মেশিন লার্নিং শব্দকোষ — ১৪৩৪টি শব্দের সহজ বাংলা মানে

Machine Learning Glossary in Bangla — every technical term from the course, with pronunciation and a plain Bangla explanation.

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

মোট ১৪৩৪টি শব্দ

#

0-1 lossজিরো-ওয়ান লস
ভুল শ্রেণি বললে ১, ঠিক বললে ০; গুনতে সহজ কিন্তু ঢাল প্রায় সবখানে শূন্য, তাই সরাসরি train করা কঠিন।যেখানে শিখবেন: পর্ব ০২পর্ব ০৩
5×2cv paired t-testফাইভ বাই টু সিভি টি-টেস্ট
Dietterich (১৯৯৮)-এর test: ডেটা অর্ধেক অর্ধেক ভাগ করে দুই দিকে মাপা, পাঁচবার; প্রথম পার্থক্যকে পাঁচটি ভাগের variance-এর গড়ের বর্গমূল দিয়ে ভাগ করে ৫ df-এর t-distribution-এ তুলনা।যেখানে শিখবেন: পর্ব ২২
.632 bootstrap estimatorপয়েন্ট সিক্স থ্রি টু এস্টিমেটর
০.৩৬৮ × apparent ভুল + ০.৬৩২ × out-of-bag ভুল; আশাবাদী আর হতাশাবাদী দুই অনুমান মিশিয়ে generalization ভুলের অনুমান; Efron ১৯৮৩, পরে .632+ রূপ।যেখানে শিখবেন: পর্ব ২১
ε-insensitive lossএপসাইলন-ইনসেনসিটিভ লস
max(0, ∣r∣ − ε): residual r-এর মাপ ε পর্যন্ত হলে loss শূন্য, তার বেশি হলে বাড়তি অংশটুকুই loss; SVR এই loss ব্যবহার করে।যেখানে শিখবেন: পর্ব ৩০
ν (nu) in one-class SVMনিউ প্যারামিটার
০ থেকে ১-এর একটি hyperparameter: training ডেটার সর্বোচ্চ কত ভাগ সীমার বাইরে থাকতে পারে আর সর্বনিম্ন কত ভাগ support vector হবে, দুটিরই সীমা।যেখানে শিখবেন: পর্ব ৪৩

A

A/A testএ/এ টেস্ট
দুই দলেই একই ব্যবস্থা দিয়ে চালানো test; সৎ ব্যবস্থায় p-value সমভাবে ছড়ায় আর প্রায় ৫% significant হয়, তাই ভাগ করা, log আর বিশ্লেষণের ভুল ধরতে কাজে লাগে।যেখানে শিখবেন: পর্ব ৬২পর্ব ৬৩
A/B testএ/বি টেস্ট
ব্যবহারকারীদের এলোমেলোভাবে দুই দলে ভাগ করে একটিকে নতুন ব্যবস্থা, অন্যটিকে পুরোনো ব্যবস্থা দিয়ে ফল তুলনা করা; অনলাইনে একে online controlled experiment-ও বলে।যেখানে শিখবেন: পর্ব ৬২পর্ব ৬৩পর্ব ৬৪
Ablation studyঅ্যাবলেশন স্টাডি
একটি সম্পূর্ণ ব্যবস্থা থেকে একটি অংশ (যেমন একটি feature-দল বা একটি ধাপ) সরিয়ে একই ভাগে আবার মেপে দেখা ফল কতটা বদলায়, যাতে অংশটির অবদান বোঝা যায়।যেখানে শিখবেন: পর্ব ০৪
Acceleration (optimization)অ্যাক্সিলারেশন
Momentum-জাতীয় কৌশলে প্রয়োজনীয় ধাপের সংখ্যা condition number κ-এর অনুপাত থেকে নেমে √κ-এর অনুপাতে আসা।যেখানে শিখবেন: পর্ব ১৪
Acceptance probabilityঅ্যাকসেপট্যান্স প্রোবাবিলিটি
Metropolis–Hastings-এ প্রস্তাবিত মান গ্রহণের সম্ভাবনা, α = min(1, অনুপাত); উঁচু density-তে প্রস্তাব সবসময় গ্রহণ, নিচুতে অনুপাতের সমান সম্ভাবনায়।যেখানে শিখবেন: পর্ব ৪৭
Acceptance rateঅ্যাকসেপট্যান্স রেট
একটি chain-এ মোট প্রস্তাবের কত ভাগ গ্রহণ হয়েছে; খুব বেশি মানে লাফ খুব ছোট, খুব কম মানে লাফ খুব বড়।
Access controlঅ্যাক্সেস কন্ট্রোল
কে কোন পাতা বা ডেটা দেখতে বা বদলাতে পারবে তা নিয়ন্ত্রণের ব্যবস্থা, সাধারণত login আর ভূমিকাভিত্তিক অনুমতি দিয়ে।যেখানে শিখবেন: পর্ব ৬৬
Accumulated local effects (ALE)অ্যাকিউমুলেটেড লোকাল ইফেক্টস
একটি feature-এর পরিসর খোপে ভাগ করে, প্রতিটি খোপের আসল সারিতে feature-কে খোপের দুই কিনারায় বসিয়ে অনুমানের পার্থক্যের গড় নেওয়া আর খোপ থেকে খোপে যোগ করা; correlated feature-এ PDP-র মতো অসম্ভব সারি বানায় না।যেখানে শিখবেন: পর্ব ৫৬
ACF (autocorrelation function)এসিএফ
প্রতিটি lag k-তে y(t) আর y(t−k)-এর correlation-এর তালিকা; MA-এর order আর ঋতু চিনতে কাজে লাগে।যেখানে শিখবেন: পর্ব ৫১
Acquisition functionঅ্যাকুইজিশন ফাংশন
Surrogate-এর গড় আর অনিশ্চয়তা থেকে প্রতিটি বিন্দুর জন্য একটি সংখ্যা, যা বলে পরের দামি মূল্যায়ন কোথায় করা সবচেয়ে লাভজনক; যেমন PI, EI আর UCB.যেখানে শিখবেন: পর্ব ৪৯
Action titleঅ্যাকশন টাইটেল
যে শিরোনাম chart-এর বিষয় নয়, মূল সিদ্ধান্ত বা বার্তা বলে, যেমন Late rate by district-এর বদলে সিলেটে দেরি আড়াই গুণ হয়েছে।যেখানে শিখবেন: পর্ব ৬৭
Active constraintঅ্যাকটিভ কনস্ট্রেইন্ট
যে অসমতার শর্ত সমাধানে ঠিক সমতা হয়ে আছে, g(x*) = 0; inactive শর্ত মুছে দিলেও সমাধান বদলায় না।যেখানে শিখবেন: পর্ব ১৬পর্ব ২৭
Active learningঅ্যাক্টিভ লার্নিং
যেখানে model নিজেই বাছে পরের কোন উদাহরণের label মানুষকে দিয়ে কেনা হবে, যাতে কম label-এ বেশি শেখা যায়; সাধারণত সবচেয়ে অনিশ্চিত বা সবচেয়ে তথ্যপূর্ণ উদাহরণ বাছা হয়।যেখানে শিখবেন: পর্ব ৫৪
AdaBoost (Adaptive Boosting)অ্যাডাবুস্ট
Freund আর Schapire-এর boosting পদ্ধতি: প্রতি রাউন্ডে ওজন দিয়ে একটি weak learner শেখায়, তার weighted error থেকে ভোটের ওজন α ঠিক করে, আর ভুল সারির ওজন বাড়ায়।যেখানে শিখবেন: পর্ব ৩৪পর্ব ৭৩পর্ব ৭৪
AdaGradঅ্যাডাগ্র্যাড
প্রতিটি parameter-এর ধাপকে তার অতীতের সব gradient-এর বর্গের যোগফলের বর্গমূল দিয়ে ভাগ করার পদ্ধতি (Duchi ও সহকর্মী, ২০১১); বিরল feature-এ ভালো, কিন্তু ধাপ সময়ের সঙ্গে শুকিয়ে যায়।যেখানে শিখবেন: পর্ব ১৪
Adam optimizerঅ্যাডাম
Adaptive moment estimation: gradient-এর গড় (m) আর বর্গের গড় (v) দুটিরই চলমান গড় রেখে, bias correction করে, m̂/√v̂ দিকে ধাপ নেওয়া optimizer (Kingma ও Ba, ২০১৪)।যেখানে শিখবেন: পর্ব ১৪পর্ব ৪৮পর্ব ৭৩
AdamWঅ্যাডাম-ডাব্লিউ
Adam-এর একটি রূপ, যেখানে weight decay gradient-এ না ঢুকে সরাসরি ওজনকে ηλw কমায় (Loshchilov ও Hutter); এটি L2 শাস্তির সমান নয়।যেখানে শিখবেন: পর্ব ১৪
Adaptive conformal inference (ACI)অ্যাডাপটিভ কনফর্মাল ইনফারেন্স
প্রতিটি নতুন উত্তরের পর ভুল হলো কি না দেখে α-কে αt+1 = αt + γ(α − errt) নিয়মে সমন্বয় করার পদ্ধতি, যা বণ্টন বদলালেও দীর্ঘমেয়াদি গড় ভুল α-র কাছে রাখতে চায়।যেখানে শিখবেন: পর্ব ৫৮
Additive modelঅ্যাডিটিভ মডেল
কয়েকটি সরল অংশের ওজনযুক্ত যোগফল হিসেবে লেখা model, যেমন F(x) = ∑ βₜ hₜ(x); boosting এমন model ধাপে ধাপে গড়ে।যেখানে শিখবেন: পর্ব ৩৪
Adjudicationঅ্যাজুডিকেশন
Label-দাতাদের মতভেদের সারিতে একজন অভিজ্ঞ মানুষের চূড়ান্ত সিদ্ধান্ত দেওয়া, সাধারণত কারণসহ লিখে রাখা।যেখানে শিখবেন: পর্ব ০৫
Administrative censoringঅ্যাডমিনিস্ট্রেটিভ সেন্সরিং
ডেটা কাটার নির্দিষ্ট দিনের কারণে হওয়া censoring; ব্যক্তির আচরণের সঙ্গে সম্পর্কহীন বলে সাধারণত নিরাপদ।যেখানে শিখবেন: পর্ব ৫৫
Affine functionঅ্যাফাইন ফাংশন
aᵀw + b আকারের function, অর্থাৎ linear অংশের সঙ্গে একটি ধ্রুবক; একসঙ্গে convex আর concave, আর convex function-এর ভেতরে বসালে convexity থাকে।যেখানে শিখবেন: পর্ব ১২
Affine mapঅ্যাফাইন ম্যাপ
একটি linear map-এর পর একটি সরণ যোগ করা, f(x) = Ax + b; neural network-এর একটি layer এমন। সরণের কারণে origin নড়ে, তাই এটি নিজে linear নয়।যেখানে শিখবেন: পর্ব ০৭
Affinity (in t-SNE)অ্যাফিনিটি
দুটি বিন্দু একে অপরের প্রতিবেশী হওয়ার সম্ভাবনা, যেমন t-SNE-র p(j|i), কাছের বিন্দুর জন্য বড় আর দূরের জন্য প্রায় শূন্য।যেখানে শিখবেন: পর্ব ৪২
Agnostic learningঅ্যাগনস্টিক লার্নিং
Class-এ নিখুঁত নিয়ম আছে এমন অনুমান না করে শেখা; লক্ষ্য class-এর সেরা নিয়মের কাছাকাছি পৌঁছানো।যেখানে শিখবেন: পর্ব ০৩
Akaike information criterion (AIC)এআইসি
Model বাছাইয়ের মাপ AIC = −2ℓ + 2p; BIC-এর চেয়ে হালকা শাস্তি দেয়, তাই প্রায়ই বেশি component বা বেশি জটিল model বেছে নেয়।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৫১
Aleatoric uncertaintyঅ্যালিয়েটরিক আনসার্টেনটি
ডেটার নিজস্ব এলোমেলোভাব থেকে আসা অনিশ্চয়তা, যেমন একই দূরত্বে জ্যামের কারণে সময়ের ছড়ানো; বেশি ডেটা দিলেও কমে না।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৪৬
Alert fatigueঅ্যালার্ট ফ্যাটিগ
অতিরিক্ত alert পেতে পেতে মানুষের সেগুলো উপেক্ষা করতে শুরু করার অবস্থা, যাতে আসল সতর্কতাও হারিয়ে যায়।যেখানে শিখবেন: পর্ব ৬৯পর্ব ৭৫
Algorithmic recourseঅ্যালগরিদমিক রিকোর্স
একজন মানুষ নিজে যে বাস্তবসম্মত পরিবর্তন করে একটি স্বয়ংক্রিয় সিদ্ধান্ত বদলাতে পারেন; অপরিবর্তনীয় বৈশিষ্ট্য এতে গোনা হয় না।যেখানে শিখবেন: পর্ব ৫৭
Algorithmic stabilityঅ্যালগরিদমিক স্টেবিলিটি
Train ডেটার একটি উদাহরণ বদলালে শেখা model কতটা বদলায়; কম বদলালে generalisation-এর নিশ্চয়তা দেওয়া যায়।যেখানে শিখবেন: পর্ব ০৩
Allocative harmঅ্যালোকেটিভ হার্ম
সুযোগ বা সম্পদ ভাগের সিদ্ধান্তে (ঋণ, বাকি, চাকরির ডাক) কোনো দলের অন্যায্যভাবে কম পাওয়া বা বেশি ভুল সিদ্ধান্তের শিকার হওয়া।যেখানে শিখবেন: পর্ব ৬০
Alpha spending functionআলফা স্পেন্ডিং
Lan আর DeMets-এর পদ্ধতি, যেখানে মোট α-কে তথ্যের ভাগ t-এর একটি ফাংশন অনুযায়ী ধাপে ধাপে খরচ করা হয়, তাই দেখার সংখ্যা আর সময় আগে নির্দিষ্ট না থাকলেও মোট ভুল α-তে থাকে।যেখানে শিখবেন: পর্ব ৬২
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 ৬৭
Alternating least squares (ALS)অল্টারনেটিং লিস্ট স্কোয়ার্স
Matrix factorization শেখার পদ্ধতি: এক পক্ষের factor স্থির রেখে অন্য পক্ষেরটি ridge regression দিয়ে বন্ধ সূত্রে সমাধান, তারপর উল্টো, পালাক্রমে।যেখানে শিখবেন: পর্ব ৫৩
Always-valid inferenceঅলওয়েজ-ভ্যালিড ইনফারেন্স
এমন p-value বা confidence sequence, যা যেকোনো সময়, যতবার খুশি দেখলেও তার ভুলের নিশ্চয়তা ধরে রাখে; sequential probability ratio test-এর ধারা থেকে এসেছে।যেখানে শিখবেন: পর্ব ৬২
Amortized inferenceঅ্যামর্টাইজড ইনফারেন্স
প্রতিটি ডেটা-বিন্দুর জন্য আলাদা করে q optimize না করে একটি শেখা function (সাধারণত neural network) দিয়ে x থেকে সরাসরি q(z | x)-এর parameter বের করা; VAE-র encoder এর উদাহরণ।যেখানে শিখবেন: পর্ব ৪৮
AMSGradএএমএসগ্র্যাড
Adam-এর একটি রূপ, যেখানে v̂-এর অতীতের সর্বোচ্চ মান রাখা হয় যাতে ধাপ হঠাৎ বড় না হয়; Reddi ও সহকর্মীরা (২০১৮) Adam-এর অভিসারের সমস্যা সারাতে প্রস্তাব করেন।যেখানে শিখবেন: পর্ব ১৪
Annotationঅ্যানোটেশন
chart-এর কোনো নির্দিষ্ট বিন্দু বা সময়ের পাশে ব্যাখ্যার লেখা, তীরসহ বা ছাড়া; matplotlib-এ ax.text বা ax.annotate দিয়ে বসানো হয়।যেখানে শিখবেন: পর্ব ৬৭
Annotation costঅ্যানোটেশন কস্ট
একটি উদাহরণে label বসাতে মানুষের সময় আর টাকার খরচ; সব উদাহরণের খরচ সমান নাও হতে পারে।যেখানে শিখবেন: পর্ব ৫৪
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 ০৫
Anomaly detectionঅ্যানোমালি ডিটেকশন
স্বাভাবিক আচরণ থেকে অনেক আলাদা উদাহরণ খুঁজে বের করা, যেমন সন্দেহজনক অর্ডার বা লেনদেন; সাধারণত label ছাড়া প্রতিটি সারিকে একটি anomaly score দেওয়া হয়।যেখানে শিখবেন: পর্ব ৪৩
Apache Parquetপারকেট
কলাম ধরে ডেটা রাখার একটি binary ফাইল format, যাতে schema, compression আর row group প্রতি কলামভিত্তিক পরিসংখ্যান থাকে; বিশ্লেষণের বড় টেবিলে প্রচলিত।যেখানে শিখবেন: পর্ব ৭০
Apache Sparkঅ্যাপাচি স্পার্ক
অনেক যন্ত্রে বড় ডেটা প্রক্রিয়ার একটি JVM-ভিত্তিক engine, যা মধ্যবর্তী ফল memory-তে রাখে; Python থেকে PySpark দিয়ে ব্যবহার হয়।যেখানে শিখবেন: পর্ব ৭০
Apparent error (resubstitution error)অ্যাপারেন্ট এরর
যে ডেটায় model fit করা হয়েছে, সেই ডেটাতেই মাপা ভুল; নতুন ডেটার ভুলের চেয়ে প্রায় সবসময় কম, তাই আশাবাদী।যেখানে শিখবেন: পর্ব ২১
Appendixঅ্যাপেন্ডিক্স
Report-এর শেষের পরিশিষ্ট: ডেটার উৎস, সংজ্ঞা, পদ্ধতি, বাড়তি chart, বাদ দেওয়া বিশ্লেষণ আর কোড, যা যাচাইয়ের জন্য লাগে কিন্তু সিদ্ধান্তের জন্য নয়।যেখানে শিখবেন: পর্ব ৬৭
Approximation errorঅ্যাপ্রক্সিমেশন এরর
Hypothesis class-এর সেরা নিয়মের true risk আর Bayes error-এর পার্থক্য; class নিজে কতটা সীমিত তার মাপ, ডেটার ওপর নির্ভর করে না।যেখানে শিখবেন: পর্ব ০৩
AppTest (streamlit.testing)অ্যাপটেস্ট
Streamlit-এর পরীক্ষার টুল, যা browser ছাড়াই app চালিয়ে widget-এর মান বসায় আর ফলের element পড়ে দেখতে দেয়।যেখানে শিখবেন: পর্ব ৬৬
APS (adaptive prediction sets)এ-পি-এস
সম্ভাবনা বড় থেকে ছোট সাজিয়ে যোগ করতে করতে আসল শ্রেণি পর্যন্ত পৌঁছানোর যোগফলকে score ধরা conformal পদ্ধতি; সেটের আকার উদাহরণের অনিশ্চয়তার সঙ্গে বেশি খাপ খায়।যেখানে শিখবেন: পর্ব ৫৮
AR(1) processএআর ওয়ান প্রসেস
যে ধারায় প্রতিটি মান আগের মানের φ গুণ আর একটি নতুন স্বাধীন ধাক্কার যোগফল (গড় থেকে বিচ্যুতি হিসেবে); |φ| < ১ হলে stationary.যেখানে শিখবেন: পর্ব ২১
AR(p) model (autoregressive)অটোরিগ্রেসিভ মডেল
যে model-এ আজকের মান আগের p টি মানের রৈখিক যোগফল আর একটি নতুন ধাক্কা; AR(1)-এর অনুমান প্রতি ধাপে φ গুণ করে গড়ে ফেরে।যেখানে শিখবেন: পর্ব ৫১
argmax / argminআর্গ-ম্যাক্স
সবচেয়ে বড় (বা ছোট) মান নয়, তার index দেওয়া function; classification-এ সবচেয়ে বড় score-এর শ্রেণিটি বাছতে লাগে, আর সমান মানে প্রথমটি নেয়।যেখানে শিখবেন: পর্ব ২৫
ARIMA(p, d, q)আরিমা
d বার differencing করার পরে ARMA(p, q) model; p টি AR পদ আর q টি MA পদ।যেখানে শিখবেন: পর্ব ৫১
Armijo condition (sufficient decrease)আর্মিহো কন্ডিশন
ধাপ t গ্রহণের শর্ত: f(x + td) ≤ f(x) + c·t·gᵀd, অর্থাৎ শুরুর ঢাল যতটা কমার প্রতিশ্রুতি দেয় তার অন্তত একটি ছোট অংশ c সত্যিই কমতে হবে।যেখানে শিখবেন: পর্ব ১৫
Artifact (ML)আর্টিফ্যাক্ট
একটি run-এর সঙ্গে রাখা যেকোনো ফাইল, যেমন config-এর কপি, chart বা সংরক্ষিত model; সংখ্যার metric থেকে আলাদা।যেখানে শিখবেন: পর্ব ০৪
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 ৬৭পর্ব ৭২
Asymptotic normalityঅ্যাসিম্পটোটিক নরমালিটি
বড় n-এ একটি অনুমানের বণ্টন প্রায় normal হয়ে যাওয়া; MLE-এর ক্ষেত্রে গড় আসল θ আর variance প্রায় 1/(n·I(θ)).যেখানে শিখবেন: পর্ব ১৮
Augmented Dickey–Fuller (ADF) testএডিএফ টেস্ট
যে test-এর null hypothesis হলো series-এ unit root আছে; ছোট p stationary-র পক্ষে প্রমাণ, বড় p কিছুই প্রমাণ করে না।যেখানে শিখবেন: পর্ব ৫১
Autocorrelationঅটোকোরিলেশন
একটি সময়ের ধারার মানের সঙ্গে কিছু ধাপ আগের মানের correlation; lag ১-এ আজ আর গতকালের সম্পর্ক।যেখানে শিখবেন: পর্ব ২১পর্ব ৪৭পর্ব ৫১
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 ১১
Automatic relevance determination (ARD)অটোমেটিক রেলেভেন্স ডিটারমিনেশন
প্রতিটি weight-কে আলাদা prior precision দিয়ে evidence থেকে শেখার পদ্ধতি; অপ্রাসঙ্গিক feature-এর precision খুব বড় হয় আর weight প্রায় শূন্যে নামে।যেখানে শিখবেন: পর্ব ৪৫
Average path length c(n)অ্যাভারেজ পাথ লেংথ
n-টি বিন্দুর এলোমেলো গাছে একটি বিন্দু একা করতে গড়ে কত কাট লাগে: c(n) = 2H(n − 1) − 2(n − 1)/n; isolation forest-এর score এই মাপকাঠিতে ভাগ করে বানানো হয়।যেখানে শিখবেন: পর্ব ৪৩
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 ৪৩পর্ব ৫০পর্ব ৭৬
Average rankঅ্যাভারেজ র‍্যাঙ্ক
প্রতিটি ডেটাসেটে algorithm-গুলোকে ১ (সেরা) থেকে k পর্যন্ত rank দিয়ে (সমান হলে গড় rank) সব ডেটাসেট জুড়ে একটি algorithm-এর rank-এর গড়; ডেটাসেটভেদে মাপের পার্থক্য এড়ায়।যেখানে শিখবেন: পর্ব ২২
Average treatment effect (ATE)অ্যাভারেজ ট্রিটমেন্ট ইফেক্ট
পুরো জনসংখ্যায় ব্যক্তিগত প্রভাবের গড়, E[Y(1) − Y(0)]; সবাইকে treatment দিলে বনাম কাউকে না দিলে গড় ফলের পার্থক্য।যেখানে শিখবেন: পর্ব ৬৪
Average treatment effect on the treated (ATT)এ-টি-টি
শুধু যাঁরা আসলে treatment পেয়েছেন তাঁদের গড় প্রভাব, E[Y(1) − Y(0) | T = 1]; প্রভাব মানুষভেদে আলাদা হলে ATE থেকে ভিন্ন হয়।যেখানে শিখবেন: পর্ব ৬৪
Axis-aligned splitঅ্যাক্সিস-অ্যালাইনড স্প্লিট
একটি মাত্র feature দেখে করা প্রশ্ন, যেমন x ≤ t; তাই সীমা সবসময় কোনো অক্ষের সমান্তরাল, আর তির্যক সীমা সিঁড়ির মতো ধাপে আন্দাজ হয়।যেখানে শিখবেন: পর্ব ৩২

B

B-splineবি-স্প্লাইন
Spline-এর একটি basis, যার প্রতিটি function অল্প কয়েকটি knot-এর মধ্যেই অশূন্য আর সবগুলোর যোগফল প্রতিটি x-এ ১; scikit-learn-এর SplineTransformer এই basis বানায়।যেখানে শিখবেন: পর্ব ২৩
Back substitutionব্যাক সাবস্টিটিউশন
Upper-triangular system Rx = b সমাধানের পদ্ধতি: শেষ সারি থেকে শেষ অজানা বের করে, তা বসিয়ে ওপরের সারিগুলো একে একে সমাধান; কোনো inverse লাগে না।যেখানে শিখবেন: পর্ব ০৭
Back-of-the-envelope estimationব্যাক-অফ-দ্য-এনভেলপ এস্টিমেশন
খামের পেছনে লেখার মতো দ্রুত, মোটামুটি হিসাব; ধরে নেওয়া মান, গোল সংখ্যা আর একক দিয়ে কয়েক মিনিটে সঠিক মাত্রার উত্তর বের করা।যেখানে শিখবেন: পর্ব ৭১
Backdoor criterionব্যাকডোর ক্রাইটেরিয়ন
Pearl-এর নিয়ম: একটি চলকের সেট বৈধ adjustment set, যদি তাতে treatment-এর কোনো বংশধর না থাকে আর সেটি treatment-এ ঢোকা তীর দিয়ে শুরু হওয়া সব পথ বন্ধ করে।যেখানে শিখবেন: পর্ব ৬৪পর্ব ৭৫
Background datasetব্যাকগ্রাউন্ড ডেটাসেট
SHAP হিসাবে “অনুপস্থিত” feature-এর মান যেখান থেকে নেওয়া হয়, সেই সারিগুলো; সাধারণত training-এর একটি নমুনা, আর তার গড় আউটপুটই base value.যেখানে শিখবেন: পর্ব ৫৭
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 ১১
Backshift operator (B)ব্যাকশিফট অপারেটর
একটি চিহ্ন, যা মানকে এক ধাপ পেছনে নেয়: By(t) = y(t−1); differencing আর ARIMA-র সমীকরণ সংক্ষেপে লেখার জন্য ব্যবহৃত।যেখানে শিখবেন: পর্ব ৫১
Backtestingব্যাকটেস্টিং
অতীতের কয়েকটি তারিখে দাঁড়িয়ে, শুধু সেই তারিখ পর্যন্ত জানা ডেটা দিয়ে model শিখিয়ে পরের দিনগুলোর অনুমান মেলানো; সময়ের ডেটার জন্য cross-validation-এর রূপ।যেখানে শিখবেন: পর্ব ৫২পর্ব ৭২পর্ব ৭৭
Backward compatibilityব্যাকওয়ার্ড কম্প্যাটিবিলিটি
নতুন সংস্করণেও পুরোনো client আগের মতোই ঠিকঠাক চলার গুণ; সাধারণত নতুন field ঐচ্ছিক রাখা আর পুরোনো field না সরানো দিয়ে।যেখানে শিখবেন: পর্ব ৬৮
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 ৪৪
Bagging (bootstrap aggregating)ব্যাগিং
ফেরত রেখে টানা অনেক bootstrap নমুনায় একই ধরনের আলাদা আলাদা model শিখিয়ে তাদের অনুমানের গড় বা ভোট নেওয়া; মূল লাভ variance কমানো, Leo Breiman ১৯৯৬ সালে প্রস্তাব করেন।যেখানে শিখবেন: পর্ব ৩৩পর্ব ৩৪পর্ব ৭৫
Balanced random forestব্যালান্সড র‍্যান্ডম ফরেস্ট
random forest-এর এমন রূপ, যেখানে প্রতিটি গাছ দুই শ্রেণির সমান সংখ্যক সারির একটি bootstrap নমুনায় শেখে; imbalanced-learn-এ BalancedRandomForestClassifier নামে আছে।যেখানে শিখবেন: পর্ব ৫০
Bandwidthব্যান্ডউইডথ
KDE-তে প্রতিটি ঢিবির চওড়া h; বেশি হলে বক্ররেখা অতি মসৃণ (bias বেশি), কম হলে প্রতিটি বিন্দু আলাদা চূড়া (variance বেশি)।যেখানে শিখবেন: পর্ব ৪০পর্ব ৭৩পর্ব ৭৪
Base learnerবেস লার্নার
Ensemble-এর ভেতরের প্রতিটি একক model, যেমন random forest-এর প্রতিটি decision tree.যেখানে শিখবেন: পর্ব ৩৩পর্ব ৩৭
Base valueবেস ভ্যালু
কোনো feature না জানলে model-এর প্রত্যাশিত আউটপুট, অর্থাৎ background-এ গড় আউটপুট; SHAP value-গুলো এর সঙ্গে যোগ হয়ে prediction দেয়।যেখানে শিখবেন: পর্ব ৫৭
Baselineবেসলাইন
তুলনার জন্য সবচেয়ে সরল একটি পদ্ধতি, যেমন সবাইকে সংখ্যাগুরু শ্রেণি বলা; নতুন model এটিকে না হারালে অর্থহীন।যেখানে শিখবেন: পর্ব ০১পর্ব ০২পর্ব ৩৮
Baseline hazardবেসলাইন হ্যাজার্ড
Cox model-এ সব বৈশিষ্ট্য শূন্য হলে hazard h0(t); এর আকার অজানা রাখা হয়।যেখানে শিখবেন: পর্ব ৫৫
Basic (reverse percentile) bootstrap intervalবেসিক বুটস্ট্র্যাপ ইন্টারভাল
[2θ̂ − q₀.₉₇₅, 2θ̂ − q₀.₀₂₅] interval, যা ধরে নেয় θ̂* − θ̂ আর θ̂ − θ একইভাবে ছড়ায়; percentile interval-কে θ̂-এর চারপাশে উল্টে দেয়, আর ডেটার সীমার বাইরেও যেতে পারে।যেখানে শিখবেন: পর্ব ২১
Basisবেসিস
একটি subspace-কে span করে এমন linearly independent vector-এর সেট; প্রতিটি vector-কে এদের combination হিসেবে ঠিক একভাবে লেখা যায়।যেখানে শিখবেন: পর্ব ০৬পর্ব ২৩
Basis expansionবেসিস এক্সপ্যানশন
একটি বা কয়েকটি ইনপুট থেকে অনেকগুলো basis function-এর কলাম বানিয়ে তার ওপর linear model চালানোর কৌশল; নমনীয়তা আসে কলামের সংখ্যা আর ধরন থেকে।যেখানে শিখবেন: পর্ব ২৩পর্ব ২৯
Basis functionবেসিস ফাংশন
ইনপুট x থেকে একটি নতুন কলাম বানানোর নির্দিষ্ট নিয়ম φ(x), যেমন x², একটি spline-এর টুকরো বা একটি Gaussian ঢিবি; model এগুলোর ওজনযুক্ত যোগফল শেখে।যেখানে শিখবেন: পর্ব ২৩পর্ব ৪৫পর্ব ৭৪
Batch active learningব্যাচ অ্যাক্টিভ লার্নিং
প্রতি ধাপে একটির বদলে একসঙ্গে কয়েকটি উদাহরণ label-এর জন্য বাছা; তখন বাছাইয়ে বৈচিত্র্য রাখা দরকার, নইলে প্রায় একই রকম উদাহরণ বারবার আসে।যেখানে শিখবেন: পর্ব ৫৪
Batch gradient descentব্যাচ গ্রেডিয়েন্ট ডিসেন্ট
প্রতিটি ধাপে training ডেটার সব উদাহরণের গড় gradient দিয়ে parameter বদলানোর পদ্ধতি; gradient নির্ভুল, কিন্তু বড় ডেটায় প্রতিটি ধাপ দামি।যেখানে শিখবেন: পর্ব ১৩
Batch scoringব্যাচ স্কোরিং
নির্দিষ্ট সময় পরপর (যেমন প্রতি রাতে) অনেকগুলো সারির অনুমান একসঙ্গে হিসাব করে একটি টেবিলে রেখে দেওয়া, যাতে পরে শুধু পড়লেই চলে।যেখানে শিখবেন: পর্ব ৬৮পর্ব ৭৫
Batch size (B)ব্যাচ সাইজ
একটি ধাপে কয়টি উদাহরণের gradient গড় করা হয়; বাড়ালে gradient-এর noise কমে, কিন্তু প্রতিটি ধাপের খরচ বাড়ে আর এক epoch-এ ধাপের সংখ্যা কমে।যেখানে শিখবেন: পর্ব ১৩
Bayes errorবেইজ এরর
একটি সমস্যায় যেকোনো নিয়মের পক্ষে সম্ভাব্য সর্বনিম্ন true risk; label-এর নিজস্ব অনিশ্চয়তা থেকে আসে।যেখানে শিখবেন: পর্ব ০৩
Bayes factorবেইজ ফ্যাক্টর
দুটি model-এর evidence-এর অনুপাত; ডেটা একটি model-কে অন্যটির চেয়ে কত গুণ বেশি সমর্থন করে তা বলে।যেখানে শিখবেন: পর্ব ৪৫
Bayesian bootstrapবেইজিয়ান বুটস্ট্র্যাপ
সারি টানার বদলে প্রতিটি সারিকে Dirichlet বণ্টন থেকে টানা একটি ওজন দেওয়া; Donald Rubin ১৯৮১ সালে প্রস্তাব করেন, আর এটি একটি সরল posterior হিসেবে পড়া যায়।যেখানে শিখবেন: পর্ব ২১
Bayesian Gaussian mixtureবেইজিয়ান গাউসিয়ান মিক্সচার
Parameter-এর ওপর prior বসানো GMM, যা variational inference দিয়ে fit হয়; ওজনের prior অপ্রয়োজনীয় component-এর ওজন প্রায় শূন্যে নামাতে পারে। scikit-learn-এ এর নাম BayesianGaussianMixture.যেখানে শিখবেন: পর্ব ৩৯
Bayesian information criterion (BIC)বিআইসি
Model বাছাইয়ের মাপ BIC = −2ℓ + p·ln n, যেখানে ℓ সর্বোচ্চ log-likelihood আর p parameter সংখ্যা; যত কম তত ভালো, আর parameter-এর শাস্তি n-এর সঙ্গে বাড়ে।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৪০পর্ব ৭৪
Bayesian linear regressionবেইজিয়ান লিনিয়ার রিগ্রেশন
Weight-এর ওপর prior (সাধারণত Gaussian) বসিয়ে linear regression; ফল একটি রেখা নয়, weight-এর পুরো posterior বণ্টন আর প্রতিটি অনুমানের সঙ্গে অনিশ্চয়তার পরিসর।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৭৩
Bayesian optimizationবেয়েসিয়ান অপটিমাইজেশন
আগের চেষ্টার ফল থেকে একটি সম্ভাবনাভিত্তিক মডেল বানিয়ে পরের hyperparameter এমনভাবে বাছা, যাতে কম চেষ্টায় ভালো মান পাওয়া যায়।যেখানে শিখবেন: পর্ব ৩৮পর্ব ৪৯
Bayesian updatingবেইজিয়ান আপডেটিং
নতুন ডেটা এলে আগের posterior-কে নতুন prior ধরে আবার Bayes-এর নিয়ম খাটানো; ডেটা শর্তসাপেক্ষে স্বাধীন হলে একবারে সব দিলে আর একে একে দিলে একই ফল আসে।যেখানে শিখবেন: পর্ব ৪৫
BCa interval (bias-corrected and accelerated)বিসিএ ইন্টারভাল
Bootstrap মানের সংশোধিত দুটি percentile নেওয়া interval; bias-correction z₀ আর jackknife থেকে বের করা acceleration a দিয়ে সংশোধন হয়; Bradley Efron ১৯৮৭ সালে প্রস্তাব করেন।যেখানে শিখবেন: পর্ব ২১
Beeswarm plotবিসওয়ার্ম প্লট
অনেক সারির SHAP value একসঙ্গে দেখানোর ছবি, যেখানে প্রতিটি সারি একটি বিন্দু আর রং feature-এর মান বোঝায়।যেখানে শিখবেন: পর্ব ৫৭
Behavioural testingবিহেভিয়েরাল টেস্টিং
Model-এর গড় মান নয়, নির্দিষ্ট আচরণ যাচাই করা: সহজ উদাহরণে ঠিক উত্তর, অপ্রাসঙ্গিক বদলে একই ফল, আর প্রত্যাশিত দিকে ফল বদলানো; Ribeiro ও সহকর্মীদের CheckList থেকে জনপ্রিয়।যেখানে শিখবেন: পর্ব ৬৯
Benjamini–Hochberg procedureবেনজামিনি-হকবার্গ প্রসিডিওর
p-value ছোট থেকে বড় সাজিয়ে সবচেয়ে বড় i খোঁজা যেখানে p(i) ≤ i·q/m, তারপর ১ থেকে i পর্যন্ত সব বাতিল করা; স্বাধীন test-এ false discovery rate-কে q-এর নিচে রাখে; ১৯৯৫ সালে প্রস্তাবিত।যেখানে শিখবেন: পর্ব ২২পর্ব ৬৩পর্ব ৭৩
Bernoulli distributionবার্নুলি ডিস্ট্রিবিউশন
একটি হ্যাঁ/না পরীক্ষার distribution: সম্ভাবনা p-তে 1, নইলে 0; গড় p আর variance p(1 − p).যেখানে শিখবেন: পর্ব ১৮পর্ব ২০
BERTopicবার্টপিক
Grootendorst-এর (২০২২) embedding-ভিত্তিক topic modeling library: লেখার embedding, মাত্রা কমানো, clustering, তারপর প্রতিটি cluster-এর শব্দ class-based TF-IDF দিয়ে বাছা।যেখানে শিখবেন: পর্ব ৪৪
Bessel's correctionবেসেলস কারেকশন
নমুনা থেকে variance অনুমানে n-এর বদলে n − 1 দিয়ে ভাগ করা, যাতে অনুমানটি গড়ে আসল variance-এর সমান হয়; MLE n দিয়ে ভাগ করে।যেখানে শিখবেন: পর্ব ১৮
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), mode (α − 1)/(α + β − 2).যেখানে শিখবেন: পর্ব ১৮পর্ব ৬৩
BFGSবি-এফ-জি-এস
Broyden, Fletcher, Goldfarb আর Shanno-র নামে একটি quasi-Newton পদ্ধতি, যা gradient-এর পার্থক্য থেকে inverse Hessian-এর একটি ঘন আন্দাজ হালনাগাদ করে; মসৃণ সমস্যায় superlinear গতি দেয়।যেখানে শিখবেন: পর্ব ১৫
BG/NBD modelবিজি/এনবিডি মডেল
চুক্তিহীন ব্যবসার একটি probabilistic model: সক্রিয় থাকা পর্যন্ত ক্রেতা Poisson ছাঁদে কেনেন, আর প্রতিটি অর্ডারের পরে নিজস্ব সম্ভাবনায় চিরতরে চলে যান।যেখানে শিখবেন: পর্ব ৬৫
Bias (of a model or estimator)বায়াস
অনেক নমুনায় একটি অনুমানের গড় আর আসল মানের পার্থক্য; যেমন Gaussian variance-এর MLE-এর bias −σ²/n.যেখানে শিখবেন: পর্ব ১৮পর্ব ৩৩পর্ব ৪০
Bias correction (Adam)বায়াস কারেকশন
শূন্য থেকে শুরু করা চলমান গড় m আর v-কে (1 − β^t) দিয়ে ভাগ করা, যাতে শুরুর দিকের শূন্যমুখী ঝোঁক বাতিল হয়।যেখানে শিখবেন: পর্ব ১৪
Bias–complexity trade-offবায়াস-কমপ্লেক্সিটি ট্রেড-অফ
বড় hypothesis class-এ approximation error কমে কিন্তু estimation error বাড়ে, আর ছোট class-এ উল্টো; সেরা জায়গা মাঝখানে।যেখানে শিখবেন: পর্ব ০৩
Bias–variance trade-offবায়াস-ভ্যারিয়েন্স ট্রেড-অফ
Model বেশি নমনীয় করলে bias কমে কিন্তু variance বাড়ে, কম নমনীয় করলে উল্টো; মোট ভুল সবচেয়ে কম হয় মাঝের কোনো জায়গায়।যেখানে শিখবেন: পর্ব ২৩পর্ব ২৮পর্ব ৩৩
Bin widthবিন উইডথ
histogram-এর প্রতিটি খোপ কত চওড়া; খুব সরু হলে ছবি এলোমেলো, খুব চওড়া হলে আকৃতি মুছে যায়, আর সেরা চওড়া মোটামুটি n^(−1/3)-এর সমানুপাতিক।যেখানে শিখবেন: পর্ব ৪০
Binary relevanceবাইনারি রেলেভেন্স
Multilabel সমস্যায় প্রতিটি ট্যাগের জন্য আলাদা একটি হ্যাঁ/না model, যারা একে অপরকে দেখে না; সরল আর Hamming loss-এর জন্য তত্ত্বে যথেষ্ট।যেখানে শিখবেন: পর্ব ২৫
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 ০৩পর্ব ২০পর্ব ২২
Black box shift estimation (BBSE)বিবিএসই
Label shift-এ পুরোনো ডেটার confusion matrix C আর নতুন ডেটায় অনুমানের ভাগ μ থেকে C·w = μ সমাধান করে নতুন শ্রেণি-হার অনুমানের পদ্ধতি; যেকোনো স্থির classifier দিয়ে চলে।যেখানে শিখবেন: পর্ব ৫৯
Black-box functionব্ল্যাক-বক্স ফাংশন
যে function-এর ভেতরের সূত্র বা gradient জানা নেই; শুধু একটি ইনপুট দিয়ে আউটপুট মাপা যায়, আর প্রতিটি মাপ প্রায়ই সময়সাপেক্ষ। Hyperparameter থেকে CV score এর একটি উদাহরণ।যেখানে শিখবেন: পর্ব ৪৯
Black-box modelব্ল্যাক-বক্স মডেল
যে model-এর ভেতরের নিয়ম মানুষ সরাসরি পড়তে পারে না, যেমন শত শত গাছের boosting বা বড় neural network; শুধু ইনপুট দিয়ে অনুমান দেখা যায়।যেখানে শিখবেন: পর্ব ৫৬
Black-box variational inferenceব্ল্যাক-বক্স ভ্যারিয়েশনাল ইনফারেন্স
Model-ভিত্তিক আলাদা derivation ছাড়াই, q থেকে নমুনা তুলে Monte Carlo দিয়ে ELBO-র gradient অনুমান করে stochastic optimization চালানো VI; model থেকে শুধু log p(x, z) আর দরকার হলে তার gradient লাগে।যেখানে শিখবেন: পর্ব ৪৮
Blendingব্লেন্ডিং
Train-কে একবার দুই ভাগ করে বড় ভাগে base model আর ছোট holdout ভাগে তাদের অনুমান দিয়ে meta-model বা weight শেখানো; stacking-এর চেয়ে সরল, কিন্তু কম ডেটা ব্যবহার করে।যেখানে শিখবেন: পর্ব ৩৭
Blind source separationব্লাইন্ড সোর্স সেপারেশন
উৎস বা মিশ্রণের নিয়ম কোনোটিই না জেনে শুধু মিশ্রিত সংকেত থেকে আলাদা উৎস ফেরত আনার কাজ, যেমন কয়েকটি মাইক্রোফোনের রেকর্ডিং থেকে আলাদা গলা।যেখানে শিখবেন: পর্ব ৪১
Block bootstrapব্লক বুটস্ট্র্যাপ
সময়ের ধারা থেকে একটি একটি মান নয়, টানা L টি মানের টুকরো ফেরত রেখে টেনে জোড়া লাগানো, যাতে টুকরোর ভেতরে autocorrelation টিকে থাকে।যেখানে শিখবেন: পর্ব ২১
BLUF (bottom line up front)ব্লাফ
লেখার একেবারে শুরুতে মূল সিদ্ধান্ত বা অনুরোধ বলার নিয়ম, যা সামরিক আর দাপ্তরিক লেখায় প্রচলিত; বিস্তারিত পরে আসে।যেখানে শিখবেন: পর্ব ৬৭
Bochner's theoremবখনারের থিওরেম
যে বৈধ kernel শুধু x − y-এর ওপর নির্ভর করে, সেটি কোনো সম্ভাবনা বণ্টনের Fourier রূপ, এই উপপাদ্য; random Fourier features-এর গাণিতিক ভিত্তি।যেখানে শিখবেন: পর্ব ৩১
Bonferroni correctionবনফেরোনি কারেকশন
m-টি test একসঙ্গে করলে প্রতিটিকে α/m সীমায় বিচার করা, যাতে অন্তত একটি মিথ্যা আবিষ্কারের সম্ভাবনা α-এর বেশি না হয়; union bound-এর ওপর দাঁড়ানো, সরল কিন্তু কড়া।যেখানে শিখবেন: পর্ব ২২পর্ব ৫৯পর্ব ৭৩
Boostingবুস্টিং
অনেক দুর্বল model একটির পর একটি শেখানোর কৌশল, যেখানে প্রতিটি নতুন model আগেরগুলোর ভুলে বেশি মন দেয় আর সবার ওজনযুক্ত যোগফল বা ভোট চূড়ান্ত অনুমান দেয়; মূলত bias কমায়।যেখানে শিখবেন: পর্ব ৩৪পর্ব ৩৫পর্ব ৭৫
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 ০৪পর্ব ১৭পর্ব ২১
Bootstrap resampleবুটস্ট্র্যাপ রিস্যাম্পল
মূল নমুনা থেকে ফেরত রেখে টানা সমান আকারের একটি নকল নমুনা; এতে কিছু সারি একাধিকবার আসে আর গড়ে প্রায় ৩৬.৮% সারি একবারও আসে না।যেখানে শিখবেন: পর্ব ২১পর্ব ৭২
Bootstrap-t (studentized bootstrap)বুটস্ট্র্যাপ-টি
প্রতিটি resample-এ (θ̂* − θ̂)/SE* হিসাব করে t-বণ্টনের মতো একটি বণ্টন বানিয়ে interval নেওয়া; তত্ত্বে নির্ভুল, কিন্তু প্রতিটি resample-এ SE* লাগে।যেখানে শিখবেন: পর্ব ২১
Boundary biasবাউন্ডারি বায়াস
ডেটার একটি সীমানা থাকলে (যেমন সময় শূন্যের নিচে নয়) KDE-র ঢিবি সীমানা পেরিয়ে ভর হারায়, ফলে সীমানার কাছে density কম দেখায়; log রূপান্তর বা reflection দিয়ে কমানো যায়।যেখানে শিখবেন: পর্ব ৪০
Box constraint (bounds)বক্স কনস্ট্রেইন্ট
প্রতিটি চলকের আলাদা নিচের আর ওপরের সীমা, l ≤ x ≤ u; এর projection মানে শুধু প্রতিটি ঘর কেটে দেওয়া।যেখানে শিখবেন: পর্ব ১৬পর্ব ২৮
Breakdown pointব্রেকডাউন পয়েন্ট
ডেটার সবচেয়ে কম কত ভাগ ইচ্ছামতো নষ্ট করলে অনুমানকে যত খুশি দূরে সরানো যায়; গড় আর OLS-এর ০, median-এর ৫০%, Theil–Sen-এর প্রায় ২৯%.যেখানে শিখবেন: পর্ব ২৪
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, আর এটি একটি proper scoring rule.যেখানে শিখবেন: পর্ব ২৬পর্ব ৭২পর্ব ৭৩
Brier score decomposition (Murphy)ব্রায়ার ডিকম্পোজিশন
ঝুড়ি ধরে Brier score-কে reliability (calibration-এর ভুল) বিয়োগ resolution (ঝুড়িগুলো কতটা আলাদা) যোগ uncertainty (ডেটার নিজস্ব অনিশ্চয়তা) হিসেবে লেখা; ঝুড়ির ভেতরে অনুমান এক না হলে একটি ছোট অতিরিক্ত পদ থাকে।যেখানে শিখবেন: পর্ব ২৬
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 ৭৬
Burn-in / warm-upবার্ন-ইন বা ওয়ার্ম-আপ
Chain-এর শুরুর যে অংশ বাদ দেওয়া হয়, কারণ তখনও সেটি শুরুর মানের প্রভাবে আছে; আধুনিক টুলে এই সময়ে step size-ও মানিয়ে নেওয়া হয়, তাই একে warm-up বা tuning-ও বলে।যেখানে শিখবেন: পর্ব ৪৭
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 ০২

