করে লেখা। Deep Learning, NLP, Generative AI, MLOps আর AI Ethics-এর মতো বিষয় এই কোর্সে পরিচয় পর্যন্ত থাকে; সেগুলো গভীরে আসবে সাইটের পরের AI কোর্সগুলোতে।

    প্র ১১পরীক্ষা দেওয়া আর সার্টিফিকেট পাওয়া যাবে?

    হ্যাঁ। লগইন করলে ড্যাশবোর্ডে মডিউল ১ থেকে ১৩-এর প্রতিটির একটি টেস্ট আর একটি ফাইনাল পরীক্ষা পাবেন, আর কোন পর্ব শেষ হলো তার অগ্রগতিও সেভ থাকবে। মডিউল ১ থেকে ১৩-এর সব পর্ব পড়া শেষ করে ফাইনালে ৬০% বা তার বেশি পেলে একটি ফ্রি কোর্স-সমাপ্তির সার্টিফিকেট পাবেন। মডিউল ১৪ শুধু অনুশীলনের, তাই তার আলাদা টেস্ট নেই।

    মনে রাখবেন, এটি আপনার শেখার স্বীকৃতি — কোনো একাডেমিক ডিগ্রি, সরকারি সনদ বা কোনো প্রতিষ্ঠানের ভেন্ডর সার্টিফিকেশন নয়।

    প্র ১২পুরো কোর্স শেষ করতে কত সময় লাগবে?

    প্রতিটি পর্বের শুরুতে আনুমানিক পড়ার সময় লেখা আছে: বেশিরভাগ পর্বে ৮০ থেকে ৯০ মিনিট (কয়েকটিতে ৫০ থেকে ৭৫), কোড চালানো আর কুইজ দেওয়াসহ আরও কিছুটা; ক্যাপস্টোনে আড়াই ঘণ্টা, নিজে করতে আরও বেশি; আর অনুশীলনের পর্বগুলোতে দুই থেকে চার ঘণ্টা। পর্বগুলোর লেখা সময় যোগ করলে পড়ার সময় প্রায় ১১৭ ঘণ্টা। সপ্তাহে তিন-চারটি পর্ব পড়লে পাঁচ-ছয় মাসের কাছাকাছি লাগবে। গণিতের মডিউলে ধীরে চলাই ভালো, তাই নিজের গতিতে এগোন।

    আজই প্রথম পর্ব দিয়ে শুরু করুন

    নিয়মিত একটি করে পর্ব — “ML-এর মানচিত্র” থেকে ধীরে ধীরে আপনি শেখার তত্ত্ব, ML-এর গণিত, model-এর পরিবার আর বাস্তবের সমস্যা পেরিয়ে এমন জায়গায় পৌঁছে যাবেন, যেখানে একটি ML প্রকল্প নিজে সাজিয়ে, সৎভাবে মেপে, তার অনিশ্চয়তা আর সীমাসহ ব্যাখ্যা করতে পারেন।

    পর্ব ০১ · ML-এর মানচিত্র অন্য কোর্সগুলো দেখুন