C

Calendar featureক্যালেন্ডার ফিচার
তারিখ থেকেই জানা feature, যেমন সপ্তাহের বার, মাস বা ঈদ আসতে কত দিন বাকি; ভবিষ্যতের দিনের জন্যও আগে থেকে জানা, তাই leakage ঘটায় না।যেখানে শিখবেন: পর্ব ৫২
Calibrationক্যালিব্রেশন
Model-এর দেওয়া সম্ভাবনা বাস্তবের হারের সঙ্গে কতটা মেলে; ০.৮ বলা অনুমানগুলোর প্রায় ৮০% ঠিক হলে model calibrated.যেখানে শিখবেন: পর্ব ০২পর্ব ২৬পর্ব ৫৪
Calibration setক্যালিব্রেশন সেট
Model যে ডেটা দেখেনি এমন একটি আলাদা ভাগ, যেখানে শুধু score থেকে সম্ভাবনার মানচিত্র (Platt বা isotonic) শেখানো হয়; test set থেকেও আলাদা।যেখানে শিখবেন: পর্ব ২৬পর্ব ৫৮
Calibration within groupsক্যালিব্রেশন উইদিন গ্রুপস
প্রতিটি দলের ভেতরে আলাদাভাবে score আর বাস্তবের হার মেলা, যেমন 0.7 score-এর গ্রাহকদের প্রায় ৭০% সব দলেই সময়মতো দেন।যেখানে শিখবেন: পর্ব ৬০পর্ব ৭২
Canary releaseক্যানারি রিলিজ
নতুন সংস্করণ প্রথমে অল্প অংশ অনুরোধে চালু করা, guardrail metric ঠিক থাকলে ধাপে ধাপে বাড়ানো, খারাপ হলে ফিরিয়ে নেওয়া।যেখানে শিখবেন: পর্ব ৬৮পর্ব ৬৯পর্ব ৭১
Candidate generationক্যান্ডিডেট জেনারেশন
সুপারিশ বা ranking-এর প্রথম ধাপ: বিপুল সম্ভাব্য জিনিস থেকে সস্তা পদ্ধতিতে কয়েকশো প্রার্থী বাছা, যাদের পরে আরও যত্নে স্কোর করা হয়।যেখানে শিখবেন: পর্ব ৭১
CART (Classification And Regression Trees)কার্ট
Breiman, Friedman, Olshen আর Stone-এর ১৯৮৪ সালের বইয়ের গাছ-পদ্ধতি: সবসময় দুই ভাগে split, Gini বা squared error দিয়ে প্রশ্ন বাছাই, আর cost-complexity pruning; scikit-learn-এর গাছ এর একটি রূপ।যেখানে শিখবেন: পর্ব ৩২পর্ব ৭৬
Catalog coverageক্যাটালগ কভারেজ
সব ব্যবহারকারীর সুপারিশের তালিকা মিলিয়ে ক্যাটালগের কত ভাগ পণ্য অন্তত একবার দেখানো হয়েছে।যেখানে শিখবেন: পর্ব ৫৩
Catastrophic cancellationক্যাটাস্ট্রফিক ক্যান্সেলেশন
দুটি প্রায় সমান বড় floating-point সংখ্যা বিয়োগ করলে অর্থবহ অঙ্কগুলো কেটে যায় আর ফলের প্রায় সব নির্ভুলতা হারায়; Σx² দিয়ে variance-এর সূত্র এর চেনা শিকার।যেখানে শিখবেন: পর্ব ৭০পর্ব ৭৬
CatBoostক্যাটবুস্ট
Yandex-এর gradient boosting লাইব্রেরি (Prokhorenkova ও সহকর্মীরা, NeurIPS ২০১৮); categorical feature-এর জন্য ordered target statistics, ordered boosting আর symmetric গাছ ব্যবহার করে।যেখানে শিখবেন: পর্ব ৩৬
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 ৭০
Causal DAGকজাল ড্যাগ
চলকগুলোর directed acyclic graph, যেখানে প্রতিটি তীর একটি সরাসরি কারণের দাবি; কোন চলক adjust করতে হবে তা এখান থেকে পড়া যায়।যেখানে শিখবেন: পর্ব ৬৪
CAVI (coordinate ascent variational inference)ক্যাভি
Mean-field VI-এর একটি পদ্ধতি: বাকি সব অংশ স্থির রেখে একটি অংশকে log qⱼ = E₋ⱼ[log p(x, z)] + ধ্রুবক সূত্রে হালনাগাদ, পালাক্রমে; প্রতি ধাপে ELBO কমে না।যেখানে শিখবেন: পর্ব ৪৮
CDF (cumulative distribution function)সিডিএফ
একটি random variable কোনো মানের সমান বা ছোট হওয়ার সম্ভাবনা, F(x) = P(X ≤ x); standard normal-এর CDF-কে Φ লেখা হয়।যেখানে শিখবেন: পর্ব ৪৯
Censored demandসেন্সরড ডিমান্ড
মজুদ ফুরিয়ে গেলে রেকর্ডে বিক্রি মজুদের সমান থাকে, আসল চাহিদা জানা যায় না; এমন ডেটায় সরাসরি শেখালে চাহিদা কম অনুমান হয়।যেখানে শিখবেন: পর্ব ৭৭
Centeringসেন্টারিং
একটি কলাম থেকে তার গড় বাদ দেওয়া, যাতে নতুন গড় শূন্য হয়; interaction-সহ model-এ main effect-কে গড়ের প্রভাব হিসেবে পড়া যায় আর কলামগুলোর পারস্পরিক সম্পর্ক কমে।যেখানে শিখবেন: পর্ব ২৩
Central differenceসেন্ট্রাল ডিফারেন্স
দুই দিকে সমান ছোট ধাপ h নিয়ে [f(x + h) − f(x − h)] / 2h দিয়ে derivative-এর আনুমানিক মান; এক দিকের finite difference-এর চেয়ে নির্ভুল, ভুল প্রায় h²-এর অনুপাতে।যেখানে শিখবেন: পর্ব ১১
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 ০৩পর্ব ৪১
Centred ICE (c-ICE)সেন্টার্ড আইস
প্রতিটি ICE রেখা থেকে তার একটি নির্দিষ্ট বিন্দুর (সাধারণত প্রথম) মান বাদ দিয়ে সব রেখা শূন্য থেকে শুরু করানো, যাতে উচ্চতা নয়, আকারের পার্থক্য চোখে পড়ে।যেখানে শিখবেন: পর্ব ৫৬
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 ১১
Chance agreement (p_e)চান্স এগ্রিমেন্ট
Label-দাতারা নিজেদের শ্রেণি-অভ্যাস মেনে কিন্তু একে অপরের থেকে স্বাধীনভাবে label দিলে যতটা মিল আশা করা যায়; প্রতিটি শ্রেণির ভাগের গুণফলের যোগ।যেখানে শিখবেন: পর্ব ০৫
Change of basisচেঞ্জ অফ বেসিস
একই vector-কে এক basis-এর coordinates থেকে আরেক basis-এর coordinates-এ লেখা; বিন্দু একই থাকে, শুধু ঠিকানার সংখ্যা বদলায়। PCA এর একটি উদাহরণ।যেখানে শিখবেন: পর্ব ০৬
Characteristic polynomialক্যারেক্টারিস্টিক পলিনোমিয়াল
det(A − λI), λ-এর একটি বহুপদী যার মূলগুলোই A-এর eigenvalue; 2×2-এ λ² − (trace)λ + det.যেখানে শিখবেন: পর্ব ০৮
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 ৬৭
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 ৬৭
Chi-square distribution (χ²)কাই-স্কয়ার ডিস্ট্রিবিউশন
k-টি স্বাধীন standard normal সংখ্যার বর্গের যোগফলের বণ্টন, χ²ₖ; গড় k আর variance 2k. Gaussian ডেটায় Mahalanobis দূরত্বের বর্গ এই বণ্টন মানে, তাই outlier-এর সীমা এখান থেকে নেওয়া হয়।যেখানে শিখবেন: পর্ব ১৯পর্ব ৪৩পর্ব ৫৫
Chi-square goodness-of-fit testকাই-স্কয়ার গুডনেস-অফ-ফিট টেস্ট
দেখা গণনাগুলো একটি প্রত্যাশিত অনুপাতের সঙ্গে মেলে কি না যাচাই: χ² = ∑(দেখা − প্রত্যাশিত)² ÷ প্রত্যাশিত; SRM ধরতে ব্যবহার হয়।যেখানে শিখবেন: পর্ব ৬২
Chi-square test of independenceকাই-স্কয়ার টেস্ট
শ্রেণিভিত্তিক গণনার টেবিলে দেখা আর প্রত্যাশিত সংখ্যার পার্থক্য দিয়ে যাচাই করা যে দুটি দলে শ্রেণিগুলোর ভাগ একই কি না।যেখানে শিখবেন: পর্ব ৫৯পর্ব ৬৩
Cholesky decompositionকোলেস্কি ডিকম্পোজিশন
Positive definite matrix A-কে A = LLᵀ আকারে ভাঙা, যেখানে L নিচের-ত্রিভুজাকার আর কর্ণ ধনাত্মক; প্রায় n³/3 খরচে সমাধান, determinant আর correlated sampling-এ লাগে, আর ব্যর্থ হলে A positive definite নয়।যেখানে শিখবেন: পর্ব ১০পর্ব ১৫পর্ব ৩০
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 ৭০
Chunked processingচাঙ্কড প্রসেসিং
বড় টেবিলকে নির্দিষ্ট মাপের টুকরোয় ভাগ করে একটির পর একটি হিসাব করা, যাতে memory সীমার মধ্যে থাকে আর প্রতিটি ডাকে অনেক সারি যায়।যেখানে শিখবেন: পর্ব ৬৮
Churnচার্ন
গ্রাহকের চলে যাওয়া বা কেনা বন্ধ করা; একটি নির্দিষ্ট সংজ্ঞায় মাপা হয়, যেমন পরের ৬০ দিনে কোনো অর্ডার নেই।যেখানে শিখবেন: পর্ব ০১পর্ব ০২পর্ব ০৪
Clamping factor (alpha)ক্ল্যাম্পিং ফ্যাক্টর
Label spreading-এ প্রতিটি ধাপে প্রতিবেশীর তথ্য কতটা নেওয়া হবে আর নিজের শুরুর label কতটা ধরে রাখা হবে, তার ভাগ; scikit-learn-এ ডিফল্ট 0.2.যেখানে শিখবেন: পর্ব ৫৪
Class imbalanceক্লাস ইমব্যালান্স
যখন কিছু শ্রেণির উদাহরণ অন্যগুলোর চেয়ে অনেক বেশি; তখন accuracy উঁচু দেখালেও ছোট শ্রেণির recall খুব কম হতে পারে।যেখানে শিখবেন: পর্ব ২৫পর্ব ৫০পর্ব ৫৮
Class-conditional noiseক্লাস-কন্ডিশনাল নয়েজ
Label উল্টে যাওয়ার সম্ভাবনা আসল শ্রেণির ওপর নির্ভর করে, যেমন churn হওয়া ক্রেতা প্রায়ই “থেকে গেছেন” লেখা হন কিন্তু উল্টোটা কম।যেখানে শিখবেন: পর্ব ০৫
class_weightক্লাস ওয়েট
শেখার সময় প্রতিটি শ্রেণির ভুলের ওজন ঠিক করার সেটিং; SVM-এ এটি প্রতিটি শ্রেণির C-কে গুণ করে। balanced দিলে ছোট শ্রেণির ভুল বেশি দামি হয়, ফলে তার recall সাধারণত বাড়ে।যেখানে শিখবেন: পর্ব ২৮পর্ব ৫০পর্ব ৭৩
Classificationক্লাসিফিকেশন
ইনপুটকে কয়েকটি নির্দিষ্ট শ্রেণির একটিতে ফেলার কাজ, যেমন গ্রাহক চলে যাবেন কি না।যেখানে শিখবেন: পর্ব ০১
Classifier chainক্লাসিফায়ার চেইন
ট্যাগগুলোকে একটি ক্রমে সাজিয়ে প্রতিটি model-কে x-এর সঙ্গে আগের ট্যাগগুলোর মানও feature হিসেবে দেওয়া; training-এ আসল মান, অনুমানে আগের model-এর অনুমিত মান যায়।যেখানে শিখবেন: পর্ব ২৫
Closed-form solutionক্লোজড ফর্ম সলিউশন
পুনরাবৃত্তি ছাড়াই একটি সূত্র বা সরাসরি হিসাব দিয়ে পাওয়া উত্তর, যেমন least squares-এর lstsq.যেখানে শিখবেন: পর্ব ১১
Cluster assumptionক্লাস্টার অ্যাজাম্পশন
একই cluster-এর বিন্দুগুলো সাধারণত একই class-এর, তাই সীমারেখা ঘন অঞ্চল এড়িয়ে ফাঁকা অঞ্চল দিয়ে যাওয়া উচিত, এই অনুমান।যেখানে শিখবেন: পর্ব ৫৪
Cluster bootstrapক্লাস্টার বুটস্ট্র্যাপ
আলাদা সারি নয়, পুরো গোষ্ঠী (যেমন গ্রাহক বা দোকান) ফেরত রেখে টেনে তার সব সারি একসঙ্গে নেওয়া; গোষ্ঠীর ভেতরের নির্ভরতা রাখে।যেখানে শিখবেন: পর্ব ২১
Cluster randomisationক্লাস্টার র‍্যান্ডমাইজেশন
ব্যক্তি নয়, পুরো দলকে (যেমন delivery zone বা পণ্য-শ্রেণি) একসঙ্গে এলোমেলোভাবে treatment বা control-এ দেওয়া; interference কমায়, কিন্তু design effect-এর জন্য বেশি নমুনা লাগে।যেখানে শিখবেন: পর্ব ৬২
Cluster-robust standard errorক্লাস্টার-রোবাস্ট স্ট্যান্ডার্ড এরর
একই গোষ্ঠীর (যেমন একই জেলার বিভিন্ন সপ্তাহ) পর্যবেক্ষণ পরস্পর-সম্পর্কিত ধরে নিয়ে হিসাব করা SE; সাধারণ SE এমন ডেটায় অতি-আশাবাদী হয়।যেখানে শিখবেন: পর্ব ৬৪
Clusteringক্লাস্টারিং
label ছাড়া ডেটার কাছাকাছি বিন্দুগুলোকে দলে ভাগ করা, যেমন একই ধাঁচের গ্রাহকের দল খোঁজা।যেখানে শিখবেন: পর্ব ০১
Co-trainingকো-ট্রেনিং
ডেটার দুটি আলাদা দৃষ্টিভঙ্গি (feature-এর দুই ভাগ) থেকে দুটি model শিখিয়ে একটির নিশ্চিত অনুমান দিয়ে অন্যটিকে label দেওয়ার পদ্ধতি।যেখানে শিখবেন: পর্ব ৫৪
COALESCEকোয়ালেস
বাঁ থেকে ডানে দেখে প্রথম যে মানটি NULL নয় সেটি দেয়, যেমন COALESCE(discount, 0) NULL-কে শূন্য বানায়।যেখানে শিখবেন: পর্ব ৬১
Coalitionকোয়ালিশন
খেলোয়াড় বা feature-দের যেকোনো উপদল; M টি feature-এ মোট 2^M টি coalition, খালি আর পূর্ণ দলসহ।যেখানে শিখবেন: পর্ব ৫৭
Cohen's hকোহেনস এইচ
দুটি অনুপাতের পার্থক্যের একটি effect size: h = 2·arcsin√p2 − 2·arcsin√p1; arcsine রূপান্তরে variance প্রায় স্থির হয়, তাই power-এর হিসাবে ব্যবহার হয়।যেখানে শিখবেন: পর্ব ৬২
Cohen's kappaকোহেনস কাপা
দুজন label-দাতার মিলের মাপ, যা কাকতালীয় মিল বাদ দেয়: κ = (p_o − p_e)/(1 − p_e); ১ মানে পুরো মিল, ০ মানে কাকতালীয়ের সমান।যেখানে শিখবেন: পর্ব ০৫পর্ব ৭৩পর্ব ৭৪
Cohort analysisকোহর্ট অ্যানালাইসিস
গ্রাহকদের শুরুর সময় (যেমন যোগ দেওয়ার মাস) অনুযায়ী দলে ভাগ করে প্রতিটি দলের আচরণ সময়ের সঙ্গে আলাদা করে দেখা।যেখানে শিখবেন: পর্ব ৬১পর্ব ৬৫পর্ব ৭৬
Cold startকোল্ড স্টার্ট
নতুন ক্রেতা বা নতুন পণ্যের কোনো আগের রেটিং বা আচরণ না থাকায় collaborative filtering তার জন্য কিছু শিখতে না পারার সমস্যা।যেখানে শিখবেন: পর্ব ০৯পর্ব ৫৩পর্ব ৫৪
Collaborative filteringকোলাবোরেটিভ ফিল্টারিং
পণ্যের বিবরণ না দেখে, অনেক ক্রেতার আচরণের মিল থেকে একজনের সম্ভাব্য পছন্দ আন্দাজ করার পদ্ধতি; matrix factorization এর একটি প্রধান রূপ।যেখানে শিখবেন: পর্ব ০৯পর্ব ৫৩
Collective anomalyকালেক্টিভ অ্যানোমালি
অনেকগুলো সারি একসঙ্গে অস্বাভাবিক একটি ছক বানায়, যদিও প্রতিটি আলাদাভাবে নিরীহ দেখাতে পারে, যেমন রাত ৩টায় একই রকম এক ডজন অর্ডার।যেখানে শিখবেন: পর্ব ৪৩
Colliderকোলাইডার
একটি পথে যে চলকে দুই দিক থেকে তীর এসে মেলে (A → C ← B); নিজে থেকে পথ বন্ধ রাখে, কিন্তু তাকে ধরলে বা তার ভিত্তিতে সারি বাছলে পথ খুলে যায়।যেখানে শিখবেন: পর্ব ৬৪পর্ব ৭৫
Collider bias (Berkson's paradox)কোলাইডার বায়াস
Collider-কে ধরলে বা তার ভিত্তিতে নমুনা বাছলে তার স্বাধীন দুটি কারণের মধ্যে ভুয়া সম্পর্ক তৈরি হওয়া; যেমন শুধু review-দাতাদের মধ্যে coupon আর দেরির ঋণাত্মক সম্পর্ক।যেখানে শিখবেন: পর্ব ৬৪
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 ৬৭
Colour-blind-safe paletteকালার-ব্লাইন্ড-সেফ প্যালেট
এমন রঙের তালিকা, যার রংগুলো সাধারণ ধরনের রঙকানা দৃষ্টিতেও আলাদা করা যায়, যেমন Okabe–Ito-র আট রঙ বা seaborn-এর colorblind palette.যেখানে শিখবেন: পর্ব ৬৭
Column space C(A)কলাম স্পেস
একটি matrix-এর কলামগুলোর span, অর্থাৎ সব সম্ভাব্য Ax; Ax = b সমাধানযোগ্য ঠিক তখনই, যখন b এর ভেতরে। এর dimension rank-এর সমান।যেখানে শিখবেন: পর্ব ০৬পর্ব ০৭
Column statistics (min/max)কলাম স্ট্যাটিস্টিকস
Parquet-এর footer-এ প্রতিটি row group-এর প্রতিটি কলামের লেখা min, max আর null-এর সংখ্যা; filter-এর শর্তের সঙ্গে না মিললে পুরো row group না পড়েই বাদ দেওয়া যায়।যেখানে শিখবেন: পর্ব ৭০
Columnar storageকলামনার স্টোরেজ
একই কলামের সব মান একসঙ্গে রাখা, যাতে শুধু দরকারি কলাম পড়া যায় আর মানগুলো ভালোভাবে চাপা যায়।যেখানে শিখবেন: পর্ব ৭০
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 ৩৮পর্ব ৬৮
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 ০৪
Complementary slacknessকমপ্লিমেন্টারি স্ল্যাকনেস
KKT-এর শর্ত μᵢgᵢ(x) = 0: প্রতিটি অসমতায় হয় শর্তটি active, নয় তার multiplier শূন্য।যেখানে শিখবেন: পর্ব ১৬পর্ব ২৭পর্ব ২৮
Complete-data log-likelihoodকমপ্লিট-ডেটা লগ-লাইকলিহুড
লুকানো চলক z জানা থাকলে যে log-likelihood পাওয়া যেত; GMM-এ এটি component ধরে আলাদা যোগফলে ভাঙে, তাই বন্ধ সূত্রে সর্বোচ্চ করা যায়।যেখানে শিখবেন: পর্ব ৩৯
Completing the squareকমপ্লিটিং দ্য স্কয়ার
একটি দ্বিঘাত রাশিকে (x − m)ᵀA(x − m) + ধ্রুবক আকারে সাজানোর কৌশল; Gaussian-এর গুণফল থেকে posterior-এর গড় আর covariance পড়তে এটি লাগে।যেখানে শিখবেন: পর্ব ৪৫
Composition (of maps)কম্পোজিশন
একটি map-এর ফলের ওপর আরেকটি map প্রয়োগ করা, (S∘R)(x) = S(R(x)); linear map-এ এটি matrix গুণ SR, যেখানে ডানেরটি আগে প্রয়োগ হয়।যেখানে শিখবেন: পর্ব ০৭
Concave functionকনকেভ ফাংশন
যে function-এর দুই বিন্দুর জ্যা সবসময় লেখচিত্রের নিচে বা গায়ে থাকে, যেমন log বা বর্গমূল; −f convex হলে f concave.যেখানে শিখবেন: পর্ব ১২
Concentration inequalityকনসেন্ট্রেশন ইনইকুয়ালিটি
যে অসমতা বলে random variable-এর গড় তার প্রত্যাশিত মান থেকে বেশি দূরে যাওয়ার সম্ভাবনা কত ছোট, যেমন Hoeffding-এর অসমতা।যেখানে শিখবেন: পর্ব ০৩
Concentration parameterকনসেনট্রেশন প্যারামিটার
Dirichlet-এর α বা η; ছোট হলে প্রতিটি লেখায় অল্প কয়েকটি topic বা প্রতিটি topic-এ অল্প কয়েকটি শব্দ প্রাধান্য পায়, বড় হলে মিশ্রণ সমান হয়।যেখানে শিখবেন: পর্ব ৪৪
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 ৪৩পর্ব ৫৮পর্ব ৫৯
Concordance index (C-index)কনকর্ড্যান্স ইনডেক্স
তুলনাযোগ্য জোড়ার মধ্যে কত ভাগে model আগে ঘটনা-ঘটা জনকে বেশি ঝুঁকি দিয়েছে; ০.৫ এলোমেলো, ১ নিখুঁত ক্রম।যেখানে শিখবেন: পর্ব ৫৫
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 ০৬পর্ব ০৭পর্ব ০৯
Conditional (observational) SHAPকন্ডিশনাল শ্যাপ
জানা feature-গুলোর সঙ্গে মানানসই সারির ওপর গড় নিয়ে v(S) গোনার রূপ, E[f(X) | X_S = x_S]; ডেটার জড়তা মানে, তাই জড়িত অব্যবহৃত feature-ও ভাগ পায়।যেখানে শিখবেন: পর্ব ৫৭
Conditional average treatment effect (CATE)ক্যাট
নির্দিষ্ট বৈশিষ্ট্যের মানুষদের গড় প্রভাব, E[Y(1) − Y(0) | X = x]; কাকে treatment দিলে বেশি লাভ, সেই প্রশ্নের ভিত্তি।যেখানে শিখবেন: পর্ব ৬৪পর্ব ৬৫
Conditional coverageকন্ডিশনাল কভারেজ
একটি নির্দিষ্ট x বা দল ধরে রেখে পরিসরের coverage; বণ্টন-মুক্ত পদ্ধতিতে প্রতিটি x-এর জন্য এটি সাধারণভাবে নিশ্চিত করা যায় না।যেখানে শিখবেন: পর্ব ৫৮পর্ব ৭৫
Conditional distributionকন্ডিশনাল ডিস্ট্রিবিউশন
কিছু চলকের মান জানা থাকলে বাকিগুলোর বণ্টন, p(xₐ | x_b); Gaussian-এ এটিও Gaussian, যার গড় জানা মানের রৈখিক function আর covariance Schur complement.যেখানে শিখবেন: পর্ব ১৯পর্ব ৪৬
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 ০৪পর্ব ১৮পর্ব ২১
Confident learningকনফিডেন্ট লার্নিং
Out-of-fold সম্ভাবনা আর শ্রেণিভিত্তিক threshold দিয়ে সম্ভাব্য ভুল label খোঁজার পদ্ধতি: model যে সারিতে অন্য শ্রেণিতে যথেষ্ট আস্থা দেখায়, সেটি আবার পড়ে দেখার যোগ্য।যেখানে শিখবেন: পর্ব ০৫
Configuration (config)কনফিগারেশন
প্রোগ্রামের সেটিংগুলো, যেমন seed, ডেটার path, threshold, এক জায়গায় রাখা মান; কোডের ভেতরে ছড়ানো সংখ্যার বদলে।যেখানে শিখবেন: পর্ব ০৪
Confirmation bias (self-training)কনফার্মেশন বায়াস
Self-training-এ model-এর আগের ভুল অনুমান pseudo-label হয়ে training ডেটায় ঢোকে, আর পরের model সেই ভুলকেই আরও জোর দিয়ে শেখে।যেখানে শিখবেন: পর্ব ৫৪
Conformal predictionকনফর্মাল প্রেডিকশন
যেকোনো model-এর চারপাশে আলাদা calibration ডেটায় ভুলের মাপ নিয়ে পরিসর বা সেট বানানোর পদ্ধতি, যা ডেটা exchangeable হলে নতুন উদাহরণে অন্তত ১ − α coverage-এর নিশ্চয়তা দেয়।যেখানে শিখবেন: পর্ব ৫৮পর্ব ৭৪পর্ব ৭৭
Conformalized quantile regression (CQR)কনফর্মালাইজড কোয়ান্টাইল রিগ্রেশন
নিচের আর ওপরের quantile model-এর ব্যান্ডকে calibration score max(q̂lo − y, y − q̂hi) দিয়ে চওড়া বা সরু করে, যাতে প্রস্থ ঝুঁকির সঙ্গে বদলায় আর marginal coverage রক্ষা পায়।যেখানে শিখবেন: পর্ব ৫৮
Confounding variableকনফাউন্ডিং ভ্যারিয়েবল
এমন একটি তৃতীয় চলক, যা একসঙ্গে তুলনার দল আর ফল দুটিকেই প্রভাবিত করে, ফলে সরল তুলনা বিভ্রান্তিকর হয়।যেখানে শিখবেন: পর্ব ৬৩পর্ব ৬৪পর্ব ৬৭
Confusion matrixকনফিউশন ম্যাট্রিক্স
আসল শ্রেণি (সারি) আর অনুমিত শ্রেণি (কলাম) ধরে গোনার ছক; কর্ণের ঘরগুলো ঠিক অনুমান, বাকিগুলো দেখায় কোন শ্রেণি কোনটির সঙ্গে গুলিয়ে যায়।যেখানে শিখবেন: পর্ব ২৫পর্ব ৫৯
Conjugate gradient methodকনজুগেট গ্রেডিয়েন্ট মেথড
প্রতিসম positive definite রৈখিক সমীকরণ সমাধানের পুনরাবৃত্তিমূলক পদ্ধতি, যা matrix-কে কেবল vector-এর সঙ্গে গুণ করে ব্যবহার করে।যেখানে শিখবেন: পর্ব ১৫
Conjugate priorকনজুগেট প্রায়র
এমন prior, যার সঙ্গে নির্দিষ্ট likelihood গুণ করলে posterior একই পরিবারের distribution থাকে; যেমন binomial ডেটার জন্য Beta prior.যেখানে শিখবেন: পর্ব ১৮পর্ব ৪৪পর্ব ৪৫
Consistency regularizationকনসিস্টেন্সি রেগুলারাইজেশন
Label-হীন একটি উদাহরণকে সামান্য বদলালে (যেমন ছবি একটু ঘোরালে) model-এর অনুমান যেন একই থাকে, সেই শর্ত loss-এ যোগ করা; deep learning-এর semi-supervised পদ্ধতিতে প্রচলিত।যেখানে শিখবেন: পর্ব ৫৪
Consistent estimatorকনসিস্টেন্ট এস্টিমেটর
যে অনুমান নমুনার আকার বাড়ার সঙ্গে আসল মানের দিকে যায়; biased অনুমানও consistent হতে পারে, যেমন n দিয়ে ভাগ করা variance.যেখানে শিখবেন: পর্ব ১৮
Constrained optimizationকনস্ট্রেইন্ড অপটিমাইজেশন
শর্ত মেনে একটি function-কে সর্বনিম্ন বা সর্বোচ্চ করা; সমাধান খোঁজা হয় শুধু সেই বিন্দুগুলোর মধ্যে, যেগুলো সব শর্ত মানে।যেখানে শিখবেন: পর্ব ১৬
Constraintকনস্ট্রেইন্ট
সমাধানকে যে নিয়ম মানতেই হবে, যেমন বাজেটের বেশি নয় বা ওজন ঋণাত্মক নয়; optimization-এ সাধারণত g(x) ≤ 0 বা h(x) = 0 আকারে লেখা হয়।যেখানে শিখবেন: পর্ব ১৬
Constraint qualificationকনস্ট্রেইন্ট কোয়ালিফিকেশন
শর্তগুলোর জ্যামিতির ওপর একটি অনুমান, যেমন LICQ বা Slater-এর শর্ত, যা মানলে সর্বনিম্ন বিন্দুতে KKT-এর multiplier থাকার নিশ্চয়তা পাওয়া যায়।যেখানে শিখবেন: পর্ব ১৬
Contamination (scikit-learn)কনটামিনেশন
Outlier detector-এর একটি parameter, যা training score-এর একটি quantile থেকে predict-এর সীমা (offset_) ঠিক করে; score বদলায় না, আর আসল anomaly-র হারও মাপে না।যেখানে শিখবেন: পর্ব ৪৩
Content-addressable storageকনটেন্ট-অ্যাড্রেসেবল স্টোরেজ
যে ব্যবস্থায় প্রতিটি ফাইল তার বিষয়বস্তুর hash নামে রাখা হয়; একই বিষয়বস্তু একবারই থাকে, আর বদলালে নাম নিজেই বদলে যায়।যেখানে শিখবেন: পর্ব ০৫
Content-based filteringকনটেন্ট-বেসড ফিল্টারিং
পণ্যের নিজের বৈশিষ্ট্য (বিভাগ, দাম, বিবরণের লেখা) দিয়ে মিল বের করে ব্যবহারকারীর আগের পছন্দের মতো পণ্য সুপারিশ করা; নতুন পণ্যেও কাজ করে।যেখানে শিখবেন: পর্ব ৫৩
Contextual anomalyকনটেক্সচুয়াল অ্যানোমালি
মানটি নিজে সাধারণ, কিন্তু নির্দিষ্ট প্রসঙ্গে (সময়, জায়গা বা দল) অস্বাভাবিক; ধরতে হলে কার সঙ্গে তুলনা হবে তা ঠিক করতে হয়।যেখানে শিখবেন: পর্ব ৪৩
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 ০৫পর্ব ২২
Continuity correctionকন্টিনিউইটি কারেকশন
পূর্ণসংখ্যার গণনাকে মসৃণ normal বা χ² বণ্টন দিয়ে আনুমানিক মাপার সময় পার্থক্য থেকে সামান্য (যেমন ১) বাদ দেওয়া, যাতে p-value অতিরিক্ত ছোট না হয়।যেখানে শিখবেন: পর্ব ২২
Contour plotকনট্যুর প্লট
দুই চলকের function-এর সমান মানের বিন্দুগুলো রেখা দিয়ে যুক্ত করা ছবি, মানচিত্রের সমোন্নতি রেখার মতো।যেখানে শিখবেন: পর্ব ১৬
Control chartকন্ট্রোল চার্ট
সময়ের সঙ্গে একটি মাপ আর তার স্বাভাবিক ওঠানামার ওপর-নিচের সীমা একসঙ্গে আঁকা chart; সীমার বাইরে গেলে কারণ খোঁজা হয়।যেখানে শিখবেন: পর্ব ৬৬
Control variateকন্ট্রোল ভ্যারিয়েট
জানা প্রত্যাশার একটি সম্পর্কিত চলক দিয়ে অনুমান সংশোধন করে variance কমানোর Monte Carlo কৌশল; CUPED এর একটি প্রয়োগ।যেখানে শিখবেন: পর্ব ৬৩
Convergenceকনভার্জেন্স
পুনরাবৃত্তিমূলক হিসাবে মান একটি নির্দিষ্ট উত্তরের দিকে স্থির হয়ে আসা।যেখানে শিখবেন: পর্ব ১৫
ConvergenceWarningকনভার্জেন্স ওয়ার্নিং
scikit-learn-এর সতর্কবার্তা, যখন একটি iterative solver max_iter শেষ করেও নিজের থামার শর্ত (tol) পূরণ করেনি; সমাধান সাধারণত scaling, max_iter বা tol দেখা।যেখানে শিখবেন: পর্ব ১৩পর্ব ১৫পর্ব ২৩
Conversion rateকনভার্সন রেট
একটি ধাপে পৌঁছানো মানুষ বা session-এর অনুপাত: step conversion-এ আগের ধাপ দিয়ে, overall conversion-এ প্রথম ধাপ দিয়ে ভাগ; overall হলো step conversion-গুলোর গুণফল।যেখানে শিখবেন: পর্ব ৬১
Convex combinationকনভেক্স কম্বিনেশন
কয়েকটি বিন্দুর ওজনসহ যোগফল, যেখানে সব ওজন শূন্য বা ধনাত্মক আর তাদের যোগফল ১; দুই বিন্দুর ক্ষেত্রে t·a + (1 − t)·b, যা তাদের মাঝের রেখার একটি বিন্দু।যেখানে শিখবেন: পর্ব ১২
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 ০২পর্ব ১০পর্ব ১১
Convex relaxationকনভেক্স রিল্যাক্সেশন
একটি কঠিন non-convex সমস্যার শর্ত বা objective-কে কাছাকাছি একটি convex রূপে বদলে সমাধান করা; যেমন অশূন্য ওজনের সংখ্যার জায়গায় L1 norm, যা থেকে lasso আসে।যেখানে শিখবেন: পর্ব ১২
Convex setকনভেক্স সেট
এমন বিন্দুর সমষ্টি, যার যেকোনো দুটি বিন্দু যোগ করা সরলরেখার প্রতিটি বিন্দুও সেই সমষ্টির ভেতরে থাকে; যেমন একটি বল বা half-space, কিন্তু বলয় নয়।যেখানে শিখবেন: পর্ব ১২
Cook's distanceকুকস ডিস্ট্যান্স
একটি সারি বাদ দিয়ে আবার fit করলে সব অনুমান মিলিয়ে কতটা সরে, তার মাপ; Dᵢ = eᵢ²/(p·MSE) × hᵢᵢ/(1 − hᵢᵢ)², R. Dennis Cook ১৯৭৭ সালে প্রস্তাব করেন।যেখানে শিখবেন: পর্ব ২৪
Cooperative gameকোঅপারেটিভ গেম
খেলার তত্ত্বের এমন খেলা, যেখানে খেলোয়াড়দের প্রতিটি দল একসঙ্গে একটি মূল্য তৈরি করে, আর প্রশ্ন হলো সেই মূল্য সদস্যদের মধ্যে কীভাবে ভাগ হবে।যেখানে শিখবেন: পর্ব ৫৭
Coordinate descentকোঅর্ডিনেট ডিসেন্ট
বাকি সব চলক স্থির রেখে একবারে একটি চলক সর্বোত্তম করা, আর পালাক্রমে সব চলকে তা চালানো; lasso আর elastic net-এ প্রতিটি ধাপ একটি soft-thresholding-এর সমান।যেখানে শিখবেন: পর্ব ১৭পর্ব ৪৮
Coordinates in a basisকোঅর্ডিনেটস
একটি basis-এর vector-গুলোর কত গুণ যোগ করলে একটি নির্দিষ্ট vector পাওয়া যায়, সেই সংখ্যাগুলো; [x]_B লেখা হয়, আর B c = x সমাধান করে পাওয়া যায়।যেখানে শিখবেন: পর্ব ০৬
Corrected resampled t-testকারেক্টেড রিস্যাম্পলড টি-টেস্ট
Nadeau ও Bengio (২০০৩)-র প্রস্তাবিত সংশোধন: বারবার ভাগ করা score-এর variance-কে 1/k-এর বদলে (1/k + n_test/n_train) দিয়ে গুণ করা, কারণ ভাগগুলোর training ডেটা মিলে যায় বলে score স্বাধীন নয়।যেখানে শিখবেন: পর্ব ০৪পর্ব ২২পর্ব ৩৭
Correlation coefficient (r)কোরিলেশন কোএফিশিয়েন্ট
দুটি সংখ্যার মধ্যে সরলরৈখিক সম্পর্ক কতটা শক্ত, তার −1 থেকে +1 মাপ; covariance-কে দুই standard deviation-এর গুণফল দিয়ে ভাগ করে পাওয়া যায়।যেখানে শিখবেন: পর্ব ৩৩পর্ব ৩৭পর্ব ৪১
Cosine annealingকোসাইন অ্যানিলিং
Learning rate-কে cosine বক্ররেখার অর্ধেক চক্র ধরে সর্বোচ্চ থেকে সর্বনিম্নে নামানোর schedule; Loshchilov আর Hutter-এর SGDR প্রবন্ধ (২০১৬) থেকে জনপ্রিয়।যেখানে শিখবেন: পর্ব ১৩
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 ৫৩
Cost matrixকস্ট ম্যাট্রিক্স
Confusion matrix-এর প্রতিটি ঘরের জন্য একটি দাম লেখা টেবিল, যেমন ভুয়া অর্ডার ছাড় পেলে কত টাকা ক্ষতি আর সৎ গ্রাহক আটকালে কত।যেখানে শিখবেন: পর্ব ০২পর্ব ২৬পর্ব ৪৩
Counterfactual explanationকাউন্টারফ্যাকচুয়াল এক্সপ্লানেশন
“কোন ন্যূনতম পরিবর্তনে সিদ্ধান্ত উল্টে যেত” ধরনের ব্যাখ্যা, যা model-এর ভেতর না খুলেই একটি করণীয় দেখায়।যেখানে শিখবেন: পর্ব ৫৭
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 ১০পর্ব ৩৩
Covariance matrixকোভ্যারিয়েন্স ম্যাট্রিক্স
d-টি feature-এর জন্য d×d symmetric matrix Σ, যার কর্ণে প্রতিটি feature-এর variance আর বাইরে প্রতি জোড়ার covariance; centred X থেকে XᵀX / (n − 1).যেখানে শিখবেন: পর্ব ০৮পর্ব ১০পর্ব ১৯
Covariance regularization (reg_covar)কোভেরিয়েন্স রেগুলারাইজেশন
প্রতিটি অনুমিত covariance-এর কর্ণে একটি ছোট ধনাত্মক সংখ্যা যোগ করা, যাতে matrix invertible থাকে আর কোনো component একটি বিন্দুতে চুপসে না যায়; scikit-learn-এ ডিফল্ট 1e-6, ডেটার এককে মাপা।যেখানে শিখবেন: পর্ব ৩৯
Covariance typeকোভেরিয়েন্স টাইপ
GMM-এ Σₖ-এর ওপর আরোপিত গঠন: full-এ প্রতিটির নিজের পূর্ণ matrix, tied-এ সবার এক matrix, diag-এ শুধু কর্ণ, আর spherical-এ প্রতিটির একটিমাত্র σ²; গঠন যত সরল, parameter তত কম।যেখানে শিখবেন: পর্ব ৩৯
Covariate shiftকোভেরিয়েট শিফট
Distribution shift-এর একটি রূপ, যেখানে input-এর বণ্টন P(x) বদলায় কিন্তু input থেকে উত্তরের নিয়ম P(y | x) একই থাকে।যেখানে শিখবেন: পর্ব ৫৯পর্ব ৭৪পর্ব ৭৭
Coverage probabilityকভারেজ প্রোবাবিলিটি
একটি interval পদ্ধতি বহুবার নতুন ডেটায় চালালে কত ভাগ interval আসল মান ধরে; “৯৫% interval”-এর প্রতিশ্রুতি এটি ০.৯৫ হওয়া, যা simulation-এ যাচাই করা যায়।যেখানে শিখবেন: পর্ব ২১পর্ব ২৩পর্ব ২৪
Cox proportional hazards modelকক্স প্রোপোরশনাল হ্যাজার্ডস মডেল
h(t | x) = h0(t)·exp(xβ) আকারের regression, যেখানে baseline hazard অজানা রেখে partial likelihood দিয়ে β শেখা হয়।যেখানে শিখবেন: পর্ব ৫৫
Cramér–Rao boundক্রামার-রাও বাউন্ড
নিয়মিত শর্তে যেকোনো unbiased অনুমানের variance 1/I(θ)-এর চেয়ে কম হতে পারে না, এই নিচের সীমা; বড় n-এ MLE প্রায় এই সীমায় পৌঁছায়।যেখানে শিখবেন: পর্ব ১৮
Credible intervalক্রেডিবল ইন্টারভ্যাল
Posterior বণ্টনের একটি পরিসর, যার মধ্যে model আর prior অনুযায়ী parameter থাকার সম্ভাবনা নির্দিষ্ট মাত্রার, যেমন ৯৫%; confidence interval-এর থেকে অর্থে আলাদা।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৪৬পর্ব ৪৭
Critical difference (CD)ক্রিটিক্যাল ডিফারেন্স
Nemenyi test-এ দুটি algorithm-এর average rank-এর যে ন্যূনতম ব্যবধান হলে তাদের আলাদা বলা হয়: CD = q_α·√(k(k + 1)/(6N)), যেখানে k algorithm আর N ডেটাসেটের সংখ্যা।যেখানে শিখবেন: পর্ব ২২
Cross-entropyক্রস-এনট্রপি
আসল distribution p থেকে আসা ঘটনাগুলোকে মডেল q-এর সম্ভাবনায় লিখলে গড় খরচ, −∑ p log q; ডেটার বণ্টনের সঙ্গে এটি কমানোই maximum likelihood.যেখানে শিখবেন: পর্ব ১৮পর্ব ২৫পর্ব ৭৩
Cross-fittingক্রস-ফিটিং
ডেটাকে কয়েকটি fold-এ ভাগ করে প্রতিটি fold-এর অনুমান এমন model থেকে নেওয়া, যা সেই fold দেখেনি; এতে নিজের ডেটায় মানানোর পক্ষপাত কমে।যেখানে শিখবেন: পর্ব ৬৫
Cross-validationক্রস-ভ্যালিডেশন
ডেটাকে k ভাগে ভাগ করে প্রতিবার একটি ভাগে মাপা আর বাকিগুলোতে শেখানো, তারপর k-টি score-এর গড় আর ছড়ানো দেখা।যেখানে শিখবেন: পর্ব ০১পর্ব ০৪পর্ব ০৫
Croston's methodক্রোস্টনস মেথড
Intermittent demand-এর ক্লাসিক পদ্ধতি (Croston, ১৯৭২): শূন্য নয় এমন বিক্রির আকার আর দুটি বিক্রির মাঝের ব্যবধান আলাদা করে exponential smoothing করে, তারপর আকার ÷ ব্যবধানকে দৈনিক হার বলে।যেখানে শিখবেন: পর্ব ৫২
Crowding problemক্রাউডিং প্রবলেম
উঁচু মাত্রার মাঝারি দূরত্বের অনেক প্রতিবেশীকে দুই মাত্রায় বসানোর জায়গা না থাকায় তারা গাদাগাদি হয়ে দলগুলো মিশে যাওয়ার সমস্যা।যেখানে শিখবেন: পর্ব ৪২
Crowdsourcingক্রাউডসোর্সিং
অনেক বাইরের মানুষকে, সাধারণত অনলাইনে, ছোট ছোট কাজ ভাগ করে দেওয়া, যেমন প্রতিটি রিভিউয়ের label দেওয়া; সস্তা আর দ্রুত, তবে মান যাচাই লাগে।যেখানে শিখবেন: পর্ব ০৫
Cumulative hazard H(t)কিউমুলেটিভ হ্যাজার্ড
০ থেকে t পর্যন্ত hazard-এর যোগফল (integral); S(t) = exp(−H(t)) সম্পর্কে survival-এর সঙ্গে বাঁধা।যেখানে শিখবেন: পর্ব ৫৫
CUPEDকিউপেড
Controlled-experiment Using Pre-Experiment Data: পরীক্ষার আগের একটি মাপ X দিয়ে metric-কে Y − θ(X − X̄) করে variance কমানোর পদ্ধতি, θ = Cov(X, Y)/Var(X); variance প্রায় ρ² ভাগ কমে।যেখানে শিখবেন: পর্ব ৬৩পর্ব ৭৩পর্ব ৭৪
Curse of dimensionalityকার্স অব ডাইমেনশনালিটি
মাত্রা বাড়লে যে সমস্যাগুলো দেখা দেয় তার সাধারণ নাম: জায়গা বিশাল হয়ে ডেটা পাতলা হয়, প্রতিবেশী উধাও হয়, আর স্থানীয় পদ্ধতিতে একই নির্ভুলতার জন্য ডেটা সূচকীয় হারে বেশি লাগে।যেখানে শিখবেন: পর্ব ৪০
Customer lifetime value (CLV)কাস্টমার লাইফটাইম ভ্যালু
একজন ক্রেতার কাছ থেকে পুরো সম্পর্কের সময়ে প্রত্যাশিত মোট মুনাফা; প্রত্যাশিত জীবনকাল আর সময়ভিত্তিক আয় থেকে হিসাব করা হয়।যেখানে শিখবেন: পর্ব ৫৫পর্ব ৬৫পর্ব ৭২
Customer segmentationকাস্টমার সেগমেন্টেশন
ক্রেতাদের আচরণ বা বৈশিষ্ট্য দেখে অর্থপূর্ণ দলে ভাগ করা, যাতে প্রতিটি দলের জন্য আলাদা পদক্ষেপ নেওয়া যায়।যেখানে শিখবেন: পর্ব ৬৫

D

Damped Newton methodড্যাম্পড নিউটন মেথড
Newton-এর দিক ঠিক রেখে ধাপের দৈর্ঘ্য t (০ থেকে ১) line search দিয়ে বাছা, যাতে দূর থেকে শুরু করলেও পদ্ধতি ছিটকে না যায়।যেখানে শিখবেন: পর্ব ১৫
Dashboardড্যাশবোর্ড
কয়েকটি chart, সংখ্যা আর ছাঁকনি একসঙ্গে একটি পাতায়, যা নিয়মিত দেখে সিদ্ধান্ত নেওয়ার জন্য বানানো হয়।যেখানে শিখবেন: পর্ব ৬৬
Daskড্যাস্ক
Python-এর একটি library, যা pandas ও NumPy-এর মতো API দিয়ে কাজকে ছোট টুকরোর একটি graph-এ ভাগ করে এক যন্ত্রের সব core-এ বা একটি cluster-এ চালায়।যেখানে শিখবেন: পর্ব ৭০
Data contractডেটা কন্ট্র্যাক্ট
ডেটা যে পাঠায় আর যে ব্যবহার করে, তাদের লিখিত চুক্তি: কলাম, dtype, মানের সীমা, null, অনন্যতা, অনুমোদিত মান, সারির সংখ্যা আর সতেজতা; প্রতিটি ব্যাচে স্বয়ংক্রিয়ভাবে যাচাই হয়।যেখানে শিখবেন: পর্ব ৬৯
Data driftডেটা ড্রিফট
সময়ের সঙ্গে input feature-এর বণ্টন training-এর সময়ের বণ্টন থেকে সরে যাওয়া, যেমন উৎসবের আগে অর্ডারের দাম বেড়ে যাওয়া; label না জেনেই মাপা যায়।যেখানে শিখবেন: পর্ব ৪৩পর্ব ৫৮পর্ব ৬৮
Data freshnessডেটা ফ্রেশনেস
dashboard-এর ডেটা কতটা সাম্প্রতিক, অর্থাৎ শেষ কবে পর্যন্ত ডেটা ঢুকেছে; পাতায় স্পষ্ট লিখে রাখা উচিত।যেখানে শিখবেন: পর্ব ৬৬পর্ব ৬৯
Data leakage (target leakage)ডেটা লিকেজ
মূল্যায়নের ডেটার বা ভবিষ্যতের তথ্য কোনোভাবে train-এ ঢুকে যাওয়া, যাতে score বাস্তবের চেয়ে ভালো দেখায়।যেখানে শিখবেন: পর্ব ০১পর্ব ২১পর্ব ২৫
Data lineageডেটা লিনিয়েজ
ডেটা কোথা থেকে এসেছে, কোন ধাপে কে কী বদলেছে আর কোন model-এ গেছে, তার ধারাবাহিক রেকর্ড।যেখানে শিখবেন: পর্ব ০৫
Data minimisationডেটা মিনিমাইজেশন
কাজের জন্য যতটুকু ব্যক্তিগত তথ্য দরকার, তার বেশি সংগ্রহ, দেখানো বা সংরক্ষণ না করার নীতি।যেখানে শিখবেন: পর্ব ০৫
Data parallelismডেটা প্যারালেলিজম
একই কাজ ডেটার আলাদা অংশে বা আলাদা গাছ ও fold-এ একসঙ্গে আলাদা core বা যন্ত্রে চালানো, তারপর ফল জোড়া লাগানো।যেখানে শিখবেন: পর্ব ৭০
Data storytellingডেটা স্টোরিটেলিং
বিশ্লেষণের ফলকে একটি নির্দিষ্ট শ্রোতার জন্য সিদ্ধান্তমুখী বার্তায় সাজানো: আগে উত্তর, তারপর যুক্তি আর প্রমাণ, সঙ্গে বার্তাসহ chart আর অনিশ্চয়তা।যেখানে শিখবেন: পর্ব ৬৭
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 ৬৯
Data versioningডেটা ভার্সনিং
Code-এর মতো ডেটা আর label-এরও প্রতিটি সংস্করণ চিহ্নিত করে রাখা, যাতে কোন ফল কোন ডেটা থেকে এসেছে তা পরে নিশ্চিতভাবে বলা যায়।যেখানে শিখবেন: পর্ব ০৫
Datasheet for datasetsডেটাশিট ফর ডেটাসেটস
একটি ডেটাসেটের উদ্দেশ্য, গঠন, সংগ্রহ আর label দেওয়ার পদ্ধতি, ব্যবহার, বিতরণ আর রক্ষণাবেক্ষণ লিখে রাখার নথি; Gebru ও সহকর্মীদের প্রস্তাব।যেখানে শিখবেন: পর্ব ০৫পর্ব ৬০পর্ব ৭২
Decision boundaryডিসিশন বাউন্ডারি
ইনপুটের জায়গায় যে রেখা বা তল পেরোলে model-এর অনুমিত শ্রেণি বদলে যায়।যেখানে শিখবেন: পর্ব ০১পর্ব ০৫পর্ব ২৫
Decision function (score)ডিসিশন ফাংশন
Classifier-এর কাঁচা score, যেমন SVM-এ সীমারেখা থেকে চিহ্নসহ দূরত্ব; চিহ্ন শ্রেণি বলে, কিন্তু মানটি নিজে কোনো সম্ভাবনা নয়।যেখানে শিখবেন: পর্ব ২৬পর্ব ২৭পর্ব ২৮
Decision memoডিসিশন মেমো
একটি নির্দিষ্ট সিদ্ধান্তের জন্য লেখা ছোট নথি, সাধারণত এক পাতা: শিরোনামে উত্তর, প্রেক্ষাপট, পরিসরসহ প্রভাব, সুপারিশ আর ঝুঁকি।যেখানে শিখবেন: পর্ব ৬৭পর্ব ৭২
Decision stumpডিসিশন স্টাম্প
মাত্র একটি প্রশ্নের decision tree, অর্থাৎ গভীরতা ১ আর দুটি পাতা, যেমন “দাম ≤ ৩.১৫?”; boosting-এর সবচেয়ে সরল weak learner.যেখানে শিখবেন: পর্ব ৩৪পর্ব ৩৫
Decision treeডিসিশন ট্রি
একটির পর একটি প্রশ্ন করে ডেটাকে ভাগ করে সিদ্ধান্তে পৌঁছানো model, যার প্রতিটি পাতায় একটি ভবিষ্যদ্বাণী থাকে।যেখানে শিখবেন: পর্ব ০৫পর্ব ৩২পর্ব ৩৩
Defective matrixডিফেক্টিভ ম্যাট্রিক্স
যে বর্গাকার matrix-এর linearly independent eigenvector সংখ্যায় তার মাত্রার চেয়ে কম, যেমন shear [[1, 1], [0, 1]]; একে diagonalise করা যায় না।যেখানে শিখবেন: পর্ব ০৮
Delta methodডেল্টা মেথড
একটি অনুমানের function-এর (যেমন দুটি গড়ের ভাগফল) variance তার প্রথম ক্রমের Taylor বিস্তার দিয়ে অনুমান করার পদ্ধতি; ratio metric-এর SE-তে বহুল ব্যবহৃত।যেখানে শিখবেন: পর্ব ৬৩
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 ৬০পর্ব ৭৩
DENSE_RANK()ডেন্স র‍্যাংক
সমান মানের সারিদের একই ক্রম দেয় কিন্তু ফাঁক রাখে না (১, ২, ২, ৩); “কততম আলাদা মান” প্রশ্নে লাগে।যেখানে শিখবেন: পর্ব ৬১
Density estimationডেনসিটি এস্টিমেশন
শুধু নমুনা থেকে অজানা বণ্টনের density function অনুমান করা, যাতে ফলটি অ-ঋণাত্মক হয়, মোট integral ১ হয়, আর আসল density-র যতটা সম্ভব কাছে থাকে।যেখানে শিখবেন: পর্ব ৪০
Density-weighted samplingডেনসিটি-ওয়েটেড স্যাম্পলিং
অনিশ্চয়তার স্কোরকে উদাহরণটি কতটা প্রতিনিধিত্বমূলক, অর্থাৎ আশেপাশে কত বিন্দু, তা দিয়ে গুণ করা, যাতে বিচ্ছিন্ন outlier বারবার না বাছা হয়।যেখানে শিখবেন: পর্ব ৫৪
Deploymentডিপ্লয়মেন্ট
শেখা model বা app-কে আসল ব্যবস্থায় বসানো, যাতে ব্যবহারকারী বা অন্য সফটওয়্যার তা ব্যবহার করতে পারে।যেখানে শিখবেন: পর্ব ৬৬
Descent directionডিসেন্ট ডিরেকশন
এমন দিক d যার সঙ্গে gradient-এর dot product ঋণাত্মক (gᵀd < ০), তাই সেই দিকে খুব ছোট ধাপে function অবশ্যই কমে।যেখানে শিখবেন: পর্ব ১৫
Design effect (DEFF)ডিজাইন এফেক্ট
Cluster-এ নমুনা নিলে বা ভাগ করলে variance সাধারণ এলোমেলো নমুনার কত গুণ, তার মাপ; সমান cluster-এ DEFF = 1 + (m − 1)ρ, আর কার্যকর নমুনা N ÷ DEFF.যেখানে শিখবেন: পর্ব ৬২
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 ০৬পর্ব ০৭পর্ব ১০
Detailed balanceডিটেইলড ব্যালান্স
প্রতিটি জোড়া অবস্থার জন্য π(i)P(i→j) = π(j)P(j→i), অর্থাৎ দুই দিকের প্রবাহ সমান; এটি সত্য হলে π chain-এর stationary distribution.যেখানে শিখবেন: পর্ব ৪৭
Determinantডিটারমিন্যান্ট
একটি বর্গ matrix থেকে পাওয়া একটি সংখ্যা, যা বলে map ক্ষেত্রফল বা আয়তন কত গুণ করে; চিহ্ন ঋণাত্মক হলে দিক উল্টায়, শূন্য হলে map চ্যাপ্টা করে আর inverse থাকে না। ২×২-এ ad − bc.যেখানে শিখবেন: পর্ব ০৭পর্ব ০৮পর্ব ১১
Devianceডেভিয়েন্স
Saturated model আর fit হওয়া model-এর log-likelihood-এর পার্থক্যের দ্বিগুণ; GLM-এ residual-এর বর্গের যোগফলের সাধারণ রূপ।যেখানে শিখবেন: পর্ব ২০
Diagonalisation (eigen-decomposition)ডায়াগোনালাইজেশন
বর্গাকার matrix-কে A = VΛV⁻¹ রূপে লেখা, যেখানে V-এর কলাম eigenvector আর Λ কর্ণে eigenvalue; n-টি linearly independent eigenvector থাকলেই সম্ভব।যেখানে শিখবেন: পর্ব ০৮
Difference-in-differences (DiD)ডিফারেন্স-ইন-ডিফারেন্সেস
Treatment পাওয়া দলের আগে-পরের পরিবর্তন থেকে control দলের একই সময়ের পরিবর্তন বাদ দিয়ে প্রভাব মাপার পদ্ধতি; দলের স্থায়ী পার্থক্য আর সময়ের সাধারণ প্রভাব দুটিই সরায়।যেখানে শিখবেন: পর্ব ৬৪পর্ব ৭৩পর্ব ৭৪
Differencingডিফারেন্সিং
প্রতিটি মান থেকে আগের মান বাদ দেওয়া, (1 − B)y = y(t) − y(t−1); trend বা random walk-এর স্তর সরিয়ে series stationary করার কৌশল।যেখানে শিখবেন: পর্ব ৫১
Dimensionডাইমেনশন
একটি vector space বা subspace-এর যেকোনো basis-এ vector-এর সংখ্যা; সব basis-এ সংখ্যাটি একই, যেমন Rⁿ-এর dimension n.যেখানে শিখবেন: পর্ব ০৬
Dimensionality reductionডাইমেনশনালিটি রিডাকশন
অনেক কলামের ডেটাকে যতটা সম্ভব দরকারি তথ্য রেখে অল্প কয়েকটি নতুন কলামে প্রকাশ করা; PCA, kernel PCA, ICA আর NMF এর ভিন্ন ভিন্ন রূপ।যেখানে শিখবেন: পর্ব ৪১
Diminishing returnsডিমিনিশিং রিটার্নস
খরচ বাড়ার সঙ্গে প্রতিটি বাড়তি টাকার ফেরত কমতে থাকা; গাণিতিকভাবে concave ফেরতের function.যেখানে শিখবেন: পর্ব ১৬
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 ৬৭
Direct multi-step forecastingডিরেক্ট ফোরকাস্টিং
প্রতিটি horizon h-এর জন্য আলাদা model, যা শুধু origin পর্যন্ত জানা তথ্য দিয়ে সরাসরি h ধাপ পরের মান শেখে; নিজের অনুমান ফেরত খায় না, কিন্তু model অনেকগুলো।যেখানে শিখবেন: পর্ব ৫২
Directional derivativeডিরেকশনাল ডেরিভেটিভ
একক দিক u-তে সামান্য সরলে function কত হারে বদলায়, তার মান ∇fᵀu; u যখন gradient-এর দিকে তখন সবচেয়ে বেশি।যেখানে শিখবেন: পর্ব ১১
Directional expectation testডিরেকশনাল এক্সপেক্টেশন টেস্ট
একটি input নির্দিষ্ট দিকে বদলালে output প্রত্যাশিত দিকে যায় বা অন্তত উল্টো দিকে যায় না, তা যাচাই; যেমন দেরিতে ডেলিভারি বাড়লে churn ঝুঁকি কমবে না।যেখানে শিখবেন: পর্ব ৬৯
Dirichlet distributionডিরিশলে ডিস্ট্রিবিউশন
এমন সম্ভাবনা-vector-এর বণ্টন যাদের উপাদান অঋণাত্মক আর যোগফল ১; parameter α ছোট (১-এর কম) হলে নমুনা কয়েকটি কোণে জমে, বড় হলে সমান ভাগের কাছে থাকে। Beta distribution-এর বহু-মাত্রার রূপ।যেখানে শিখবেন: পর্ব ৪৪পর্ব ৪৮
Dirichlet processডিরিশলে প্রসেস
অসীম সংখ্যক component-এর ওজনের ওপর একটি prior, যাতে ডেটা নিজেই ঠিক করে কয়টি component সত্যিই দরকার; বাস্তবে একটি উচ্চ সীমা পর্যন্ত কেটে ব্যবহার করা হয়।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৪৮
Discordant pairডিসকর্ড্যান্ট পেয়ার
জোড়া তুলনায় যে উদাহরণে দুই model-এর ফল আলাদা (একজন ঠিক, অন্যজন ভুল); McNemar test শুধু এগুলোর সংখ্যা b আর c ব্যবহার করে।যেখানে শিখবেন: পর্ব ২২
Discount rateডিসকাউন্ট রেট
ভবিষ্যতের টাকাকে আজকের মূল্যে আনতে ব্যবহৃত হার d; t সময় পরের টাকাকে (১ + d)^t দিয়ে ভাগ করা হয়।যেখানে শিখবেন: পর্ব ৬৫
Discriminant functionডিসক্রিমিন্যান্ট ফাংশন
প্রতিটি শ্রেণির জন্য একটি স্কোর δₖ(x), সাধারণত log prior আর log likelihood-এর যোগ; যে শ্রেণির স্কোর সবচেয়ে বড়, model সেটিই অনুমান করে।যেখানে শিখবেন: পর্ব ১৯
Discrimination (ranking ability)ডিসক্রিমিনেশন
যে ঘটনা ঘটবে তাকে বেশি আর যা ঘটবে না তাকে কম score দেওয়ার ক্ষমতা; AUC দিয়ে মাপা হয়, আর calibration থেকে আলাদা গুণ।যেখানে শিখবেন: পর্ব ২৬পর্ব ৭৫
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 ১৯
Dispersion parameterডিসপারশন প্যারামিটার
GLM-এ Var(y) = φ·V(μ) সূত্রের বাড়তি গুণক φ; Gaussian-এ σ², আর Poisson ও Bernoulli-তে ১ ধরা হয়।যেখানে শিখবেন: পর্ব ২০
Distributionডিস্ট্রিবিউশন
একটি চলকের কোন মান কতবার বা কত ঘনভাবে আসে তার পুরো চিত্র; কোথায় ঘন, কোথায় পাতলা, কত দূর ছড়ানো।যেখানে শিখবেন: পর্ব ০৩
Distribution shift (dataset shift)ডিস্ট্রিবিউশন শিফট
Model যে ডেটায় শিখেছে আর যে ডেটায় ব্যবহৃত হচ্ছে, তাদের যৌথ বণ্টন P(x, y) আলাদা হয়ে যাওয়া; covariate, label আর concept shift এর প্রধান রূপ।যেখানে শিখবেন: পর্ব ৫৯
Divergent transitionডাইভারজেন্ট ট্রানজিশন
HMC বা NUTS-এর এমন ধাপ, যেখানে সংখ্যাগত গতিপথ ভেঙে পড়ে (শক্তির হিসাব অনেক সরে যায়); posterior-এর বাঁকা বা সরু অঞ্চল ঠিকমতো দেখা হয়নি তার সতর্ক সংকেত।যেখানে শিখবেন: পর্ব ৪৭
Document–term matrixডকুমেন্ট-টার্ম ম্যাট্রিক্স
প্রতিটি সারি একটি লেখা, প্রতিটি কলাম একটি শব্দ, ঘরে গণনা বা TF-IDF ওজন; প্রায় সব ঘর শূন্য বলে sparse রূপে রাখা হয়।যেখানে শিখবেন: পর্ব ৪৪
Document–topic distribution (θ)ডকুমেন্ট-টপিক ডিস্ট্রিবিউশন
একটি লেখার শব্দগুলোর কত ভাগ কোন topic থেকে এসেছে বলে model মনে করে; যোগফল ১. scikit-learn-এ LDA-র transform এটি দেয়।যেখানে শিখবেন: পর্ব ৪৪
Domain classifier (classifier two-sample test)ডোমেইন ক্লাসিফায়ার
Training-এর সারি আর নতুন সারি আলাদা করতে শেখানো একটি classifier; তার ROC AUC প্রায় ০.৫ হলে ধরার মতো shift নেই, আর তার সম্ভাবনা থেকে importance weight বানানো যায়।যেখানে শিখবেন: পর্ব ৫৯
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 ১১পর্ব ২৭পর্ব ২৯
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 ০৩পর্ব ৭৫
Double machine learning (DML)ডাবল মেশিন লার্নিং
ফল আর treatment দুটিকেই flexible ML model দিয়ে confounder থেকে অনুমান করে, অবশিষ্টাংশ (residual) দিয়ে প্রভাব মাপার পদ্ধতি; cross-fitting দিয়ে overfitting-এর bias কমানো হয়; Chernozhukov ও সহকর্মীরা ২০১৮ সালে এটি প্রস্তাব করেন।যেখানে শিখবেন: পর্ব ৬৪
DoWhyডু-হোয়াই
Causal inference-এর একটি Python লাইব্রেরি, যা model (DAG), identify, estimate আর refute চার ধাপে কাজ সাজায়; এখন PyWhy উদ্যোগের অংশ।যেখানে শিখবেন: পর্ব ৬৪
Downcastingডাউনকাস্টিং
একটি সংখ্যার কলামকে এমন সবচেয়ে ছোট dtype-এ নামানো যাতে তার সব মান ধরে, যেমন int64 থেকে uint8; pandas-এ pd.to_numeric(downcast=...) দিয়ে করা হয়।যেখানে শিখবেন: পর্ব ৭০
Driver metricড্রাইভার মেট্রিক
যে মাপগুলো মিলে north star তৈরি হয় বা তাকে নড়ায়, যেমন visitor, conversion আর সময়মতো পৌঁছানোর হার; দল সরাসরি এগুলোতে কাজ করে।যেখানে শিখবেন: পর্ব ৬৬
Drop-column importanceড্রপ-কলাম ইমপর্ট্যান্স
একটি কলাম (বা দল) বাদ দিয়ে model আবার শেখানোর পর held-out score কতটা খারাপ হয়; ডেটায় কলামটির অনন্য তথ্যের মাপ, তবে প্রতিটি কলামে একবার পুরো training লাগে।যেখানে শিখবেন: পর্ব ৫৬
dtype (data type)ডি-টাইপ
NumPy array বা pandas কলামের প্রতিটি ঘর কত বাইটের আর বিটগুলোকে কী হিসেবে পড়তে হবে (int8, int64, float32, bool ইত্যাদি) তার ঘোষণা।যেখানে শিখবেন: পর্ব ৭০পর্ব ৭৪
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 ৬৭
Dual feasibilityডুয়াল ফিজিবিলিটি
KKT-এর শর্ত যে প্রতিটি অসমতার multiplier μ ≥ 0; দেয়াল শুধু ঠেলতে পারে, টানতে পারে না।যেখানে শিখবেন: পর্ব ১৬
Dual problemডুয়াল প্রবলেম
প্রতিটি শর্তের Lagrange multiplier-কে চলক বানিয়ে লেখা সমস্যা; SVM-এ এর চলক αᵢ, আর এতে ডেটা শুধু dot product হিসেবে আসে।যেখানে শিখবেন: পর্ব ২৭পর্ব ২৯পর্ব ৩০
Duality gapডুয়ালিটি গ্যাপ
মূল সমস্যার সর্বনিম্ন আর dual-এর সর্বোচ্চ মানের পার্থক্য; solver এটি দিয়ে বোঝে সমাধান থেকে কত দূরে আছে।যেখানে শিখবেন: পর্ব ১৬
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 ৭০
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 ০৬
DummyClassifierডামি ক্লাসিফায়ার
scikit-learn-এর একটি baseline model যা feature না দেখে সহজ নিয়মে উত্তর দেয়, যেমন সবসময় সবচেয়ে বেশি দেখা শ্রেণি; regression-এর জন্য একই ধাঁচের DummyRegressor আছে।যেখানে শিখবেন: পর্ব ০২পর্ব ৩৮
Duplicate rowডুপ্লিকেট রো
যে সারি আগের কোনো সারির পুনরাবৃত্তি, হয় সব কলামে হুবহু এক, নয়তো নির্দিষ্ট কলামে (যেমন গ্রাহক, ঘটনার ধরন আর সময়) এক; দ্বিতীয় ধরন DISTINCT ধরতে পারে না।যেখানে শিখবেন: পর্ব ৬১
DVC (Data Version Control)ডি-ভি-সি
Git-এর পাশে চলা একটি open-source টুল; ডেটা ফাইল নিজের cache বা storage-এ রাখে আর Git-এ শুধু তার hash-সহ একটি ছোট .dvc ফাইল রাখে।যেখানে শিখবেন: পর্ব ০৫

E

E-valueই-ভ্যালু
VanderWeele আর Ding (২০১৭)-এর মাপ: পুরো দেখা সম্পর্ক ব্যাখ্যা করতে একটি লুকানো confounder-কে treatment আর ফল দুটির সঙ্গে ন্যূনতম কত risk ratio-য় জড়িত থাকতে হতো; RR > 1 হলে RR + √(RR(RR − 1)).যেখানে শিখবেন: পর্ব ৬৪
Early exaggerationআর্লি এক্সাজারেশন
t-SNE-র optimisation-এর শুরুতে কিছু ধাপ সব p-কে কয়েক গুণ (scikit-learn-এ ১২) বাড়িয়ে রাখা, যাতে দলগুলো আগে আঁটসাঁট হয়ে আলাদা হতে পারে।যেখানে শিখবেন: পর্ব ৪২
Early stoppingআর্লি স্টপিং
Validation ডেটার loss আর না কমলে training আগেভাগে থামানো; শূন্য থেকে শুরু করা gradient descent-এ এটি আনুমানিক ridge-এর মতো কাজ করে।যেখানে শিখবেন: পর্ব ১৭পর্ব ৩৫পর্ব ৩৬
Eckart–Young theoremএকার্ট–ইয়াং থিওরেম
১৯৩৬ সালের ফল: SVD-এর প্রথম k-টি স্তর রাখা matrix-ই Frobenius আর spectral norm-এ সবচেয়ে ভালো rank-k approximation, আর ভুলের বর্গ বাদ পড়া singular value-এর বর্গের যোগফল।যেখানে শিখবেন: পর্ব ০৯পর্ব ৩১পর্ব ৪১
EconMLইকন-এম-এল
মানুষভেদে আলাদা প্রভাব (CATE) অনুমানের একটি Python লাইব্রেরি, যাতে double machine learning আর অন্যান্য পদ্ধতি আছে।যেখানে শিখবেন: পর্ব ৬৪
Edited nearest neighbours (ENN)এডিটেড নিয়ারেস্ট নেইবারস
যে বিন্দুর বেশিরভাগ নিকটতম প্রতিবেশী অন্য শ্রেণির, তাকে মুছে ফেলার undersampling নিয়ম; শব্দ কমায়, কিন্তু সীমানার কঠিন উদাহরণও মুছতে পারে।যেখানে শিখবেন: পর্ব ৫০
Effect sizeএফেক্ট সাইজ
পার্থক্য বা প্রভাব আসলে কত বড়, তার মাপ, যেমন দুই model-এর accuracy-র পার্থক্য শতাংশ বিন্দুতে; নমুনার আকারে p-value-এর মতো বদলায় না।যেখানে শিখবেন: পর্ব ২২পর্ব ৬৭
Effective degrees of freedomইফেক্টিভ ডিগ্রিজ অফ ফ্রিডম
Regularize করা model কতগুলো parameter-এর সমান নমনীয়, তার মাপ; ridge-এ hat matrix-এর trace, অর্থাৎ ∑ σⱼ²/(σⱼ² + λ), যা λ = 0-তে p আর λ বাড়লে শূন্যের দিকে নামে।যেখানে শিখবেন: পর্ব ১৭পর্ব ২৩
Effective number of parameters (γ)ইফেক্টিভ নাম্বার অব প্যারামিটার্স
কতগুলো weight-কে আসলে ডেটা ঠিক করছে, prior নয়, তার মাপ; γ = Σ λᵢ/(α + λᵢ), যেখানে λᵢ হলো βΦᵀΦ-এর eigenvalue.যেখানে শিখবেন: পর্ব ৪৫
Effective sample size (ESS)ইফেক্টিভ স্যাম্পল সাইজ
পরস্পর-নির্ভর N-টি MCMC নমুনা গড় অনুমানে কতগুলো স্বাধীন নমুনার সমান কাজ করে; ESS = N / (1 + 2∑ρₖ), যেখানে ρₖ হলো lag k-এর autocorrelation.যেখানে শিখবেন: পর্ব ৪৭
Effective sample size of weights (Kish)ইফেক্টিভ স্যাম্পল সাইজ
ওজন দেওয়া n-টি সারি কতগুলো সমান-ওজনের সারির সমান তথ্য দেয় তার মাপ, (∑w)² ÷ ∑w²; কয়েকটি বিশাল ওজন থাকলে এটি খুব ছোট হয়।যেখানে শিখবেন: পর্ব ৫৯
Eigenvalueআইগেনভ্যালু
Av = λv সম্পর্কে যে সংখ্যা λ: eigenvector-এর দিকে matrix A সবকিছুকে কত গুণ টানে বা চাপে; ঋণাত্মক হলে দিক উল্টায়।যেখানে শিখবেন: পর্ব ০৮পর্ব ০৯পর্ব ১০
Eigenvalue gap (spectral gap)স্পেকট্রাল গ্যাপ
সবচেয়ে বড় আর দ্বিতীয় eigenvalue-র মাপের পার্থক্য, যেমন Markov chain-এ 1 − |λ₂|; ফাঁক যত বড়, power iteration বা chain তত দ্রুত স্থির হয়।যেখানে শিখবেন: পর্ব ০৮
Eigenvectorআইগেনভেক্টর
শূন্য নয় এমন vector v যাকে matrix A দিয়ে গুণ করলে শুধু একটি সংখ্যা দিয়ে গুণ হয় (Av = λv), দিক একই রেখায় থাকে; যেকোনো গুণিতকও eigenvector, তাই এটি আসলে একটি দিক।যেখানে শিখবেন: পর্ব ০৮পর্ব ১৩পর্ব ১৬
Elastic netইলাস্টিক নেট
L1 আর L2 দুই শাস্তি একসঙ্গে; lasso-র মতো শূন্য বানায়, আবার পরস্পর সম্পর্কিত feature-কে ridge-এর মতো একসঙ্গে রাখে।যেখানে শিখবেন: পর্ব ১৭পর্ব ২৩
ELBO (evidence lower bound)ইএলবিও
যেকোনো বণ্টন q(z)-এর জন্য log p(x)-এর একটি নিম্নসীমা; log p(x) = ELBO + KL(q ‖ posterior), তাই q posterior হলে সীমা ছুঁয়ে যায়। EM আর variational inference এই সীমা বাড়িয়ে কাজ করে।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৪৮পর্ব ৭৫
Embeddingএমবেডিং
শব্দ, পণ্য বা ব্যবহারকারীর মতো জিনিসকে একটি ঘন সংখ্যার vector-এ প্রকাশ, যেখানে কাছাকাছি vector মানে কাছাকাছি অর্থ বা আচরণ।যেখানে শিখবেন: পর্ব ০৭পর্ব ৪৪পর্ব ৫৩
Empirical Bayes (type-II maximum likelihood)এম্পিরিক্যাল বেইজ
Prior-এর hyperparameter (যেমন α, β) ডেটা থেকে evidence সর্বোচ্চ করে বের করা, তারপর তাদের জানা ধরে posterior হিসাব করা।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৪৬
Empirical distributionএম্পিরিক্যাল ডিস্ট্রিবিউশন
নমুনার প্রতিটি পর্যবেক্ষণকে 1/n সম্ভাবনা দিয়ে বানানো বণ্টন; অজানা জনসংখ্যার বণ্টনের সবচেয়ে সরল অনুমান।যেখানে শিখবেন: পর্ব ২১
Empirical riskএম্পিরিক্যাল রিস্ক
হাতের sample-এর উদাহরণগুলোতে একটি নিয়মের গড় loss, যেমন train ডেটায় ভুলের ভগ্নাংশ; true risk-এর একটি আন্দাজ।যেখানে শিখবেন: পর্ব ০৩
Empirical risk minimisation (ERM)এম্পিরিক্যাল রিস্ক মিনিমাইজেশন
Hypothesis class-এর মধ্যে train ডেটায় সবচেয়ে কম গড় loss-এর নিয়মটি বেছে নেওয়ার শেখার নীতি।যেখানে শিখবেন: পর্ব ০৩
Endpointএন্ডপয়েন্ট
API-র একটি নির্দিষ্ট ঠিকানা আর method-এর জোড়া, যেমন POST /predict, যেখানে client অনুরোধ পাঠায়।যেখানে শিখবেন: পর্ব ৬৮
Ensemble diversityএনসেম্বল ডাইভারসিটি
Ensemble-এর সদস্যরা কতটা ভিন্ন জায়গায় ভুল করে; ভিন্ন model পরিবার, ভিন্ন feature বা ভিন্ন ডেটা থেকে আসে, আর ensemble-এর লাভের মূল উৎস।যেখানে শিখবেন: পর্ব ৩৭
Ensemble learningএনসেম্বল লার্নিং
অনেকগুলো model-এর অনুমান গড়, ভোট বা ধাপে ধাপে যোগ করে একটি সিদ্ধান্ত নেওয়া, যাতে একক model-এর চেয়ে ভুল কম হয়।যেখানে শিখবেন: পর্ব ৩৩পর্ব ৩৪পর্ব ৩৭
Ensemble selectionএনসেম্বল সিলেকশন
Caruana ও সহকর্মীদের (২০০৪) লোভী পদ্ধতি: model-এর লাইব্রেরি থেকে প্রতি ধাপে সেই model যোগ করা, যা validation metric সবচেয়ে ভালো করে; বারবার আসা model বেশি weight পায়।যেখানে শিখবেন: পর্ব ৩৭
Entropy (Shannon entropy)এনট্রপি
একটি distribution-এর গড় অনিশ্চয়তা, H = −∑ p log p; সব ফল সমান হলে সর্বোচ্চ, একটি ফল নিশ্চিত হলে শূন্য; গাছে impurity হিসেবে ব্যবহার হয়।যেখানে শিখবেন: পর্ব ৩২পর্ব ৪২পর্ব ৪৮
Entropy samplingএনট্রপি স্যাম্পলিং
Model-এর পুরো সম্ভাবনা বণ্টনের entropy যেখানে সবচেয়ে বেশি, সেই উদাহরণ বাছা; অনেক class-এ ছড়ানো অনিশ্চয়তা বেশি গুরুত্ব পায়।যেখানে শিখবেন: পর্ব ৫৪
Epigraphএপিগ্রাফ
একটি function-এর লেখচিত্রের ওপরের পুরো এলাকা, {(w, s) : s ≥ f(w)}; f convex হয় ঠিক তখনই, যখন তার epigraph একটি convex set.যেখানে শিখবেন: পর্ব ১২
Epistemic uncertaintyএপিস্টেমিক আনসার্টেনটি
Model-এর parameter ঠিক জানা নেই বলে যে অনিশ্চয়তা; ডেটা যেখানে কম সেখানে বড়, আর বেশি ডেটায় কমে।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৪৬
Epochইপক
Training ডেটার সব উদাহরণ একবার করে দেখা; B আকারের mini-batch-এ এক epoch মানে মোটামুটি N/B-টি ধাপ।যেখানে শিখবেন: পর্ব ১৩পর্ব ৭০
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 ৬০পর্ব ৭২পর্ব ৭৩
Equalised oddsইকুয়ালাইজড অডস
Fairness-এর একটি সংজ্ঞা: TPR আর FPR দুটিই সব দলে সমান; equalized odds difference হলো দুই ফাঁকের বড়টি।যেখানে শিখবেন: পর্ব ৬০
Equality constraintইকুয়ালিটি কনস্ট্রেইন্ট
h(x) = 0 আকারের শর্ত, যা সমাধানকে একটি রেখা বা তলের ওপর বেঁধে রাখে; যেমন x + y = 3 বা ‖x‖ = 1.যেখানে শিখবেন: পর্ব ১৬
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 ৬৭
Error correlationএরর কোরিলেশন
দুটি model-এর ভুল একই সারিতে একসঙ্গে ঘটার প্রবণতা, ভুলের কলামগুলোর correlation দিয়ে মাপা; যত কম, গড় নেওয়ায় তত বেশি লাভ।যেখানে শিখবেন: পর্ব ৩৭
Error-correcting output codes (ECOC)এরর-কারেক্টিং আউটপুট কোডস
প্রতিটি শ্রেণিকে একটি ০/১ কোড-শব্দ দিয়ে প্রতিটি বিটের জন্য একটি দুই-শ্রেণির model বানানো, আর অনুমানের সময় সবচেয়ে কাছের কোড-শব্দের শ্রেণি বাছা; কয়েকটি বিট ভুল হলেও উত্তর ঠিক থাকতে পারে।যেখানে শিখবেন: পর্ব ২৫
Estimation errorএস্টিমেশন এরর
শেখা নিয়মের true risk আর class-এর সেরা নিয়মের true risk-এর পার্থক্য; সীমিত ডেটার কারণে সেরাটি খুঁজে না পাওয়ার দাম।যেখানে শিখবেন: পর্ব ০৩
ETS modelইটিএস মডেল
Error, Trend, Seasonal: exponential smoothing-এর state space রূপ, যাতে likelihood, AIC আর prediction interval পাওয়া যায়।যেখানে শিখবেন: পর্ব ৫১
Euclidean distanceইউক্লিডিয়ান ডিসট্যান্স
দুটি বিন্দুর মধ্যে সোজা লাইনের দূরত্ব, পার্থক্য-vector-এর L2 norm; পিথাগোরাসের উপপাদ্যের অনেক মাত্রার রূপ।যেখানে শিখবেন: পর্ব ৪২
Event (event log)ইভেন্ট লগ
অ্যাপ বা ওয়েবসাইটে ব্যবহারকারীর প্রতিটি কাজের (পাতা দেখা, cart-এ রাখা, টাকা দেওয়া) সময়সহ একটি করে সারি; funnel আর session-এর কাঁচামাল।যেখানে শিখবেন: পর্ব ৬১
Evidence (marginal likelihood)মার্জিনাল লাইকলিহুড
Parameter-এর ওপর prior দিয়ে integral করে পাওয়া দেখা ডেটার মোট সম্ভাবনা, p(y) = ∫ p(y | w) p(w) dw; Bayes-এর সূত্রের হর, আর model বা hyperparameter তুলনার মাপ।যেখানে শিখবেন: পর্ব ৪৫পর্ব ৪৮পর্ব ৪৯
Exact binomial testএক্স্যাক্ট বাইনোমিয়াল টেস্ট
সাফল্যের সংখ্যা একটি নির্দিষ্ট সম্ভাবনার binomial বণ্টনের সঙ্গে কতটা বেমানান, তা সরাসরি binomial সম্ভাবনা যোগ করে মাপা; SciPy-তে scipy.stats.binomtest.যেখানে শিখবেন: পর্ব ২২
Example-dependent costএক্সাম্পল-ডিপেন্ডেন্ট কস্ট
যখন একটি ভুলের দাম প্রতিটি উদাহরণে আলাদা, যেমন ভুয়া অর্ডার ছাড় পেলে ক্ষতি অর্ডারের দামের ওপর নির্ভর করে; তখন সিদ্ধান্তের সীমাও প্রতিটি উদাহরণে আলাদা হয়।যেখানে শিখবেন: পর্ব ০২
Exchangeabilityএক্সচেঞ্জেবিলিটি
উদাহরণগুলোর ক্রম বদলালে তাদের যৌথ বণ্টন না বদলানোর শর্ত; i.i.d. ডেটা এর একটি বিশেষ রূপ, আর conformal-এর নিশ্চয়তা এর ওপর দাঁড়িয়ে।যেখানে শিখবেন: পর্ব ৫৮পর্ব ৭২পর্ব ৭৫
Exclusive Feature Bundling (EFB)এক্সক্লুসিভ ফিচার বান্ডলিং
LightGBM-এর কৌশল: যে sparse কলামগুলো প্রায় কখনো একসঙ্গে অশূন্য হয় না, সেগুলোকে একটি কলামে মিলিয়ে histogram বানানোর কাজ কমানো।যেখানে শিখবেন: পর্ব ৩৬
Executive summaryএক্সিকিউটিভ সামারি
Report-এর শুরুতে এক পাতা বা কম লেখা, যেখানে উত্তর, মূল যুক্তি, প্রভাবের আকার, ঝুঁকি আর সুপারিশ থাকে, যাতে শুধু এটুকু পড়েই সিদ্ধান্ত নেওয়া যায়।যেখানে শিখবেন: পর্ব ৬৭
Exogenous variable (covariate)এক্সোজেনাস ভেরিয়েবল
Series-এর নিজের অতীতের বাইরের তথ্য, যেমন দামের ছাড়, ছুটির দিন বা আবহাওয়া; ভবিষ্যতের দিনের জন্য এর মান আগে থেকে জানা থাকলে তবেই অনুমানে ব্যবহার করা যায়।যেখানে শিখবেন: পর্ব ৫২
Expanding windowএক্সপ্যান্ডিং উইন্ডো
যে জানালা শুরু থেকে আজ পর্যন্ত সব মান নেয় আর প্রতিবার বড় হয়; backtesting-এ train অংশ প্রতিটি fold-এ শুরু থেকে origin পর্যন্ত সব দিন নেয়।যেখানে শিখবেন: পর্ব ৫২
Expectation–maximization (EM)এক্সপেক্টেশন-ম্যাক্সিমাইজেশন
লুকানো চলক থাকলে likelihood বাড়ানোর পুনরাবৃত্তিমূলক পদ্ধতি: E-step-এ বর্তমান parameter দিয়ে লুকানো অংশের posterior, M-step-এ সেই ওজন ধরে parameter-এর সবচেয়ে ভালো মান; log-likelihood কখনো কমে না, তবে local maximum-এ থামতে পারে।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৫৯পর্ব ৭৩
Expected calibration error (ECE)এক্সপেক্টেড ক্যালিব্রেশন এরর
প্রতিটি ঝুড়িতে গড় অনুমান আর বাস্তব হারের পরম পার্থক্য, ঝুড়ির উদাহরণের অনুপাত দিয়ে ওজন করে যোগফল; কম হলে ভালো, তবে ঝুড়ির সংখ্যা আর ধরনের ওপর নির্ভর করে।যেখানে শিখবেন: পর্ব ২৬পর্ব ৭২পর্ব ৭৩
Expected costএক্সপেক্টেড কস্ট
প্রতিটি সম্ভাব্য ফলের দামকে তার সম্ভাবনা দিয়ে গুণ করে যোগফল; সিদ্ধান্তের বিকল্পগুলোর মধ্যে যার প্রত্যাশিত খরচ কম, সেটি বাছা হয়।যেখানে শিখবেন: পর্ব ০২পর্ব ২৬পর্ব ৫০
Expected improvement (EI)এক্সপেক্টেড ইমপ্রুভমেন্ট
এ পর্যন্ত সেরা মানের চেয়ে কতটা উন্নতি আশা করা যায় তার গড়, Gaussian অনুমানে বন্ধ সূত্র σ(zΦ(z) + φ(z)); উন্নতির সম্ভাবনা আর আকার দুটিই গোনে।যেখানে শিখবেন: পর্ব ৪৯পর্ব ৭৩
Expected valueএক্সপেক্টেড ভ্যালু
প্রত্যাশিত মান E[X]: প্রতিটি মানকে তার সম্ভাবনা দিয়ে গুণ করে যোগফল, মানে দীর্ঘমেয়াদি ওজনসহ গড়।যেখানে শিখবেন: পর্ব ০৩পর্ব ৭২
Experiment trackingএক্সপেরিমেন্ট ট্র্যাকিং
প্রতিটি run-এর config, ডেটার hash, code-এর version, seed আর metric নিয়মিতভাবে লিখে রাখা, যাতে পরে তুলনা ও পুনরাবৃত্তি করা যায়।যেখানে শিখবেন: পর্ব ০৪
Explainabilityএক্সপ্লেইনেবিলিটি
একটি model-এর সিদ্ধান্ত বা আচরণ মানুষের বোঝার মতো করে দেখানোর ক্ষমতা, যেমন কোন feature-এর ওপর কতটা নির্ভর করে বা একটি অনুমান কেন এল।যেখানে শিখবেন: পর্ব ৫৬পর্ব ৫৭
Explained variance ratioএক্সপ্লেইনড ভ্যারিয়েন্স রেশিও
একটি principal component মোট variance-এর কত ভাগ বহন করে, λⱼ ÷ (সব λ-এর যোগ); সব ভাগের যোগফল ১।যেখানে শিখবেন: পর্ব ০৮পর্ব ৭৬
Explanation manipulationএক্সপ্লানেশন ম্যানিপুলেশন
Model বা ডেটা এমনভাবে সাজানো, যাতে ব্যাখ্যা-পদ্ধতি নিরীহ ব্যাখ্যা দেখায় অথচ আসল সিদ্ধান্ত পক্ষপাতদুষ্ট বা ক্ষতিকর থাকে।যেখানে শিখবেন: পর্ব ৫৭
Explicit feedbackএক্সপ্লিসিট ফিডব্যাক
ব্যবহারকারী নিজে সরাসরি যে মত দেন, যেমন ১ থেকে ৫ তারার রেটিং বা লাইক-ডিসলাইক; পছন্দ আর অপছন্দ দুটিই এতে দেখা যায়।যেখানে শিখবেন: পর্ব ৫৩
Exploration–exploitation trade-offএক্সপ্লোরেশন-এক্সপ্লয়টেশন
জানা ভালো জায়গার আশেপাশে আরও চেষ্টা (exploitation) আর অচেনা, অনিশ্চিত জায়গা খোঁজা (exploration)-এর মধ্যে ভারসাম্য রাখার সমস্যা।যেখানে শিখবেন: পর্ব ৪৯পর্ব ৭১
Exponential decayএক্সপোনেনশিয়াল ডিকে
প্রতি epoch বা ধাপে learning rate একই অনুপাতে (যেমন ০.৮ গুণ) কমানোর schedule: η = η0 · γ^t.যেখানে শিখবেন: পর্ব ১৩
Exponential distributionএক্সপোনেনশিয়াল ডিস্ট্রিবিউশন
হার λ-এর Poisson ঘটনার দুটির মাঝের অপেক্ষার সময়ের distribution; গড় 1/λ, MLE λ̂ = 1/x̄, আর scipy-তে scale = 1/λ.যেখানে শিখবেন: পর্ব ১৮পর্ব ৫৫
Exponential familyএক্সপোনেনশিয়াল ফ্যামিলি
যেসব বণ্টন p(y) = h(y)·exp(θ·T(y) − A(θ)) রূপে লেখা যায় তাদের পরিবার; Bernoulli, Poisson, Gaussian, gamma এর সদস্য।যেখানে শিখবেন: পর্ব ২০পর্ব ৭৫
Exponential lossএক্সপোনেনশিয়াল লস
margin m = y f(x)-এর জন্য exp(−m); ভুল দিকে margin যত বড়, loss তত সূচকীয় হারে বাড়ে। AdaBoost আসলে এই loss কমায়, তাই ভুল label-এ সে ভঙ্গুর।যেখানে শিখবেন: পর্ব ৩৪
Exponential moving averageএক্সপোনেনশিয়াল মুভিং অ্যাভারেজ
যে চলমান গড়ে নতুন মানের ওজন (1 − β) আর পুরোনো মানের ওজন প্রতি ধাপে β গুণ কমে; স্মৃতির দৈর্ঘ্য মোটামুটি 1/(1 − β) ধাপ।যেখানে শিখবেন: পর্ব ১৪
Exponential smoothingএক্সপোনেনশিয়াল স্মুদিং
পুরোনো পর্যবেক্ষণকে জ্যামিতিক হারে কম ওজন দিয়ে স্তর হালনাগাদ করা, ℓ(t) = αy(t) + (1 − α)ℓ(t−1); ARIMA(0,1,1)-এর সমতুল্য।যেখানে শিখবেন: পর্ব ৫১পর্ব ৭৩
ExponentiatedGradientএক্সপোনেনশিয়েটেড গ্রেডিয়েন্ট
Agarwal ও সহকর্মীদের ২০১৮ সালের reductions পদ্ধতির fairlearn রূপ: fairness শর্তের Lagrange multiplier বদলে বদলে সাধারণ classifier বারবার নতুন ওজনে শেখায় আর তাদের এলোমেলো মিশ্রণ ফেরত দেয়।যেখানে শিখবেন: পর্ব ৬০
Exposureএক্সপোজার
ঘটনা ঘটার সুযোগের মাপ, যেমন কত দিন দোকান খোলা ছিল বা কতজন গ্রাহক; count model-এ এটি দিয়ে গোনাকে হারে বদলানো হয়।যেখানে শিখবেন: পর্ব ২০
Extra-trees (extremely randomized trees)এক্সট্রা ট্রিজ
Random forest-এর আত্মীয়, যেখানে প্রতিটি বাছা feature-এর threshold-ও এলোমেলোভাবে টানা হয় আর scikit-learn-এ ডিফল্টভাবে bootstrap হয় না; Pierre Geurts, Damien Ernst আর Louis Wehenkel ২০০৬ সালে প্রকাশ করেন।যেখানে শিখবেন: পর্ব ৩৩
Extrapolationএক্সট্রাপোলেশন
শেখার ডেটার পরিসরের বাইরের ইনপুটে অনুমান করা, যেমন ১৫ km পর্যন্ত দেখে ২৫ km-এর ডেলিভারি সময় বলা; গাছভিত্তিক model এখানে শেষ পাতার মানেই আটকে থাকে।যেখানে শিখবেন: পর্ব ৩৩পর্ব ৩৮পর্ব ৫৬

F

F1 scoreএফ-ওয়ান স্কোর
Precision আর recall-এর harmonic mean, 2PR/(P + R) = 2TP/(2TP + FP + FN); TN এতে ঢোকে না।যেখানে শিখবেন: পর্ব ২৫
Factor analysisফ্যাক্টর অ্যানালাইসিস
মাপা চলকগুলোকে অল্প কয়েকটি গোপন factor আর প্রতিটি চলকের নিজস্ব noise-এর যোগফল হিসেবে দেখার রৈখিক Gaussian মডেল; noise-এর covariance একটি diagonal matrix Ψ.যেখানে শিখবেন: পর্ব ৪১
Fairlearnফেয়ারলার্ন
দলভিত্তিক fairness মাপা (MetricFrame) আর প্রতিকারের (ExponentiatedGradient, ThresholdOptimizer) জন্য একটি খোলা Python লাইব্রেরি; Microsoft-এর গবেষকদের শুরু করা, এখন সম্প্রদায় পরিচালিত।যেখানে শিখবেন: পর্ব ৬০
Fairness penaltyফেয়ারনেস পেনাল্টি
Loss-এর সঙ্গে দলের মধ্যে একটি ফাঁকের মসৃণ মাপ (যেমন গড় সম্ভাবনার পার্থক্যের বর্গ) একটি গুণক λ দিয়ে যোগ করা; λ বাড়লে ফাঁক কমে, সাধারণত accuracy-ও কমে।যেখানে শিখবেন: পর্ব ৬০
Fallbackফলব্যাক
আসল উৎস (যেমন model) থেকে সময়মতো উত্তর না পেলে আগে থেকে ঠিক করা বিকল্প উত্তর, যেমন একটি সরল নিয়ম বা টেবিলের মান।যেখানে শিখবেন: পর্ব ৭১পর্ব ৭৭
False alarmফলস অ্যালার্ম
কোনো আসল সমস্যা না থাকলেও সতর্কসংকেত বাজা; পরিসংখ্যানের ভাষায় একে type I error বা false positive বলে।যেখানে শিখবেন: পর্ব ৬৯পর্ব ৭৪
False discovery rate (FDR)ফলস ডিসকভারি রেট
সব আবিষ্কারের (বাতিল করা null) মধ্যে মিথ্যা আবিষ্কারের প্রত্যাশিত অনুপাত, E[V/R]; কোনো আবিষ্কার না থাকলে অনুপাতটি ০ ধরা হয়।যেখানে শিখবেন: পর্ব ২২
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 ৬০
Family-wise error rate (FWER)ফ্যামিলি-ওয়াইজ এরর রেট
একদল test-এর মধ্যে অন্তত একটি মিথ্যা আবিষ্কার (সত্য null বাতিল) হওয়ার সম্ভাবনা; Bonferroni আর Holm একে α-এর নিচে রাখে।যেখানে শিখবেন: পর্ব ২২
Fan-out (join)ফ্যান-আউট
এক থেকে অনেক join-এর পর “এক” দিকের প্রতিটি সারি একাধিকবার আসা; তখন সেই দিকের সংখ্যা (যেমন অর্ডারের delivery fee) যোগ করলে ফল ফুলে ওঠে।যেখানে শিখবেন: পর্ব ৬১
FastAPIফাস্ট-এপিআই
Python-এর একটি web framework, যা function-এর type hint থেকে ইনপুট যাচাই আর OpenAPI docs তৈরি করে। Starlette আর Pydantic-এর ওপর বানানো।যেখানে শিখবেন: পর্ব ৬৮
FastICAফাস্ট আইসিএ
Hyvärinen আর Oja-র fixed-point algorithm, যা whitening-এর পর negentropy-র আনুমানিক রূপ সর্বোচ্চ করে স্বাধীন উপাদান খোঁজে; scikit-learn-এ FastICA.যেখানে শিখবেন: পর্ব ৪১
Feasible setফিজিবল সেট
যে সব বিন্দু সবগুলো শর্ত একসঙ্গে মানে, তাদের সেট; constrained optimization-এ সমাধান খোঁজা হয় শুধু এর ভেতরে।যেখানে শিখবেন: পর্ব ১৬
Featureফিচার
model-কে দেওয়া ইনপুটের একটি মাপ বা বৈশিষ্ট্য, যেমন ডেলিভারির দূরত্ব বা পার্সেলের ওজন। ডেটা টেবিলে সাধারণত একটি কলাম।যেখানে শিখবেন: পর্ব ০৪পর্ব ০৬
Feature hashingফিচার হ্যাশিং
প্রতিটি category বা শব্দকে 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 ৭০
Feature map (φ)ফিচার ম্যাপ
প্রতিটি ইনপুট x-কে নতুন, সাধারণত বেশি মাত্রার একটি vector φ(x)-এ নেওয়ার নিয়ম; সেই জগতে টানা সরল সমতল মূল জগতে বাঁকা সীমানা হয়।যেখানে শিখবেন: পর্ব ২৯পর্ব ৩০
Feature scalingফিচার স্কেলিং
Feature-গুলোকে কাছাকাছি মাপে আনা, যেমন standardization বা min-max; gradient descent-এ এটি Hessian-এর condition number কমিয়ে ধাপের সংখ্যা কমায়।যেখানে শিখবেন: পর্ব ১৩পর্ব ৩৮
Feature storeফিচার স্টোর
Feature-এর সংজ্ঞা এক জায়গায় রেখে training-এর জন্য সময়সহ ইতিহাস (offline ভান্ডার) আর চালু অনুমানের জন্য সর্বশেষ মান (online ভান্ডার) দেওয়ার ব্যবস্থা।যেখানে শিখবেন: পর্ব ৭১
Feature subsampling (max_features)ফিচার সাবস্যাম্পলিং
গাছের প্রতিটি ভাগের (split) সময় সব feature-এর বদলে এলোমেলোভাবে বাছা কয়েকটি feature থেকে সেরা প্রশ্ন খোঁজা; গাছগুলোকে একে অন্যের থেকে আলাদা করে আর তাদের correlation কমায়।যেখানে শিখবেন: পর্ব ৩৩
Feedback loopফিডব্যাক লুপ
মডেলের সিদ্ধান্ত ভবিষ্যতের training ডেটাকেই বদলে দেয়, তারপর সেই ডেটা থেকে মডেল আবার শেখে; এই চক্রে পক্ষপাত বাড়তে পারে।যেখানে শিখবেন: পর্ব ৫৩পর্ব ৫৯পর্ব ৬০
Fidelity (of a surrogate)ফিডেলিটি
Surrogate model black box-এর অনুমান কতটা নিখুঁতভাবে নকল করে, held-out ডেটায় R² বা accuracy দিয়ে মাপা; আসল label-এর বিপরীতে নয়।যেখানে শিখবেন: পর্ব ৫৬
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 ১১পর্ব ১২পর্ব ৭৬
Fisher informationফিশার ইনফরমেশন
Log-likelihood-এর দ্বিতীয় derivative-এর ঋণাত্মক প্রত্যাশিত মান, I(θ) = −E[d²ℓ/dθ²]; ডেটা parameter সম্পর্কে কতটা তথ্য দেয় তার মাপ, আর n-টি iid পর্যবেক্ষণে n গুণ হয়।যেখানে শিখবেন: পর্ব ১৮পর্ব ২০
Fisher scoringফিশার স্কোরিং
Newton-এর পদ্ধতির একটি রূপ যেখানে Hessian-এর জায়গায় Fisher information ব্যবহার হয়; canonical link-এর GLM-এ এটি হুবহু Newton.যেখানে শিখবেন: পর্ব ২০
Fixed-horizon testফিক্সড-হরাইজন টেস্ট
যে test-এ sample size বা শেষের দিন আগে ঠিক করা থাকে আর সিদ্ধান্তের জন্য শুধু শেষে একবার test করা হয়।যেখানে শিখবেন: পর্ব ৬২
Fleiss' kappaফ্লাইসেস কাপা
তিন বা বেশি label-দাতার মিলের মাপ; প্রতিটি সারিতে একমত জোড়ার ভাগের গড় থেকে সব label-এর শ্রেণি-ভাগ দিয়ে হিসাব করা কাকতালীয় মিল বাদ দেয়।যেখানে শিখবেন: পর্ব ০৫
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 ০৬পর্ব ০৮পর্ব ৭০
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 ১৮পর্ব ৭৬
Forecast horizonফোরকাস্ট হরাইজন
Origin থেকে কত ধাপ সামনের অনুমান, যেমন h = ১ মানে আগামীকাল, h = ১৪ মানে দুই সপ্তাহ পরের দিন; সাধারণত h বাড়লে ভুলও বাড়ে।যেখানে শিখবেন: পর্ব ৫২
Forecast originফোরকাস্ট অরিজিন
যে মুহূর্তে দাঁড়িয়ে অনুমান করা হয়; এর পরের কোনো মান তখনো জানা নেই।যেখানে শিখবেন: পর্ব ৫২
Forecast reconciliationফোরকাস্ট রিকনসিলিয়েশন
আলাদা আলাদা বানানো স্তরের অনুমানগুলোকে সামঞ্জস্য করা, যাতে জেলাগুলোর যোগফল দেশের অনুমানের সমান হয়; bottom-up, top-down আর MinT এর পদ্ধতি।যেখানে শিখবেন: পর্ব ৫২
Forecastingফোরকাস্টিং
সময়ের ক্রমে থাকা অতীতের মান দেখে ভবিষ্যতের এক বা একাধিক মান অনুমান করা; কত ধাপ সামনে, তাকে বলে horizon.যেখানে শিখবেন: পর্ব ৫১পর্ব ৫২
Forward / back substitutionফরওয়ার্ড সাবস্টিটিউশন
ত্রিভুজাকার matrix-এর সমীকরণ সমাধানের পদ্ধতি: নিচের-ত্রিভুজে প্রথম অজানা থেকে শুরু করে সামনে (forward), ওপরের-ত্রিভুজে শেষটি থেকে পেছনে (back); খরচ প্রায় n² গুণ-যোগ।যেখানে শিখবেন: পর্ব ১০
Forward stagewise additive modellingফরওয়ার্ড স্টেজওয়াইজ অ্যাডিটিভ মডেলিং
Additive model গড়ার একটি পদ্ধতি: প্রতি ধাপে আগের সব অংশ স্থির রেখে loss সবচেয়ে কমায় এমন একটি নতুন অংশ যোগ করা; exponential loss-এ এটিই AdaBoost.যেখানে শিখবেন: পর্ব ৩৪
Forward-mode automatic differentiationফরওয়ার্ড মোড
প্রোগ্রামের সঙ্গে সঙ্গে একটি input দিকের derivative সামনে বয়ে নেওয়া, যা একবারে একটি Jacobian-vector product দেয়; কম input আর বেশি output-এ সুবিধাজনক।যেখানে শিখবেন: পর্ব ১১
Foundation modelফাউন্ডেশন মডেল
বিশাল ও বৈচিত্র্যময় ডেটায় আগে থেকে শেখানো একটি বড় model, যা পরে অল্প বদলে বা সরাসরি অনেক কাজে ব্যবহার করা যায়।যেখানে শিখবেন: পর্ব ৩৮
Freedman–Diaconis ruleফ্রিডম্যান-ডায়াকোনিস রুল
histogram-এর bin width = 2 × IQR × n^(−1/3); standard deviation-এর বদলে IQR নেয় বলে outlier আর বাঁকা ডেটায় স্থির থাকে।যেখানে শিখবেন: পর্ব ৪০
Friedman testফ্রিডম্যান টেস্ট
অনেক ডেটাসেটে (বা block-এ) অনেক algorithm-এর rank থেকে “সবাই সমান” null hypothesis পরীক্ষার non-parametric test; Milton Friedman ১৯৩৭ সালে প্রস্তাব করেন।যেখানে শিখবেন: পর্ব ২২
Friedman's H-statisticফ্রিডম্যানের এইচ-স্ট্যাটিস্টিক
দুটি feature-এর যৌথ partial dependence-এর variance-এর কত ভাগ তাদের আলাদা partial dependence-এর যোগফল দিয়ে ব্যাখ্যা হয় না, তার মাপ; ০ মানে interaction নেই।যেখানে শিখবেন: পর্ব ৫৬
Frobenius normফ্রোবেনিয়াস নর্ম
Matrix-এর সব ঘরের বর্গের যোগফলের বর্গমূল, ‖M‖F; matrix-কে একটি লম্বা vector ধরে নেওয়া L2 norm, যার বর্গ সব singular value-এর বর্গের যোগফল।যেখানে শিখবেন: পর্ব ০৯পর্ব ১১পর্ব ৩১
Full conditional distributionফুল কন্ডিশনাল
বাকি সব parameter আর ডেটা স্থির ধরে একটি parameter-এর বণ্টন, যেমন p(μ | σ², y); Gibbs sampling এগুলো থেকে পালাক্রমে নমুনা নেয়।যেখানে শিখবেন: পর্ব ৪৭
Full conformal predictionফুল কনফর্মাল
প্রতিটি সম্ভাব্য উত্তর y-এর জন্য নতুন উদাহরণসহ model আবার শিখিয়ে পরিসর বানানো মূল রূপ; ডেটা নষ্ট হয় না, কিন্তু খরচ অনেক বেশি।যেখানে শিখবেন: পর্ব ৫৮
Full rankফুল র‍্যাঙ্ক
একটি matrix-এর rank যত বড় হওয়া সম্ভব (সারি আর কলামের ছোটটির সমান) তত হলে full rank; design matrix-এ full column rank মানে সব কলাম স্বাধীন আর least squares-এর coefficient একক।যেখানে শিখবেন: পর্ব ০৬
Functional gradient descentফাংশনাল গ্রেডিয়েন্ট ডিসেন্ট
Parameter নয়, model-এর অনুমানগুলোকেই (প্রতিটি সারিতে F-এর মান) loss কমানোর দিকে একটু একটু সরানো; gradient boosting এই ধারণার ব্যবহারিক রূপ।যেখানে শিখবেন: পর্ব ৩৫
Fundamental problem of causal inferenceফান্ডামেন্টাল প্রবলেম অব কজাল ইনফারেন্স
একই মানুষের Y(1) আর Y(0) একসঙ্গে কখনো দেখা যায় না, তাই ব্যক্তিগত প্রভাব সরাসরি মাপা অসম্ভব; Paul Holland ১৯৮৬ সালে এই নাম দেন।যেখানে শিখবেন: পর্ব ৬৪
Funnel analysisফানেল অ্যানালাইসিস
ধাপে ধাপে (যেমন দেখা, cart, checkout, টাকা দেওয়া) কতজন পরের ধাপে পৌঁছান আর কোথায় ঝরে পড়েন, তা মাপা।যেখানে শিখবেন: পর্ব ৬১
Fuzzy neighbour graphফাজি নেইবার গ্রাফ
প্রতিটি কিনারা ০ থেকে ১-এর একটি ওজন পায় এমন প্রতিবেশীর graph; UMAP এটি বানিয়ে কম মাত্রায় একই রকম graph মেলাতে চায়।যেখানে শিখবেন: পর্ব ৪২

G

Gamma distributionগামা ডিস্ট্রিবিউশন
ধনাত্মক, ডান দিকে হেলানো মানের (যেমন ডেলিভারির সময়) একটি distribution, shape k আর scale s; গড় k·s, variance k·s², আর k-এর MLE-এর closed form নেই।যেখানে শিখবেন: পর্ব ১৮পর্ব ২০পর্ব ৪৭
Gamma-Gamma modelগামা-গামা মডেল
অর্ডারপ্রতি খরচের model: প্রতিটি অর্ডারের টাকা ক্রেতার নিজস্ব গড়ের চারপাশে gamma বণ্টনে, আর সেই গড় ক্রেতাভেদে ছড়ানো; CLV-তে BG/NBD-এর সঙ্গে জোড়া হয়।যেখানে শিখবেন: পর্ব ৬৫
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 ০৪পর্ব ৬৭
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 ০৬
Gaussian mixture model (GMM)গাউসিয়ান মিক্সচার মডেল
কয়েকটি Gaussian-এর ওজন দেওয়া যোগফল দিয়ে বানানো density, p(x) = ∑ πₖ N(x; μₖ, Σₖ); প্রতিটি Gaussian একটি দল, আর প্রতিটি বিন্দু কোন দলের তা সম্ভাবনায় বলা যায়।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৪০
Gaussian processগাউসিয়ান প্রসেস
Function-এর ওপর একটি সম্ভাবনা বণ্টন, যেখানে যেকোনো কয়েকটি বিন্দুর মান একসঙ্গে multivariate Gaussian আর covariance আসে kernel থেকে; এর অনুমানের গড় kernel ridge-এর অনুমানের সমান।যেখানে শিখবেন: পর্ব ৩০পর্ব ৪৬পর্ব ৪৯
Generalisation gapজেনারালাইজেশন গ্যাপ
একটি নিয়মের true risk আর empirical risk-এর পার্থক্য; train ডেটার ফল নতুন ডেটায় কতটা বদলায় তার মাপ।যেখানে শিখবেন: পর্ব ০৩
Generalized additive model (GAM)জেনারেলাইজড অ্যাডিটিভ মডেল
প্রতিটি feature-এর জন্য আলাদা একটি মসৃণ function শিখে সেগুলো যোগ করে এমন model, যেমন f₁(দূরত্ব) + f₂(ঘণ্টা); প্রতিটি অংশ আলাদা করে আঁকা আর পড়া যায়।যেখানে শিখবেন: পর্ব ২৩
Generalized linear model (GLM)জেনারেলাইজড লিনিয়ার মডেল
Exponential family-র একটি বণ্টন, একটি linear predictor Xβ আর একটি link function দিয়ে গড়া model; linear, logistic আর Poisson regression এর সদস্য।যেখানে শিখবেন: পর্ব ২০পর্ব ৩৮পর্ব ৭৩
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 ১৯পর্ব ৩৯
Geodesic distanceজিওডেসিক ডিসট্যান্স
পাতা বা তলের ওপর দিয়ে হেঁটে যাওয়ার সবচেয়ে ছোট পথের দৈর্ঘ্য, সোজা লাইনে উড়ে যাওয়ার দূরত্ব নয়।যেখানে শিখবেন: পর্ব ৪২
Geometric marginজিওমেট্রিক মার্জিন
y(w · x + b)/‖w‖, অর্থাৎ label দিয়ে গুণ করা চিহ্নসহ দূরত্ব; w আর b-কে একই সংখ্যায় গুণ করলে বদলায় না। পুরো ডেটার জন্য সবচেয়ে ছোটটি নেওয়া হয়।যেখানে শিখবেন: পর্ব ২৭
Gibbs samplingগিবস স্যাম্পলিং
একটি MCMC পদ্ধতি: বাকি সব স্থির রেখে একটি একটি চলক তার শর্তসাপেক্ষ বণ্টন থেকে পালাক্রমে নতুন করে আঁকা; LDA-তে প্রতিটি শব্দের topic এভাবে বারবার বদলানো হয়।যেখানে শিখবেন: পর্ব ৪৪পর্ব ৪৭
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 কমাতে প্রশ্ন বাছে।যেখানে শিখবেন: পর্ব ৩২পর্ব ৭৩পর্ব ৭৪
Global explanationগ্লোবাল এক্সপ্লেনেশন
পুরো ডেটায় model-এর গড় আচরণের ব্যাখ্যা, যেমন permutation importance বা PDP; একটি সারির ব্যাখ্যা (local) থেকে আলাদা।যেখানে শিখবেন: পর্ব ৫৬
Global forecasting modelগ্লোবাল মডেল
অনেকগুলো series (যেমন সব জেলা বা সব পণ্য) একসঙ্গে একটি model-এ শেখানো, series-এর পরিচয় একটি feature হিসেবে দিয়ে; ছোট বা নতুন series অন্যদের ধরন থেকে ধার নিতে পারে।যেখানে শিখবেন: পর্ব ৫২
Global minimumগ্লোবাল মিনিমাম
পুরো function-এর সবচেয়ে কম মানের বিন্দু; non-convex loss-এ gradient descent সেখানে পৌঁছাবে এমন নিশ্চয়তা নেই।যেখানে শিখবেন: পর্ব ১২
Global surrogate modelগ্লোবাল সারোগেট মডেল
একটি ছোট, পড়া যায় এমন model (যেমন অগভীর decision tree) যা আসল label নয়, black box-এর অনুমান শেখে, যাতে black box-এর আচরণ মোটা দাগে বোঝা যায়।যেখানে শিখবেন: পর্ব ৫৬
Gold setগোল্ড সেট
আগে থেকে যত্ন নিয়ে নিশ্চিত করা উত্তরসহ কিছু সারি, যা label-দাতা বা model-এর মান মাপতে মাঝে মাঝে মিশিয়ে দেওয়া হয়।যেখানে শিখবেন: পর্ব ০৫
Golden setগোল্ডেন সেট
কয়েকটি স্থির ইনপুট আর তাদের প্রত্যাশিত অনুমান, যা দিয়ে নতুন পরিবেশে load করা model একই উত্তর দিচ্ছে কি না যাচাই করা হয়।যেখানে শিখবেন: পর্ব ৬৮পর্ব ৭৫
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 ০২পর্ব ৬৬
GOSS (Gradient-based One-Side Sampling)গস
LightGBM-এর কৌশল: বড় |g|-এর সারিগুলো সবটা রাখা আর ছোট |g|-এর সারি থেকে এলোমেলো নমুনা নিয়ে ওজন বাড়ানো, যাতে কম সারিতে প্রায় একই gain পাওয়া যায়।যেখানে শিখবেন: পর্ব ৩৬
Gradientগ্রেডিয়েন্ট
সব partial derivative পাশাপাশি সাজানো vector, ∇f; চলকের হুবহু আকারের, সবচেয়ে খাড়া চড়াইয়ের দিক দেখায়, আর এর দৈর্ঘ্য বলে ঢাল কত খাড়া।যেখানে শিখবেন: পর্ব ১১পর্ব ১২পর্ব ১৩
Gradient boostingগ্রেডিয়েন্ট বুস্টিং
ছোট গাছ একটির পর একটি যোগ করে, প্রতিটি নতুন গাছ আগের মিলিত অনুমানের ভুলের দিক (loss-এর gradient) শেখে; ধাপে ধাপে bias কমায়।যেখানে শিখবেন: পর্ব ০১পর্ব ৩১পর্ব ৩৮
Gradient checkingগ্রেডিয়েন্ট চেকিং
হাতে লেখা gradient-এর সূত্রকে finite difference দিয়ে পাওয়া সংখ্যার সঙ্গে মিলিয়ে বাগ ধরার অভ্যাস।যেখানে শিখবেন: পর্ব ১১পর্ব ৭৬
Gradient descentগ্রেডিয়েন্ট ডিসেন্ট
loss-এর ঢালের (gradient) উল্টো দিকে ছোট ছোট ধাপে parameter বদলে loss কমানোর পদ্ধতি; ধাপের আকার ঠিক করে learning rate.যেখানে শিখবেন: পর্ব ০১পর্ব ১১পর্ব ১৩
Gradient noiseগ্রেডিয়েন্ট নয়েজ
Mini-batch বা একটি উদাহরণ থেকে নেওয়া gradient আর পুরো ডেটার আসল gradient-এর পার্থক্য; এর variance মোটামুটি σ²/B, তাই batch বাড়ালে কমে।যেখানে শিখবেন: পর্ব ১৩
Gram matrixগ্রাম ম্যাট্রিক্স
কয়েকটি vector-এর প্রতিটি জোড়ার dot product (বা kernel মান) দিয়ে বানানো বর্গাকার matrix, যেমন XXᵀ; সবসময় positive semidefinite থাকে।যেখানে শিখবেন: পর্ব ১০পর্ব ২৯পর্ব ৩০
Gram–Schmidt processগ্রাম–শ্মিট প্রসেস
কয়েকটি independent vector থেকে একই span-এর orthonormal basis বানানোর পদ্ধতি: প্রতিটি নতুন vector থেকে আগের দিকগুলোর ছায়া বাদ দিয়ে বাকিটার দৈর্ঘ্য ১ করা; এর হিসাব থেকেই QR আসে।যেখানে শিখবেন: পর্ব ০৭
Greenwood formulaগ্রিনউড ফর্মুলা
Kaplan–Meier অনুমানের variance-এর সূত্র: Ŝ(t)² × ∑ d/(n(n − d)); এর বর্গমূল standard error দেয়।যেখানে শিখবেন: পর্ব ৫৫পর্ব ৭৩
Group-sequential testগ্রুপ-সিকোয়েনশিয়াল টেস্ট
কয়েকটি আগে পরিকল্পিত অন্তর্বর্তী দেখায় উঁচু সীমা ব্যবহার করে test, যাতে আগে থামার সুযোগ থাকে অথচ সব দেখা মিলে মোট Type I error α-তেই থাকে।যেখানে শিখবেন: পর্ব ৬২
Grouped permutation importanceগ্রুপড পারমিউটেশন ইমপর্ট্যান্স
কয়েকটি ঘনিষ্ঠ কলাম একই এলোমেলো ক্রমে একসঙ্গে সরিয়ে score কতটা খারাপ হয় তা মাপা; দলের মিলিত তথ্যের মাপ দেয় আর কলামগুলোর পারস্পরিক সম্পর্ক অটুট রাখে।যেখানে শিখবেন: পর্ব ৫৬
Growth functionগ্রোথ ফাংশন
n-টি বিন্দুর ওপর একটি hypothesis class সর্বোচ্চ কত রকম আলাদা labeling তৈরি করতে পারে, সেই সংখ্যা।যেখানে শিখবেন: পর্ব ০৩
Guardrail metricগার্ডরেল মেট্রিক
A/B test-এ এমন মাপ যা উন্নত হওয়ার দরকার নেই কিন্তু খারাপ হওয়া চলবে না, যেমন বাতিলের হার, পাতা খোলার সময় বা অভিযোগ; ক্ষতি ধরার জন্য নজরে রাখা হয়।যেখানে শিখবেন: পর্ব ৬২পর্ব ৬৩পর্ব ৬৬

H

Hamiltonian Monte Carlo (HMC)হ্যামিলটোনিয়ান মন্টে কার্লো
Log posterior-এর gradient ব্যবহার করে একটি কাল্পনিক কণার গতিপথ ধরে দূরের প্রস্তাব বানানো MCMC পদ্ধতি; বেশি মাত্রা আর correlated posterior-এ random walk-এর চেয়ে অনেক কম autocorrelation দেয়।যেখানে শিখবেন: পর্ব ৪৭
Hamming lossহ্যামিং লস
Multilabel-এ ভুল ট্যাগ-ঘরের সংখ্যা ভাগ মোট ঘর (সারি × ট্যাগ); প্রতিটি ঘরের ভুল সমান গোনে, কম হলে ভালো।যেখানে শিখবেন: পর্ব ২৫
Hard clusteringহার্ড ক্লাস্টারিং
প্রতিটি বিন্দুকে ঠিক একটি দলে বসানো, যেমন k-means বা GMM-এর responsibility থেকে সবচেয়ে বড়টি বেছে নেওয়া।যেখানে শিখবেন: পর্ব ৩৯
Hard marginহার্ড মার্জিন
যে SVM-এ প্রতিটি train বিন্দুকে কিনারার বাইরে বা কিনারায় থাকতেই হবে, yᵢ(w · xᵢ + b) ≥ 1; একটি বিন্দুও ভুল দিকে থাকলে সমাধান থাকে না।যেখানে শিখবেন: পর্ব ২৭
Hard votingহার্ড ভোটিং
প্রতিটি model একটি label দেয়, আর যে label সবচেয়ে বেশি ভোট পায় সেটিই ensemble-এর উত্তর; সম্ভাবনার মাত্রা গোনা হয় না।যেখানে শিখবেন: পর্ব ৩৭
Harmonic numberহারমোনিক নাম্বার
H(i) = 1 + 1/2 + … + 1/i; বড় i-তে প্রায় ln i + 0.5772, যেখানে 0.5772 হলো Euler–Mascheroni ধ্রুবক।যেখানে শিখবেন: পর্ব ৪৩
Hash collisionহ্যাশ কলিশন
দুটি আলাদা ইনপুট একই hash মান পেলে যা ঘটে; feature hashing-এ এর মানে দুটি আলাদা শব্দ একই কলামে মিশে যাওয়া।যেখানে শিখবেন: পর্ব ৭০
Hash functionহ্যাশ ফাংশন
যেকোনো আকারের ডেটা থেকে নির্দিষ্ট দৈর্ঘ্যের একটি ছোট সংখ্যা বা ছাপ বানানোর নিয়ম; একই ইনপুটে সবসময় একই ফল দেয়।যেখানে শিখবেন: পর্ব ৭০
HashingVectorizerহ্যাশিং ভেক্টরাইজার
scikit-learn-এর লেখা থেকে sparse feature বানানোর টুল, যা শব্দভান্ডার না শিখে প্রতিটি token-কে hash দিয়ে n_features-টি কলামের একটিতে পাঠায়; তাই chunk-এ chunk-এ চলে।যেখানে শিখবেন: পর্ব ৭০
Hat matrix (H)হ্যাট ম্যাট্রিক্স
Least squares-এ H = X(XᵀX)⁻¹Xᵀ, যা y-কে অনুমান ŷ = Hy-তে পাঠায়; এটি X-এর column space-এ orthogonal projection, আর এর trace parameter-এর সংখ্যা।যেখানে শিখবেন: পর্ব ০৭পর্ব ১৭পর্ব ২৩
Hazard function h(t)হ্যাজার্ড ফাংশন
এখন পর্যন্ত টিকে থাকা কারও ঠিক এই মুহূর্তে ঘটনা ঘটার তাৎক্ষণিক হার, f(t)/S(t); এটি হার, সম্ভাবনা নয়।যেখানে শিখবেন: পর্ব ৫৫
Hazard ratio (HR)হ্যাজার্ড রেশিও
দুই অবস্থার hazard-এর অনুপাত; Cox model-এ একটি বৈশিষ্ট্য এক একক বাড়লে hazard যত গুণ হয়, সেটি e^β. এটি সম্ভাবনার অনুপাত নয়।যেখানে শিখবেন: পর্ব ৫৫পর্ব ৭৪
Health checkহেলথ চেক
সার্ভিসের একটি ছোট endpoint, যা ডেকে বাইরের সিস্টেম জানতে পারে সার্ভিস চলছে কি না আর model load হয়েছে কি না।যেখানে শিখবেন: পর্ব ৬৮
Heatmapহিটম্যাপ
একটি টেবিলের প্রতিটি ঘরের মানকে রঙে দেখানোর chart, যেমন cohort × মাসের retention টেবিল।যেখানে শিখবেন: পর্ব ৬১
Heavy-ball methodহেভি-বল মেথড
Boris Polyak-এর ১৯৬৪ সালের momentum পদ্ধতি; ভারী বলের জড়তার মতো আগের গতি ধরে রাখে, quadratic-এ tuned হলে হার (√κ − 1)/(√κ + 1).যেখানে শিখবেন: পর্ব ১৪
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 ২১পর্ব ৬২পর্ব ৬৩
Held-out log-likelihoodহেল্ড-আউট লগ-লাইকলিহুড
শেখার সময় দেখা হয়নি এমন ডেটায় ∑ log p̂(x) বা তার গড়; density model আর KDE-র bandwidth বাছাই ও তুলনার প্রধান মাপ, যত বড় তত ভালো।যেখানে শিখবেন: পর্ব ৪০
Hessian matrixহেসিয়ান
একটি সংখ্যা-ফেরত function-এর সব দ্বিতীয় partial derivative-এর matrix, (i, j) ঘরে ∂²f/∂θᵢ∂θⱼ; gradient শূন্য বিন্দুতে এটি positive definite হলে local minimum, indefinite হলে saddle point বোঝায়।যেখানে শিখবেন: পর্ব ১০পর্ব ১১পর্ব ১২
Hessian-vector productহেসিয়ান-ভেক্টর প্রোডাক্ট
পুরো Hessian না বানিয়ে সরাসরি Hv হিসাব করা; খরচ প্রায় কয়েকটি gradient-এর সমান, তাই বড় model-এ Newton-ধাঁচের পদ্ধতি সম্ভব করে।যেখানে শিখবেন: পর্ব ১৫
Heteroscedasticityহেটেরোস্কেডাস্টিসিটি
ভুলের ছড়ানো বা variance সব জায়গায় সমান না হওয়া, যেমন বড় অনুমানে বড় ভুল; সাধারণ standard error তখন ভুল হয়।যেখানে শিখবেন: পর্ব ২০পর্ব ২৩পর্ব ২৪
Hierarchical classificationহায়ারার্কিক্যাল ক্লাসিফিকেশন
শ্রেণিগুলো যখন একটি গাছে সাজানো (যেমন ইলেকট্রনিক্স → মোবাইল → চার্জার) আর অনুমান সেই গাছের একটি পথ; ভুলের মাত্রা গাছের দূরত্বে মাপা যায়।যেখানে শিখবেন: পর্ব ২৫
Hierarchical forecastingহায়ারার্কিক্যাল ফোরকাস্টিং
যখন series-গুলো একটি স্তরবিন্যাসে সাজানো (দেশ → বিভাগ → জেলা → পণ্য), তখন প্রতিটি স্তরের অনুমান এমনভাবে বানানো যাতে নিচের যোগফল ওপরের সমান হয়।যেখানে শিখবেন: পর্ব ৫২পর্ব ৭৭
Hierarchy principleহায়ারার্কি প্রিন্সিপল
Model-এ কোনো interaction রাখলে তার উপাদান feature-গুলোর main effect-ও রাখার নিয়ম; না রাখলে interaction-এর coefficient-এর অর্থ বদলে যায় আর ফল কোডিংয়ের ওপর নির্ভর করে।যেখানে শিখবেন: পর্ব ২৩
High cardinalityহাই কার্ডিনালিটি
একটি কলামে আলাদা মানের সংখ্যা খুব বেশি হওয়া, যেমন প্রতিটি গ্রাহকের নিজস্ব ID; গাছ এমন কলামে অনেক জায়গায় ভাগ করার সুযোগ পায়।যেখানে শিখবেন: পর্ব ৩৩
Hinge lossহিঞ্জ লস
max(0, 1 − m), যেখানে m হলো margin; margin ১-এর কম হলেই শাস্তি দেয়, বেশি হলে শূন্য। SVM-এর loss, যা দিক শেখায় কিন্তু সম্ভাবনা দেয় না।যেখানে শিখবেন: পর্ব ০২পর্ব ১২পর্ব ২৮
Histogram (bin)হিস্টোগ্রাম
একটি সংখ্যার কলামকে কয়েকটি ব্যবধানে (bin) ভাগ করে প্রতিটিতে কতগুলো মান পড়ে তা গোনা; histogram-ভিত্তিক boosting প্রতিটি খোপে g আর h-এর যোগফল রেখে শুধু খোপের সীমায় split খোঁজে।যেখানে শিখবেন: পর্ব ৩৬পর্ব ৪০
Histogram-based gradient boosting (HistGradientBoosting)হিস্ট গ্রেডিয়েন্ট বুস্টিং
scikit-learn-এর histogram-ভিত্তিক gradient boosting (HistGradientBoostingClassifier ও Regressor), যা feature-কে কয়েকটি bin-এ ভাগ করে দ্রুত split খোঁজে আর missing মান নিজেই সামলায়।যেখানে শিখবেন: পর্ব ৩৭পর্ব ৩৮পর্ব ৪৯
Holdout setহোল্ডআউট
শেখার সময় ব্যবহার না করে আলাদা রাখা ডেটার অংশ, যা দিয়ে মূল্যায়ন বা পরের ধাপের বাছাই করা হয়; blending-এ meta-model এখানেই শেখে।যেখানে শিখবেন: পর্ব ৩৭পর্ব ৫১পর্ব ৭১
Holm–Bonferroni methodহোম-বনফেরোনি মেথড
p-value ছোট থেকে বড় সাজিয়ে i-তম-কে α/(m − i + 1)-এর সঙ্গে মেলানো আর প্রথম ব্যর্থতায় থামা (step-down); FWER রক্ষা করে আর Bonferroni-র চেয়ে সবসময় সমান বা বেশি আবিষ্কার দেয়।যেখানে শিখবেন: পর্ব ২২পর্ব ৬৩পর্ব ৭৩
Holt's linear trend methodহোল্টের পদ্ধতি
Exponential smoothing-এ স্তরের সঙ্গে একটি ঢাল b-ও হালনাগাদ করা, α আর β দিয়ে; অনুমান ℓ + h·b.যেখানে শিখবেন: পর্ব ৫১
Holt–Winters methodহোল্ট–উইন্টার্স
Holt-এর স্তর আর ঢালের সঙ্গে ঋতু-মানও γ ওজনে হালনাগাদ করা exponential smoothing; additive বা multiplicative হতে পারে।যেখানে শিখবেন: পর্ব ৫১
Householder reflectionহাউসহোল্ডার রিফ্লেকশন
একক vector u-এর জন্য H = I − 2uuᵀ, u-এর লম্ব সমতলে একটি আয়না; orthogonal আর symmetric. পরপর এমন আয়না দিয়ে matrix-কে triangular বানিয়ে LAPACK QR হিসাব করে।যেখানে শিখবেন: পর্ব ০৭
Huber lossহুবার লস
ছোট ভুলে বর্গ আর বড় ভুলে পরম মানের মতো আচরণ করা loss; সীমা δ পেরোলে ঢাল স্থির থাকে, তাই outlier-এর টান সীমিত। Peter Huber ১৯৬৪ সালে প্রস্তাব করেন।যেখানে শিখবেন: পর্ব ০২পর্ব ২৪পর্ব ৩০
Human-in-the-loopহিউম্যান-ইন-দ্য-লুপ
এমন নকশা, যেখানে model-এর সিদ্ধান্ত চূড়ান্ত হওয়ার আগে একজন মানুষ যাচাই, সংশোধন বা বাতিল করতে পারেন।যেখানে শিখবেন: পর্ব ০৫পর্ব ৭১
Hybrid recommenderহাইব্রিড রিকমেন্ডার
Collaborative filtering আর content-based পদ্ধতির score বা feature মিশিয়ে বানানো recommender, যা cold start আর বিরল পণ্যে বেশি টেকসই।যেখানে শিখবেন: পর্ব ৫৩
Hyperbandহাইপারব্যান্ড
কয়েকটি আলাদা শুরুর বাজেটে successive halving চালিয়ে ঝুঁকি ভাগ করার পদ্ধতি, যাতে কম সম্পদে ভুল র‍্যাঙ্কিং হলেও কোনো একটি bracket ভালো configuration ধরে।যেখানে শিখবেন: পর্ব ৪৯
Hyperparameterহাইপারপ্যারামিটার
Training শুরুর আগে মানুষ যে সেটিং বেছে দেন, যেমন learning rate বা β; model নিজে এটি শেখে না।যেখানে শিখবেন: পর্ব ১৪পর্ব ২৮পর্ব ৩২
Hyperplaneহাইপারপ্লেন
d মাত্রার জায়গায় w·x + b = 0 সমীকরণের সমতল; দুই মাত্রায় এটি একটি সরলরেখা, তিন মাত্রায় একটি সমতল। Linear classifier এর দুই পাশে দুই শ্রেণি রাখে।যেখানে শিখবেন: পর্ব ২৮
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 ০৩
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 ০৩

I

i.i.d. (independent and identically distributed)আই-আই-ডি
উদাহরণগুলো একে অপরের থেকে স্বাধীন আর সবাই একই distribution থেকে টানা; learning theory-র প্রায় সব নিশ্চয়তার মূল শর্ত।যেখানে শিখবেন: পর্ব ০৩পর্ব ১৮পর্ব ২১
ICE curve (individual conditional expectation)আইস কার্ভ
একটি সারির জন্য একটি feature-কে বিভিন্ন মানে বসিয়ে model-এর অনুমানের রেখা; সব ICE রেখার গড়ই PDP, আর রেখাগুলো ছড়ালে interaction বোঝা যায়।যেখানে শিখবেন: পর্ব ৫৬পর্ব ৭৩
ID3 / C4.5আইডি থ্রি / সি ফোর পয়েন্ট ফাইভ
Ross Quinlan-এর গাছ-পদ্ধতি: ID3 information gain দিয়ে বহু-শাখার গাছ বানায়, আর তার উত্তরসূরি C4.5 gain ratio, সংখ্যার feature, অজানা মান আর pruning যোগ করে।যেখানে শিখবেন: পর্ব ৩২
Idempotent matrixআইডেমপোটেন্ট ম্যাট্রিক্স
যে matrix-কে নিজের সঙ্গে গুণ করলে একই থাকে, P² = P; projection-এর ধর্ম: একবার ছায়া ফেললে দ্বিতীয়বার কিছু বদলায় না।যেখানে শিখবেন: পর্ব ০৭
Identity matrix (I)আইডেন্টিটি ম্যাট্রিক্স
কর্ণে ১ আর বাকি সব ঘরে ০ এমন বর্গ matrix; যেকোনো vector-কে অপরিবর্তিত রাখে, Ix = x.যেখানে শিখবেন: পর্ব ০৭পর্ব ০৮পর্ব ১০
Ill-conditioned matrixইল-কন্ডিশন্ড ম্যাট্রিক্স
যে matrix-এর condition number খুব বড়, সাধারণত কলামগুলো প্রায় একই দিকে বলে; তার সঙ্গে সমীকরণ সমাধানে float-এর ছোট ভুল অনেক বড় হয়ে যায়।যেখানে শিখবেন: পর্ব ০৭পর্ব ০৯পর্ব ১৩
imbalanced-learn (imblearn)ইমব্যালান্সড-লার্ন
scikit-learn-এর সঙ্গী একটি Python লাইব্রেরি, যাতে SMOTE, undersampling, Tomek link আর এমন Pipeline আছে, যার sampler ধাপ শুধু fit-এর সময় চলে।যেখানে শিখবেন: পর্ব ৫০
Immature labelইমম্যাচিউর লেবেল
যে সারির label window এখনো শেষ হয়নি, তাই আসল ফল জানা নেই অথচ সাময়িকভাবে একটি মান বসে আছে; এমন সারি দিয়ে train করলে model ভুল শেখে।যেখানে শিখবেন: পর্ব ০২পর্ব ৭৬
Implicit feedbackইমপ্লিসিট ফিডব্যাক
আচরণ থেকে আন্দাজ করা পছন্দ, যেমন কেনা, ক্লিক বা দেখার সময়; পরিমাণে অনেক, কিন্তু না-করা মানে অপছন্দ না অদেখা, তা বোঝা যায় না।যেখানে শিখবেন: পর্ব ৫৩পর্ব ৭১
Implicit regularizationইমপ্লিসিট রেগুলারাইজেশন
Loss-এ কোনো শাস্তি যোগ না করেও optimizer-এর আচরণ (শুরুর বিন্দু, ধাপের সংখ্যা, noise) থেকে আসা regularization, যেমন early stopping-এর প্রভাব।যেখানে শিখবেন: পর্ব ১৭পর্ব ২৭
Importance weightingইমপর্ট্যান্স ওয়েটিং
Covariate shift-এ প্রতিটি training সারিকে w(x) = p_new(x) ÷ p_old(x) ওজন দিয়ে শেখানো, যাতে নতুন বণ্টনে যে ধরনের সারি বেশি, শেখায় তারা বেশি গুরুত্ব পায়।যেখানে শিখবেন: পর্ব ৫৯
Impurity (node impurity)ইমপিউরিটি
একটি node-এ শ্রেণিগুলো কতটা মেশানো বা লক্ষ্যের মান কতটা ছড়ানো তার মাপ; Gini, entropy বা squared error দিয়ে মাপা হয়, আর খাঁটি node-এ শূন্য।যেখানে শিখবেন: পর্ব ৩২
Impurity-based importance (MDI)ইমপিউরিটি ইমপর্ট্যান্স
সব গাছে একটি feature-এর প্রতিটি split impurity কতটা কমিয়েছে, তার নমুনা-ভারযুক্ত যোগফল; train ডেটা থেকে হিসাব হয় বলে অনেক আলাদা মানের feature-এর দিকে ঝোঁকে। scikit-learn-এ এটি feature_importances_.যেখানে শিখবেন: পর্ব ৩৩
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 ৩৬পর্ব ৩৮পর্ব ৬৮
In-processing mitigationইন-প্রসেসিং মিটিগেশন
শেখার লক্ষ্যই বদলে পক্ষপাত কমানো, যেমন loss-এ fairness penalty যোগ বা শর্তসহ optimization; দলের তথ্য শুধু training-এ লাগে।যেখানে শিখবেন: পর্ব ৬০
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 ৬৯
Incremental learningইনক্রিমেন্টাল লার্নিং
নতুন ডেটা এলে model পুরো নতুন করে না শিখিয়ে আগের শেখার ওপর হালনাগাদ করা; scikit-learn-এ partial_fit দিয়ে করা হয়।যেখানে শিখবেন: পর্ব ৭০
Indefinite matrixইনডেফিনিট ম্যাট্রিক্স
যে প্রতিসম matrix-এর ধনাত্মক আর ঋণাত্মক দুই রকম eigenvalue-ই আছে, তাই xᵀAx কিছু দিকে ধনাত্মক আর কিছু দিকে ঋণাত্মক; আকার ঘোড়ার জিনের মতো।যেখানে শিখবেন: পর্ব ১০পর্ব ১৫
Independent component analysis (ICA)ইনডিপেনডেন্ট কম্পোনেন্ট অ্যানালাইসিস
মাপা সংকেত x = As থেকে মিশ্রণ A আর পরিসংখ্যানে স্বাধীন, non-Gaussian উৎস s দুটিই বের করার পদ্ধতি; উৎসের চিহ্ন, মাপ আর ক্রম নির্ধারিত হয় না।যেখানে শিখবেন: পর্ব ৪১পর্ব ৭৪
Inducing pointsইনডিউসিং পয়েন্টস
Sparse Gaussian process-এ বেছে নেওয়া অল্প কয়েকটি প্রতিনিধি বিন্দু, যাদের মধ্য দিয়ে পুরো function-এর তথ্য চালানো হয়; খরচ O(n³) থেকে প্রায় O(nm²)-এ নামে।যেখানে শিখবেন: পর্ব ৪৬
Inductive biasইনডাক্টিভ বায়াস
ডেটা দেখার আগেই একটি শেখার পদ্ধতি পৃথিবী সম্পর্কে যা ধরে নেয়, যেমন সীমানা সোজা বা অক্ষের সমান্তরাল; এটা ছাড়া অদেখা ডেটায় অনুমান সম্ভব নয়।যেখানে শিখবেন: পর্ব ০১পর্ব ০৩
Inductive learningইনডাক্টিভ লার্নিং
ডেটা থেকে একটি সাধারণ নিয়ম বা model শেখা, যা ভবিষ্যতের অদেখা যেকোনো বিন্দুতে অনুমান দিতে পারে।যেখানে শিখবেন: পর্ব ৫৪
Inequality constraintইনইকুয়ালিটি কনস্ট্রেইন্ট
g(x) ≤ 0 আকারের শর্ত, যা একটি সীমার এক পাশে থাকতে বলে; সমাধানে এটি হয় দেয়ালে লেগে থাকে, নয়তো দূরে থাকে।যেখানে শিখবেন: পর্ব ১৬
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 ৭৬
Influential observationইনফ্লুয়েনশিয়াল অবজারভেশন
যে সারি বাদ দিলে fit হওয়া coefficient বা অনুমান অনেক বদলে যায়; সাধারণত উঁচু leverage আর বড় ভুল একসঙ্গে থাকলে এমন হয়।যেখানে শিখবেন: পর্ব ২৪
Information gainইনফরমেশন গেইন
একটি প্রশ্ন দিয়ে ভাগ করলে লক্ষ্যের entropy যতটা কমে, অর্থাৎ মূলের entropy বিয়োগ সন্তানদের ওজনসহ entropy; ID3 আর C4.5 এটি দিয়ে প্রশ্ন বাছে।যেখানে শিখবেন: পর্ব ৩২পর্ব ৭৩
Input validationইনপুট ভ্যালিডেশন
Model-এ দেওয়ার আগে অনুরোধের প্রতিটি field-এর ধরন, সীমা আর চেনা মান যাচাই করা, আর ভুল হলে পরিষ্কার error ফেরত দেওয়া।যেখানে শিখবেন: পর্ব ৬৮
Instance-dependent noiseইনস্ট্যান্স-ডিপেন্ডেন্ট নয়েজ
ভুল label-এর সম্ভাবনা সারির নিজের বৈশিষ্ট্যের ওপর নির্ভর করে, যেমন ব্যঙ্গ বা দ্ব্যর্থক লেখায় ভুল বেশি।যেখানে শিখবেন: পর্ব ০৫
Instrumental variable (IV)ইনস্ট্রুমেন্টাল ভ্যারিয়েবল
এমন একটি চলক Z, যা treatment-কে নাড়ায় কিন্তু ফলে পৌঁছায় শুধু treatment হয়ে; Z-এর ফলের ওপর প্রভাবকে treatment-এর ওপর প্রভাব দিয়ে ভাগ করে (Wald) প্রভাব পাওয়া যায়।যেখানে শিখবেন: পর্ব ৬৪
Inter-annotator agreementইন্টার-অ্যানোটেটর এগ্রিমেন্ট
আলাদা label-দাতা একই সারিতে কতটা একই label দেন তার মাপ; নির্দেশিকা কতটা পরিষ্কার আর কাজটি কতটা দ্ব্যর্থক তা বোঝায়।যেখানে শিখবেন: পর্ব ০৫
Interaction constraintইন্টারঅ্যাকশন কনস্ট্রেইন্ট
কোন feature-গুলো একই গাছের একটি পথে একসঙ্গে ভাগে আসতে পারবে, তার নিয়ম; অপ্রয়োজনীয় interaction বন্ধ করে model সরল আর ব্যাখ্যাযোগ্য রাখে।যেখানে শিখবেন: পর্ব ৩৬
Interaction featureইন্টারঅ্যাকশন ফিচার
দুটি feature-এর গুণফলের মতো একটি কলাম, যা দেখায় একটির প্রভাব অন্যটির মানের ওপর নির্ভর করে কি না।যেখানে শিখবেন: পর্ব ২৩পর্ব ৩৫পর্ব ৩৮
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 ০৬পর্ব ১১পর্ব ১৭
Interference (SUTVA violation)ইন্টারফারেন্স
যখন একজনের দল আরেকজনের ফল বদলায়, যেমন একই courier বা মজুত ভাগ করা গ্রাহক; তখন Rubin-এর SUTVA শর্ত ভাঙে আর সাধারণ A/B তুলনা পক্ষপাতদুষ্ট হয়।যেখানে শিখবেন: পর্ব ৬২
Interleavingইন্টারলিভিং
দুটি ranking-এর ফল একটি তালিকায় মিশিয়ে একই ব্যবহারকারীকে দেখানো আর কোনটির ফলে বেশি click বা কেনা হলো তা গোনা; ranker তুলনায় সাধারণ A/B test-এর চেয়ে কম ট্রাফিকে পার্থক্য ধরা পড়তে পারে।যেখানে শিখবেন: পর্ব ৭৭
Intermittent demandইন্টারমিটেন্ট ডিমান্ড
যে চাহিদার অনেক দিনই শূন্য আর মাঝে মাঝে কিছু বিক্রি, যেমন দামি বা বিরল পণ্য; সাধারণ গড়ভিত্তিক model আর শতাংশ-ভুলের মাপ এখানে ভুল পথে নেয়।যেখানে শিখবেন: পর্ব ৫২
Interpretabilityইন্টারপ্রেটেবিলিটি
একটি model কী শিখেছে আর কেন একটি অনুমান দেয়, মানুষ তা কতটা বুঝতে পারে তার মাপ; model নিজে পড়া যায় এমন হতে পারে, বা পরে জোড়া ব্যাখ্যা দিয়ে বোঝা যায়।যেখানে শিখবেন: পর্ব ৫৬
Interpretable-by-design modelইন্টারপ্রেটেবল-বাই-ডিজাইন মডেল
যে model নিজেই মানুষ পড়তে পারে, যেমন ছোট linear model, ছোট decision tree বা GAM; আলাদা ব্যাখ্যার যন্ত্র লাগে না।যেখানে শিখবেন: পর্ব ৫৬
Intersectional fairnessইন্টারসেকশনাল ফেয়ারনেস
দুই বা বেশি বৈশিষ্ট্যের মিলনে তৈরি দলের (যেমন একটি জেলার ৫০+ বয়সী গ্রাহক) জন্য আলাদা করে fairness মাপা; আলাদা আলাদা দলে না দেখা গেলেও মিলনে বৈষম্য থাকতে পারে।যেখানে শিখবেন: পর্ব ৬০
Interventional (marginal) SHAPইন্টারভেনশনাল শ্যাপ
অনুপস্থিত feature-এর মান background থেকে স্বাধীনভাবে বসিয়ে v(S) গোনার রূপ; model যে feature ছোঁয় না তাকে শূন্য দেয়, কিন্তু অবাস্তব সারি বানাতে পারে।যেখানে শিখবেন: পর্ব ৫৭
Intraclass correlation (ICC)ইন্ট্রাক্লাস কোরিলেশন
একই cluster-এর দুজনের ফল কতটা মিল, তার correlation; ρ দিয়ে লেখা হয়, আর ছোট হলেও বড় cluster-এ design effect বড় করে।যেখানে শিখবেন: পর্ব ৬২
Invariance of the MLEএমএলই-এর ইনভেরিয়েন্স
θ̂ যদি θ-এর MLE হয়, তবে g(θ)-এর MLE হলো g(θ̂); যেমন λ̂ = 1/x̄ হলে গড় অপেক্ষার MLE x̄. MAP আর unbiasedness এই ধর্ম মানে না।যেখানে শিখবেন: পর্ব ১৮
Invariance testইনভ্যারিয়েন্স টেস্ট
যে বদলে ফল বদলানোর কথা নয় (যেমন নাম বা ID), তা করে model-এর output একই থাকে কি না যাচাই।যেখানে শিখবেন: পর্ব ৬৯
Inverse probability weighting (IPW)ইনভার্স প্রোবাবিলিটি ওয়েটিং
Treated মানুষকে 1/e আর control মানুষকে 1/(1 − e) ওজন দিয়ে এমন একটি ছদ্ম-জনসংখ্যা বানানো, যেখানে treatment আর মাপা confounder নিরপেক্ষ; ওজনসহ গড়ের পার্থক্য ATE-র অনুমান।যেখানে শিখবেন: পর্ব ৬৪পর্ব ৭১
Inverse-gamma distributionইনভার্স গামা ডিস্ট্রিবিউশন
যে ধনাত্মক চলকের উল্টো (1/X) Gamma বণ্টন মানে; Normal model-এর variance σ²-এর conjugate prior হিসেবে প্রচলিত।যেখানে শিখবেন: পর্ব ৪৭
IQR (interquartile range)আইকিউআর
তৃতীয় আর প্রথম চতুর্থাংশের পার্থক্য, Q3 − Q1; মাঝের ৫০% মান কত জায়গা জুড়ে আছে তার মাপ, যা outlier-এ প্রায় নড়ে না।যেখানে শিখবেন: পর্ব ৪০
IRLS (iteratively reweighted least squares)আই-আর-এল-এস
প্রতি ধাপে ওজন বদলে একটি weighted least squares সমাধান করা; logistic regression আর GLM-এ এটি আসলে Newton-এর পদ্ধতি।যেখানে শিখবেন: পর্ব ১৫পর্ব ২০পর্ব ২৪
Irreducible errorইরিডিউসিবল এরর
ডেটার নিজের noise থেকে আসা প্রত্যাশিত ভুলের অংশ, squared loss-এ σ², যা কোনো model বা বেশি training ডেটা দিয়ে কমানো যায় না; bias–variance ভাঙনের প্রথম পদ।যেখানে শিখবেন: পর্ব ৭৫
Isolation forestআইসোলেশন ফরেস্ট
এলোমেলো feature আর এলোমেলো কাটে বানানো অনেক গাছের পদ্ধতি; যে বিন্দু গড়ে অল্প কাটে একা হয়ে যায়, তাকে অস্বাভাবিক বলে।যেখানে শিখবেন: পর্ব ৪৩পর্ব ৭৩
Isomapআইসোম্যাপ
k নিকট প্রতিবেশীর graph-এ সবচেয়ে ছোট পথ দিয়ে geodesic দূরত্ব অনুমান করে তার ওপর classical MDS চালানোর পদ্ধতি; Tenenbaum ও সহকর্মী, ২০০০।যেখানে শিখবেন: পর্ব ৪২
Isotonic regressionআইসোটোনিক রিগ্রেশন
শুধু একঘেয়ে বাড়ন্ত হওয়ার শর্তে বর্গ-ভুল সবচেয়ে কম এমন সিঁড়ি-আকারের function শেখা; calibration-এ যেকোনো একঘেয়ে বিকৃতি ধরে, কিন্তু কম ডেটায় overfit করে।যেখানে শিখবেন: পর্ব ২৬পর্ব ৭২পর্ব ৭৫
Item-based collaborative filteringআইটেম-বেসড সিএফ
ব্যবহারকারী যে পণ্যগুলো পছন্দ করেছেন, অনেক ক্রেতার আচরণে সেগুলোর সঙ্গে মিল আছে এমন পণ্য সুপারিশ করার পদ্ধতি; মিলের সারণি আগে থেকে হিসাব রাখা যায়।যেখানে শিখবেন: পর্ব ৫৩
Iterate averaging (Polyak–Ruppert)ইটারেট অ্যাভারেজিং
SGD-এর শেষ দিকের parameter-গুলোর গড়কে উত্তর হিসেবে নেওয়া, যাতে noise-এর কাঁপুনি গড়ে কাটে; scikit-learn-এ average=True.যেখানে শিখবেন: পর্ব ১৩

J

Jackknifeজ্যাকনাইফ
প্রতিবার একটি পর্যবেক্ষণ বাদ দিয়ে n বার পরিসংখ্যান হিসাব করে bias আর standard error অনুমানের পদ্ধতি; গড়ে হুবহু s/√n দেয়, কিন্তু median-এর মতো অমসৃণ পরিসংখ্যানে ব্যর্থ।যেখানে শিখবেন: পর্ব ২১পর্ব ৫৮
Jackknife+জ্যাকনাইফ প্লাস
Leave-one-out model আর তাদের residual মিলিয়ে পরিসর বানানোর conformal-ধাঁচের পদ্ধতি, যা আলাদা calibration ভাগ ছাড়াই অন্তত ১ − ২α coverage-এর নিশ্চয়তা দেয়।যেখানে শিখবেন: পর্ব ৫৮
Jacobian matrixজ্যাকোবিয়ান
f: ℝⁿ → ℝᵐ এমন vector function-এর সব প্রথম partial derivative সাজানো m × n matrix; সারি i-তে fᵢ-এর gradient, আর ছোট সরণ dx-এ f-এর বদল প্রায় J·dx.যেখানে শিখবেন: পর্ব ১১পর্ব ৪০
Jensen's inequalityজেনসেনস ইনইকুয়ালিটি
Convex f আর random variable X-এর জন্য f(E[X]) ≤ E[f(X)]; concave f-এ দিক উল্টো। জ্যার সংজ্ঞার বহু বিন্দুর রূপ, যা থেকে KL divergence ≥ ০ প্রমাণ হয়।যেখানে শিখবেন: পর্ব ১২পর্ব ৩৯পর্ব ৪৮
Jitter (diagonal jitter)জিটার
Cholesky বা inverse চালানোর আগে matrix-এর কর্ণে ছোট ε যোগ করা (A + εI), যাতে rounding-এর ক্ষুদ্র ঋণাত্মক eigenvalue সরে যায়; সব eigenvalue ε বাড়ায়, কিন্তু ডেটার আসল নির্ভরশীলতা সারায় না।যেখানে শিখবেন: পর্ব ১০পর্ব ৪৬
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 ৬৬পর্ব ৬৮পর্ব ৭০
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 ০৪
Julian day (julianday())জুলিয়ান ডে
একটি নির্দিষ্ট প্রাচীন দিন থেকে কত দিন (ভগ্নাংশসহ) পার হয়েছে; SQLite-এ দুটি julianday()-এর বিয়োগফল দুই সময়ের ব্যবধান দিনে দেয়।যেখানে শিখবেন: পর্ব ৬১

K

k-d treeকে-ডি ট্রি
বিন্দুগুলোকে একেকবার একেকটি অক্ষ বরাবর ভাগ করে সাজানো একটি গাছ, যা কম মাত্রায় নিকটতম প্রতিবেশী খোঁজা সব দূরত্ব মাপার চেয়ে অনেক দ্রুত করে।যেখানে শিখবেন: পর্ব ৫০পর্ব ৫৭পর্ব ৬৪
k-distanceকে-ডিস্ট্যান্স
একটি বিন্দু থেকে তার k-তম নিকটতম প্রতিবেশীর দূরত্ব; বিন্দুটির চারপাশ কতটা ঘন, তার একটি মাপ।যেখানে শিখবেন: পর্ব ৪৩
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; objective কেন্দ্রের সাপেক্ষে non-convex, তাই ফল শুরুর ওপর নির্ভর করে।যেখানে শিখবেন: পর্ব ১২পর্ব ৩৯পর্ব ৭৬
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 ৭৬
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; দূরত্বনির্ভর বলে scaling জরুরি।যেখানে শিখবেন: পর্ব ৩৮পর্ব ৫০পর্ব ৫৪
Kalman filterকালম্যান ফিল্টার
State space model-এ প্রতিটি নতুন পর্যবেক্ষণ এলে লুকানো অবস্থার অনুমান আর তার অনিশ্চয়তা হালনাগাদ করার পুনরাবৃত্ত পদ্ধতি; এক-ধাপ ভুল থেকে likelihood গোনে।যেখানে শিখবেন: পর্ব ৫১
Kaplan–Meier estimatorক্যাপলান-মায়ার এস্টিমেটর
প্রতিটি ঘটনার সময়ে (১ − d/n) গুণ করে survival function-এর non-parametric অনুমান, যেখানে n তখনো ঝুঁকিতে আর d সেদিনের ঘটনা।যেখানে শিখবেন: পর্ব ৫৫পর্ব ৭৩
Kappa paradoxকাপা প্যারাডক্স
কাঁচা মিল খুব বেশি হলেও kappa কম আসার ঘটনা, সাধারণত এক শ্রেণি খুব প্রচলিত হওয়ায় কাকতালীয় মিল বড় হলে।যেখানে শিখবেন: পর্ব ০৫
KDE (kernel density estimation)কে-ডি-ই
প্রতিটি পর্যবেক্ষণে h চওড়া একটি ছোট kernel ঢিবি বসিয়ে সব যোগ করে n·h দিয়ে ভাগ করা, p̂(x) = (1/nh)∑K((x − xᵢ)/h); distribution-এর একটি মসৃণ, আকারহীন অনুমান।যেখানে শিখবেন: পর্ব ৪০পর্ব ৭৩
Kernel (kernel function)কার্নেল
দুটি বিন্দুর মিল মাপার একটি function, যেমন RBF; এটি দিয়ে SVM-এর মতো model নতুন feature স্পষ্টভাবে না বানিয়েই বাঁকা সীমানা শেখে।যেখানে শিখবেন: পর্ব ০১পর্ব ১০পর্ব ২৯
Kernel approximationকার্নেল অ্যাপ্রক্সিমেশন
পুরো n×n kernel matrix না বানিয়ে অল্প কয়েকটি feature দিয়ে kernel-এর মান আন্দাজ করা, যাতে তার ওপর দ্রুত linear model চালানো যায়; যেমন Nyström আর random Fourier features.যেখানে শিখবেন: পর্ব ৩১
Kernel cacheকার্নেল ক্যাশ
SVM solver-এর একটি সীমিত memory, যেখানে সম্প্রতি হিসাব করা kernel সারিগুলো রাখা হয় যাতে বারবার হিসাব না লাগে; SVC-তে cache_size দিয়ে ঠিক করা হয়।যেখানে শিখবেন: পর্ব ৩১
Kernel centring (double centring)কার্নেল সেন্টারিং
φ-এর জগতে গড় বাদ দেওয়ার কাজ সরাসরি Gram matrix-এ করা: K − 1ₙK − K1ₙ + 1ₙK1ₙ, অর্থাৎ প্রতিটি ঘর থেকে সারি আর কলামের গড় বাদ দিয়ে সব ঘরের গড় যোগ।যেখানে শিখবেন: পর্ব ৪১
Kernel compositionকার্নেল কম্পোজিশন
দুটি বৈধ kernel যোগ বা গুণ করে নতুন বৈধ kernel বানানো; যোগ মানে দুটি স্বাধীন অংশের যোগফল, যেমন সাপ্তাহিক ছাঁদ, ধীর ওঠানামা আর noise-এর যোগফল।যেখানে শিখবেন: পর্ব ৪৬
Kernel PCAকার্নেল পিসিএ
Kernel-এর feature space-এ PCA: কেন্দ্রে আনা Gram matrix-এর eigenvector থেকে উপাদান বের করা, ফলে φ না বানিয়েই বাঁকা গঠনের অক্ষ পাওয়া যায়।যেখানে শিখবেন: পর্ব ৪১
Kernel ridge regression (KRR)কার্নেল রিজ রিগ্রেশন
Kernel দিয়ে বানানো feature space-এ ridge regression; সমাধান বন্ধ রূপে α = (K + λI)⁻¹y, আর অনুমান f(x) = Σ αᵢ k(xᵢ, x) আকারের।যেখানে শিখবেন: পর্ব ৩০পর্ব ৭৩
Kernel trickকার্নেল ট্রিক
যে algorithm শুধু dot product ব্যবহার করে, সেখানে x·z-এর জায়গায় k(x, z) = φ(x)·φ(z) বসিয়ে φ না বানিয়েই উঁচু মাত্রায় linear model শেখার কৌশল।যেখানে শিখবেন: পর্ব ২৯পর্ব ৭৪পর্ব ৭৫
KernelSHAPকার্নেল শ্যাপ
Shapley kernel-এর ওজনে একটি weighted linear regression দিয়ে Shapley value অনুমান; যেকোনো model-এ চলে, সব coalition নিলে নিখুঁত মেলে।যেখানে শিখবেন: পর্ব ৫৭
KKT conditionsকে-কে-টি কন্ডিশন
Karush–Kuhn–Tucker-এর চারটি শর্ত: stationarity, primal feasibility, dual feasibility আর complementary slackness; convex সমস্যায় এগুলো মিললেই global সমাধান।যেখানে শিখবেন: পর্ব ১৬পর্ব ২৭পর্ব ২৮
KL divergence (Kullback–Leibler)কেএল ডাইভারজেন্স
মডেল q দিয়ে আসল p লেখার বাড়তি খরচ, H(p, q) − H(p); Jensen-এর অসমতা থেকে সবসময় শূন্য বা ধনাত্মক, আর দুই দিকে সাধারণত আলাদা।যেখানে শিখবেন: পর্ব ১২পর্ব ১৮পর্ব ৩৯
Knotনট
Spline-এর যে বিন্দুতে একটি polynomial টুকরো শেষ হয়ে পরেরটি শুরু হয়; knot-এর সংখ্যা আর অবস্থান spline-এর নমনীয়তা ঠিক করে।যেখানে শিখবেন: পর্ব ২৩
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 ৫৯
KPSS testকেপিএসএস টেস্ট
Kwiatkowski–Phillips–Schmidt–Shin test, যার null hypothesis হলো series stationary; ছোট p মানে differencing লাগবে, আর statsmodels-এ p শুধু 0.01 থেকে 0.10-এর টেবিল থেকে আসে.যেখানে শিখবেন: পর্ব ৫১
Krigingক্রিগিং
ভূ-পরিসংখ্যানের পদ্ধতি, যা কাছের মাপা বিন্দুগুলোর covariance-ভিত্তিক ওজনে অজানা জায়গার মান আর তার variance অনুমান করে; গণিতে এটি Gaussian process regression-এর সমান।যেখানে শিখবেন: পর্ব ৪৬
Krippendorff's alphaক্রিপেনডর্ফস আলফা
মিলের একটি নমনীয় মাপ, যা যেকোনো সংখ্যক label-দাতা, বাদ পড়া label আর nominal থেকে interval পর্যন্ত নানা মাপের ধরন সামলাতে পারে।যেখানে শিখবেন: পর্ব ০৫
Kurtosis (excess)কারটোসিস
গড় শূন্য আর variance এক করা চলকের E[x⁴] থেকে ৩ বাদ দেওয়া মান; Gaussian-এ ০, চ্যাপ্টা বণ্টনে ঋণাত্মক, চোখা আর ভারী লেজের বণ্টনে ধনাত্মক।যেখানে শিখবেন: পর্ব ৪১

L

L-BFGS (limited-memory BFGS)এল-বি-এফ-জি-এস
BFGS-এর সীমিত-স্মৃতি রূপ, যা ঘন matrix না রেখে শুধু শেষ m জোড়া (s, y) রাখে; মেমরি প্রায় 2md, তাই লাখো parameter-এও চলে।যেখানে শিখবেন: পর্ব ১৫পর্ব ৪৬
L-BFGS-Bএল-বিএফজিএস-বি
Limited-memory BFGS-এর একটি রূপ, যা প্রতিটি চলকের নিচের আর ওপরের সীমা (box) মানতে পারে, কিন্তু সাধারণ শর্ত নয়।যেখানে শিখবেন: পর্ব ১৬পর্ব ৬০
L-smooth (Lipschitz gradient)এল-স্মুথ
Gradient খুব হঠাৎ বদলায় না এমন function: ‖∇f(x) − ∇f(y)‖ ≤ L‖x − y‖; convex আর দুবার differentiable হলে Hessian-এর সবচেয়ে বড় eigenvalue L-এর বেশি নয়, আর gradient descent-এর ধাপ η তখন 2/L-এর কম রাখতে হয়।যেখানে শিখবেন: পর্ব ১২পর্ব ১৩পর্ব ১৪
L1 normএল-ওয়ান নর্ম
সব ঘরের পরম মানের যোগফল, ‖w‖₁ = ∑|wⱼ|; দুই মাত্রায় এর একক বল একটি হীরা, যার কোণ অক্ষের ওপর।যেখানে শিখবেন: পর্ব ১৭
L2 norm (Euclidean)এল-টু নর্ম
সব ঘরের বর্গের যোগফলের বর্গমূল, ‖w‖ = √(w₁² + w₂² + …); সোজা লাইনের দূরত্ব, np.linalg.norm-এর default.যেখানে শিখবেন: পর্ব ২৭
Labelলেবেল
একটি উদাহরণের সঠিক উত্তর, যা supervised learning-এ model-কে শেখার জন্য দেওয়া হয়; প্রায়ই খাতা থেকে একটি নিয়ম দিয়ে বানাতে হয়।যেখানে শিখবেন: পর্ব ০২পর্ব 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 ৬০
Label delayলেবেল ডিলে
অনুমান করার অনেক পরে আসল ফল জানা যাওয়া, যেমন churn জানতে ৬০ দিন; এই সময়ে model-এর আসল মান মাপা যায় না।যেখানে শিখবেন: পর্ব ০২পর্ব ০৫পর্ব ৫৯
Label noiseলেবেল নয়েজ
Training বা test ডেটায় ভুল label, যা মানুষের ভুল, অস্পষ্ট নির্দেশিকা, log-এর সীমা বা নিয়মের ভুল থেকে আসে।যেখানে শিখবেন: পর্ব ০৫পর্ব ৩৪পর্ব ৫৪
Label powersetলেবেল পাওয়ারসেট
প্রতিটি আলাদা ট্যাগ-সমষ্টিকে একটি শ্রেণি ধরে multilabel সমস্যাকে multiclass বানানো; নির্ভরতা পুরো ধরে, কিন্তু L ট্যাগে ২^L পর্যন্ত শ্রেণি আর অদেখা সমষ্টি অনুমান করতে পারে না।যেখানে শিখবেন: পর্ব ২৫
Label propagationলেবেল প্রোপাগেশন
বিন্দুগুলোকে প্রতিবেশী-graph-এ জুড়ে label-যুক্ত বিন্দু থেকে label-এর সম্ভাবনা ধাপে ধাপে প্রতিবেশীদের দিকে ছড়ানো; প্রতিটি ধাপে আসল label বদলাতে দেওয়া হয় না।যেখানে শিখবেন: পর্ব ৫৪
Label shift (prior shift)লেবেল শিফট
নতুন ডেটায় শ্রেণিগুলোর সামগ্রিক হার বদলায়, কিন্তু প্রতিটি শ্রেণির ভেতরে feature-এর বণ্টন P(x | y) একই থাকে; তখন odds-কে prior-এর অনুপাতে গুণ করে সম্ভাবনা সংশোধন করা যায়।যেখানে শিখবেন: পর্ব ২৬পর্ব ৫০পর্ব ৫৯
Label spreadingলেবেল স্প্রেডিং
Label propagation-এর একটি রূপ, যেখানে normalized graph আর alpha নামের একটি ভারসাম্য সংখ্যা থাকে; আসল label-ও একটু বদলাতে পারে, তাই ভুল label কিছুটা সহ্য করে।যেখানে শিখবেন: পর্ব ৫৪
Label switchingলেবেল সুইচিং
Mixture-এর component-গুলোর নম্বর অদলবদল করলে likelihood একই থাকে, তাই আলাদা run-এ ‘দল ১’ আলাদা দলকে বোঝাতে পারে; তুলনার আগে গড় বা ওজন দিয়ে সাজাতে হয়।যেখানে শিখবেন: পর্ব ৩৯
Label windowলেবেল উইন্ডো
Prediction time-এর পরের যে সময়সীমায় ঘটনা ঘটল কি না দেখে label বসানো হয়, যেমন cutoff-এর পরের ৬০ দিন।যেখানে শিখবেন: পর্ব ০২পর্ব ৬১পর্ব ৬৫
Labeling functionলেবেলিং ফাংশন
Weak supervision-এ একটি ছোট নিয়ম বা function, যা একটি সারিকে একটি label দেয় অথবা চুপ থাকে; যেমন লেখায় “ফেরত চাই” থাকলে negative বলা।যেখানে শিখবেন: পর্ব ০৫পর্ব ৫৪
LAC score (least ambiguous set-valued classifier)এল-এ-সি স্কোর
Classification-এর conformal score ১ − p̂(আসল শ্রেণি); নতুন উদাহরণের সেটে থাকে সেসব শ্রেণি যাদের p̂ ≥ ১ − q̂, আর গড় সেটের আকার ছোট হয়।যেখানে শিখবেন: পর্ব ৫৮
Lag featureল্যাগ ফিচার
আগের সময়ের মান থেকে বানানো feature, যেমন গতকালের বা গত সপ্তাহের একই বারের বিক্রি; pandas-এ shift দিয়ে তৈরি হয়।যেখানে শিখবেন: পর্ব ৫২পর্ব ৭৪
LAG()ল্যাগ
Partition-এর ক্রমে n সারি আগের সারির মান দেয় (n না দিলে এক); আগে সারি না থাকলে NULL বা দেওয়া default মান।যেখানে শিখবেন: পর্ব ৬১
Lagrange dual functionল্যাগ্রাঞ্জ ডুয়াল ফাংশন
নির্দিষ্ট multiplier-এ Lagrangian-এর x-এর ওপর সর্বনিম্ন মান, q(λ, μ) = minₓ L; μ ≥ 0 হলে এটি সবসময় মূল সর্বনিম্নের নিম্নসীমা।যেখানে শিখবেন: পর্ব ১৬
Lagrange multiplierল্যাগ্রাঞ্জ মাল্টিপ্লায়ার
শর্তসাপেক্ষ সর্বোচ্চ বা সর্বনিম্ন খুঁজতে শর্তের সঙ্গে গুণ করে যোগ করা একটি বাড়তি চলক; PCA-তে এটিই শেষে eigenvalue হয়।যেখানে শিখবেন: পর্ব ০৮পর্ব ১৬পর্ব ১৭
Lagrangianল্যাগ্রাঞ্জিয়ান
objective-এর সঙ্গে প্রতিটি শর্তকে তার multiplier দিয়ে গুণ করে যোগ করা function, L = f + ∑μg + ∑λh; এর stationary point থেকে শর্তসহ সমাধান আসে।যেখানে শিখবেন: পর্ব ১৬পর্ব ২৭পর্ব ৭৫
Lanczos algorithmলানচজ অ্যালগরিদম
বড় symmetric (প্রায়ই sparse) matrix-এর কয়েকটি বড় বা ছোট eigenvalue শুধু matrix-vector গুণ দিয়ে বের করার পুনরাবৃত্তিমূলক পদ্ধতি; SciPy-র eigsh এর ওপর ভিত্তি করে।যেখানে শিখবেন: পর্ব ০৮
Landmark pointল্যান্ডমার্ক পয়েন্ট
Nyström পদ্ধতিতে ডেটা থেকে বাছা অল্প কয়েকটি বিন্দু, যাদের সঙ্গে মিল দিয়ে বাকি সব জোড়ার kernel মান আন্দাজ করা হয়।যেখানে শিখবেন: পর্ব ৩১
Laplace approximationলাপ্লাস অ্যাপ্রক্সিমেশন
কঠিন posterior-কে তার চূড়ায় বসানো একটি Gaussian দিয়ে আনুমানিক করা, যার covariance হলো চূড়ায় −log posterior-এর Hessian-এর inverse.যেখানে শিখবেন: পর্ব ৪৫পর্ব ৪৬
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 ১৭পর্ব ৭৫
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; objective convex কিন্তু শূন্যে ভাঁজওয়ালা।যেখানে শিখবেন: পর্ব ১২পর্ব ১৭পর্ব ২৩
Latencyলেটেন্সি
একটি অনুরোধ পাঠানো থেকে উত্তর পাওয়া পর্যন্ত সময়; ensemble-এ প্রতিটি অনুরোধে সব সদস্য model চলে বলে এটি বাড়ে।যেখানে শিখবেন: পর্ব ৩৭পর্ব ৬৮
Latency budgetল্যাটেন্সি বাজেট
একটি অনুরোধের মোট অনুমোদিত সময়কে network, feature আনা, model আর বাকি কাজের মধ্যে ভাগ করে রাখার হিসাব।যেখানে শিখবেন: পর্ব ৬৮পর্ব ৭১পর্ব ৭৭
Latent Dirichlet Allocation (LDA)লেটেন্ট ডিরিশলে অ্যালোকেশন
Blei, Ng আর Jordan-এর (২০০৩) topic model: প্রতিটি লেখার topic-মিশ্রণ আর প্রতিটি topic-এর শব্দ-বণ্টন Dirichlet prior থেকে আসে বলে ধরে, তারপর দেখা শব্দ থেকে উল্টো দিকে এগুলো অনুমান করে। Linear discriminant analysis-এর সংক্ষেপও LDA, তাই প্রসঙ্গ দেখে পড়তে হয়।যেখানে শিখবেন: পর্ব ৪৪
Latent factorলেটেন্ট ফ্যাক্টর
ডেটায় সরাসরি মাপা হয়নি কিন্তু অনেক মানের পেছনে কাজ করে এমন গোপন মাত্রা, যেমন ক্রেতার রুচির একটি অক্ষ; matrix factorization এগুলো সংখ্যা হিসেবে শেখে, নাম ছাড়া।যেখানে শিখবেন: পর্ব ০৯পর্ব ৪১পর্ব ৫৩
Latent semantic analysis (LSA)লেটেন্ট সিম্যান্টিক অ্যানালিসিস
শব্দ-নথির matrix-এ truncated SVD চালিয়ে শব্দ আর নথিকে কম মাত্রার vector বানানোর পদ্ধতি, যা ১৯৯০ সালে Deerwester ও সহকর্মীরা প্রস্তাব করেন।যেখানে শিখবেন: পর্ব ০৯পর্ব ৪৪
Latent variableলেটেন্ট ভ্যারিয়েবল
যে চলক ডেটা তৈরিতে ভূমিকা রাখে কিন্তু সরাসরি দেখা যায় না, যেমন GMM-এ কোন বিন্দু কোন component থেকে এসেছে তার সূচক z.যেখানে শিখবেন: পর্ব ৩৯পর্ব ৪৪
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 ০৩পর্ব ১৮পর্ব ৩৩
Layout convention (numerator / denominator layout)লেআউট কনভেনশন
Matrix calculus-এ derivative-এর ঘরগুলো কোন আকারে সাজানো হবে তার রীতি; numerator layout-এ Jacobian m × n, denominator layout-এ তার transpose. বই মেলানোর আগে রীতিটি দেখে নিতে হয়।যেখানে শিখবেন: পর্ব ১১
LEAD()লিড
Partition-এর ক্রমে n সারি পরের সারির মান দেয় (n না দিলে এক); পরে সারি না থাকলে NULL বা দেওয়া default মান।যেখানে শিখবেন: পর্ব ৬১
Leading principal minorলিডিং প্রিন্সিপাল মাইনর
একটি বর্গাকার matrix-এর উপরের-বাঁ কোণের 1 × 1, 2 × 2, …, k × k অংশের determinant; Sylvester-এর নিয়মে positive definite যাচাইয়ে লাগে।যেখানে শিখবেন: পর্ব ১০
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 ৩২
Leaf weightলিফ ওয়েট
Boosting গাছের একটি পাতার সংখ্যা-মান, যা ঐ পাতার সব সারির score-এ যোগ হয়; XGBoost-এর সূত্রে সেরা মান w* = −G/(H + λ)।যেখানে শিখবেন: পর্ব ৩৬পর্ব ৭৩পর্ব ৭৪
Leaf-wise (best-first) growthলিফ-ওয়াইজ গ্রোথ
গাছ বাড়ানোর একটি নিয়ম: প্রতিবার শুধু সেই পাতা ভাঙা, যেখানে gain সবচেয়ে বেশি; একই পাতাসংখ্যায় loss বেশি কমে, কিন্তু গাছ গভীর হয়ে overfitting সহজ হয়।যেখানে শিখবেন: পর্ব ৩৬
Learning curveলার্নিং কার্ভ
train ডেটার আকার বাড়ালে train আর validation score কীভাবে বদলায় তার লেখচিত্র; bias, variance আর আরও ডেটার লাভ বোঝায়।যেখানে শিখবেন: পর্ব ০১পর্ব ৩৮পর্ব ৭৭
Learning rate (η)লার্নিং রেট
Gradient descent-এর প্রতিটি ধাপের মাপ, যা দিয়ে gradient গুণ করে parameter বদলানো হয়; খুব বড় হলে loss বাড়ে বা অসীমে যায়, খুব ছোট হলে শেখা ধীর হয়।যেখানে শিখবেন: পর্ব ১৩পর্ব ১৪পর্ব ১৫
Learning-rate scheduleলার্নিং রেট শিডিউল
Training চলার সঙ্গে learning rate কীভাবে বদলাবে তার নিয়ম, যেমন step, exponential বা cosine; সাধারণত শুরুতে বড় আর শেষে ছোট ধাপ দেয়।যেখানে শিখবেন: পর্ব ১৩
Learning-rate warm-upলার্নিং রেট ওয়ার্ম-আপ
Training-এর প্রথম কিছু ধাপে learning rate ছোট থেকে ধীরে ধীরে সর্বোচ্চ মানে তোলা, যাতে শুরুর অস্থির gradient-এ বড় ধাপ না পড়ে।যেখানে শিখবেন: পর্ব ১৩
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 ০৬পর্ব ০৭পর্ব ০৯
Least-confidence samplingলিস্ট-কনফিডেন্স স্যাম্পলিং
যে উদাহরণে model-এর সবচেয়ে বড় class সম্ভাবনাটিও সবচেয়ে ছোট, অর্থাৎ 1 − max p সবচেয়ে বড়, তাকে বাছা।যেখানে শিখবেন: পর্ব ৫৪
Leave-last-outলিভ-লাস্ট-আউট
Recommender মূল্যায়নের ভাগ, যেখানে প্রত্যেক ব্যবহারকারীর সময়ে শেষ ঘটনাটি test-এ লুকানো থাকে আর আগের সব ঘটনা দিয়ে মডেল শেখে।যেখানে শিখবেন: পর্ব ৫৩
Leave-one-out cross-validationলিভ-ওয়ান-আউট
প্রতিবার একটি উদাহরণ বাদ রেখে বাকিগুলোয় শেখানো আর বাদ পড়াটির উত্তর দেখা, n বার; hard-margin SVM-এ এর ভুলের হার ≤ support vector-এর সংখ্যা / n.যেখানে শিখবেন: পর্ব ২৭পর্ব ৪০
Ledoit–Wolf shrinkageলেডোয়া-উলফ শ্রিংকেজ
নমুনার covariance-কে (tr S/d)·I লক্ষ্যের দিকে α অনুপাতে টানার পদ্ধতি, যেখানে α ডেটা থেকেই সূত্রে আসে (Ledoit আর Wolf, ২০০৪); feature বেশি আর সারি কম হলে ভুল কমায় আর matrix-কে invertible রাখে।যেখানে শিখবেন: পর্ব ১৯
Left truncation (delayed entry)লেফট ট্রাংকেশন
কেউ একটি নির্দিষ্ট সময়ের পরে পর্যবেক্ষণে ঢুকলে তাঁকে শুধু সেই সময় থেকে ঝুঁকির হিসাবে রাখা; আগের সময়ে তাঁকে গোনা হয় না।যেখানে শিখবেন: পর্ব ৫৫
Length-scale (ℓ)লেংথ-স্কেল
Kernel-এর যে hyperparameter বলে কত দূর পর্যন্ত দুটি ইনপুটের মান একসঙ্গে চলে; RBF-এ দূরত্ব ℓ হলে correlation প্রায় ০.৬১, বড় ℓ মানে function মসৃণ আর ধীরে বদলায়।যেখানে শিখবেন: পর্ব ৪৬পর্ব ৪৯
Level curveলেভেল কার্ভ
যে সব বিন্দুতে f-এর মান একই, তাদের নিয়ে তৈরি বক্ররেখা; contour plot-এর প্রতিটি রেখা একটি level curve, আর gradient সবসময় এর সঙ্গে লম্ব।যেখানে শিখবেন: পর্ব ১৬
Levelling downলেভেলিং ডাউন
কারও ফল উন্নত না করে ভালো অবস্থানের দলের ফল খারাপ করে দলের মধ্যে ফাঁক কমানো; fairness প্রতিকারের একটি সমালোচিত পার্শ্বফল।যেখানে শিখবেন: পর্ব ৬০
Leverageলেভারেজ
Hat matrix-এর কর্ণের ঘর hᵢᵢ, যা বলে i-তম অনুমান তার নিজের y-এর ওপর কতটা নির্ভর করে; ০ থেকে ১-এর মধ্যে, গড়ে p/n, আর feature-এর জগতে দূরের বিন্দুর বেশি।যেখানে শিখবেন: পর্ব ০৭পর্ব ২৪
LIBLINEARলিবলিনিয়ার
বড় ও sparse ডেটায় linear SVM আর logistic regression শেখানোর একটি C/C++ library (Fan ও সহকর্মীরা, ২০০৮); scikit-learn-এর LinearSVC এটি ব্যবহার করে।যেখানে শিখবেন: পর্ব ৩১
LIBSVMলিবএসভিএম
Chih-Chung Chang আর Chih-Jen Lin-এর kernel SVM library, যা SMO-জাতীয় পদ্ধতিতে dual সমাধান করে; scikit-learn-এর SVC আর SVR এর ওপর চলে।যেখানে শিখবেন: পর্ব ৩১
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 ৬৭
LightGBMলাইটজিবিএম
Microsoft-এর gradient boosting লাইব্রেরি (Ke ও সহকর্মীরা, NIPS ২০১৭); histogram দিয়ে split খোঁজে, পাতা ধরে গাছ বাড়ায়, আর GOSS ও EFB দিয়ে কাজ কমায়।যেখানে শিখবেন: পর্ব ৩৬
Likelihoodলাইকলিহুড
দেখা ডেটা স্থির রেখে parameter θ-এর function হিসেবে পড়া সম্ভাবনা, L(θ) = p(ডেটা | θ); এটি θ-এর ওপর কোনো সম্ভাবনা বণ্টন নয়, তাই θ-এর ওপর যোগফল ১ হতে হয় না।যেখানে শিখবেন: পর্ব ১৮পর্ব ৪৭পর্ব ৪৮
Likelihood singularityলাইকলিহুড সিঙ্গুলারিটি
Mixture-এর একটি component-এর গড় একটি ডেটা-বিন্দুতে বসে variance শূন্যের দিকে গেলে likelihood অসীমে যায়; তাই GMM-এর MLE আসলে একটি ভালো local maximum খোঁজা।যেখানে শিখবেন: পর্ব ৩৯
LIMEলাইম
Local Interpretable Model-agnostic Explanations: একটি সারির চারপাশে নমুনা বানিয়ে, কাছের নমুনাকে বেশি ওজন দিয়ে একটি সরল রৈখিক model fit করে ব্যাখ্যা দেওয়ার পদ্ধতি।যেখানে শিখবেন: পর্ব ৫৭
Linear classifier (halfspace)লিনিয়ার ক্লাসিফায়ার
w·x + b-এর চিহ্ন দেখে শ্রেণি বলা নিয়ম; জ্যামিতিতে একটি রেখা বা hyperplane-এর দুই পাশ।যেখানে শিখবেন: পর্ব ০৩পর্ব ২৫
Linear combinationলিনিয়ার কম্বিনেশন
কয়েকটি vector-কে কয়েকটি সংখ্যা দিয়ে গুণ করে যোগ করা, যেমন c₁v₁ + c₂v₂; ML-এ Xw হলো X-এর কলামগুলোর linear combination.যেখানে শিখবেন: পর্ব ০৬
Linear convergenceলিনিয়ার কনভার্জেন্স
প্রতি ধাপে ভুল একটি ধ্রুব গুণক (১-এর কম) দিয়ে গুণ হয়ে কমা; log scale-এ ভুলের রেখা সরলরেখা হয়, তাই নামটি linear.যেখানে শিখবেন: পর্ব ১৩পর্ব ১৫
Linear Discriminant Analysis (LDA)লিনিয়ার ডিসক্রিমিন্যান্ট অ্যানালাইসিস
প্রতিটি শ্রেণিকে একই covariance-এর Gaussian ধরে Bayes-এর নিয়মে শ্রেণি বাছাইয়ের generative classifier; সীমারেখা রৈখিক, দিক w = Σ⁻¹(μ₁ − μ₀). Topic modeling-এর LDA (Latent Dirichlet Allocation) সম্পূর্ণ আলাদা জিনিস।যেখানে শিখবেন: পর্ব ১৯
Linear in parametersলিনিয়ার ইন প্যারামিটারস
Model-এর অনুমান coefficient-গুলোর রৈখিক যোগফল, যদিও প্রতিটি কলাম ইনপুটের বাঁকা function হতে পারে; তাই least squares, ridge আর lasso অপরিবর্তিত থেকে বাঁকা সম্পর্কও ধরতে পারে।যেখানে শিখবেন: পর্ব ২৩
Linear independenceলিনিয়ার ইনডিপেনডেন্স
কয়েকটি vector-এর এমন অবস্থা যেখানে কোনোটিই বাকিদের মিশ্রণ নয়; c₁v₁ + … + cₖvₖ = 0 শুধু সব c শূন্য হলেই সম্ভব।যেখানে শিখবেন: পর্ব ০৬
Linear map (linear transformation)লিনিয়ার ম্যাপ
যে function যোগ আর scalar গুণ মানে, f(u + v) = f(u) + f(v) আর f(cu) = c·f(u); প্রতিটি linear map একটি matrix দিয়ে লেখা যায়, যার কলাম basis vector-গুলোর গন্তব্য।যেখানে শিখবেন: পর্ব ০৭পর্ব ০৮
Linear predictorলিনিয়ার প্রেডিক্টর
GLM-এ feature-গুলোর ওজনসহ যোগফল η = Xβ, offset থাকলে তাও যোগ হয়; এটি β-তে linear.যেখানে শিখবেন: পর্ব ২০
Linear programming (LP)লিনিয়ার প্রোগ্রামিং
রৈখিক অসমতার শর্ত মেনে একটি রৈখিক রাশি সর্বোচ্চ বা সর্বনিম্ন করার পদ্ধতি; শর্তগুলো একসঙ্গে মানা যায় কি না তাও বলে।যেখানে শিখবেন: পর্ব ০৩পর্ব ১৬পর্ব ২৪
Linear regressionলিনিয়ার রিগ্রেশন
একটি সংখ্যা অনুমানের model, যেখানে অনুমান হলো feature-গুলোর weighted যোগফল আর একটি intercept; weight বেছে নেওয়া হয় সাধারণত বর্গ-ভুলের যোগ সবচেয়ে কম করে।যেখানে শিখবেন: পর্ব ১৯পর্ব ৭৬
Linear SVMলিনিয়ার এস-ভি-এম
Kernel ছাড়া SVM, যার সীমা সরাসরি x-এর ওপর একটি hyperplane w·x + b; primal-এ সমাধান করা যায় বলে বড় ও sparse ডেটায় দ্রুত।যেখানে শিখবেন: পর্ব ৩১
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 ০৬
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 ১৮পর্ব ২৭
Little’s Lawলিটলস ল
সূত্র L = λ × W: একসঙ্গে চলমান কাজের গড় সংখ্যা সমান আগমনের হার গুণ প্রতিটি কাজের গড় সময়।যেখানে শিখবেন: পর্ব ৬৮পর্ব ৭৩পর্ব ৭৪
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 ৭৬
Ljung–Box testলিউং–বক্স টেস্ট
প্রথম k টি residual autocorrelation একসঙ্গে শূন্য কি না পরীক্ষা; ছোট p মানে residual white noise নয়, model-এ গঠন বাকি।যেখানে শিখবেন: পর্ব ৫১
Local explanationলোকাল এক্সপ্লানেশন
শুধু একটি নির্দিষ্ট অনুমানের (একটি সারির) ব্যাখ্যা: প্রতিটি feature সেই সারির আউটপুটকে কতটা আর কোন দিকে ঠেলেছে, সব সারির গড় গুরুত্ব নয়।যেখানে শিখবেন: পর্ব ৫৭
Local forecasting modelলোকাল মডেল
প্রতিটি series-এর জন্য আলাদা model, শুধু সেই series-এর ইতিহাস থেকে শেখা; ক্লাসিক ARIMA আর ETS সাধারণত এভাবে চলে।যেখানে শিখবেন: পর্ব ৫২
Local maximumলোকাল ম্যাক্সিমাম
যে বিন্দুর আশেপাশে function-এর মান এর চেয়ে বড় নয়, কিন্তু অন্য কোথাও আরও বড় মান থাকতে পারে; EM এমন বিন্দুতে আটকে যেতে পারে বলে কয়েকবার ভিন্ন শুরু থেকে চালানো হয়।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৭৫
Local minimumলোকাল মিনিমাম
এমন বিন্দু যার আশেপাশে সবচেয়ে কম মান, কিন্তু দূরে কোথাও আরও কম মান থাকতে পারে; convex function-এ প্রতিটি local minimum-ই global.যেখানে শিখবেন: পর্ব ১২পর্ব ৪৪পর্ব ৭৬
Local Outlier Factor (LOF)লোকাল আউটলায়ার ফ্যাক্টর
একটি বিন্দুর প্রতিবেশীদের গড় local density আর তার নিজের density-র অনুপাত; প্রায় ১ মানে স্বাভাবিক, অনেক বড় মানে প্রতিবেশীদের তুলনায় একা।যেখানে শিখবেন: পর্ব ৪৩
Local reachability density (lrd)লোকাল রিচেবিলিটি ডেনসিটি
একটি বিন্দুর k-টি প্রতিবেশীর reachability distance-এর গড়ের উল্টো; প্রতিবেশী যত কাছে, এই ঘনত্ব তত বেশি।যেখানে শিখবেন: পর্ব ৪৩
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 ৭২
Log loss (binary cross-entropy)লগ লস
Classifier যা আসলে ঘটেছে তাকে যে সম্ভাবনা দিয়েছিল, তার −log-এর গড়; আত্মবিশ্বাসী ভুলে খুব বড় হয়, আর এটি একটি proper scoring rule.যেখানে শিখবেন: পর্ব ০২পর্ব ১১পর্ব ১২
Log marginal likelihoodলগ মার্জিনাল লাইকলিহুড
Hyperparameter দিলে ডেটার সম্ভাবনার log, যেখানে অজানা function-এর ওপর গড় নেওয়া হয়েছে; Gaussian process-এ −½yᵀK⁻¹y (data-fit) − ½log|K| (complexity) − (n/২)log ২π।যেখানে শিখবেন: পর্ব ৪৬
Log transformলগ ট্রান্সফর্ম
একটি সংখ্যার বদলে তার log ব্যবহার করা; target-এ log নিলে coefficient β মানে প্রায় (e^β − 1) × 100 শতাংশ বদল।যেখানে শিখবেন: পর্ব ২৩
Log-determinant (log det)লগ ডিটারমিন্যান্ট
একটি matrix-এর determinant-এর লগারিদম; বড় matrix-এ overflow এড়াতে np.linalg.slogdet দিয়ে হিসাব করা হয়, আর এর gradient S⁻ᵀ. Gaussian-এর likelihood-এ আসে।যেখানে শিখবেন: পর্ব ১১পর্ব ৪৬
Log-likelihoodলগ-লাইকলিহুড
Likelihood-এর log, ℓ(θ) = ∑ log p(xᵢ | θ); গুণফলকে যোগফলে বদলায়, underflow এড়ায়, আর সর্বোচ্চ বিন্দু likelihood-এর সঙ্গে একই থাকে।যেখানে শিখবেন: পর্ব ১৮পর্ব ৩৯পর্ব ৪০
Log-odds (logit)লগ-অডস
probability p-কে log(p/(1 − p)) এককে লেখা; gradient boosting আর logistic regression ভেতরে এই এককে যোগ করে হিসাব করে।যেখানে শিখবেন: পর্ব ৫৭
Log-partition functionলগ-পার্টিশন ফাংশন
Exponential family-তে সম্ভাবনার যোগফল ১ রাখার log-সংশোধন A(θ); এর প্রথম derivative গড় আর দ্বিতীয় derivative variance দেয়।যেখানে শিখবেন: পর্ব ২০
Log-rank testলগ-র‍্যাঙ্ক টেস্ট
দুই বা বেশি দলের survival বক্ররেখা সমান কি না যাচাইয়ের test; প্রতিটি ঘটনার সময়ে দেখা আর প্রত্যাশিত ঘটনার পার্থক্য যোগ করে chi-square-এর সঙ্গে তুলনা করে।যেখানে শিখবেন: পর্ব ৫৫
Log-sum-expলগ-সাম-এক্সপ
log(e^a + e^b + …) নিরাপদে হিসাবের কৌশল: সবচেয়ে বড় মান m বের করে m + log ∑ e^(x − m); softmax-এ overflow এড়াতে একই কৌশল লাগে।যেখানে শিখবেন: পর্ব ২৫পর্ব ৩৯পর্ব ৭৬
Logistic regressionলজিস্টিক রিগ্রেশন
feature-গুলোর ওজনসহ যোগফলকে sigmoid দিয়ে ০ থেকে ১-এর সম্ভাবনায় রূপান্তর করা classification model; দুই মাত্রায় তার সীমানা সোজা রেখা।যেখানে শিখবেন: পর্ব ০১পর্ব ০২পর্ব ০৫
Logit (log-odds)লজিট
সম্ভাবনা p-এর log(p/(1 − p)), যা ০–১-কে পুরো বাস্তব রেখায় ছড়িয়ে দেয়; sigmoid-এর উল্টো function.যেখানে শিখবেন: পর্ব ২৬পর্ব ৩৫
Logitsলজিটস
Softmax বা sigmoid লাগানোর আগের কাঁচা score, যেমন z = Wx + b; যেকোনো বাস্তব সংখ্যা হতে পারে, আর শুধু তাদের পার্থক্যই সম্ভাবনা ঠিক করে।যেখানে শিখবেন: পর্ব ২৫
Lognormal distributionলগনরমাল ডিস্ট্রিবিউশন
যে ধনাত্মক চলকের log নিলে normal বণ্টন আসে; ডানদিকে লম্বা লেজ, তাই গড় median-এর চেয়ে বড়; ডেলিভারির সময় বা আয়ের মতো মাপে দেখা যায়।যেখানে শিখবেন: পর্ব ২১
Long tailলং টেইল
অল্প কয়েকটি পণ্য বেশিরভাগ বিক্রি পায় আর অসংখ্য পণ্য অল্প অল্প বিক্রি হয়, এমন বণ্টনের দীর্ঘ নিচু লেজ।যেখানে শিখবেন: পর্ব ৫৩
Loss functionলস ফাংশন
একটি অনুমান আসল উত্তর থেকে কতটা দূরে, তার দাম একটি সংখ্যায় মাপার নিয়ম; শেখা মানে training ডেটায় এর গড় কমানো।যেখানে শিখবেন: পর্ব ০২পর্ব ০৩পর্ব ১১
Love plotলাভ প্লট
প্রতিটি চলকের SMD matching বা weighting-এর আগে ও পরে পাশাপাশি দেখানো বিন্দু-ছবি; balance এক নজরে যাচাইয়ের জন্য।যেখানে শিখবেন: পর্ব ৬৪
Low-density separationলো-ডেনসিটি সেপারেশন
Cluster অনুমানের আরেক রূপ: decision boundary এমন জায়গা দিয়ে যাবে যেখানে ডেটা বিন্দু কম।যেখানে শিখবেন: পর্ব ৫৪
Low-rank approximationলো-র‍্যাঙ্ক অ্যাপ্রক্সিমেশন
একটি বড় matrix-কে কম rank-এর একটি matrix দিয়ে কাছাকাছি প্রকাশ করা, যাতে কম সংখ্যা জমা রেখে মূল গঠন ধরা যায়; সংকোচন, noise কমানো আর recommender-এ কাজে লাগে।যেখানে শিখবেন: পর্ব ০৯পর্ব ৩১পর্ব ৭৩
Lower triangular matrixলোয়ার ট্রায়াঙ্গুলার ম্যাট্রিক্স
যে বর্গাকার matrix-এর কর্ণের ওপরের সব ঘর শূন্য; এমন matrix দিয়ে সমীকরণ ওপর থেকে নিচে একটি একটি করে সহজে সমাধান করা যায়।যেখানে শিখবেন: পর্ব ১০
LU decompositionএলইউ ডিকম্পোজিশন
একটি বর্গাকার matrix-কে নিচের-ত্রিভুজ L আর ওপরের-ত্রিভুজ U-এর গুণফলে ভাঙা (সাধারণত সারি অদলবদলসহ); সাধারণ linear system সমাধানের মূল পদ্ধতি, খরচ প্রায় 2n³/3.যেখানে শিখবেন: পর্ব ১০
Luminanceলুমিন্যান্স
একটি রঙের আপেক্ষিক উজ্জ্বলতা; linear RGB থেকে 0.2126R + 0.7152G + 0.0722B দিয়ে হিসাব হয়। দুটি রঙের luminance আলাদা হলে রং না চিনলেও তাদের আলাদা করা যায়।যেখানে শিখবেন: পর্ব ৬৭

M

M-estimatorএম-এস্টিমেটর
একটি loss ρ-এর যোগফল কমিয়ে পাওয়া অনুমান, যার সমীকরণ Σψ(rᵢ)xᵢ = 0 আর ψ = ρ′; OLS, median regression আর Huber regression এর উদাহরণ।যেখানে শিখবেন: পর্ব ২৪
m-out-of-n bootstrapএম-আউট-অফ-এন বুটস্ট্র্যাপ
n-এর চেয়ে অনেক ছোট m টি সারি টেনে bootstrap করা আর পরে ফল স্কেল করা; sample maximum-এর মতো যেখানে সাধারণ bootstrap ব্যর্থ, সেখানে অনেক সময় কাজ করে।যেখানে শিখবেন: পর্ব ২১
MA(q) model (moving average model)এমএ মডেল
যে model-এ আজকের মান আগের q টি ধাক্কার (ভুলের) রৈখিক যোগফল; নামে মিল থাকলেও rolling mean নয়।যেখানে শিখবেন: পর্ব ৫১
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 ০৬
Machine learningমেশিন লার্নিং
উদাহরণের ডেটা থেকে নিয়ম বা ধাঁচ শিখে নতুন ডেটায় অনুমান বা সিদ্ধান্ত নেওয়ার পদ্ধতি, যেখানে নিয়ম হাতে লেখা হয় না।যেখানে শিখবেন: পর্ব ০১
Macro averageম্যাক্রো অ্যাভারেজ
প্রতিটি শ্রেণি বা ট্যাগের metric আলাদা হিসাব করে সাধারণ গড়; বিরল শ্রেণিও বড় শ্রেণির সমান ওজন পায়।যেখানে শিখবেন: পর্ব ২৫
MAE (Mean Absolute Error)এমএই
অনুমান আর আসল মানের পার্থক্যের পরম মানগুলোর গড়; এর একক আসল মানের এককের মতোই, আর একটি constant-এর মধ্যে median একে সবচেয়ে কম করে।যেখানে শিখবেন: পর্ব ০২পর্ব ১৮পর্ব ৩০
Mahalanobis distanceমহলানবিশ ডিস্ট্যান্স
Covariance মেনে মাপা দূরত্ব: √((x − μ)ᵀ Σ⁻¹ (x − μ)); feature-গুলোর ছড়ানো আর পারস্পরিক সম্পর্ক বিবেচনা করে বলে একটি বিন্দু গড় থেকে কতটা অস্বাভাবিক।যেখানে শিখবেন: পর্ব ১০পর্ব ১৯পর্ব ৩৯
Main effectমেইন ইফেক্ট
Interaction-সহ model-এ একটি feature-এর নিজস্ব coefficient; অন্য feature শূন্যে (বা center করলে তার গড়ে) থাকলে এই feature এক একক বদলালে অনুমান কতটা বদলায়।যেখানে শিখবেন: পর্ব ২৩
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 ০৫পর্ব ২৫পর্ব ৩৩
Majority-class baselineমেজরিটি-ক্লাস বেসলাইন
সব উদাহরণের জন্য সবচেয়ে বেশি দেখা শ্রেণিটি বলে দেওয়া; এর accuracy হলো সেই শ্রেণির অনুপাত। Regression-এ এর সমতুল্য গড় বা median বলা।যেখানে শিখবেন: পর্ব ০২
Manifoldম্যানিফোল্ড
এমন একটি বাঁকানো তল বা পাতা, যা কাছ থেকে দেখলে সমতলের মতো; যেমন পৃথিবীর পৃষ্ঠ দুই মাত্রার manifold, যদিও তা তিন মাত্রার জগতে আছে।যেখানে শিখবেন: পর্ব ৪২
Manifold hypothesisম্যানিফোল্ড হাইপোথিসিস
বাস্তবের উঁচু মাত্রার ডেটা সাধারণত পুরো জায়গা জুড়ে নয়, একটি কম মাত্রার বাঁকানো পাতার কাছাকাছি থাকে, এই অনুমান।যেখানে শিখবেন: পর্ব ৪২পর্ব ৫৪
Manifold learningম্যানিফোল্ড লার্নিং
ডেটা যে কম মাত্রার বাঁকানো পাতায় আছে তা খুঁজে কম মাত্রায় বিছানোর nonlinear পদ্ধতির পরিবার, যেমন Isomap, LLE, t-SNE আর UMAP.যেখানে শিখবেন: পর্ব ৪২
Mann–Whitney U statisticম্যান-হুইটনি ইউ
দুই দলের সব জোড়ায় প্রথম দলের মান কতবার বড় (সমান হলে অর্ধেক) তার গণনা; একে দুই দলের আকারের গুণফল দিয়ে ভাগ করলে ROC AUC পাওয়া যায়, আর rank দিয়ে এটি দ্রুত হিসাব হয়।যেখানে শিখবেন: পর্ব ৭৬
MAP estimate (maximum a posteriori)ম্যাপ এস্টিমেট
Posterior distribution যে মানে সবচেয়ে উঁচু, সেই parameter-এর মান; Gaussian prior-এ এটি ridge আর Laplace prior-এ lasso-র উত্তর।যেখানে শিখবেন: পর্ব ১৭পর্ব ১৮পর্ব ৭৩
MAPEম্যাপ
Mean absolute percentage error: প্রতিটি পরম ভুলকে আসল মান দিয়ে ভাগ করে শতাংশের গড়; আসল মান শূন্যের কাছে হলে বিস্ফোরিত হয় আর কম-অনুমানের দিকে ঝোঁকায়।যেখানে শিখবেন: পর্ব ৫১
MapReduceম্যাপরিডিউস
Google-এর ২০০৪ সালের প্রবন্ধে বর্ণিত বড় ডেটা প্রক্রিয়ার ধাঁচ: অনেক যন্ত্রে প্রতিটি অংশে map ধাপে আংশিক ফল, তারপর reduce ধাপে সেগুলো জোড়া লাগানো।যেখানে শিখবেন: পর্ব ৭০
Marginমার্জিন
SVM-এ সীমারেখা থেকে সবচেয়ে কাছের train বিন্দুগুলোর দূরত্ব, বা দুই পাশের কিনারার মাঝের ফাঁকা রাস্তা; canonical রূপে এক পাশে 1/‖w‖ আর পুরো প্রস্থ 2/‖w‖.যেখানে শিখবেন: পর্ব ২৭পর্ব ২৮পর্ব ৭৪
Margin (voting margin in boosting)মার্জিন
Boosting-এ একটি সারির জন্য y · ∑αₜhₜ(x) / ∑αₜ, −১ থেকে +১; ধনাত্মক মানে ঠিক, আর যত বড় তত জোরালো একমত ভোট।যেখানে শিখবেন: পর্ব ৩৪
Margin (y · score)মার্জিন
Classification-এ label y-কে −1 বা +1 ধরে model-এর score-এর সঙ্গে গুণফল; ধনাত্মক হলে দিক ঠিক, যত বড় তত আত্মবিশ্বাসী। Log loss আর hinge এর ওপর সংজ্ঞায়িত।যেখানে শিখবেন: পর্ব ০২পর্ব ২৭
Margin samplingমার্জিন স্যাম্পলিং
প্রথম আর দ্বিতীয় সবচেয়ে বড় class সম্ভাবনার পার্থক্য যেখানে সবচেয়ে ছোট, সেই উদাহরণ বাছা; দুই class-এর মধ্যে দোটানা ধরে।যেখানে শিখবেন: পর্ব ৫৪পর্ব ৭৩
Marginal coverageমার্জিনাল কভারেজ
সব x আর calibration ডেটার এলোমেলোতা মিলিয়ে গড়ে কত ভাগ নতুন উত্তর পরিসরের ভেতরে পড়ে; কোনো নির্দিষ্ট দল বা ক্রেতার জন্য নিশ্চয়তা নয়।যেখানে শিখবেন: পর্ব ৫৮পর্ব ৬৬
Marginal distributionমার্জিনাল ডিস্ট্রিবিউশন
কয়েকটি চলকের যৌথ বণ্টন থেকে বাকিগুলো উপেক্ষা করে একটি অংশের নিজস্ব বণ্টন; Gaussian-এ μ আর Σ থেকে অপ্রয়োজনীয় সারি-কলাম মুছলেই পাওয়া যায়।যেখানে শিখবেন: পর্ব ১৯
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 ০৮পর্ব ৪৭
Markov chain Monte Carlo (MCMC)এমসিএমসি
এমন একটি Markov chain চালানো, যার stationary distribution ঠিক লক্ষ্য বণ্টন (সাধারণত posterior); chain-এর মানগুলোকে নমুনা ধরে গড়, পরিসর আর সম্ভাবনা অনুমান করা হয়।যেখানে শিখবেন: পর্ব ৪৭পর্ব ৭৫
MASE (mean absolute scaled error)এমএএসই
Holdout-এর MAE-কে training-এ এক-ধাপ naive বা seasonal naive-এর MAE দিয়ে ভাগ; ১-এর নিচে মানে সেই মাপকাঠির চেয়ে ছোট ভুল।যেখানে শিখবেন: পর্ব ৫১পর্ব ৭৩
Maskingমাস্কিং
একাধিক বা খুব বড় outlier গড়, standard deviation বা প্রতিবেশীর ঘনত্ব বিকৃত করে নিজেদের বা অন্য outlier-কে স্বাভাবিক দেখানো।যেখানে শিখবেন: পর্ব ৪৩
Mass-covering (zero-avoiding)মাস-কভারিং
KL(p ‖ q) কমালে q-এর আচরণ: p যেখানে ভর রাখে সেখানে q-কেও রাখতে হয়, তাই q সব চূড়া ঢাকতে ছড়িয়ে পড়ে; Gaussian q-এ এটি গড় আর variance মেলানোর সমান।যেখানে শিখবেন: পর্ব ৪৮
Matrixম্যাট্রিক্স
সারি আর কলামে সাজানো সংখ্যার আয়তাকার টেবিল, যেমন অর্ডার × feature; NumPy-তে এটি ২-মাত্রার একটি array হিসেবে থাকে।যেখানে শিখবেন: পর্ব ১০
Matrix factorizationম্যাট্রিক্স ফ্যাক্টরাইজেশন
একটি matrix-কে দুটি সরু matrix-এর গুণফল PQᵀ হিসেবে আন্দাজ করা; recommender-এ প্রতিটি ক্রেতা আর পণ্য একটি ছোট vector পায়, আর রেটিং-এর অনুমান তাদের dot product.যেখানে শিখবেন: পর্ব ০৯পর্ব ৪১পর্ব ৫৩
Matrix inverseম্যাট্রিক্স ইনভার্স
A⁻¹ এমন matrix যাতে AA⁻¹ = A⁻¹A = I; জ্যামিতিকভাবে A-এর map উল্টে দেওয়া। det A = 0 হলে inverse থাকে না, আর হিসাবে inverse-এর বদলে সাধারণত solve ব্যবহার করা হয়।যেখানে শিখবেন: পর্ব ০৭
Matrix multiplication (@)ম্যাট্রিক্স মাল্টিপ্লিকেশন
দুটি matrix-এর গুণ, যার (i, j) ঘর প্রথমটির i-তম সারি আর দ্বিতীয়টির j-তম কলামের dot product; জ্যামিতিকভাবে দুটি map পরপর প্রয়োগ, আর সাধারণত AB ≠ BA.যেখানে শিখবেন: পর্ব ০৭
Matérn kernelমাতার্ন কার্নেল
RBF-এর চেয়ে কম মসৃণ function ধরে নেওয়া একটি kernel পরিবার; ν = 2.5 হলে function দুবার differentiable ধরা হয়, Bayesian optimization-এ এটি খুব প্রচলিত পছন্দ।যেখানে শিখবেন: পর্ব ৪৯
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 ৩২
Maximum calibration error (MCE)ম্যাক্সিমাম ক্যালিব্রেশন এরর
সব ঝুড়ির মধ্যে গড় অনুমান আর বাস্তব হারের সবচেয়ে বড় পরম পার্থক্য; সবচেয়ে খারাপ অঞ্চলটি কতটা খারাপ, তা বলে।যেখানে শিখবেন: পর্ব ২৬
Maximum likelihood estimation (MLE)ম্যাক্সিমাম লাইকলিহুড
মডেলের এমন parameter বেছে নেওয়া, যাতে দেখা ডেটার সম্ভাবনা (likelihood) সবচেয়ে বেশি হয়; এটি cross-entropy বা KL divergence কমানোর সমান।যেখানে শিখবেন: পর্ব ১৮পর্ব ১৯পর্ব ২০
Maximum-margin classifierম্যাক্সিমাম-মার্জিন ক্লাসিফায়ার
আলাদা করা যায় এমন ডেটায় সব separating hyperplane-এর মধ্যে যার geometric margin সবচেয়ে বড়, সেটি বেছে নেওয়া classifier; hard-margin SVM এটিই।যেখানে শিখবেন: পর্ব ২৭
McNemar's testম্যাকনিমারস টেস্ট
একই উদাহরণে দুটি হ্যাঁ/না ফলের (যেমন দুই classifier ঠিক কি না) জোড়া তুলনার test; শুধু মতভেদের সংখ্যা b আর c থেকে χ² = (│b − c│ − 1)²/(b + c) বা exact binomial.যেখানে শিখবেন: পর্ব ২২পর্ব ৭৩পর্ব ৭৪
MD5এম-ডি-ফাইভ
একটি পুরোনো hash function, যা 128 bit-এর ছাপ দেয়; ফাইলের বদল ধরতে কাজের, কিন্তু ইচ্ছাকৃত collision বানানো যায় বলে নিরাপত্তার কাজে আর ব্যবহার করা হয় না।যেখানে শিখবেন: পর্ব ০৫
Mean average precision (MAP)ম্যাপ
প্রতিটি প্রাসঙ্গিক hit-এর অবস্থানে precision নিয়ে গড় করা (average precision), তারপর সব ব্যবহারকারীর ওপর সেই গড়ের গড়।যেখানে শিখবেন: পর্ব ৫৩
Mean squared error (MSE)মিন স্কোয়ার্ড এরর
প্রতিটি অনুমানের ভুলকে বর্গ করে সবগুলোর গড়; বড় ভুলকে বেশি শাস্তি দেয়, আর একটি constant-এর মধ্যে গড় একে সবচেয়ে কম করে।যেখানে শিখবেন: পর্ব ০২পর্ব ১৩পর্ব ১৮
Mean-field approximationমিন-ফিল্ড অ্যাপ্রক্সিমেশন
Posterior-কে স্বাধীন অংশের গুণফল q₁(z₁)q₂(z₂)… দিয়ে আসন্ন করা; হিসাব সহজ হয়, কিন্তু চলকগুলোর মধ্যের নির্ভরতা হারায় আর অনিশ্চয়তা প্রায়ই কম দেখায়।যেখানে শিখবেন: পর্ব ৪৮পর্ব ৭৪
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 ০২
Median absolute deviation (MAD)মিডিয়ান অ্যাবসোলিউট ডেভিয়েশন
প্রতিটি মান থেকে median-এর দূরত্বের median; standard deviation-এর একটি robust বিকল্প, normal ডেটায় 1.4826 দিয়ে গুণ করলে σ-এর অনুমান হয়।যেখানে শিখবেন: পর্ব ২৪পর্ব ৪৩
Mediatorমিডিয়েটর
Treatment আর ফলের মাঝের চলক (T → M → Y), যার মধ্য দিয়ে প্রভাবের একটি অংশ যায়; মোট প্রভাব মাপতে একে adjust করা হয় না।যেখানে শিখবেন: পর্ব ৬৪পর্ব ৭৫
memory_usage(deep=True)মেমরি ইউসেজ ডিপ
pandas-এ মেমরি মাপার পদ্ধতি, যা লেখার কলামের ভেতরের প্রতিটি মানের আকারও যোগ করে; deep ছাড়া শুধু ঠিকানার জায়গা গোনা হয়।যেখানে শিখবেন: পর্ব ৭০
Mercer's conditionমার্সারের শর্ত
একটি প্রতিসম function বৈধ kernel হওয়ার শর্ত: যেকোনো বিন্দুর সেটে তার Gram matrix positive semidefinite হতে হবে; James Mercer ১৯০৯ সালে এর integral-রূপ দেন।যেখানে শিখবেন: পর্ব ২৯
Meta-model (final estimator)মেটা-মডেল
Stacking বা blending-এর দ্বিতীয় স্তরের model, যার ইনপুট base model-দের অনুমান আর আউটপুট চূড়ান্ত অনুমান; সাধারণত সরল logistic বা ridge regression.যেখানে শিখবেন: পর্ব ৩৭
Method of momentsমেথড অব মোমেন্টস
নমুনার গড়, variance-এর মতো মাপকে model-এর সূত্রের সঙ্গে সমান বসিয়ে parameter অনুমান করা; সহজ, আর numerical MLE-এর শুরুর বিন্দু হিসেবে কাজের।যেখানে শিখবেন: পর্ব ১৮
Metric treeমেট্রিক ট্রি
North star-কে গুণফল বা যোগফলে driver মাপে ভেঙে দেখানোর গাছ, যাতে কোন অংশ বদলটি ঘটাল তা আলাদা করা যায়।যেখানে শিখবেন: পর্ব ৬৬
Metropolis–Hastings algorithmমেট্রোপলিস-হেস্টিংস
একটি MCMC পদ্ধতি: বর্তমান মান থেকে একটি নতুন মান প্রস্তাব করা হয়, আর লক্ষ্য density-র অনুপাত (প্রস্তাব অসমমিত হলে তার সংশোধনসহ) দিয়ে ঠিক হয় তা গ্রহণ হবে কি না; normalising constant লাগে না।যেখানে শিখবেন: পর্ব ৪৭পর্ব ৭৩পর্ব ৭৪
Micro averageমাইক্রো অ্যাভারেজ
সব শ্রেণি বা ট্যাগের TP, FP আর FN একসঙ্গে যোগ করে তারপর metric; ঘন ঘন আসা শ্রেণি বা ট্যাগ বেশি প্রভাব ফেলে।যেখানে শিখবেন: পর্ব ২৫
min_samples_leafমিন স্যাম্পলস লিফ
গাছের প্রতিটি পাতায় অন্তত কয়টি train সারি থাকতে হবে, সেই hyperparameter; বড় মান খুব ছোট দল আর মুখস্থ ঠেকায়।যেখানে শিখবেন: পর্ব ৩২
Mini-batchমিনি-ব্যাচ
Training ডেটার ছোট একটি দল (যেমন ১৬ বা ২৫৬টি উদাহরণ), যার গড় gradient দিয়ে একটি ধাপ নেওয়া হয়; batch আর খাঁটি SGD-এর মাঝামাঝি।যেখানে শিখবেন: পর্ব ১৩পর্ব ১৪পর্ব ৭০
Minimal cost-complexity pruningকস্ট-কমপ্লেক্সিটি প্রুনিং
পুরো গাছ বাড়িয়ে পরে R(T) + α|T| সবচেয়ে কম করে এমন ছোট গাছ বেছে নেওয়া; scikit-learn-এ ccp_alpha দিয়ে, আর α বাছা হয় cross-validation দিয়ে।যেখানে শিখবেন: পর্ব ৩২
Minimum Covariance Determinant (MCD)মিনিমাম কোভ্যারিয়েন্স ডিটারমিন্যান্ট
Outlier-প্রতিরোধী অনুমান: ডেটার সেই উপসেট খোঁজা যার covariance-এর determinant সবচেয়ে ছোট, আর তা থেকে μ ও Σ নেওয়া; scikit-learn-এ MinCovDet.যেখানে শিখবেন: পর্ব ১৯
Minimum detectable effect (MDE)মিনিমাম ডিটেক্টেবল এফেক্ট
সবচেয়ে ছোট যে প্রভাবকে একটি test নির্দিষ্ট power-এ (যেমন ৮০%) ধরতে পারবে বলে পরিকল্পনা করা হয়; এটি ব্যবসার কাছে কাজের ন্যূনতম প্রভাব থেকে ঠিক করা উচিত।যেখানে শিখবেন: পর্ব ৬২পর্ব ৭২পর্ব ৭৩
Minimum-norm solutionমিনিমাম-নর্ম সলিউশন
অনেক সমান ভালো সমাধানের মধ্যে যেটির দৈর্ঘ্য ‖x‖ সবচেয়ে কম; এটি পুরোপুরি row space-এ থাকে আর pseudo-inverse ঠিক এটাই দেয়।যেখানে শিখবেন: পর্ব ০৯
Misclassification error (as impurity)মিসক্লাসিফিকেশন এরর
একটি node-এ সংখ্যাগরিষ্ঠ শ্রেণি বললে কত অংশ ভুল হয়, অর্থাৎ ১ − max p; টুকরো টুকরো রৈখিক বলে গাছ বাড়াতে কম সংবেদনশীল।যেখানে শিখবেন: পর্ব ৩২
Missing indicatorমিসিং ইন্ডিকেটর
একটি বাড়তি ০/১ কলাম, যা বলে মূল মানটি ফাঁকা ছিল কি না; ফাঁকা থাকাটাই তথ্য বহন করলে (যেমন রেটিং না দেওয়া গ্রাহক) model তা ব্যবহার করতে পারে।যেখানে শিখবেন: পর্ব ৩৮
Missing valueমিসিং ভ্যালু
যে ঘরে তথ্য নেই; pandas আর NumPy-তে সাধারণত NaN দিয়ে বোঝানো হয়, আর এটি শূন্যের সমান নয়।যেখানে শিখবেন: পর্ব ৩২পর্ব ৩৬
Mixing (of a Markov chain)মিক্সিং
Chain কত দ্রুত লক্ষ্য বণ্টনের সব অংশে ঘুরে বেড়ায় আর শুরুর মান ভুলে যায়; ভালো mixing মানে কম autocorrelation আর বড় ESS.
Mixing weight (πₖ)মিক্সিং ওয়েট
Mixture-এ component k বেছে নেওয়ার prior সম্ভাবনা; সব ওজন অঋণাত্মক আর যোগফল ১, M-step-এ এর নতুন মান Nₖ ÷ n হয়।যেখানে শিখবেন: পর্ব ৩৯
Mixture modelমিক্সচার মডেল
কয়েকটি সরল বণ্টনের ওজন-দেওয়া যোগফল হিসেবে density, p(x) = ∑ πₖ pₖ(x), যেখানে ওজনগুলো অ-ঋণাত্মক আর যোগফল ১; প্রতিটি উপাদান ডেটার একটি লুকানো দলকে ধরে।যেখানে শিখবেন: পর্ব ৪০
ML system designএম-এল সিস্টেম ডিজাইন
ডেটা থেকে শেখা একটি পুরো ব্যবস্থার নকশা: প্রশ্ন, framing, metric, label, feature, model, training pipeline, serving, fallback, মূল্যায়ন আর নজরদারি একসঙ্গে ভাবা।যেখানে শিখবেন: পর্ব ৭১
ML Test Scoreএমএল টেস্ট স্কোর
Eric Breck ও সহকর্মীদের ২০১৭ সালের নম্বর-তালিকা: ডেটা, model, অবকাঠামো আর নজরদারি, চার ভাগে ২৮টি পরীক্ষা; চূড়ান্ত নম্বর চার ভাগের সর্বনিম্নটি।যেখানে শিখবেন: পর্ব ৬৯
MLflowএম-এল-ফ্লো
Experiment tracking, model সংরক্ষণ আর model registry-র জন্য একটি open-source প্ল্যাটফর্ম।যেখানে শিখবেন: পর্ব ০৪
MLP (multi-layer perceptron)এমএলপি
Input আর output-এর মাঝে এক বা একাধিক hidden layer থাকা সবচেয়ে সরল ধরনের neural network; scikit-learn-এ MLPClassifier আর MLPRegressor.যেখানে শিখবেন: পর্ব ৩৮
Mode-seeking (zero-forcing)মোড-সিকিং
KL(q ‖ p) কমালে q-এর আচরণ: যেখানে p প্রায় শূন্য সেখানে q ভর রাখে না, তাই বহু-চূড়ার p-এর একটি চূড়ায় বসে আর অনিশ্চয়তা কম দেখায়।যেখানে শিখবেন: পর্ব ৪৮পর্ব ৭৫
Model cardমডেল কার্ড
একটি model-এর উদ্দেশ্য, training data, মূল্যায়ন, উপদলভিত্তিক ফল আর সীমা এক জায়গায় লিখে রাখার নথি।যেখানে শিখবেন: পর্ব ৬০পর্ব ৭২
Model metadataমডেল মেটাডেটা
Model ফাইলের সঙ্গে রাখা তথ্য: version, library-র version, feature-এর তালিকা, training ডেটার পরিচয়, মাপা metric আর golden অনুমান।যেখানে শিখবেন: পর্ব ৬৮
Model misspecificationমডেল মিসস্পেসিফিকেশন
ধরে নেওয়া model-এর পরিবারে আসল ডেটার বণ্টন না থাকা; তখন MLE KL-এ সবচেয়ে কাছের model-এ পৌঁছায়, আর সাধারণ standard error-এর সূত্র ভুল হতে পারে।যেখানে শিখবেন: পর্ব ১৮
Model monitoringমডেল মনিটরিং
চালু করার পর model-এর input-এর বণ্টন, অনুমান আর বাস্তব ফল নিয়মিত মেপে দেখা, যাতে ডেটার ভুল, shift বা মান কমে যাওয়া দ্রুত ধরা পড়ে।যেখানে শিখবেন: পর্ব ৬৯
Model registryমডেল রেজিস্ট্রি
Model-এর প্রতিটি version, তার metadata, মূল্যায়নের ফল আর কোনটি চালু, তা এক জায়গায় রাখার ব্যবস্থা; rollback-এ আগের version খুঁজে পেতে কাজে লাগে।যেখানে শিখবেন: পর্ব ৬৯পর্ব ৭১
Model servingমডেল সার্ভিং
শেখানো model-কে এমনভাবে চালু রাখা, যাতে অন্য সিস্টেম বা মানুষ নতুন ডেটার অনুমান নিতে পারে: টেবিলে আগে থেকে হিসাব করে, অনুরোধ এলে API দিয়ে, বা ঘটনার স্রোতে।যেখানে শিখবেন: পর্ব ৬৮
Momentumমোমেন্টাম
Gradient descent-এ আগের ধাপের একটি অংশ (β গুণ) ধরে রাখার কৌশল: v ← βv − η∇f, x ← x + v; একই দিকের gradient জমে বড় ধাপ হয় আর উল্টানো gradient কাটাকাটি হয়।যেখানে শিখবেন: পর্ব ১৪পর্ব ৭৩পর্ব ৭৪
Mondrian conformal predictionমন্ড্রিয়ান কনফর্মাল
শ্রেণি বা দল ধরে আলাদা আলাদা calibration করে প্রতিটি দলের জন্য নিজস্ব q̂ নেওয়া, যাতে প্রতিটি দল নিজের ১ − α coverage পায়।যেখানে শিখবেন: পর্ব ৫৮
Monotonic constraintমনোটোনিক কনস্ট্রেইন্ট
Model-এর ওপর শর্ত যে একটি feature বাড়লে (অন্য সব স্থির রেখে) prediction শুধু বাড়বে বা সমান থাকবে (বা শুধু কমবে); গাছ বানানোর সময়ই পাতার মানে সীমা বসিয়ে চাপানো হয়।যেখানে শিখবেন: পর্ব ৩৬পর্ব ৩৮পর্ব ৬৯
Monte Carlo methodমন্টে কার্লো
অনেক random নমুনা বা trial চালিয়ে একটি সংখ্যা, যেমন সম্ভাবনা বা গড়, অনুমান করার পদ্ধতি।যেখানে শিখবেন: পর্ব ২১পর্ব ৩১পর্ব ৪৭
Monte Carlo standard error (MCSE)মন্টে কার্লো স্ট্যান্ডার্ড এরর
সসীম সংখ্যক নমুনার জন্য MCMC-র গড় অনুমানে কতটা এলোমেলো ভুল থাকে, প্রায় sd/√ESS; posterior-এর নিজের sd থেকে আলাদা।যেখানে শিখবেন: পর্ব ৪৭
Moore–Penrose pseudo-inverseসিউডো-ইনভার্স
যেকোনো matrix-এর জন্য সংজ্ঞায়িত “সাধারণীকৃত inverse” A⁺ = VΣ⁺Uᵀ, যেখানে শূন্য-নয় singular value উল্টানো হয়; A⁺b হলো least squares-এর সবচেয়ে ছোট norm-এর সমাধান, NumPy-তে np.linalg.pinv.যেখানে শিখবেন: পর্ব ০৯পর্ব ৩১পর্ব ৭৩
Moving average (rolling mean)মুভিং অ্যাভারেজ
চলমান গড়: প্রতিটি দিনে আশপাশের বা শেষ কয়েক দিনের গড়, যা ওঠানামা মসৃণ করে; ARIMA-র MA model থেকে আলাদা জিনিস।যেখানে শিখবেন: পর্ব ৫১পর্ব ৬১
Multi-fidelity optimizationমাল্টি-ফিডেলিটি অপটিমাইজেশন
সস্তা কিন্তু কম নির্ভুল মূল্যায়ন (কম ডেটা, কম epoch, কম iteration) দিয়ে খারাপ বিকল্প ছেঁটে দামি পূর্ণ মূল্যায়ন শুধু আশাবাদী বিকল্পে খরচ করা।যেখানে শিখবেন: পর্ব ৪৯
Multi-label classificationমাল্টি-লেবেল ক্লাসিফিকেশন
যে classification-এ একটি উদাহরণ একসঙ্গে শূন্য, এক বা কয়েকটি ট্যাগ পেতে পারে; উত্তর একটি ০/১ vector, প্রতিটি ট্যাগে একটি করে হ্যাঁ/না।যেখানে শিখবেন: পর্ব ২৫
Multiclass classificationমাল্টিক্লাস ক্লাসিফিকেশন
দুইয়ের বেশি শ্রেণি থেকে ঠিক একটি বেছে নেওয়ার কাজ, যেমন একটি পণ্য মুদি, পোশাক, ইলেকট্রনিক্স, বই না প্রসাধনী।যেখানে শিখবেন: পর্ব ২৫পর্ব ৩৪পর্ব ৫৮
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 ০৬পর্ব ১৭পর্ব ৫৬
Multidimensional scaling (MDS)মাল্টিডাইমেনশনাল স্কেলিং
জোড়ায় জোড়ায় দূরত্বের টেবিল থেকে এমন কম মাত্রার বিন্দু খোঁজা, যাদের মাঝের দূরত্ব টেবিলের যতটা সম্ভব কাছে; classical MDS eigen-decomposition দিয়ে, metric MDS stress কমিয়ে।যেখানে শিখবেন: পর্ব ৪২
Multinomial logistic regressionমাল্টিনোমিয়াল লজিস্টিক রিগ্রেশন
প্রতিটি শ্রেণির জন্য একটি linear score আর তাদের ওপর softmax দিয়ে সব শ্রেণির সম্ভাবনা একসঙ্গে দেওয়া একটি model; cross-entropy কমিয়ে fit হয়, অন্য নাম softmax regression.যেখানে শিখবেন: পর্ব ২৫
Multiple comparisons problemমাল্টিপল কম্প্যারিজনস
অনেকগুলো test একসঙ্গে করলে শুধু কাকতালেই কোনো একটিতে ছোট p-value আসার সম্ভাবনা অনেক বেড়ে যায়।যেখানে শিখবেন: পর্ব ০৪পর্ব ৫৯পর্ব ৬৬
Multiplicative seasonalityমাল্টিপ্লিকেটিভ সিজনালিটি
যে ঋতুর ওঠানামা স্তরের অনুপাতে বাড়ে, y = T × S × R; log নিলে additive হয়ে যায়।যেখানে শিখবেন: পর্ব ৫১
Multiplicative updateমাল্টিপ্লিকেটিভ আপডেট
Lee আর Seung-এর NMF নিয়ম, যেখানে প্রতিটি ঘরকে একটি অঋণাত্মক অনুপাত দিয়ে গুণ করা হয়, যেমন H ← H ∘ (WᵀV) ⊘ (WᵀWH); মান কখনো ঋণাত্মক হয় না আর ত্রুটি বাড়ে না।যেখানে শিখবেন: পর্ব ৪১
Multivariate Gaussian N(μ, Σ)মাল্টিভ্যারিয়েট গাউসিয়ান
একাধিক সংখ্যার যৌথ normal distribution, যা গড় vector μ আর covariance matrix Σ দিয়ে পুরো বর্ণিত; Σ = LLᵀ হলে z ~ N(0, I) থেকে x = μ + Lz এমন নমুনা দেয়।যেখানে শিখবেন: পর্ব ১০পর্ব ১৯পর্ব ৩৯

N

Naive Bayesনাইভ বেইজ
Bayes-এর উপপাদ্যভিত্তিক একটি generative classifier, যা ধরে নেয় শ্রেণি জানা থাকলে feature-গুলো একে অপরের থেকে স্বাধীন; Gaussian রূপে এটি কর্ণ-covariance-এর QDA.যেখানে শিখবেন: পর্ব ১৯পর্ব ২৬
Naive forecastনাইভ ফোরকাস্ট
সব ভবিষ্যৎ মানকে শেষ দেখা মানের সমান বলা; সবচেয়ে সরল baseline, random walk-এর সেরা অনুমান।যেখানে শিখবেন: পর্ব ৫১
Native categorical supportনেটিভ ক্যাটাগরিক্যাল সাপোর্ট
Model নিজেই category কলাম বোঝে আর একটি split-এ category-গুলোকে দুই দলে ভাগ করে, one-hot বা মিথ্যা ক্রম ছাড়াই; যেমন HistGradientBoosting-এ categorical_features.যেখানে শিখবেন: পর্ব ৩৮পর্ব ৫২
Natural frequencyন্যাচারাল ফ্রিকোয়েন্সি
শতাংশের বদলে গোনা সংখ্যায় সম্ভাবনা বলা, যেমন “প্রতি ১০০ অর্ডারে ১৭টি”; অনেক পাঠকের কাছে বোঝা সহজ।যেখানে শিখবেন: পর্ব ৬৭
Natural parameterন্যাচারাল প্যারামিটার
Exponential family-র রূপে sufficient statistic-এর সঙ্গে গুণ হয়ে সূচকে বসা parameter θ; Poisson-এ log λ, Bernoulli-তে log-odds.যেখানে শিখবেন: পর্ব ২০
NDCG (normalized discounted cumulative gain)এনডিসিজি
তালিকার প্রতিটি অবস্থানের প্রাসঙ্গিকতাকে log₂(অবস্থান + ১) দিয়ে ছাড় দিয়ে যোগ করে, আদর্শ ক্রমের যোগফল দিয়ে ভাগ করা মাপ; মান ০ থেকে ১, ওপরের দিকের ক্রমকে বেশি দাম দেয়।যেখানে শিখবেন: পর্ব ৫৩পর্ব ৭১পর্ব ৭৩
Nearest-rank percentileনিয়ারেস্ট-র‍্যাংক পার্সেন্টাইল
সাজানো তালিকা থেকে মিশ্রণ ছাড়াই একটি আসল মান নেওয়ার সরল পদ্ধতি, যেমন ⌈p × n⌉-তম মান; PERCENTILE_DISC-এর কাছাকাছি।যেখানে শিখবেন: পর্ব ৬১পর্ব ৬৮পর্ব ৭৩
Negative binomial distributionনেগেটিভ বাইনোমিয়াল ডিস্ট্রিবিউশন
গণনার ডেটার একটি distribution, যার variance গড়ের চেয়ে বেশি হতে পারে (μ + μ²/r); overdispersed গণনায় Poisson-এর বদলে ব্যবহার হয়।যেখানে শিখবেন: পর্ব ১৮পর্ব ২০
Negative correlation learningনেগেটিভ কোরিলেশন লার্নিং
Yong Liu আর Xin Yao-র (১৯৯৯) পদ্ধতি, যেখানে ensemble-এর সদস্যরা একসঙ্গে শেখে আর loss-এর একটি penalty তাদের ভুলকে একে অপরের থেকে ভিন্ন দিকে ঠেলে দেয়।যেখানে শিখবেন: পর্ব ৩৭
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 ১৮
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 ৭৪
Negentropyনেগএনট্রপি
একই variance-এর Gaussian-এর entropy থেকে একটি বণ্টনের entropy বাদ দিলে যা থাকে; সবসময় শূন্য বা ধনাত্মক আর শূন্য শুধু Gaussian-এ, তাই non-Gaussianity-র মাপ।যেখানে শিখবেন: পর্ব ৪১
Neighbour graph (k-NN graph)নেইবার গ্রাফ
প্রতিটি বিন্দুকে তার k জন নিকট প্রতিবেশীর সঙ্গে কিনারা দিয়ে জোড়া একটি graph, যার কিনারার ওজন সাধারণত দূরত্ব বা মিলের মাপ।যেখানে শিখবেন: পর্ব ৪২পর্ব ৫৪
Nemenyi testনেমেনিই টেস্ট
Friedman test-এর পর সব জোড়া algorithm তুলনার post-hoc test; দুটি average rank-এর ব্যবধান critical difference-এর বেশি হলে তাদের আলাদা বলা হয়।যেখানে শিখবেন: পর্ব ২২
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 ০৪পর্ব ৩৮পর্ব ৪৯
Nesterov accelerated gradientনেস্টেরভ মোমেন্টাম
Yurii Nesterov-এর ১৯৮৩ সালের পদ্ধতি, যেখানে gradient নেওয়া হয় সামনের বিন্দু x + βv-তে; convex আর মসৃণ function-এ ভুল O(1/k²) হারে কমে বলে প্রমাণিত।যেখানে শিখবেন: পর্ব ১৪
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, আর তার loss weight-এর সাপেক্ষে সাধারণত non-convex.যেখানে শিখবেন: পর্ব ১২
Newsvendor problemনিউজভেন্ডর প্রবলেম
অনিশ্চিত চাহিদার সামনে কত মাল রাখব তার ক্লাসিক হিসাব: কম রাখার দাম c_u আর বেশি রাখার দাম c_o হলে সেরা মজুদ হলো চাহিদার c_u/(c_u + c_o)-তম quantile-এর মান।যেখানে শিখবেন: পর্ব ৫২পর্ব ৭৭
Newton (second-order) boostingনিউটন বুস্টিং
যে gradient boosting প্রতিটি নতুন গাছ শেখাতে loss-এর gradient g আর Hessian h দুটিই ব্যবহার করে; প্রতিটি পাতার মান একটি Newton ধাপ, −(g-এর যোগফল)/(h-এর যোগফল + λ)।যেখানে শিখবেন: পর্ব ৩৬
Newton's method (optimization)নিউটনস মেথড
প্রতি ধাপে দ্বিতীয় ক্রমের Taylor approximation-এর সর্বনিম্ন বিন্দুতে যাওয়া, অর্থাৎ Hd = −g সমাধান করে w ← w + d; সর্বনিম্নের কাছে খুব দ্রুত, কিন্তু বড় model-এ Hessian দামি।যেখানে শিখবেন: পর্ব ১১পর্ব ১৪পর্ব ১৫
Newton-CG (truncated Newton)নিউটন-সিজি
Newton-এর সমীকরণ Hd = −g-কে conjugate gradient দিয়ে আনুমানিকভাবে সমাধান করার পদ্ধতি; শুধু Hessian-vector product লাগে, পুরো Hessian নয়।যেখানে শিখবেন: পর্ব ১৫
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 ০৩
No free lunch theoremনো ফ্রি লাঞ্চ থিওরেম
সব সম্ভাব্য সমস্যার গড় নিলে কোনো শেখার পদ্ধতিই অন্যটির চেয়ে ভালো নয়, এই ফলাফল; তাই সাফল্য আসে ডেটার গঠনের সঙ্গে মেলানো অনুমান থেকে।যেখানে শিখবেন: পর্ব ০১পর্ব ৩৮
No-U-Turn Sampler (NUTS)নাটস
Hoffman আর Gelman-এর HMC-রূপ, যা গতিপথ নিজে থেকে থামায় যখন সেটি উল্টো দিকে ফিরতে শুরু করে, আর warm-up-এ step size মানিয়ে নেয়; Stan আর PyMC-র ডিফল্ট sampler.যেখানে শিখবেন: পর্ব ৪৭
Noise bandনয়েজ ব্যান্ড
একটি মাপের স্বাভাবিক এলোমেলো ওঠানামার সীমা, যেমন আগের সাপ্তাহিক বদলের মানক বিচ্যুতির দুই গুণ; এর বাইরের বদলকেই সংকেত ধরা হয়।যেখানে শিখবেন: পর্ব ৬৬
Noise precision (β)নয়েজ প্রিসিশন
Noise-এর variance-এর উল্টো, β = 1/σ²; β বড় মানে একই input-এ লক্ষ্যের মান কম ছড়ায়।যেখানে শিখবেন: পর্ব ৪৫
Noise transition matrixনয়েজ ট্রানজিশন ম্যাট্রিক্স
যে ছকের প্রতিটি ঘর T_ij বলে আসল শ্রেণি i হলে দেওয়া label j হওয়ার সম্ভাবনা; পরিষ্কার ডেটায় এটি identity matrix.যেখানে শিখবেন: পর্ব ০৫
Non-contractual settingনন-কন্ট্র্যাকচুয়াল সেটিং
যে ব্যবসায় ক্রেতার সঙ্গে কোনো চুক্তি নেই (যেমন অনলাইন দোকান); ক্রেতা চলে গেলে কোনো ঘোষণা আসে না, শুধু কেনা বন্ধ হয়।যেখানে শিখবেন: পর্ব ৬৫
Non-informative censoringনন-ইনফরমেটিভ সেন্সরিং
যে অনুমানে censored হওয়ার কারণ ঘটনার ঝুঁকির সঙ্গে সম্পর্কহীন; Kaplan–Meier আর Cox এই অনুমানের ওপর দাঁড়িয়ে।যেখানে শিখবেন: পর্ব ৫৫
Non-negative matrix factorization (NMF)নন-নেগেটিভ ম্যাট্রিক্স ফ্যাক্টরাইজেশন
একটি অঋণাত্মক matrix V-কে দুটি অঋণাত্মক matrix-এর গুণফল WH দিয়ে আন্দাজ করা; শুধু যোগ চলে বলে উপাদানগুলো প্রায়ই পড়ার মতো অংশ হয়।যেখানে শিখবেন: পর্ব ৪১পর্ব ৪৪
Nonconformity scoreনন-কনফর্মিটি স্কোর
একটি উদাহরণ model-এর চোখে কতটা বেমানান তার মাপ, যেমন regression-এ ∣y − ŷ∣ বা classification-এ ১ − p̂(আসল শ্রেণি); বড় মানে বেশি অস্বাভাবিক।যেখানে শিখবেন: পর্ব ৫৮পর্ব ৭৫
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 বা KDE, যারা পুরো ডেটাই রাখে।যেখানে শিখবেন: পর্ব ৪০
Normal approximationনরমাল অ্যাপ্রক্সিমেশন
বড় নমুনায় একটি অনুমানের বণ্টনকে normal বণ্টন ধরে পরিসর বা test হিসাব করা, যেমন পার্থক্য ± ১.৯৬ × SE; ছোট নমুনা বা খুব ছোট হারে কম নির্ভরযোগ্য।যেখানে শিখবেন: পর্ব ৬৭
Normal distributionনরমাল ডিস্ট্রিবিউশন
ঘণ্টার মতো আকারের সম্ভাবনার বণ্টন, যা গড় আর standard deviation দিয়ে পুরোপুরি বর্ণনা করা যায়; standard normal-এর গড় 0 আর variance 1.যেখানে শিখবেন: পর্ব ১০পর্ব ১৮পর্ব ১৯
Normal equationsনরমাল ইকুয়েশনস
Least squares-এর সমীকরণ XᵀXw = Xᵀy; residual X-এর প্রতিটি কলামের সঙ্গে লম্ব (normal) হওয়ার শর্ত থেকে আসে।যেখানে শিখবেন: পর্ব ০৭পর্ব ১১পর্ব ৭৬
Normal-Gamma distributionনরমাল-গামা ডিস্ট্রিবিউশন
অজানা গড় μ আর precision τ-এর যৌথ conjugate prior: τ একটি Gamma থেকে, আর τ জানা থাকলে μ একটি Normal থেকে, যার variance 1/(λτ); এতে μ আর τ নির্ভরশীল।যেখানে শিখবেন: পর্ব ৪৮
Normalising constant (evidence)নরমালাইজিং কনস্ট্যান্ট
Posterior-কে সম্ভাবনা বণ্টন বানাতে যে সংখ্যা দিয়ে ভাগ করতে হয়, Z = ∫ p(D | θ)p(θ) dθ; বেশি মাত্রায় এটি হিসাব করা কঠিন, MCMC-তে এটি অনুপাতে কেটে যায়।যেখানে শিখবেন: পর্ব ৪৭
North star metricনর্থ স্টার মেট্রিক
একটি দল বা ব্যবসার মূল লক্ষ্যের একটি মাপ, যা ক্রেতার পাওয়া মূল্য আর ব্যবসার সাফল্য দুটিকেই ধরে; dashboard-এর সবচেয়ে ওপরের সংখ্যা।যেখানে শিখবেন: পর্ব ৬৬পর্ব ৭১পর্ব ৭৭
Novelty detectionনভেলটি ডিটেকশন
শুধু পরিষ্কার স্বাভাবিক ডেটায় শিখে নতুন আসা সারি পরিচিত বণ্টনের বাইরে কি না বলা; scikit-learn-এর LOF-এ novelty=True মোড।যেখানে শিখবেন: পর্ব ৪৩
Novelty effectনভেলটি এফেক্ট
নতুন কিছু দেখে নিয়মিত ব্যবহারকারীদের সাময়িক বাড়তি সাড়া, যা কয়েক দিনে মিলিয়ে যায়; উল্টো রূপ primacy effect, যেখানে অভ্যাস ভাঙায় প্রথমে সাড়া কমে।যেখানে শিখবেন: পর্ব ৬২
NP-completeএনপি-কমপ্লিট
এমন সমস্যার শ্রেণি, যার কোনো দ্রুত (polynomial সময়ের) সমাধান জানা নেই, আর একটির দ্রুত সমাধান পেলে সবগুলোর পাওয়া যেত; সেরা decision tree খোঁজা এর একটি উদাহরণ।যেখানে শিখবেন: পর্ব ৩২
NTILE(k)এন-টাইল
সাজানো সারিগুলোকে k-টি প্রায় সমান সারির ভাগে ভাগ করে প্রতিটি সারিকে ভাগের নম্বর দেয়; মান নয়, সারি গোনে, তাই সমান মান দুই ভাগে পড়তে পারে।যেখানে শিখবেন: পর্ব ৬১
NULLনাল
ঘরের মান অজানা বা নেই, যা শূন্য বা ফাঁকা লেখা নয়; AVG, SUM, COUNT(কলাম)-এর মতো aggregate ফাংশন NULL বাদ দিয়ে হিসাব করে।যেখানে শিখবেন: পর্ব ৬১
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 ২২পর্ব ৫১পর্ব ৫৫
Null space N(A)নাল স্পেস
যেসব x-এর জন্য Ax = 0, তাদের সংগ্রহ; এর কোনো vector যোগ করলে Ax বদলায় না। SciPy-তে scipy.linalg.null_space.যেখানে শিখবেন: পর্ব ০৬পর্ব ৭৩
Nullityনালিটি
একটি matrix-এর null space-এর dimension; rank-এর সঙ্গে যোগ করলে কলামের সংখ্যা হয়।যেখানে শিখবেন: পর্ব ০৬
Numerical rankনিউমেরিক্যাল র‍্যাঙ্ক
Float-এ হিসাব করা rank: একটি tolerance-এর চেয়ে বড় singular value-এর সংখ্যা; NumPy-র ডিফল্ট সীমা σmax × max(m, n) × machine epsilon.যেখানে শিখবেন: পর্ব ০৬পর্ব ০৯
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 ৭৬
NumPyনামপাই
Python-এ দ্রুত সংখ্যার array আর গাণিতিক কাজের মূল library.যেখানে শিখবেন: পর্ব ০১
Nyström methodনিস্ট্রম মেথড
কয়েকটি landmark বিন্দুর সঙ্গে সবার kernel মান (C) আর landmark-দের নিজেদের মান (W) থেকে K ≈ C W⁺ Cᵀ আকারে kernel matrix-এর low-rank আন্দাজ।যেখানে শিখবেন: পর্ব ৩১পর্ব ৪৬পর্ব ৭৪

O

O'Brien–Fleming boundaryও'ব্রায়েন–ফ্লেমিং বাউন্ডারি
Group-sequential test-এর সীমা যা তথ্যের ভাগ t-এর সঙ্গে c/√t হারে নামে: শুরুতে খুব কড়া, শেষে প্রায় সাধারণ সীমার কাছে, তাই power প্রায় fixed horizon-এর সমান থাকে।যেখানে শিখবেন: পর্ব ৬২
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 ১৬
Oblivious (symmetric) treeঅবলিভিয়াস ট্রি
যে গাছের একই স্তরের সব নোড একই প্রশ্ন করে; গভীরতা d হলে 2^d টি পাতা, prediction দ্রুত আর গঠন নিয়মিত। CatBoost-এর ডিফল্ট।যেখানে শিখবেন: পর্ব ৩৬
Observation window (feature window)অবজারভেশন উইন্ডো
Prediction time বা cutoff-এর আগের যে সময়ের তথ্য থেকে feature বানানো হয়; এর বাইরের, বিশেষ করে cutoff-এর পরের তথ্য feature-এ ঢুকলে leakage হয়।যেখানে শিখবেন: পর্ব ৬৫পর্ব ৭২
Observed agreement (p_o)অবজার্ভড এগ্রিমেন্ট
যত ভাগ সারিতে label-দাতারা আসলেই একই label দিয়েছেন, অর্থাৎ কাঁচা শতকরা মিল।যেখানে শিখবেন: পর্ব ০৫
Observed informationঅবজার্ভড ইনফরমেশন
দেখা ডেটায় MLE-এর বিন্দুতে হিসাব করা negative log-likelihood-এর দ্বিতীয় derivative বা Hessian; এর inverse-এর কর্ণের বর্গমূল থেকে standard error আসে।যেখানে শিখবেন: পর্ব ১৮
Occam factorঅকাম ফ্যাক্টর
Evidence-এর যে অংশ model-এর নমনীয়তার দাম নেয়, মোটামুটি posterior-এর আয়তন ভাগ prior-এর আয়তন; প্রতিটি বাড়তি weight এটিকে ছোট করে।যেখানে শিখবেন: পর্ব ৪৫
Occam's razorঅকামস রেজর
একই ভালোভাবে ব্যাখ্যা করলে সরলতর ব্যাখ্যা বেছে নেওয়ার নীতি; marginal likelihood জটিল model-কে নিজে থেকে শাস্তি দিয়ে এই নীতি মানে।যেখানে শিখবেন: পর্ব ৪৬
Odds ratioঅডস রেশিও
দুই অবস্থার odds-এর অনুপাত; logistic regression-এ একটি feature এক একক বাড়লে odds যত গুণ হয়, সেটি e^β.যেখানে শিখবেন: পর্ব ২০পর্ব ৫৫
Off-manifold sampleঅফ-ম্যানিফোল্ড স্যাম্পল
ব্যাখ্যার জন্য বানানো এমন ইনপুট, যা বাস্তব ডেটার বণ্টনে প্রায় ঘটে না; সেখানে model-এর আচরণ কখনো যাচাই হয়নি।যেখানে শিখবেন: পর্ব ৫৭
Offline metricঅফলাইন মেট্রিক
পুরোনো ডেটার validation বা test set-এ মাপা model-এর মান, যেমন MAE বা AUC; আসল ব্যবহারে ব্যবসার ফল কী হবে তা নিশ্চিত বলে না।যেখানে শিখবেন: পর্ব ০২পর্ব ৭১
Offsetঅফসেট
Linear predictor-এ coefficient ১ দিয়ে যোগ করা একটি জানা পদ, সাধারণত log(exposure); এর coefficient fit হয় না।যেখানে শিখবেন: পর্ব ২০
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 ২৪
One-class SVMওয়ান-ক্লাস এস-ভি-এম
শুধু স্বাভাবিক ডেটা দেখে তার চারপাশে একটি সীমা শেখে, আর সীমার বাইরের বিন্দুকে অস্বাভাবিক বলে; anomaly detection-এর একটি পদ্ধতি।যেখানে শিখবেন: পর্ব ৩১পর্ব ৪৩
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 ০৬পর্ব ৩২পর্ব ৩৬
One-standard-error ruleওয়ান-স্ট্যান্ডার্ড-এরর রুল
Cross-validation-এ সর্বনিম্ন গড় ভুলের সঙ্গে তার একটি standard error যোগ করে সীমা ধরা, আর সেই সীমার মধ্যে সবচেয়ে সরল model (যেমন সবচেয়ে বড় λ) বাছার প্রথা।যেখানে শিখবেন: পর্ব ২৩
One-vs-one (OvO)ওয়ান-ভার্সাস-ওয়ান
প্রতিটি শ্রেণি-জোড়ার জন্য একটি দুই-শ্রেণির model, যা শুধু ওই দুই শ্রেণির সারিতে train হয়; K শ্রেণিতে K(K − 1)/2-টি model, আর ভোট গুনে উত্তর।যেখানে শিখবেন: পর্ব ২৫পর্ব ৭৩পর্ব ৭৪
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”; K শ্রেণিতে K-টি model, আর যার score সবচেয়ে বড় সেটিই উত্তর।যেখানে শিখবেন: পর্ব ২৫
Online inferenceঅনলাইন ইনফারেন্স
অনুরোধ আসার সঙ্গে সঙ্গে model চালিয়ে উত্তর ফেরত দেওয়া, সাধারণত একটি API-র মাধ্যমে আর মিলিসেকেন্ডের সময়সীমায়।যেখানে শিখবেন: পর্ব ৬৮পর্ব ৭৫
Online metricঅনলাইন মেট্রিক
Model চালু অবস্থায় আসল ব্যবহারকারীর ওপর মাপা ফল, যেমন সম্পন্ন অর্ডার বা বাতিলের হার; সাধারণত A/B test দিয়ে মাপা হয়।যেখানে শিখবেন: পর্ব ৭১
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 ৬৮
ONNX Runtimeওএনএনএক্স রানটাইম
ONNX ফাইল চালানোর একটি open-source inference engine; C++-এ লেখা, Python সহ কয়েকটি ভাষা থেকে ডাকা যায়।যেখানে শিখবেন: পর্ব ৬৮
Optimizationঅপটিমাইজেশন
নিয়ম মেনে সম্ভাব্য সমাধানগুলোর মধ্যে খরচ সবচেয়ে কম বা লাভ সবচেয়ে বেশি এমনটি খোঁজা।যেখানে শিখবেন: পর্ব ১৬
Ordered boostingঅর্ডারড বুস্টিং
CatBoost-এর পদ্ধতি, যেখানে একটি সারির gradient এমন model থেকে হিসাব হয় যা ঐ সারি দেখে শেখেনি; একই সারিতে শেখা আর মাপার পক্ষপাত (prediction shift) কমানোর জন্য।যেখানে শিখবেন: পর্ব ৩৬
Ordered target statisticsঅর্ডারড টার্গেট স্ট্যাটিস্টিকস
CatBoost-এর categorical encoding: এলোমেলো একটি ক্রমে প্রতিটি সারির জন্য শুধু তার আগের সারিগুলোর label থেকে (prior-সহ) হার হিসাব, যাতে নিজের label encoding-এ না ঢোকে।যেখানে শিখবেন: পর্ব ৩৬
Ordinal encodingঅর্ডিনাল এনকোডিং
প্রতিটি বিভাগকে একটি পূর্ণসংখ্যা দিয়ে বদলানো, যেমন OrdinalEncoder; আসল ক্রম না থাকলেও গাছ কয়েকটি প্রশ্নে বিভাগগুলো আলাদা করতে পারে, কিন্তু linear model-এ এটি ভুল অর্থ দেয়।যেখানে শিখবেন: পর্ব ৩২পর্ব ৩৮
Orthogonalঅর্থোগোনাল
দুটি vector-এর dot product শূন্য হলে তারা orthogonal, অর্থাৎ পরস্পর লম্ব।যেখানে শিখবেন: পর্ব ০৭পর্ব ০৮
Orthogonal matrixঅর্থোগোনাল ম্যাট্রিক্স
যে বর্গ matrix-এর কলামগুলো পরস্পর লম্ব আর প্রতিটির দৈর্ঘ্য ১, অর্থাৎ QᵀQ = I; দৈর্ঘ্য আর কোণ অক্ষত রাখে, det = ±1, inverse = transpose; rotation আর reflection-ই এর উদাহরণ।যেখানে শিখবেন: পর্ব ০৭পর্ব ০৮পর্ব ০৯
Orthogonal projectionঅর্থোগোনাল প্রজেকশন
একটি vector-কে একটি রেখা বা subspace-এর সবচেয়ে কাছের বিন্দুতে পাঠানো, যেখানে বাকি অংশ subspace-এর সঙ্গে লম্ব; লম্ব ছায়া ফেলার মতো।যেখানে শিখবেন: পর্ব ০৭
Orthonormal basisঅর্থোনরমাল বেসিস
যে basis-এর vector-গুলো পরস্পর সমকোণে আর প্রত্যেকের দৈর্ঘ্য ১; এতে coordinates পেতে শুধু dot product লাগে, কোনো সমীকরণ সমাধান লাগে না।যেখানে শিখবেন: পর্ব ০৬পর্ব ০৭
Out-of-bag (OOB)আউট-অফ-ব্যাগ
একটি bootstrap resample-এ যে সারিগুলো একবারও ওঠেনি; সেই resample-এ fit করা model-কে এদের ওপর মেপে test set ছাড়াই একটি সৎ অনুমান পাওয়া যায়।যেখানে শিখবেন: পর্ব ২১পর্ব ৩৩পর্ব ৩৫
Out-of-core learningআউট-অফ-কোর লার্নিং
যে ডেটা একসঙ্গে RAM-এ ধরে না, তা ডিস্ক থেকে টুকরো টুকরো এনে model শেখানো; যেকোনো মুহূর্তে memory-তে থাকে শুধু একটি টুকরো আর model-এর parameter.যেখানে শিখবেন: পর্ব ৭০পর্ব ৭৩
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 ০৫পর্ব ৩৭
Outer productআউটার প্রোডাক্ট
দুটি vector u আর v-এর প্রতিটি জোড়া উপাদানের গুণফলের টেবিল uvᵀ; দৈর্ঘ্য m আর n হলে ফল m × n matrix, যার rank ১.যেখানে শিখবেন: পর্ব ০৯
Outlierআউটলায়ার
বাকি ডেটা থেকে অস্বাভাবিকভাবে দূরের একটি মান বা সারি; এটি ভুল এন্ট্রি হতে পারে, আবার সত্যিকারের বিরল ঘটনাও হতে পারে, তাই বদলানোর আগে কারণ খোঁজা দরকার।যেখানে শিখবেন: পর্ব ১৯পর্ব ২৪
Outlier detectionআউটলায়ার ডিটেকশন
যে ব্যাচে anomaly মেশানো আছে, সেই ব্যাচকেই নিজের সঙ্গে তুলনা করে আলাদা সারি খোঁজা; scikit-learn-এর LOF-এ novelty=False মোড।যেখানে শিখবেন: পর্ব ৪৩
Over-differencingওভার-ডিফারেন্সিং
দরকারের বেশি differencing; noise বাড়ে, ACF-এর lag ১-এ বড় ঋণাত্মক মান আসে আর MA coefficient −১-এর কাছে যায়।যেখানে শিখবেন: পর্ব ৫১
Overconfidenceওভারকনফিডেন্স
Model-এর সম্ভাবনা বাস্তবের চেয়ে চরম হওয়া, যেমন ০.৯৫ বলা ঘটনার মাত্র ৭০% ঘটা; reliability diagram-এ রেখা কর্ণের চেয়ে চ্যাপ্টা দেখায়।যেখানে শিখবেন: পর্ব ২৬
Overdispersionওভারডিসপারশন
গণনার ডেটার variance তার গড়ের চেয়ে বেশি হওয়া, যেখানে Poisson ধরে নেয় দুটি সমান; তখন Poisson-এর standard error অতিরিক্ত আশাবাদী হয়।যেখানে শিখবেন: পর্ব ১৮পর্ব ২০পর্ব ৬৬
Overfittingওভারফিটিং
model train ডেটার noise-সহ মুখস্থ করে ফেলে, তাই train-এ খুব ভালো কিন্তু নতুন ডেটায় খারাপ করে; উচ্চ variance-এর লক্ষণ।যেখানে শিখবেন: পর্ব ০১পর্ব ১৭পর্ব ১৮
Overlap (positivity)ওভারল্যাপ
X-এর প্রতিটি মানে treatment পাওয়া আর না-পাওয়া দুই ধরনের মানুষই থাকার শর্ত, অর্থাৎ 0 < e(x) < 1; না মানলে তুলনীয় মানুষ নেই আর IPW-এর ওজন বিশাল হয়।যেখানে শিখবেন: পর্ব ৬৪
Overparameterisationওভারপ্যারামিটারাইজেশন
Model-এর parameter-এর সংখ্যা train উদাহরণের চেয়ে বেশি হওয়া, ফলে train ডেটা পুরো মুখস্থ করার ক্ষমতা থাকা।যেখানে শিখবেন: পর্ব ০৩

P

P(alive)পি-অ্যালাইভ
BG/NBD-জাতীয় model-এ একজন ক্রেতা ডেটা কাটার দিনে এখনো সক্রিয় আছেন, তার অনুমিত সম্ভাবনা।যেখানে শিখবেন: পর্ব ৬৫
p-valueপি-ভ্যালু
null hypothesis সত্য হলে পাওয়া statistic-এর মতো বা তার চেয়েও চরম মান আসার সম্ভাবনা; এটি null সত্য হওয়ার সম্ভাবনা নয়, আর প্রভাবের আকারও মাপে না।যেখানে শিখবেন: পর্ব ২২পর্ব ৫৫পর্ব ৫৯
p99 (99th percentile)পি-নাইনটি-নাইন
যে সময়ের মধ্যে ১০০টির মধ্যে ৯৯টি অনুরোধ শেষ হয়; সবচেয়ে ধীর ১% অনুরোধের অভিজ্ঞতা বোঝায়।যেখানে শিখবেন: পর্ব ৭১পর্ব ৭৩পর্ব ৭৭
PAC learning (Probably Approximately Correct)প্যাক লার্নিং
Valiant-এর ১৯৮৪ সালের কাঠামো: যথেষ্ট উদাহরণে অন্তত ১ − δ সম্ভাবনায় ε-এর মধ্যে নির্ভুল নিয়ম শেখা গেলে class শেখার যোগ্য।যেখানে শিখবেন: পর্ব ০৩পর্ব ৩৪পর্ব ৭৩
PACF (partial autocorrelation function)পিএসিএফ
মাঝের lag-গুলোর প্রভাব সরিয়ে lag k-এর সরাসরি সম্পর্ক; AR(p)-এ p-এর পরে প্রায় শূন্য হয়ে যায়।যেখানে শিখবেন: পর্ব ৫১
PageRankপেজর‍্যাংক
Brin আর Page-এর ১৯৯৮ সালে বর্ণিত পদ্ধতি, যা link-এর graph-এ random surfer-এর stationary distribution দিয়ে প্রতিটি পাতার গুরুত্ব মাপে; power iteration দিয়ে বের করা হয়।যেখানে শিখবেন: পর্ব ০৮
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 ০৪
Paired t-testপেয়ার্ড টি-টেস্ট
একই এককে দুটি মাপের পার্থক্যগুলোর গড় শূন্য কি না, তার t-test: t = d̄/(s/√k), k − 1 df; পার্থক্যগুলো স্বাধীন হওয়ার শর্ত রাখে।যেখানে শিখবেন: পর্ব ২২
pandasপান্ডাস
Python-এ টেবিলের ডেটা (DataFrame) পড়া, পরিষ্কার, ভাগ আর সারাংশ করার library.যেখানে শিখবেন: পর্ব ০১
panderaপ্যান্ডেরা
DataFrame-এর schema আর নিয়ম ঘোষণা করে যাচাইয়ের একটি খোলা উৎসের Python library; lazy মোডে সব ব্যর্থতার একটি টেবিল দেয়।যেখানে শিখবেন: পর্ব ৬৯
Parallelogramপ্যারালেলোগ্রাম (সামান্তরিক)
দুই জোড়া সমান্তরাল বাহুর চতুর্ভুজ; একটি ২×২ matrix একক বর্গকে তার দুই কলামের গড়া সামান্তরিকে পাঠায়।যেখানে শিখবেন: পর্ব ০৭
Pareto distributionপ্যারেটো ডিস্ট্রিবিউশন
ঘনত্ব x-এর ঘাত অনুযায়ী কমে এমন ভারী লেজের বণ্টন; α ≤ ২ হলে variance অসীম আর α ≤ ১ হলে গড়ও অসীম; আয় বা বড় ক্রেতার কেনাকাটার মতো মাপে দেখা যায়।যেখানে শিখবেন: পর্ব ২১
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 ৭০
Partial dependenceপার্শিয়াল ডিপেনডেন্স
একটি feature-কে একটি মানে বসিয়ে সব সারির prediction-এর গড়; সেই মান বদলে আঁকা রেখা দেখায় model গড়ে ঐ feature-এর প্রতি কেমন সাড়া দেয়।যেখানে শিখবেন: পর্ব ৩৬পর্ব ৫৬পর্ব ৭৩
Partial derivativeপার্শিয়াল ডেরিভেটিভ
অনেক চলকের function-এ বাকি সব চলক স্থির রেখে একটিমাত্র চলকের সাপেক্ষে derivative; ∂L/∂w লেখা হয়।যেখানে শিখবেন: পর্ব ১১পর্ব ৩৬
Partial likelihoodপার্শিয়াল লাইকলিহুড
প্রতিটি ঘটনার সময়ে “ঝুঁকিতে থাকা সবার মধ্যে ঠিক এই জনেরই ঘটনা” হওয়ার সম্ভাবনার গুণফল; Cox model-এ baseline hazard এতে কেটে যায়।যেখানে শিখবেন: পর্ব ৫৫
partial_fitপার্শিয়াল ফিট
scikit-learn-এর method, যা model-কে নতুন করে না শিখিয়ে দেওয়া একটি chunk-এর ওপর একবার হালনাগাদ করে; classifier-এ প্রথম ডাকে সব শ্রেণির তালিকা classes দিয়ে জানাতে হয়।যেখানে শিখবেন: পর্ব ৭০
Parts-based representationপার্টস-বেসড রিপ্রেজেন্টেশন
ডেটাকে কয়েকটি অঋণাত্মক অংশের যোগফল হিসেবে প্রকাশ করা, যেখানে অংশগুলো একে অন্যকে বিয়োগ করে কাটাকাটি করে না; NMF-এর পরিচিত গুণ।যেখানে শিখবেন: পর্ব ৪১
Path length (isolation tree)পাথ লেংথ
Isolation tree-তে root থেকে একটি বিন্দুর পাতায় পৌঁছাতে কয়টি কাট লাগল; অনেক গাছের গড় ছোট হলে বিন্দুটি সন্দেহজনক।যেখানে শিখবেন: পর্ব ৪৩
PCA (Principal Component Analysis)পিসিএ
Dimensionality reduction-এর একটি জনপ্রিয় পদ্ধতি, যা ডেটার সবচেয়ে বেশি variance-এর দিকগুলো খুঁজে নতুন কলাম বানায়; দিকগুলো covariance matrix-এর eigenvector.যেখানে শিখবেন: পর্ব ০৮পর্ব ৪১
PDF (probability density function)পি-ডি-এফ
Continuous random variable-এর ঘনত্বের function; উচ্চতা সম্ভাবনা নয়, কোনো এলাকার ওপর integral-ই সেই এলাকার সম্ভাবনা, আর মোট integral 1.যেখানে শিখবেন: পর্ব ১৯পর্ব ৪০পর্ব ৪৯
Peak factorপিক ফ্যাক্টর
সবচেয়ে ব্যস্ত সময়ের চাপ গড় চাপের কত গুণ, সেই অনুপাত; সাধারণত এটি ধরে নেওয়া বা পুরোনো মাপ থেকে নেওয়া একটি মান।যেখানে শিখবেন: পর্ব ৭১পর্ব ৭৪
Pearson residualপিয়ারসন রেসিডুয়াল
(y − μ)/√V(μ): বণ্টনের প্রত্যাশিত ছড়ানো দিয়ে মাপা residual; model ঠিক হলে এদের ছড়ানো মোটামুটি ১।যেখানে শিখবেন: পর্ব ২০
Peekingপিকিং
ডেটা জমার মাঝে বারবার significance test করে প্রথম significant ফলে থামা; এতে মোট Type I error আগে ঠিক করা α-এর চেয়ে অনেক বেড়ে যায়।যেখানে শিখবেন: পর্ব ৬২পর্ব ৭৫পর্ব ৭৭
Pegasosপেগাসোস
Shalev-Shwartz, Singer আর Srebro-র ২০০৭ সালের linear SVM solver: প্রতিবার একটি বা কয়েকটি এলোমেলো বিন্দু নিয়ে hinge + L2 লক্ষ্যের subgradient ধাপ, ধাপের আকার 1/(λt).যেখানে শিখবেন: পর্ব ২৮
Penalized spline (P-spline)পেনালাইজড স্প্লাইন
অনেক knot রেখে পাশাপাশি coefficient-এর পার্থক্যের ওপর শাস্তি দেওয়া spline; knot-এর সংখ্যার বদলে শাস্তির মাপ λ দিয়ে মসৃণতা ঠিক হয়।যেখানে শিখবেন: পর্ব ২৩
Percentage pointপার্সেন্টেজ পয়েন্ট
দুটি শতাংশের সরাসরি বিয়োগফল, যেমন ৮% থেকে ১০% হলো +২ শতাংশ-বিন্দু; আপেক্ষিক পরিবর্তনের (+২৫%) সঙ্গে গুলিয়ে ফেলা একটি সাধারণ ভুল।যেখানে শিখবেন: পর্ব ৬৭
Percentileপার্সেন্টাইল
এমন একটি মান, যার নিচে মোটামুটি নির্দিষ্ট শতাংশ ডেটা থাকে; ৫০ percentile হলো median.যেখানে শিখবেন: পর্ব ২১পর্ব ৬৮
Percentile bootstrap intervalপার্সেন্টাইল ইন্টারভাল
Bootstrap মানগুলোর ২.৫ আর ৯৭.৫ percentile-কে সরাসরি ৯৫% interval-এর দুই প্রান্ত ধরা; সহজ আর রূপান্তরে স্থির, কিন্তু bias বা skew-এ ভুল দিকে সরে থাকতে পারে।যেখানে শিখবেন: পর্ব ২১পর্ব ৬০পর্ব ৭৬
PERCENTILE_CONTপার্সেন্টাইল কন্টিনিউয়াস
সাজানো n টি মানে অবস্থান ১ + (n − ১)p বের করে দুই প্রতিবেশী মানের মাঝে রৈখিক মিশ্রণে p-তম percentile দেওয়ার নিয়ম; PostgreSQL-এ আছে, SQLite-এর সাধারণ build-এ নেই।যেখানে শিখবেন: পর্ব ৬১
Perceptronপারসেপট্রন
Frank Rosenblatt-এর (১৯৫৮) রৈখিক classifier, যা ভুল বিন্দু পেলেই w ← w + yx করে; আলাদা করা যায় এমন ডেটায় থামে, কিন্তু যে রেখায় থামে তার margin ছোট হতে পারে।যেখানে শিখবেন: পর্ব ২৭
Perfect separationপারফেক্ট সেপারেশন
Training ডেটার দুই শ্রেণিকে একটি রেখা বা সমতল পুরোপুরি আলাদা করলে logistic regression-এর সসীম MLE থাকে না, আর শাস্তিহীন ওজন সীমাহীনভাবে বাড়তে থাকে; এই অবস্থার নাম।যেখানে শিখবেন: পর্ব ১৮পর্ব ২১পর্ব ৭৬
Periodic kernel (ExpSineSquared)পিরিয়ডিক কার্নেল
exp(−২ sin²(πd/p)/ℓ²) আকারের kernel, যা প্রতি p দূরত্বে correlation আবার ১-এ ফেরায়; সাপ্তাহিক বা বার্ষিক পুনরাবৃত্তি ধরতে ব্যবহৃত হয়।যেখানে শিখবেন: পর্ব ৪৬
Permutation importanceপারমিউটেশন ইমপর্ট্যান্স
Held-out ডেটায় একটি কলামের মানগুলো এলোমেলো করে score কতটা কমে, তা মেপে সেই কলামের ওপর model কতটা নির্ভর করে তার অনুমান; কারণ নয়, নির্ভরতার মাপ।যেখানে শিখবেন: পর্ব ৩৩পর্ব ৫৬পর্ব ৭২
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 ২১
Perplexityপারপ্লেক্সিটি
প্রতি শব্দের গড় log-likelihood-এর ঋণাত্মকের exp; model গড়ে যেন কতগুলো সমান সম্ভাব্য শব্দের মধ্যে দোটানায়, তার মাপ। কম হলে ভালো, তবে মানুষের চোখে topic কতটা অর্থবহ তা মাপে না।যেখানে শিখবেন: পর্ব ৪৪
Perplexity (t-SNE)পারপ্লেক্সিটি
প্রতিটি বিন্দুর প্রতিবেশী-বণ্টনের 2^H, অর্থাৎ কার্যকর প্রতিবেশীর সংখ্যা; t-SNE প্রতিটি বিন্দুর σ binary search দিয়ে এমনভাবে বাছে যাতে এটি নির্দিষ্ট মান হয়।যেখানে শিখবেন: পর্ব ৪২
Perron–Frobenius theoremপেরন-ফ্রোবেনিয়াস থিওরেম
সব ঘর ধনাত্মক এমন বর্গাকার matrix-এর সবচেয়ে বড় eigenvalue একক ও ধনাত্মক, আর তার eigenvector-এর সব ঘর ধনাত্মক নেওয়া যায়, এই উপপাদ্য; Markov chain-এর stationary distribution-এর ভিত্তি।যেখানে শিখবেন: পর্ব ০৮
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 ০৪পর্ব ৬৬পর্ব ৬৮
PII (Personally Identifiable Information)পি-আই-আই
যে তথ্য একা বা অন্য তথ্যের সঙ্গে মিলিয়ে একজন মানুষকে চিনিয়ে দেয়, যেমন নাম, ফোন নম্বর, ঠিকানা বা জাতীয় পরিচয়পত্র নম্বর।যেখানে শিখবেন: পর্ব ০৫
Pinball (quantile) lossপিনবল লস
Residual r ধনাত্মক হলে τr, ঋণাত্মক হলে (τ − 1)r; কম বলা আর বেশি বলাকে অসমান দামে শাস্তি দেয়, আর এর সেরা উত্তর τ-quantile.যেখানে শিখবেন: পর্ব ০২পর্ব ২৪পর্ব ৩৫
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 ০৪পর্ব ২৩পর্ব ২৭
Pivotপিভট
Row echelon form-এ একটি শূন্য-নয় সারির প্রথম শূন্য-নয় সংখ্যা; pivot-এর সংখ্যাই matrix-এর rank.যেখানে শিখবেন: পর্ব ০৬পর্ব ১০
Pivot (pivot table)পিভট টেবিল
লম্বা আকারের ডেটার একটি কলামের মানগুলোকে আলাদা কলাম বানানো, যেমন cohort × মাসের টেবিল; SQL-এ SUM(CASE …) দিয়ে, pandas-এ pivot বা pivot_table দিয়ে।যেখানে শিখবেন: পর্ব ৬১
Placebo testপ্লাসিবো টেস্ট
যেখানে প্রভাব থাকার কথা নয় (যেমন treatment-এর আগের সময়ে ভান করা তারিখ) সেখানে একই পদ্ধতি চালানো; প্রভাব দেখা গেলে পদ্ধতির অনুমান নিয়ে সন্দেহ জাগে।যেখানে শিখবেন: পর্ব ৬৪
Platt scalingপ্ল্যাট স্কেলিং
আলাদা calibration ডেটায় model-এর score s-এর ওপর p = σ(a·s + b) শেখানো, অর্থাৎ এক feature-এর logistic regression; মাত্র দুটি parameter, তাই কম ডেটাতেও স্থির।যেখানে শিখবেন: পর্ব ২৬পর্ব ৭৩পর্ব ৭৪
pLSA (probabilistic latent semantic analysis)পি-এল-এস-এ
Hofmann-এর (১৯৯৯) model: p(শব্দ | লেখা) = Σ p(topic | লেখা) p(শব্দ | topic); প্রতিটি লেখার মিশ্রণ আলাদা parameter, কোনো prior নেই। LDA এর Bayesian উত্তরসূরি।যেখানে শিখবেন: পর্ব ৪৪
Plug-in principleপ্লাগ-ইন প্রিন্সিপল
অজানা জনসংখ্যার বণ্টনের জায়গায় নমুনার empirical distribution বসিয়ে কোনো পরিমাণ বা তার অনিশ্চয়তা হিসাব করার নীতি; bootstrap-এর ভিত্তি।যেখানে শিখবেন: পর্ব ২১
Pocock boundaryপোকক বাউন্ডারি
Group-sequential test-এ সব দেখায় একই উঁচু z-সীমা, যেমন ১৪টি দেখায় প্রায় ২.৬; আগে থামা সহজ, কিন্তু শেষের সীমাও উঁচু বলে power কিছুটা কমে।যেখানে শিখবেন: পর্ব ৬২
Point anomalyপয়েন্ট অ্যানোমালি
একটি সারি একাই বাকিদের থেকে অস্বাভাবিক, যেমন হঠাৎ ৪৫,০০০ টাকার একটি অর্ডার; সবচেয়ে পরিচিত ধরনের অস্বাভাবিকতা।যেখানে শিখবেন: পর্ব ৪৩
Point estimateপয়েন্ট এস্টিমেট
ডেটা থেকে হিসাব করা একটি একক সংখ্যা, যেমন দুই হারের পার্থক্য; সবচেয়ে ভালো অনুমান, কিন্তু নিজে থেকে তার অনিশ্চয়তা বলে না।যেখানে শিখবেন: পর্ব ৬৭
Point-in-time featureপয়েন্ট-ইন-টাইম ফিচার
প্রতিটি সারির prediction time পর্যন্ত জানা তথ্য দিয়েই হিসাব করা feature, যাতে পরের কোনো তথ্য ঢুকে না পড়ে।যেখানে শিখবেন: পর্ব ০২পর্ব ৫২পর্ব ৭১
Poisson distributionপোয়াসোঁ ডিস্ট্রিবিউশন
নির্দিষ্ট সময় বা জায়গায় গড় হার λ-তে স্বাধীনভাবে ঘটা ঘটনার সংখ্যার distribution; গড় আর variance দুটিই λ, আর λ-এর MLE নমুনার গড়।যেখানে শিখবেন: পর্ব ১৮পর্ব ২০পর্ব ৪৭
Poisson regressionপোয়াসোঁ রিগ্রেশন
গোনা সংখ্যার লক্ষ্যের GLM: Poisson বণ্টন আর log link, তাই অনুমান সবসময় ধনাত্মক আর feature-এর প্রভাব গুণের।যেখানে শিখবেন: পর্ব ২০
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 ৭০
Polynomial featuresপলিনোমিয়াল ফিচারস
x, x², x³ … আর কলামগুলোর গুণফল দিয়ে বানানো নতুন feature; scikit-learn-এর PolynomialFeatures এগুলো বানায়।যেখানে শিখবেন: পর্ব ২৩পর্ব ৪৫পর্ব ৫৬
Polynomial kernelপলিনোমিয়াল কার্নেল
k(x, z) = (γ·x·z + r) এর d ঘাত; d ঘাত পর্যন্ত সব polynomial পদের feature-এর dot product, অথচ হিসাবে শুধু একটি dot product আর একটি ঘাত লাগে।যেখানে শিখবেন: পর্ব ২৯পর্ব ৭৩
Pool adjacent violators (PAV) algorithmপুল অ্যাডজেসেন্ট ভায়োলেটরস
Isotonic regression-এর algorithm: x অনুযায়ী সাজিয়ে যেখানে মান কমে যায়, পাশের মানগুলো এক দলে মিলিয়ে গড় করা, যতক্ষণ না পুরো সারি একঘেয়ে হয়।যেখানে শিখবেন: পর্ব ২৬
Pool-based active learningপুল-বেসড অ্যাক্টিভ লার্নিং
একটি বড় label-হীন ভাণ্ডার (pool) হাতে থাকে, আর প্রতি ধাপে model সেখান থেকে এক বা কয়েকটি উদাহরণ বেছে মানুষকে label দিতে পাঠায়।যেখানে শিখবেন: পর্ব ৫৪
Pooled covarianceপুলড কোভ্যারিয়েন্স
সব শ্রেণির ভেতরের covariance-এর ওজন-দেওয়া গড়, যা সব শ্রেণির জন্য একটিই Σ হিসেবে ব্যবহার হয়; LDA এটি দিয়েই চলে।যেখানে শিখবেন: পর্ব ১৯
Popularity biasপপুলারিটি বায়াস
Recommender-এর প্রয়োজনের চেয়ে বেশি জনপ্রিয় পণ্যের দিকে ঝোঁক, যাতে long tail-এর পণ্য খুব কম দেখানো হয়।যেখানে শিখবেন: পর্ব ৫৩
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; এটি দুই দিকের KL divergence-এর যোগফল, আর শূন্য মানে কোনো পরিবর্তন নেই।যেখানে শিখবেন: পর্ব ৫৯পর্ব ৭২পর্ব ৭৩
Position biasপজিশন বায়াস
তালিকার ওপরের দিকে দেখানো ফলে মানুষ এমনিই বেশি click করেন, পণ্য ভালো হোক বা না হোক; তাই click-এর ডেটা সরাসরি প্রাসঙ্গিকতার label নয়।যেখানে শিখবেন: পর্ব ৭৭
Positive definite matrix (PD)পজিটিভ ডেফিনিট ম্যাট্রিক্স
যে প্রতিসম matrix-এর জন্য শূন্য নয় এমন সব x-এ xᵀAx > 0; সমতুল্যভাবে সব eigenvalue ধনাত্মক, আর xᵀAx-এর আকার একটি বাটি যার তলা শুধু মূলবিন্দুতে।যেখানে শিখবেন: পর্ব ১০পর্ব ১১পর্ব ১৩
Positive semidefinite matrix (PSD)পজিটিভ সেমিডেফিনিট ম্যাট্রিক্স
যে প্রতিসম matrix-এর জন্য সব x-এ xᵀAx ≥ 0, অর্থাৎ সব eigenvalue শূন্য বা ধনাত্মক; covariance, XᵀX আর বৈধ kernel-এর Gram matrix এমন হয়।যেখানে শিখবেন: পর্ব ১০পর্ব ১২পর্ব ২৯
Post-hoc explanationপোস্ট-হক এক্সপ্লেনেশন
Model শেখানোর পরে তার অনুমান দেখে বানানো ব্যাখ্যা, যেমন permutation importance, PDP, SHAP বা surrogate; এটি model-এর আনুমানিক বর্ণনা, model নিজে নয়।যেখানে শিখবেন: পর্ব ৫৬
Post-processing mitigationপোস্ট-প্রসেসিং মিটিগেশন
শেখা model অপরিবর্তিত রেখে score থেকে সিদ্ধান্তের নিয়ম বদলানো, যেমন দলভিত্তিক সীমা; প্রতিটি সিদ্ধান্তে দলের তথ্য লাগে।যেখানে শিখবেন: পর্ব ৬০
Posterior (posterior probability)পোস্টেরিয়র
ডেটা দেখার পর হালনাগাদ করা বিশ্বাস; Bayes-এর নিয়মে likelihood × prior-এর সমানুপাতিক।যেখানে শিখবেন: পর্ব ১৭পর্ব ৪৪পর্ব ৪৫
Posterior meanপোস্টেরিয়র মিন
Posterior বণ্টনের গড়, parameter-এর একটি এক-সংখ্যার অনুমান; Gaussian posterior-এ এটিই চূড়া, অর্থাৎ MAP অনুমানের সমান।যেখানে শিখবেন: পর্ব ৪৫
Posterior predictive distributionপোস্টেরিয়র প্রেডিক্টিভ ডিস্ট্রিবিউশন
নতুন input-এ লক্ষ্যের বণ্টন, সব সম্ভাব্য weight-এর ওপর posterior দিয়ে গড় করে পাওয়া; Bayesian linear regression-এ গড় m_Nᵀφ আর variance 1/β + φᵀS_Nφ.যেখানে শিখবেন: পর্ব ৪৫পর্ব ৭৪
Postmortemপোস্টমর্টেম
কোনো ঘটনা বা ব্যর্থতার পরে লেখা বিশ্লেষণ — কী ঘটেছে, কেন, আর কী বদলাতে হবে; ভালো postmortem দোষারোপহীন।যেখানে শিখবেন: পর্ব ৬৯
Potential outcomesপোটেনশিয়াল আউটকামস
প্রতিটি মানুষের জন্য প্রতিটি সম্ভাব্য treatment-এ যে ফল হতো, যেমন Y(1) আর Y(0); প্রভাব হলো এদের পার্থক্য, কিন্তু একজনের একটিই ফল দেখা যায়।যেখানে শিখবেন: পর্ব ৬৪
Power iteration (power method)পাওয়ার ইটারেশন
একটি vector-কে বারবার matrix দিয়ে গুণ করে দৈর্ঘ্য ১ করা, যাতে সেটি সবচেয়ে বড় |eigenvalue|-এর eigenvector-এর দিকে যায়; ভুল কমে |λ₂/λ₁| হারে।যেখানে শিখবেন: পর্ব ০৮
Pre-image problemপ্রি-ইমেজ প্রবলেম
Kernel-এর feature space-এর একটি বিন্দুর জন্য মূল ইনপুট জগতে এমন x খোঁজা যার φ(x) সেই বিন্দু; সাধারণত হুবহু এমন x থাকে না, তাই আনুমানিক সমাধান লাগে।যেখানে শিখবেন: পর্ব ৪১
Pre-processing mitigationপ্রি-প্রসেসিং মিটিগেশন
Model শেখার আগে ডেটা বা তার ওজন বদলে পক্ষপাত কমানো, যেমন reweighing; model নিজে অপরিবর্তিত থাকে।যেখানে শিখবেন: পর্ব ৬০
Pre-registrationপ্রি-রেজিস্ট্রেশন
ডেটা দেখার আগে hypothesis, metric, sample size, থামার নিয়ম আর বিশ্লেষণ তারিখসহ লিখে রাখা, যাতে ফল দেখে পরিকল্পনা বদলানোর সুযোগ না থাকে।যেখানে শিখবেন: পর্ব ৬২
Precisionপ্রিসিশন
Model বা detector যাদের হ্যাঁ বলেছে তাদের কত ভাগ সত্যিই হ্যাঁ: TP / (TP + FP).যেখানে শিখবেন: পর্ব ০৫পর্ব ৭৬
Precision at k (P@k)প্রিসিশন অ্যাট কে
score অনুযায়ী শীর্ষ k-টি সারির কত ভাগ সত্যিই positive; যাচাইয়ের ক্ষমতা k-টি হলে সময়ের কত ভাগ কাজে লাগল, তা সরাসরি বলে।যেখানে শিখবেন: পর্ব ৪৩পর্ব ৫৩
Precision matrixপ্রিসিশন ম্যাট্রিক্স
Covariance matrix-এর inverse, Σ⁻¹; Gaussian-এ এর বাইরের কোনো ঘর শূন্য মানে সেই দুটি চলক বাকি সব জানা থাকলে স্বাধীন।যেখানে শিখবেন: পর্ব ১৯পর্ব ৪৫পর্ব ৪৮
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 ৪৩পর্ব ৫০পর্ব ৭৪
Preconditioningপ্রিকন্ডিশনিং
সমস্যার চলক বা gradient-কে একটি matrix দিয়ে রূপান্তর করে বাটিকে গোলের কাছাকাছি আনা, যাতে condition number কমে; feature scaling তার সবচেয়ে সরল, কর্ণ-matrix রূপ।যেখানে শিখবেন: পর্ব ১৩পর্ব ১৪
Predicate pushdownপ্রেডিকেট পুশডাউন
Optimizer-এর একটি কৌশল যেখানে filter-এর শর্ত ফাইল পড়ার ধাপে নামিয়ে দেওয়া হয়, যাতে পড়ার সময়েই অপ্রয়োজনীয় সারি বা row group বাদ যায়।যেখানে শিখবেন: পর্ব ৭০
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 ৫৯পর্ব ৬৯পর্ব ৭১
Prediction intervalপ্রেডিকশন ইন্টারভাল
একটি নতুন একক পর্যবেক্ষণ (যেমন পরের অর্ডারের ডেলিভারি সময়) কোন পরিসরে পড়বে তার অনুমান; গড়ের অনিশ্চয়তার সঙ্গে noise-ও যোগ হয় বলে confidence interval-এর চেয়ে চওড়া।যেখানে শিখবেন: পর্ব ২৩পর্ব ২৪পর্ব ৪৫
Prediction setপ্রেডিকশন সেট
Classification-এ একটি শ্রেণির বদলে কয়েকটি সম্ভাব্য শ্রেণির সেট, যার মধ্যে আসল শ্রেণি নির্দিষ্ট সম্ভাবনায় থাকে; সেটের আকার অনিশ্চয়তার মাপ।যেখানে শিখবেন: পর্ব ৫৮
Prediction timeপ্রেডিকশন টাইম
যে মুহূর্তে model-কে আসলে প্রশ্ন করা হবে, যেমন চেকআউট বোতাম চাপা বা মাসের ১ তারিখ রাত; feature শুধু এর আগের তথ্য থেকে আসতে পারে।যেখানে শিখবেন: পর্ব ০২পর্ব ৭২
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 ৭৬
Preregistrationপ্রিরেজিস্ট্রেশন
ফল দেখার আগেই প্রশ্ন, metric, প্রধান তুলনা আর বিশ্লেষণের পরিকল্পনা লিখে রাখা, যাতে পরে ফল দেখে পথ বদলানোর সুযোগ কমে।যেখানে শিখবেন: পর্ব ০৪
Prevalenceপ্রিভ্যালেন্স
পুরো ডেটায় একটি শ্রেণির ভাগ, যেমন ১০০টি রিভিউয়ে ৯০টি positive মানে ৯০%; base rate-এর আরেক নাম।যেখানে শিখবেন: পর্ব ০৫
Primal feasibilityপ্রাইমাল ফিজিবিলিটি
KKT-এর শর্ত যে বিন্দুটি মূল সমস্যার সব শর্ত মানে: g(x) ≤ 0 আর h(x) = 0.যেখানে শিখবেন: পর্ব ১৬
Primal problemপ্রাইমাল প্রবলেম
মূল চলকে (SVM-এ w আর b) লেখা optimization সমস্যা; hard-margin SVM-এ min ½‖w‖², শর্ত yᵢ(w · xᵢ + b) ≥ 1.যেখানে শিখবেন: পর্ব ২৭
Primary metricপ্রাইমারি মেট্রিক
একটি experiment-এর আগে থেকে ঠিক করা একমাত্র মূল মাপ, যার ফলের ওপর চালু করা বা না করার সিদ্ধান্ত দাঁড়ায়; sample size-ও এটি ধরেই হিসাব হয়।যেখানে শিখবেন: পর্ব ৬২পর্ব ৭৫
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 ০৮পর্ব ৭৫
Prior (prior probability)প্রায়র
ডেটা দেখার আগে একটি অনুমান বা parameter সম্পর্কে বিশ্বাস, একটি সম্ভাবনা বা বণ্টন হিসেবে লেখা।যেখানে শিখবেন: পর্ব ১৭পর্ব ১৯পর্ব ৪৭
Prior correctionপ্রায়র কারেকশন
শেখার সময়ের শ্রেণি-অনুপাত (ওজন বা resampling-এর কারণে) আর বাস্তবের অনুপাত আলাদা হলে odds-কে একটি ধ্রুবক দিয়ে গুণ করে সম্ভাবনা আসল মাপে ফেরানো।যেখানে শিখবেন: পর্ব ৫০
Probabilistic PCAপ্রোবাবিলিস্টিক পিসিএ
PCA-র সম্ভাবনাভিত্তিক রূপ: x = Wz + μ + ε, যেখানে z ~ N(0, I) আর noise ε ~ N(0, σ²I); maximum likelihood সমাধানে W প্রথম k টি principal component-এর জগৎ জুড়ে থাকে।যেখানে শিখবেন: পর্ব ৪১
Probabilistic programmingপ্রোবাবিলিস্টিক প্রোগ্রামিং
Prior আর likelihood কোডের মতো লিখে দিলে টুল নিজেই inference (যেমন NUTS বা variational inference) চালায়; উদাহরণ Stan, PyMC আর NumPyro.যেখানে শিখবেন: পর্ব ৪৭
Probability of improvement (PI)প্রোবাবিলিটি অব ইমপ্রুভমেন্ট
একটি বিন্দুতে মান এ পর্যন্ত সেরাকে ছাড়াবে তার সম্ভাবনা Φ(z); উন্নতি কত বড় তা দেখে না, তাই প্রায়ই সেরা বিন্দুর খুব কাছে আটকে যায়।যেখানে শিখবেন: পর্ব ৪৯
Probability simplexপ্রোবাবিলিটি সিমপ্লেক্স
সব ঘর অ-ঋণাত্মক আর যোগফল ১ এমন vector-এর সেট; সম্ভাবনা বা mixture-এর ওজন এখানে থাকে।যেখানে শিখবেন: পর্ব ১৬পর্ব ৩৭পর্ব ৪৪
Projected gradient descentপ্রজেক্টেড গ্রেডিয়েন্ট ডিসেন্ট
প্রতিটি gradient ধাপের পর বিন্দুটিকে feasible set-এর সবচেয়ে কাছের বিন্দুতে ফিরিয়ে আনা; projection সস্তা হলে সবচেয়ে সরল constrained পদ্ধতি।যেখানে শিখবেন: পর্ব ১৬
Projection matrixপ্রজেকশন ম্যাট্রিক্স
যে matrix একটি vector-কে একটি subspace-এ ছায়া ফেলে; orthogonal projection-এর জন্য P = A(AᵀA)⁻¹Aᵀ, আর P² = P ও Pᵀ = P.যেখানে শিখবেন: পর্ব ০৭
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 ৭০
Propensity scoreপ্রোপেনসিটি স্কোর
মাপা বৈশিষ্ট্য x জানা থাকলে treatment পাওয়ার সম্ভাবনা, e(x) = P(T = 1 | X = x); Rosenbaum আর Rubin (১৯৮৩) দেখান এটি একটি balancing score, অর্থাৎ একই score-এর মানুষদের মধ্যে x-এর বণ্টন দুই দলে সমান।যেখানে শিখবেন: পর্ব ৬৪পর্ব ৭৫
Propensity score matchingপ্রোপেনসিটি স্কোর ম্যাচিং
প্রতিটি treated মানুষের জন্য সবচেয়ে কাছের propensity score-এর একজন control মানুষ খুঁজে জোড়া বানানো; জোড়ার পার্থক্যের গড় ATT-এর অনুমান।যেখানে শিখবেন: পর্ব ৬৪
Proper scoring ruleপ্রপার স্কোরিং রুল
সম্ভাবনার অনুমান মাপার এমন নিয়ম, যেখানে আসল সম্ভাবনা সৎভাবে বললেই প্রত্যাশিত loss সবচেয়ে কম হয়; log loss আর Brier score এর উদাহরণ।যেখানে শিখবেন: পর্ব ০২পর্ব ২৬
Proposal distributionপ্রোপোজাল ডিস্ট্রিবিউশন
বর্তমান মান θ থেকে পরের সম্ভাব্য মান θ′ আঁকার বণ্টন q(θ′ | θ); এর মাপ (step size) chain কত দ্রুত ঘোরে তা ঠিক করে।যেখানে শিখবেন: পর্ব ৪৭
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 ৬০
Proximity (random forest)প্রক্সিমিটি
দুটি সারি forest-এর কত ভাগ গাছে একই পাতায় পড়ে, সেই ভগ্নাংশ; সারিগুলোর মিলের একটি মাপ, যা clustering, outlier খোঁজা বা missing মান ভরাতে ব্যবহার হয়েছে।যেখানে শিখবেন: পর্ব ৩৩
Proximity kernelপ্রক্সিমিটি কার্নেল
LIME-এ নমুনার ওজন ঠিক করার function, যেমন exp(−d²/w²); kernel width w ঠিক করে “আশপাশ” কতটা বড়।যেখানে শিখবেন: পর্ব ৫৭
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 ৬০
Proxy targetপ্রক্সি টার্গেট
আসল লক্ষ্য মাপা কঠিন বলে তার বদলে নেওয়া কাছাকাছি একটি মাপ, যেমন সন্তুষ্টির বদলে অভিযোগ না করা; ভুল proxy ভুল আচরণকে পুরস্কৃত করে।যেখানে শিখবেন: পর্ব ০২
Pseudo-countসিউডো কাউন্ট
Prior-কে কল্পিত পর্যবেক্ষণ হিসেবে পড়া: Beta(α, β) prior-এর MAP-এ আসল গণনার সঙ্গে α − 1টি সাফল্য আর β − 1টি ব্যর্থতা যোগ হয়।যেখানে শিখবেন: পর্ব ১৮
Pseudo-labelসিউডো-লেবেল
মানুষের দেওয়া নয়, model-এর নিজের অনুমান থেকে বসানো label; ঠিক হতে পারে, ভুলও হতে পারে।যেখানে শিখবেন: পর্ব ৫৪
Pseudo-residualসিউডো-রেসিডুয়াল
প্রতিটি সারিতে loss-এর ঋণাত্মক gradient, −∂L/∂F; squared loss-এ এটি সাধারণ residual y − F, log loss-এ y − p, আর পরের গাছ এটিকেই শেখে।যেখানে শিখবেন: পর্ব ৩৫পর্ব ৭৩পর্ব ৭৪
Pseudonymisationসিউডোনিমাইজেশন
নাম বা ফোনের মতো সরাসরি পরিচয়কে একটি কোড বা চিহ্ন দিয়ে বদলানো; অন্য তথ্য জুড়ে মানুষকে আবার চেনা যেতে পারে, তাই এটি এখনও ব্যক্তিগত তথ্য।যেখানে শিখবেন: পর্ব ০৫
pyarrowপাই-অ্যারো
Apache Arrow-এর Python package; Parquet পড়া-লেখা আর Arrow টেবিলের কাজ করে, pandas-ও এটি ব্যবহার করে।যেখানে শিখবেন: পর্ব ৭০
Pydanticপাইড্যান্টিক
Type hint দিয়ে লেখা model-এর ভিত্তিতে ডেটা যাচাই ও রূপান্তর করার Python library. Version 2-এর মূল অংশ Rust-এ লেখা।যেখানে শিখবেন: পর্ব ৬৮
Pyodideপায়োডাইড
WebAssembly-তে compile করা CPython, যা ব্রাউজারের ভেতরেই Python আর NumPy, pandas, scikit-learn-এর মতো package চালায়।যেখানে শিখবেন: পর্ব ০১পর্ব ৬৬পর্ব ৭৬
Pyramid principleপিরামিড প্রিন্সিপল
Barbara Minto-র লেখার কাঠামো: চূড়ায় একটি মূল বার্তা, তার নিচে কয়েকটি পরস্পর-আলাদা যুক্তি, আর প্রতিটি যুক্তির নিচে তার প্রমাণ।যেখানে শিখবেন: পর্ব ৬৭
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 ৬৯পর্ব ৭২

Q

QR decompositionকিউআর ডিকম্পোজিশন
একটি matrix-কে A = QR আকারে ভাঙা, যেখানে Q-এর কলাম orthonormal আর R upper-triangular; least squares-এ XᵀX না বানিয়ে Rw = Qᵀy সমাধান করতে ব্যবহৃত হয়।যেখানে শিখবেন: পর্ব ০৭
Quadratic convergenceকোয়াড্রাটিক কনভারজেন্স
পুনরাবৃত্তির এমন গতি যেখানে প্রতি ধাপে ভুল মোটামুটি আগের ভুলের বর্গের অনুপাতে কমে, তাই সঠিক দশমিক অঙ্ক প্রায় দ্বিগুণ হয়; সর্বনিম্নের কাছে Newton-এর পদ্ধতির বৈশিষ্ট্য।যেখানে শিখবেন: পর্ব ১১পর্ব ১৫
Quadratic Discriminant Analysis (QDA)কোয়াড্রাটিক ডিসক্রিমিন্যান্ট অ্যানালাইসিস
প্রতিটি শ্রেণিকে নিজস্ব covariance-এর Gaussian ধরা generative classifier; সীমারেখা দ্বিঘাত বক্ররেখা, আর parameter LDA-র চেয়ে অনেক বেশি।যেখানে শিখবেন: পর্ব ১৯
Quadratic formকোয়াড্রাটিক ফর্ম
xᵀAx আকারের রাশি, যা x-এর প্রতিটি উপাদানের দ্বিঘাত পদের যোগ; covariance-এর ক্ষেত্রে একক দিক x-এ variance দেয়।যেখানে শিখবেন: পর্ব ০৮পর্ব ১০পর্ব ১১
Quadratic programming (QP)কোয়াড্রাটিক প্রোগ্রামিং
যে optimization সমস্যার objective quadratic আর সব শর্ত রৈখিক; objective convex হলে সমাধান global, আর hard-margin SVM এমন একটি সমস্যা।যেখানে শিখবেন: পর্ব ২৭পর্ব ২৮পর্ব ৩০
Quality-of-service harmকোয়ালিটি অফ সার্ভিস হার্ম
সবাই সেবা পেলেও কোনো দলের জন্য সেবার মান খারাপ হওয়া, যেমন একটি এলাকায় delivery-র সময়ের অনুমান বেশি ভুল; দলভেদে ভুলের মাপ দিয়ে মাপা হয়।যেখানে শিখবেন: পর্ব ৬০
Quantileকোয়ান্টাইল
এমন একটি মান, যার সমান বা নিচে ডেটার নির্দিষ্ট ভাগ (τ) পড়ে; τ = ০.৫ হলে median, τ = ০.৯ হলে ৯০তম percentile.যেখানে শিখবেন: পর্ব ০২পর্ব ২৪পর্ব ৫২
Quantile crossingকোয়ান্টাইল ক্রসিং
আলাদাভাবে fit করা quantile রেখার ক্রম ভেঙে যাওয়া, যেমন কোনো x-এ ১০তম percentile-এর অনুমান median-এর চেয়ে বড়; প্রতিটি x-এ অনুমান সাজিয়ে নেওয়া একটি প্রচলিত প্রতিকার।যেখানে শিখবেন: পর্ব ২৪পর্ব ৭১
Quantile forecastকোয়ান্টাইল ফোরকাস্ট
একটি সংখ্যার বদলে ভবিষ্যতের মানের একটি quantile অনুমান, যেমন ৯০তম percentile: আসল মান প্রায় ৯০% দিনে এর নিচে থাকার কথা; pinball loss দিয়ে শেখানো হয়।যেখানে শিখবেন: পর্ব ৫২
Quantile regressionকোয়ান্টাইল রিগ্রেশন
Pinball loss কমিয়ে x দেওয়া থাকলে y-এর একটি নির্দিষ্ট quantile অনুমান করার regression; Koenker আর Bassett ১৯৭৮ সালে প্রস্তাব করেন।যেখানে শিখবেন: পর্ব ২৪পর্ব ৫৮পর্ব ৭১
Quarantine (batch)কোয়ারেন্টিন
নিয়ম ভাঙা ডেটার ব্যাচকে মুছে না ফেলে আলাদা জায়গায় আটকে রাখা, যাতে মালিক দেখে সিদ্ধান্ত নিতে পারেন আর ভুল ডেটা model-এ না ঢোকে।যেখানে শিখবেন: পর্ব ৬৯
Quasi-Newton methodকোয়াজাই-নিউটন মেথড
Hessian হিসাব না করে পরপর gradient-এর পার্থক্য থেকে Hessian বা তার inverse-এর আন্দাজ বানিয়ে Newton-এর মতো দিক নেওয়ার পদ্ধতির পরিবার।যেখানে শিখবেন: পর্ব ১৫
Query by committeeকোয়েরি বাই কমিটি
কয়েকটি model-এর একটি দল বানিয়ে যে উদাহরণে তাদের ভোট সবচেয়ে বেশি ভাগ হয়, তার label কেনা।যেখানে শিখবেন: পর্ব ৫৪

R

R-hat (potential scale reduction factor)আর-হ্যাট
কয়েকটি chain-এর ভেতরের আর chain-গুলোর মধ্যের variance তুলনা করে convergence যাচাইয়ের মাপ; ১-এর খুব কাছে (যেমন ১.০১-এর নিচে) হলে chain-গুলো একই বণ্টন দেখছে বলে ধরা হয়।যেখানে শিখবেন: পর্ব ৪৭পর্ব ৭৫
Rademacher complexityরাডেমাখার কমপ্লেক্সিটি
একটি class এলোমেলো ±১ label-এর সঙ্গে গড়ে কতটা মিলতে পারে তার মাপ; ডেটা-নির্ভর জটিলতার মাপকাঠি।যেখানে শিখবেন: পর্ব ০৩
Radial basis function (RBF)রেডিয়াল বেসিস ফাংশন
একটি কেন্দ্র থেকে দূরত্বের ওপর নির্ভর করে এমন function, যেমন exp(−((x − c)/w)²); কেন্দ্রের কাছে বড়, দূরে প্রায় শূন্য।যেখানে শিখবেন: পর্ব ২৩পর্ব ২৯পর্ব ৪৫
Random componentর‍্যান্ডম কম্পোনেন্ট
GLM-এর যে অংশ বলে লক্ষ্য y কোন বণ্টন থেকে আসে, যেমন Poisson বা Bernoulli বণ্টন।যেখানে শিখবেন: পর্ব ২০
Random forestর‍্যান্ডম ফরেস্ট
bootstrap নমুনা আর এলোমেলো feature-উপসেটে শেখানো অনেক decision tree-র গড় বা ভোট; গড় নিয়ে variance কমায়।যেখানে শিখবেন: পর্ব ০১পর্ব ২৬পর্ব ৩৪
Random Fourier featuresর‍্যান্ডম ফুরিয়ে ফিচারস
z(x) = √(2/D) cos(ωᵀx + b) আকারের এলোমেলো feature, যাদের dot product গড়ে একটি shift-invariant kernel-এর সমান; RBF-এর জন্য ω আসে N(0, 2γI) থেকে।যেখানে শিখবেন: পর্ব ৩১
Random oversamplingর‍্যান্ডম ওভারস্যাম্পলিং
minority শ্রেণির সারি এলোমেলোভাবে বারবার কপি করে তার সংখ্যা বাড়ানো; কোনো তথ্য হারায় না, কিন্তু হুবহু কপি overfitting-এর ঝুঁকি বাড়ায়।যেখানে শিখবেন: পর্ব ৫০
Random seedর‍্যান্ডম সিড
Random সংখ্যা তৈরির শুরুর মান; একই seed দিলে প্রতিবার একই ক্রমের সংখ্যা আসে, তাই ফল মেলানো যায়।যেখানে শিখবেন: পর্ব ০৪পর্ব ৪৪
Random subspace methodর‍্যান্ডম সাবস্পেস মেথড
প্রতিটি model-কে feature-এর একটি এলোমেলো উপসেটে শেখানো; Tin Kam Ho ১৯৯৫ আর ১৯৯৮ সালের কাজে decision forest-এর জন্য প্রস্তাব করেন।যেখানে শিখবেন: পর্ব ৩৩
Random survival forestর‍্যান্ডম সারভাইভাল ফরেস্ট
Censoring-সহ ডেটার জন্য random forest: গাছ ভাগ হয় log-rank পরিসংখ্যান দিয়ে, আর পাতায় থাকে cumulative hazard-এর অনুমান।যেখানে শিখবেন: পর্ব ৫৫
Random undersamplingর‍্যান্ডম আন্ডারস্যাম্পলিং
majority শ্রেণির সারির একটি এলোমেলো অংশ ফেলে দিয়ে দুই শ্রেণির সংখ্যা কাছাকাছি আনা; ডেটা ছোট আর শেখা দ্রুত হয়, কিন্তু তথ্য হারায়।যেখানে শিখবেন: পর্ব ৫০
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 ০৩
Random-walk Metropolisর‍্যান্ডম-ওয়াক মেট্রোপলিস
Metropolis–Hastings-এর সবচেয়ে সরল রূপ: বর্তমান মানের সঙ্গে একটি ছোট Normal লাফ যোগ করে প্রস্তাব, যা প্রতিসম বলে গ্রহণের সম্ভাবনা শুধু density-র অনুপাত।যেখানে শিখবেন: পর্ব ৪৭
Randomisation unitর‍্যান্ডমাইজেশন ইউনিট
যে এককে এলোমেলোভাবে দল ঠিক করা হয়, যেমন গ্রাহক, session, বিক্রেতা বা delivery zone; বিশ্লেষণও সাধারণত এই এককেই করতে হয়।যেখানে শিখবেন: পর্ব ৬২
Randomised controlled trial (RCT)র‍্যান্ডমাইজড কন্ট্রোলড ট্রায়াল
এলোমেলোভাবে treatment আর control দলে ভাগ করে ফল তুলনার পরীক্ষা; এলোমেলো ভাগ selection bias গড়ে শূন্য করে, তাই কারণ মাপার সবচেয়ে বিশ্বাসযোগ্য নকশা।যেখানে শিখবেন: পর্ব ৬৪
Randomized classifierর‍্যান্ডমাইজড ক্লাসিফায়ার
যে নিয়ম প্রতিটি সিদ্ধান্তে নির্দিষ্ট সম্ভাবনায় কয়েকটি classifier বা সীমার একটি বেছে নেয়; প্রত্যাশিত হার তাদের হারের ওজনসহ গড় হয়।যেখানে শিখবেন: পর্ব ৬০
Randomized SVDর‍্যান্ডমাইজড এস-ভি-ডি
এলোমেলো vector দিয়ে matrix-এর column space-এর একটি ছোট basis খুঁজে তার ওপর ছোট একটি SVD করে প্রথম কয়েকটি singular value আর vector দ্রুত বের করার পদ্ধতি।যেখানে শিখবেন: পর্ব ০৯পর্ব ৭৬
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 ০৬পর্ব ০৯পর্ব ১০
Rank deficientর‍্যাঙ্ক ডেফিশিয়েন্ট
যে matrix-এর rank সারি ও কলামের ছোটটির চেয়ে কম; design matrix-এ এর মানে অন্তত একটি কলাম বাকিদের মিশ্রণ, তাই coefficient একক নয়।যেখানে শিখবেন: পর্ব ০৬
RANK()র‍্যাংক
সমান মানের সারিদের একই ক্রম দেয়, তারপর ফাঁক রাখে (১, ২, ২, ৪); মান হলো এর আগে আসা সারির সংখ্যা যোগ এক।যেখানে শিখবেন: পর্ব ৬১
Rankingর‍্যাংকিং
কয়েকটি জিনিসকে প্রাসঙ্গিকতা বা পছন্দের সম্ভাবনা অনুযায়ী সাজানোর সমস্যা, যেমন কোন পণ্য তালিকার ওপরে দেখাবে।যেখানে শিখবেন: পর্ব ৭১
Rank–nullity theoremর‍্যাঙ্ক-নালিটি থিওরেম
যেকোনো m × n matrix-এর rank আর nullity-র যোগফল কলামের সংখ্যা n-এর সমান; ইনপুটের মাত্রা হয় column space-এ টেকে, নয়তো null space-এ শূন্যে যায়।যেখানে শিখবেন: পর্ব ০৬পর্ব ৭৩
RANSAC (Random Sample Consensus)র‍্যানস্যাক
এলোমেলো ছোট নমুনা থেকে বারবার model বানিয়ে, যে model-এর সঙ্গে সবচেয়ে বেশি বিন্দু একটি সীমার ভেতরে একমত, তার inlier-দের নিয়ে চূড়ান্ত fit করার robust পদ্ধতি; Fischler আর Bolles ১৯৮১ সালে প্রস্তাব করেন।যেখানে শিখবেন: পর্ব ২৪
Rashomon effectরাশোমন ইফেক্ট
একই ডেটায় প্রায় সমান ভালো অনেক ভিন্ন model থাকার ঘটনা, যারা ভিন্ন feature-কে গুরুত্ব দিতে পারে; Breiman ২০০১ সালে এই নাম দেন।যেখানে শিখবেন: পর্ব ৫৬
Rate ratio (incidence rate ratio)রেট রেশিও
Log link-এর count model-এ e^β: অন্য সব feature স্থির রেখে একটি feature এক একক বাড়লে ঘটনার হার কত গুণ হয়।যেখানে শিখবেন: পর্ব ২০পর্ব ৭৩
Ratio metricরেশিও মেট্রিক
দুটি যোগফলের ভাগফল হিসেবে সংজ্ঞায়িত metric, যেমন মোট আয় ÷ মোট অর্ডার, যার হর randomisation-এর একক নয়; SE হিসাব করতে delta method বা একক ধরে bootstrap লাগে।যেখানে শিখবেন: পর্ব ৬৩
Rayleigh quotientর‍্যালে কোশেন্ট
xᵀAx / xᵀx, একটি vector x-এর জন্য eigenvalue-র আন্দাজ; x eigenvector হলে ঠিক λ দেয়, আর symmetric A-তে এর সর্বোচ্চ মান সবচেয়ে বড় eigenvalue.যেখানে শিখবেন: পর্ব ০৮পর্ব ১৬
RBF kernel (Gaussian kernel)আরবিএফ কার্নেল
k(x, z) = exp(−γ‖x − z‖²); দুই বিন্দু যত কাছে, মিল তত ১-এর কাছে; γ বড় হলে প্রভাবের এলাকা ছোট, আর এর feature space অসীম মাত্রার।যেখানে শিখবেন: পর্ব ২৯পর্ব ৩০পর্ব ৩১
Reachability distanceরিচেবিলিটি ডিস্ট্যান্স
reach(p, o) = max(o-এর k-distance, p থেকে o-এর দূরত্ব); খুব কাছের দূরত্বগুলো সমান করে ধরে, যাতে LOF ঘন এলাকার ছোট ওঠানামায় না নড়ে।যেখানে শিখবেন: পর্ব ৪৩
Realizable caseরিয়েলাইজেবল কেস
যে পরিস্থিতিতে ধরা হয় hypothesis class-এর কোনো নিয়মের true risk শূন্য, অর্থাৎ noise নেই আর আসল নিয়ম class-এর ভেতরে।যেখানে শিখবেন: পর্ব ০৩
Recallরিকল
সত্যিকারের হ্যাঁ-দের কত ভাগ model বা detector ধরতে পেরেছে: TP / (TP + FN).যেখানে শিখবেন: পর্ব ০৫পর্ব ৭৬
Recall at fixed precisionরিকল অ্যাট প্রিসিশন
precision অন্তত একটি নির্দিষ্ট মান (যেমন ০.৮) রাখার শর্তে সবচেয়ে বেশি কত recall পাওয়া যায়; precision-recall curve থেকে পড়া একটি ব্যবসা-বান্ধব মাপ।যেখানে শিখবেন: পর্ব ৫০
Recall@kরিকল অ্যাট কে
সব প্রাসঙ্গিক জিনিসের মধ্যে কত ভাগ শীর্ষ k-টি ফলে বা সুপারিশে এসেছে।যেখানে শিখবেন: পর্ব ৫৩পর্ব ৭১
Recency weightingরিসেন্সি ওয়েটিং
পুরোনো সব ডেটা রেখে দিয়ে সাম্প্রতিক সারিকে বেশি আর পুরোনো সারিকে কম ওজন দিয়ে model শেখানো, যেমন প্রতি মাস পুরোনো হলে ওজন ০.৭৫ গুণ।যেখানে শিখবেন: পর্ব ৫৯
Recommender systemরিকমেন্ডার সিস্টেম
ক্রেতার আগের আচরণ থেকে তাঁর পছন্দ হতে পারে এমন পণ্য বা কনটেন্ট সাজিয়ে দেখানোর system.যেখানে শিখবেন: পর্ব ০১পর্ব ০৯পর্ব ৫৩
Reconstruction errorরিকনস্ট্রাকশন এরর
কম মাত্রায় নামিয়ে আবার মূল মাত্রায় ফেরালে মূল ডেটার সঙ্গে যে পার্থক্য থাকে তার মাপ, সাধারণত Frobenius norm ‖V − V̂‖.যেখানে শিখবেন: পর্ব ৪১
Recursionরিকার্শন
একটি ফাংশন নিজের ছোট সংস্করণের সমস্যার জন্য নিজেকেই ডাকে, যতক্ষণ না একটি সরল ভিত্তি-অবস্থায় পৌঁছায়; গাছ বানানো এর স্বাভাবিক উদাহরণ।যেখানে শিখবেন: পর্ব ৩২
Recursive (iterated) forecastingরিকার্সিভ ফোরকাস্টিং
এক ধাপ সামনের একটি model দিয়ে আগামীকাল অনুমান করে সেই অনুমানকে আসল মানের জায়গায় বসিয়ে পরের দিন অনুমান করা, এভাবে বারবার; আগের ধাপের ভুল পরের ধাপে বয়ে যায়।যেখানে শিখবেন: পর্ব ৫২
Recursive binary splittingরিকার্সিভ বাইনারি স্প্লিটিং
ডেটাকে একটি প্রশ্নে দুই ভাগ করে, তারপর প্রতিটি ভাগে একই কাজ আবার করা, যতক্ষণ না থামার নিয়ম পূরণ হয়; greedy আর ওপর থেকে নিচে চলে।যেখানে শিখবেন: পর্ব ৩২
Recursive CTEরিকার্সিভ সিটিই
WITH RECURSIVE দিয়ে লেখা এমন CTE, যা আগের ধাপের সারি থেকে পরের সারি বানায়, শর্ত না ভাঙা পর্যন্ত; তারিখের ক্যালেন্ডার টেবিল বানাতে প্রায়ই লাগে।যেখানে শিখবেন: পর্ব ৬১
Reflection matrixরিফ্লেকশন ম্যাট্রিক্স
একটি রেখা বা সমতলে আয়নার মতো উল্টানো map; orthogonal, det = −1, আর দুবার প্রয়োগ করলে আগের অবস্থা।যেখানে শিখবেন: পর্ব ০৭
Regression adjustmentরিগ্রেশন অ্যাডজাস্টমেন্ট
ফলের regression-এ treatment-এর সঙ্গে confounder রেখে treatment-এর সহগকে প্রভাবের অনুমান ধরা; ফলের model ঠিক হলে আর সব confounder মাপা থাকলে কাজ করে।যেখানে শিখবেন: পর্ব ৬৪
Regression discontinuity design (RDD)রিগ্রেশন ডিসকন্টিনিউইটি
একটি সীমা (যেমন 1,000 টাকার অর্ডারে ফ্রি delivery) পার হলেই treatment পাওয়া গেলে, সীমার ঠিক দুই পাশের মানুষের ফল তুলনা করে সীমার কাছের প্রভাব মাপার নকশা।যেখানে শিখবেন: পর্ব ৬৪
Regression testরিগ্রেশন টেস্ট
আগে ঠিকমতো চলা আচরণ নতুন বদলের পরেও ঠিক আছে কি না যাচাই; ML-এ নতুন model চালু model-এর চেয়ে কোনো slice-এ খারাপ কি না দেখা।যেখানে শিখবেন: পর্ব ৬৯
Regression to the meanরিগ্রেশন টু দ্য মিন
দুটি মাপের correlation পূর্ণ না হলে একটিতে চরম মান পেলে অন্যটি গড়ভাবে কম চরম হওয়ার প্রবণতা; এটি পরিসংখ্যানিক ফল, কোনো কারণগত প্রভাব নয়।যেখানে শিখবেন: পর্ব ১৯
Regression treeরিগ্রেশন ট্রি
যে decision tree প্রতিটি পাতায় একটি সংখ্যা অনুমান করে, সাধারণত সেই পাতার সারিগুলোর গড়, আর ভাগ বাছে squared error সবচেয়ে বেশি কমিয়ে।যেখানে শিখবেন: পর্ব ৩৫
Regretরিগ্রেট
যা পাওয়া গেল আর সবচেয়ে ভালো যা পাওয়া যেত তার পার্থক্য; optimization-এ পাওয়া সেরা মান বিয়োগ আসল সর্বনিম্ন মান, যা কত দ্রুত শূন্যের দিকে যায় তা দিয়ে পদ্ধতি তুলনা হয়।যেখানে শিখবেন: পর্ব ৪৯
Regularizationরেগুলারাইজেশন
Loss-এর সঙ্গে ওজনের আকারের একটি শাস্তি যোগ করে বা অন্য কোনো সীমা দিয়ে model-কে সরল রাখা, যাতে overfitting কমে।যেখানে শিখবেন: পর্ব ১৪পর্ব ১৭পর্ব ৩৬
Regularization pathরেগুলারাইজেশন পাথ
শাস্তির শক্তি λ বড় থেকে ছোটতে বদলালে প্রতিটি coefficient কীভাবে বদলায়, তার পুরো ছবি; lasso-তে টুকরো টুকরো সরলরেখা।যেখানে শিখবেন: পর্ব ১৭পর্ব ২৩
Relative changeরিলেটিভ চেঞ্জ
পুরোনো মানের তুলনায় পরিবর্তনের অনুপাত, (নতুন − পুরোনো) ÷ পুরোনো; ছোট হার থেকে শুরু হলে খুব বড় শোনায়, তাই আসল হারসহ লিখতে হয়।যেখানে শিখবেন: পর্ব ৬৭
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 ২৬পর্ব ৭২পর্ব ৭৫
Reparameterizationরিপ্যারামিটারাইজেশন
Parameter-কে অন্য রূপে লেখা, যেমন ধনাত্মক k-এর বদলে log k, যাতে optimizer সীমাহীন বাস্তব সংখ্যায় খুঁজতে পারে আর অবৈধ মানে না যায়।যেখানে শিখবেন: পর্ব ১৮
Reparameterization trickরিপ্যারামিটারাইজেশন ট্রিক
q থেকে নমুনাকে একটি নির্দিষ্ট রূপান্তর হিসেবে লেখা, যেমন z = m + s·ε যেখানে ε ~ N(0, 1), যাতে এলোমেলোতা parameter-মুক্ত হয় আর chain rule দিয়ে কম variance-এর gradient পাওয়া যায়; VAE-র ভিত্তি।যেখানে শিখবেন: পর্ব ৪৮
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 ০৪পর্ব ৩৭পর্ব ৩৮
Representer theoremরিপ্রেজেন্টার থিওরেম
Train বিন্দুর loss আর ‖f‖²-এর মতো শাস্তি কমালে সেরা function সবসময় train বিন্দুগুলোর kernel-এর ওজনযুক্ত যোগফল ∑cᵢk(xᵢ, x) হয়, তাই শুধু n টি সহগ খুঁজতে হয়।যেখানে শিখবেন: পর্ব ২৯পর্ব ৩০
Reproducibilityরিপ্রোডিউসিবিলিটি
পুনরুৎপাদনযোগ্যতা: একই কোড আর ডেটা থেকে অন্য কেউ বা অন্য সময়ে একই ফল পাওয়া যায় কি না।যেখানে শিখবেন: পর্ব ০৪পর্ব ৬৭
Reproducing kernel Hilbert space (RKHS)রিপ্রোডিউসিং কার্নেল হিলবার্ট স্পেস
প্রতিটি বৈধ kernel যে function-এর জগৎ ঠিক করে; তার norm মাপে function কতটা অমসৃণ, আর SVM-এর ½‖w‖² আসলে এই norm-এর বর্গের অর্ধেক।যেখানে শিখবেন: পর্ব ২৯
Rerun model (Streamlit)রিরান মডেল
Streamlit-এর চালানোর নিয়ম: ব্যবহারকারী কোনো widget বদলালে পুরো script ওপর থেকে নিচ পর্যন্ত আবার চলে, আর নতুন মান দিয়ে পাতা আবার আঁকা হয়।যেখানে শিখবেন: পর্ব ৬৬
Reservoir samplingরিজার্ভয়ার স্যাম্পলিং
মোট আকার না জেনে একটি স্রোত থেকে এক পাসে ঠিক k-টি মানের সমান-সম্ভাবনার নমুনা রাখার পদ্ধতি; i-তম মান (০ থেকে গুনে) k ÷ (i + ১) সম্ভাবনায় নমুনায় ঢোকে।যেখানে শিখবেন: পর্ব ৭০
Residualরেসিডুয়াল
Regression-এ আসল মান থেকে অনুমান বাদ দিলে যা থাকে, r = y − ŷ; ধনাত্মক মানে model কম বলেছে।যেখানে শিখবেন: পর্ব ০২পর্ব ০৭পর্ব ৩৫
Response modelরেসপন্স মডেল
শুধু বার্তা বা কুপন পাওয়া মানুষের ডেটায় “সাড়া দেবেন কি না”-র সম্ভাবনা অনুমান; হস্তক্ষেপ ছাড়াও যাঁরা সাড়া দিতেন, তাঁদের আলাদা করতে পারে না।যেখানে শিখবেন: পর্ব ৬৫
Responsibilityরেসপন্সিবিলিটি
GMM-এ বিন্দু xᵢ-এর জন্য component k-এর posterior সম্ভাবনা rᵢₖ = πₖN(xᵢ | k) ÷ ∑ⱼ πⱼN(xᵢ | j); প্রতিটি সারিতে যোগফল ১, আর এটিই নরম দল-ভাগ।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৭৩পর্ব ৭৫
Retention curveরিটেনশন কার্ভ
শুরুর পর k-তম মাসে একটি দলের কত ভাগ এখনো সক্রিয় বা আবার কিনেছেন, k-এর সঙ্গে সেই ভাগের বক্ররেখা।যেখানে শিখবেন: পর্ব ৬৫
Retention rateরিটেনশন রেট
একটি cohort-এর যত শতাংশ গ্রাহক নির্দিষ্ট সময় পরেও (যেমন এক মাস পরে) সক্রিয় হয়েছেন; হর হলো cohort-এর সব গ্রাহক।যেখানে শিখবেন: পর্ব ৬১
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 ৬৯
Reverse-mode automatic differentiationরিভার্স মোড
আগে পুরো হিসাব চালিয়ে মাঝের মান মনে রাখা, তারপর output থেকে পেছনে chain rule দিয়ে vector-Jacobian product গুণ করা; একটি scalar loss-এর সব parameter-এর gradient একবারেই দেয়।যেখানে শিখবেন: পর্ব ১১
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 ৬০পর্ব ৭৩
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
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 ০৬পর্ব ১১পর্ব ১৭
Right censoringরাইট সেন্সরিং
পর্যবেক্ষণ শেষ হওয়া পর্যন্ত ঘটনা ঘটেনি, তাই আসল সময় শুধু “দেখা সময়ের চেয়ে বেশি” বলে জানা।যেখানে শিখবেন: পর্ব ৫৫পর্ব ৬১পর্ব ৭৩
Risk setরিস্ক সেট
একটি সময়ে যাঁরা তখনো পর্যবেক্ষণে আছেন আর যাঁদের ঘটনা তখনো ঘটেনি, তাঁদের দল।যেখানে শিখবেন: পর্ব ৫৫
RMSE (Root Mean Squared Error)আরএমএসই
ভুলগুলোর বর্গের গড়ের বর্গমূল; বড় ভুলকে MAE-এর চেয়ে বেশি শাস্তি দেয়।যেখানে শিখবেন: পর্ব ৩০পর্ব ৫১পর্ব ৫৩
RMSPropআরএমএসপ্রপ
AdaGrad-এর যোগফলের জায়গায় gradient-এর বর্গের চলমান গড় নিয়ে ধাপ ভাগ করার পদ্ধতি; Geoffrey Hinton-এর ২০১২ সালের একটি lecture-এ প্রস্তাবিত, কোনো প্রবন্ধে নয়।যেখানে শিখবেন: পর্ব ১৪
Robbins–Monro conditionsরবিন্স-মনরো শর্ত
Stochastic approximation-এ learning rate-এর দুটি শর্ত: সব ধাপের যোগফল অসীম আর বর্গের যোগফল সসীম; ১৯৫১ সালে Robbins আর Monro-র প্রবন্ধ থেকে।যেখানে শিখবেন: পর্ব ১৩
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 ৪৩
ROC AUCআরওসি এইউসি
এলোমেলো একটি positive আর একটি negative উদাহরণ নিলে model positive-টিকে বেশি score দেবে তার সম্ভাবনা; ০.৫ মানে মুদ্রা টস, ১ মানে নিখুঁত ক্রম।যেখানে শিখবেন: পর্ব ০১পর্ব ০৪পর্ব ২৬
Rollbackরোলব্যাক
নতুন সংস্করণে সমস্যা দেখা দিলে আগের পরীক্ষিত সংস্করণে ফিরে যাওয়া; model-এর ক্ষেত্রে আগের model ফাইল আর তার metadata আবার চালু করা।যেখানে শিখবেন: পর্ব ৬৮পর্ব ৬৯পর্ব ৭৫
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 ৫২
Rolling-origin evaluationরোলিং অরিজিন
Backtesting-এর একটি ধরন, যেখানে forecast origin ধাপে ধাপে সামনে সরে আর প্রতিটি origin-এ train আর test নতুন করে ভাগ হয়।যেখানে শিখবেন: পর্ব ৫২পর্ব ৭২পর্ব ৭৬
ROPE (region of practical equivalence)রোপ
আগে থেকে ঠিক করা একটি ছোট পরিসর (যেমন accuracy-র পার্থক্য ±০.০১), যার ভেতরের পার্থক্যকে ব্যবহারিকভাবে সমান ধরা হয়; Bayesian তুলনায় পার্থক্য এর ভেতরে থাকার সম্ভাবনা হিসাব হয়।যেখানে শিখবেন: পর্ব ২২
Rosenbrock functionরোজেনব্রক ফাংশন
f(x, y) = (1 − x)² + 100(y − x²)², একটি বাঁকা, সরু উপত্যকা যার সর্বনিম্ন (1, 1)-এ; optimizer পরীক্ষার একটি পুরোনো মানদণ্ড।যেখানে শিখবেন: পর্ব ১৪পর্ব ১৫
Rotation matrixরোটেশন ম্যাট্রিক্স
Origin ঘিরে θ কোণে ঘোরানোর matrix, দুই মাত্রায় [[cos θ, −sin θ], [sin θ, cos θ]]; orthogonal, det = 1.যেখানে শিখবেন: পর্ব ০৭
Row echelon formরো এশেলন ফর্ম
Row reduction-এর পর matrix-এর সিঁড়ির মতো রূপ: প্রতিটি শূন্য-নয় সারির প্রথম শূন্য-নয় সংখ্যা আগের সারির চেয়ে ডানে, আর সব-শূন্য সারি নিচে।যেখানে শিখবেন: পর্ব ০৬
Row groupরো গ্রুপ
Parquet ফাইলের সারির একটি অংশ (যেমন ৫০ হাজার বা ১০ লাখ সারি), যার ভেতরে প্রতিটি কলাম আলাদা টুকরোয় থাকে; পড়া আর বাদ দেওয়ার একক।যেখানে শিখবেন: পর্ব ৭০
Row spaceরো স্পেস
একটি matrix-এর সারিগুলোর span; এর dimension column space-এর dimension, অর্থাৎ rank-এর সমান।যেখানে শিখবেন: পর্ব ০৬
ROW_NUMBER()রো নাম্বার
Partition-এর ভেতরে ক্রম অনুযায়ী প্রতিটি সারিকে ১, ২, ৩ … নম্বর দেয়; সমান মানেও আলাদা নম্বর, তাই duplicate বাদ দিতে বা প্রতিটি দলের প্রথম সারি বাছতে কাজে লাগে।যেখানে শিখবেন: পর্ব ৬১
Run (experiment run)রান
একটি experiment-এর একবার চালানো, যার নিজস্ব id, param, metric, tag আর artifact থাকে; কয়েকটি run মিলে একটি experiment.যেখানে শিখবেন: পর্ব ০৪
Runbookরানবুক
একটি পরিচিত কাজ বা সমস্যা সামলানোর লিখিত ধাপের নির্দেশিকা।যেখানে শিখবেন: পর্ব ৬৯
Runge's phenomenonরুঙ্গে ফেনোমেনন
সমান দূরত্বের বিন্দুতে উঁচু ডিগ্রির polynomial বসালে দুই প্রান্তে বড় দোলা তৈরি হওয়ার ঘটনা; Carl Runge ১৯০১ সালে এটি দেখান।যেখানে শিখবেন: পর্ব ২৩
Running totalরানিং টোটাল
চলমান যোগফল: ক্রমে শুরু থেকে বর্তমান সারি পর্যন্ত সব মানের যোগ, যেমন গ্রাহকের এ পর্যন্ত মোট খরচ; SQL-এ SUM(x) OVER (… ORDER BY …).যেখানে শিখবেন: পর্ব ৬১
R² (coefficient of determination)আর-স্কোয়ার্ড
Regression-এর একটি মাপ: ১ মানে নিখুঁত অনুমান, ০ মানে সবসময় গড় বলার সমান; লক্ষ্যের variance-এর কত ভাগ অনুমান ব্যাখ্যা করে।যেখানে শিখবেন: পর্ব ৫৬

S

Saddle pointস্যাডল পয়েন্ট
যে বিন্দুতে gradient শূন্য কিন্তু সেটি minimum বা maximum নয়: কিছু দিকে function ওপরে ওঠে, কিছু দিকে নিচে নামে; সেখানে Hessian indefinite.যেখানে শিখবেন: পর্ব ১০পর্ব ১১পর্ব ১২
SAMMEস্যামি
Zhu, Zou, Rosset আর Hastie-এর multiclass AdaBoost, যার ভোটের ওজন ln((১ − ε)/ε) + ln(K − ১) আর শর্ত ε < ১ − ১/K; scikit-learn-এর AdaBoostClassifier এটিই চালায়।যেখানে শিখবেন: পর্ব ৩৪
Sample complexityস্যাম্পল কমপ্লেক্সিটি
নির্দিষ্ট ε আর δ-এর নিশ্চয়তা পেতে ন্যূনতম কতগুলো উদাহরণ লাগে, সেই সংখ্যা।যেখানে শিখবেন: পর্ব ০৩
Sample ratio mismatch (SRM)স্যাম্পল রেশিও মিসম্যাচ
A/B test-এ দলগুলোর আকার পরিকল্পিত অনুপাত থেকে এলোমেলোতার চেয়ে বেশি আলাদা হওয়া; সাধারণত ভাগ করা, redirect বা log-এর প্রযুক্তিগত ভুলের লক্ষণ, তাই ফল পড়ার আগে কারণ খুঁজতে হয়।যেখানে শিখবেন: পর্ব ৬২পর্ব ৬৩পর্ব ৭২
Sample weightস্যাম্পল ওয়েট
প্রতিটি train সারিকে দেওয়া একটি অঋণাত্মক গুরুত্ব; loss বা impurity হিসাবে সারিটি তার ওজন অনুযায়ী গোনা হয়, AdaBoost প্রতি রাউন্ডে এটি বদলায়।যেখানে শিখবেন: পর্ব ৩৪পর্ব ৫০পর্ব ৫৯
Sampling biasস্যাম্পলিং বায়াস
যে নমুনা বাছা হয়েছে তা পুরো জনগোষ্ঠীর প্রতিনিধি নয়; active learning-এর বাছাই করা label-সেটও এমন পক্ষপাতদুষ্ট।যেখানে শিখবেন: পর্ব ৫৪
Sampling distributionস্যাম্পলিং ডিস্ট্রিবিউশন
একই আকারের অনেক নমুনা নিলে একটি পরিসংখ্যান (যেমন গড়) নমুনা থেকে নমুনায় কীভাবে ছড়ায়, তার distribution.যেখানে শিখবেন: পর্ব ২১
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 ২১পর্ব ৩৩
SARIMA (p, d, q)(P, D, Q)mসারিমা
ঋতুসহ ARIMA: সঙ্গে D বার seasonal differencing আর lag m, 2m, …-এ P টি AR ও Q টি MA পদ; statsmodels-এ SARIMAX দিয়ে fit হয়।যেখানে শিখবেন: পর্ব ৫১
Saturated modelস্যাচুরেটেড মডেল
প্রতিটি সারির জন্য আলাদা parameter-এর model, যা প্রতিটি y হুবহু মেলায়; deviance মাপার তুলনার ভিত্তি।যেখানে শিখবেন: পর্ব ২০
Scaling matrixস্কেলিং ম্যাট্রিক্স
কর্ণে গুণক আর বাকি ঘরে শূন্য এমন matrix, যা প্রতিটি অক্ষ বরাবর আলাদা গুণে টানে বা চাপে; det হলো গুণকগুলোর গুণফল।যেখানে শিখবেন: পর্ব ০৭
Schemaস্কিমা
ডেটার কাঠামোর বর্ণনা: কোন কোন কলাম আছে, প্রতিটির নাম আর type কী।যেখানে শিখবেন: পর্ব ৬৯
Schoenfeld residualশোয়েনফেল্ড রেসিডুয়াল
প্রতিটি ঘটনায় ঘটনা-ঘটা জনের x বিয়োগ risk set-এর ঝুঁকি-ওজনের গড় x; সময়ের সঙ্গে ধারা দেখালে proportional hazards অনুমান ভাঙা।যেখানে শিখবেন: পর্ব ৫৫
Schur complementশুর কমপ্লিমেন্ট
ব্লকে ভাগ করা matrix থেকে পাওয়া রাশি Σₐₐ − ΣₐᵦΣᵦᵦ⁻¹Σᵦₐ; Gaussian-এ এটিই শর্তসাপেক্ষ covariance, আর ব্লক matrix-এর inverse ও determinant-এর হিসাবেও আসে।যেখানে শিখবেন: পর্ব ১৯
scikit-learnসাইকিট-লার্ন
Python-এর বহুল ব্যবহৃত ML library; সব model-এ একই fit, predict আর transform কাঠামো, সঙ্গে pipeline, cross-validation আর metric.যেখানে শিখবেন: পর্ব ০১
Score functionস্কোর ফাংশন
Log-likelihood-এর parameter-এর সাপেক্ষে প্রথম derivative; একে শূন্য বসানো সমীকরণই likelihood equation, যার সমাধান সাধারণত MLE.যেখানে শিখবেন: পর্ব ১৮
Score-function estimator (REINFORCE)স্কোর-ফাংশন এস্টিমেটর
∇E_q[f(z)] = E_q[f(z)·∇log q(z)] সূত্রে gradient অনুমানের পদ্ধতি; যেকোনো q, এমনকি discrete চলকেও চলে, কিন্তু অনুমানের variance সাধারণত বেশি।যেখানে শিখবেন: পর্ব ৪৮
Scott's ruleস্কটস রুল
histogram-এর bin width = 3.49 × σ̂ × n^(−1/3), যা normal ডেটায় গড় বর্গ-ভুল প্রায় সবচেয়ে কম রাখে; একই নামে KDE-র bandwidth-এর একটি গুণকও আছে।যেখানে শিখবেন: পর্ব ৪০
Seasonal differencingসিজনাল ডিফারেন্সিং
প্রতিটি মান থেকে এক ঋতু আগের মান বাদ দেওয়া, যেমন y(t) − y(t−7); পুনরাবৃত্ত ঋতুর ছাঁদ সরায়।যেখানে শিখবেন: পর্ব ৫১
Seasonal naive forecastসিজনাল নাইভ
আগের মৌসুমের একই সময়ের মানকেই অনুমান বলা, যেমন আগামী শুক্রবার = গত শুক্রবার; সাপ্তাহিক বা বার্ষিক ছন্দের ডেটায় খুব কঠিন baseline.যেখানে শিখবেন: পর্ব ০২পর্ব ৫১পর্ব ৫২
Seasonal strengthসিজনাল স্ট্রেংথ
ঋতু কতটা প্রধান তার মাপ, F = max(0, 1 − Var(R)/Var(S + R)); ১-এর কাছে মানে শক্ত ঋতু, ০ মানে প্রায় নেই।যেখানে শিখবেন: পর্ব ৫১
Seasonalityসিজনালিটি
জানা ও স্থির দৈর্ঘ্যের পুনরাবৃত্ত ধরন, যেমন প্রতি সপ্তাহে শুক্রবারে কম বিক্রি; দৈর্ঘ্যকে m দিয়ে লেখা হয়।যেখানে শিখবেন: পর্ব ৫১পর্ব ৫২পর্ব ৬৯
Secant conditionসিক্যান্ট কন্ডিশন
Quasi-Newton হালনাগাদের শর্ত: inverse Hessian-এর নতুন আন্দাজ M যেন My = s মানে, যেখানে s হলো সরণ আর y হলো gradient-এর বদল।যেখানে শিখবেন: পর্ব ১৫
Selection bias (causal)সিলেকশন বায়াস
Treatment পাওয়া আর না-পাওয়া দলের treatment ছাড়া ফলের পার্থক্য, E[Y(0) | T = 1] − E[Y(0) | T = 0]; সরল তুলনায় এটি প্রভাবের সঙ্গে মিশে যায়।যেখানে শিখবেন: পর্ব ৬৪
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 ০৪পর্ব ৩৮পর্ব ৪৯
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 ৬০
Selective labelsসিলেক্টিভ লেবেলস
শুধু যাদের ওপর একটি সিদ্ধান্ত নেওয়া হয়েছে (যেমন যাচাই করা অর্ডার) তাদেরই ফল জানা যায়, বাকিদের ফল কখনো দেখা যায় না; ফলে model-এর ভুল মাপা আর শোধরানো কঠিন হয়।যেখানে শিখবেন: পর্ব ০২পর্ব ০৫পর্ব ৬০
Self-trainingসেলফ-ট্রেনিং
Label-যুক্ত ডেটায় model শিখিয়ে label-হীন ডেটার যেসব অনুমানে model খুব নিশ্চিত, সেগুলোকে label ধরে আবার শেখানোর পুনরাবৃত্ত পদ্ধতি।যেখানে শিখবেন: পর্ব ৫৪
Semi-parametric modelসেমি-প্যারামেট্রিক মডেল
যে model-এর একটি অংশ নির্দিষ্ট সূত্রে (parameter-সহ) আর অন্য অংশ সূত্রহীন রাখা হয়, যেমন Cox model-এর exp(xβ) আর অজানা baseline hazard.যেখানে শিখবেন: পর্ব ৫৫
Semi-supervised learningসেমি-সুপারভাইজড লার্নিং
অল্প কয়েকটি label-যুক্ত উদাহরণের সঙ্গে অনেক label-হীন উদাহরণ মিলিয়ে শেখা; label-হীন ডেটার গঠন থেকে সীমারেখা কোথায় হওয়া উচিত তার ইঙ্গিত নেওয়া হয়।যেখানে শিখবেন: পর্ব ৫৪
Sensitivity analysisসেনসিটিভিটি অ্যানালাইসিস
অনুমান ভাঙলে (যেমন একটি লুকানো confounder থাকলে) সিদ্ধান্ত কতটা বদলাত, তা মাপা; উত্তর হয় “এত শক্তিশালী confounder লাগলে তবেই ফল উল্টাত” ধরনের।যেখানে শিখবেন: পর্ব ৬৪
Separating hyperplaneসেপারেটিং হাইপারপ্লেন
d মাত্রার জায়গায় w · x + b = 0 সমীকরণের সমতল, যার এক পাশে এক শ্রেণি আর অন্য পাশে অন্য শ্রেণি; দুই মাত্রায় এটি একটি সরলরেখা।যেখানে শিখবেন: পর্ব ২৭
Sequential minimal optimization (SMO)সিকোয়েনশিয়াল মিনিমাল অপটিমাইজেশন
SVM-এর dual সমস্যা সমাধানের পদ্ধতি (John Platt, ১৯৯৮), যা প্রতি ধাপে মাত্র দুটি α বদলায়, যাতে প্রতিটি ছোট ধাপ হাতে সমাধান করা যায়।যেখানে শিখবেন: পর্ব ৩১
Session stateসেশন স্টেট
Streamlit-এ একজন ব্যবহারকারীর একটি browser tab-এর জন্য আলাদা অভিধান, যা rerun-এর মধ্যেও মান ধরে রাখে কিন্তু অন্য ব্যবহারকারীর সঙ্গে ভাগ হয় না।যেখানে শিখবেন: পর্ব ৬৬
Sessionisationসেশনাইজেশন
একজন ব্যবহারকারীর ঘটনাগুলোকে বিরতির দৈর্ঘ্য দেখে ভিজিট বা session-এ ভাগ করা, যেমন ৩০ মিনিটের বেশি বিরতি হলে নতুন session.যেখানে শিখবেন: পর্ব ৬১পর্ব ৭৬
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 ০৪পর্ব ০৫
Shadow deploymentশ্যাডো ডিপ্লয়মেন্ট
নতুন model আসল অনুরোধের একটি copy পেয়ে পাশাপাশি অনুমান করে আর তা লিখে রাখে, কিন্তু ব্যবহারকারী শুধু পুরোনো model-এর উত্তর দেখেন।যেখানে শিখবেন: পর্ব ৬৮পর্ব ৬৯পর্ব ৭১
Shadow price (dual value)শ্যাডো প্রাইস
একটি শর্তের সীমা এক একক বাড়ালে সর্বোত্তম মান কত বদলায়; এটি শর্তের multiplier, আর শুধু একটি নির্দিষ্ট পরিসরে বৈধ।যেখানে শিখবেন: পর্ব ১৬
SHAPশ্যাপ
SHapley Additive exPlanations: Lundberg আর Lee-র ২০১৭ সালের কাঠামো আর library, যা একটি prediction-কে base value আর feature-দের Shapley value-র যোগফল হিসেবে লেখে।যেখানে শিখবেন: পর্ব ৫৭পর্ব ৭৪পর্ব ৭৫
Shapley axiomsশ্যাপলি অ্যাক্সিয়ম
Efficiency, symmetry, dummy আর additivity: চারটি নীতি, যা একসঙ্গে মানে এমন ভাগের নিয়ম মাত্র একটি, আর সেটিই Shapley value.যেখানে শিখবেন: পর্ব ৫৭
Shapley valueশ্যাপলি ভ্যালু
সব coalition-এ একজন খেলোয়াড়ের প্রান্তিক অবদানের ভারযুক্ত গড়, অর্থাৎ সব এলোমেলো ক্রমে তার যোগ করা মূল্যের গড়; Lloyd Shapley ১৯৫৩ সালে প্রস্তাব করেন।যেখানে শিখবেন: পর্ব ৫৭পর্ব ৭২পর্ব ৭৩
Shatteringশ্যাটারিং
একটি বিন্দু-সেটের সব সম্ভাব্য labeling যদি class-এর কোনো না কোনো নিয়ম দিতে পারে, তবে class সেটটিকে shatter করে।যেখানে শিখবেন: পর্ব ০৩
Shear matrixশিয়ার ম্যাট্রিক্স
[[1, k], [0, 1]]-এর মতো matrix, যা প্রতিটি বিন্দুকে তার উচ্চতার k গুণ পাশে ঠেলে; বর্গকে তির্যক করে কিন্তু ক্ষেত্রফল বদলায় না, কারণ det = 1.যেখানে শিখবেন: পর্ব ০৭
Short-circuit (in a neighbour graph)শর্ট-সার্কিট
প্রতিবেশীর graph-এ ভুল করে পাতার দুটি দূরের অংশের মাঝে একটি কিনারা, যা অনেক geodesic দূরত্বকে হঠাৎ ছোট করে দেয়।যেখানে শিখবেন: পর্ব ৪২
Shrink (filter) factorশ্রিংক ফ্যাক্টর / ফিল্টার ফ্যাক্টর
একটি regularize করা পদ্ধতি SVD-র প্রতিটি দিকের least squares অংশকে যে গুণক দিয়ে গুণ করে; ridge-এ σⱼ²/(σⱼ² + λ), শূন্য থেকে শুরু করা gradient descent-এ 1 − (1 − ησⱼ²)ᵗ.যেখানে শিখবেন: পর্ব ১৭
Shrinkageশ্রিংকেজ
শাস্তি বা prior-এর কারণে coefficient-গুলো শূন্যের দিকে ছোট হয়ে আসা; একটু bias মেনে variance কমানোর কৌশল।যেখানে শিখবেন: পর্ব ১৭পর্ব ১৯পর্ব ৩৫
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 ১১পর্ব ৩৫পর্ব ৩৬
Sigmoid kernelসিগময়েড কার্নেল
k(x, z) = tanh(γ·x·z + r), neural network-এর activation থেকে অনুপ্রাণিত; অনেক প্যারামিটারে এর Gram matrix PSD থাকে না, তাই সবসময় বৈধ kernel নয়।যেখানে শিখবেন: পর্ব ২৯
Silverman's rule of thumbসিলভারম্যানস রুল
এক মাত্রার Gaussian KDE-র bandwidth h = 0.9 × min(σ̂, IQR/1.34) × n^(−1/5); normal ডেটা ধরে বানানো, তাই বহু-চূড়ার বা খাড়া চূড়ার ডেটায় প্রায়ই বেশি মসৃণ করে।যেখানে শিখবেন: পর্ব ৪০
Simple random samplingসিম্পল র‍্যান্ডম স্যাম্পলিং
নমুনা তোলার এমন পদ্ধতি, যেখানে population-এর প্রতিটি সদস্যের বাছাই হওয়ার সম্ভাবনা সমান।যেখানে শিখবেন: পর্ব ৭০
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 ৬৩পর্ব ৭৭
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 ০৬পর্ব ০৭
Singular valueসিঙ্গুলার ভ্যালু
SVD-তে পাওয়া অ-ঋণাত্মক সংখ্যাগুলো, বড় থেকে ছোট সাজানো; matrix প্রতিটি মূল দিকে কতটা টানে তার মাপ। শূন্য-নয় singular value-এর সংখ্যাই rank.যেখানে শিখবেন: পর্ব ০৬পর্ব ০৯পর্ব ১৭
Situation–complication–resolution (SCR)সিচুয়েশন–কমপ্লিকেশন–রেজোলিউশন
ভূমিকা লেখার তিন ধাপ: situation অংশে পাঠক যা জানেন, complication অংশে যা বদলে সমস্যা তৈরি করেছে, আর resolution অংশে তার উত্তর।যেখানে শিখবেন: পর্ব ৬৭
Skewed distributionস্কিউড ডিস্ট্রিবিউশন
একদিকে লম্বা লেজওয়ালা distribution; ডানদিকে লেজ হলে গড় সাধারণত median-এর চেয়ে বড়, যেমন ডেলিভারির সময় বা অর্ডারের দাম।যেখানে শিখবেন: পর্ব ০২পর্ব ২১
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 ০৪পর্ব ৬৬পর্ব ৬৮
Slack variable (ξ)স্ল্যাক ভেরিয়েবল
একটি বিন্দু margin-এর শর্ত কতটা ভেঙেছে তার অ-ঋণাত্মক মাপ, ξ = max(0, 1 − y·f(x)); 0 মানে নিরাপদ, 0 থেকে 1 মানে margin-এর ভেতরে, 1-এর বেশি মানে ভুল দিকে।যেখানে শিখবেন: পর্ব ২৮পর্ব ৩০পর্ব ৭৫
Slater's conditionস্লেটার কন্ডিশন
Convex সমস্যায় অন্তত একটি বিন্দু থাকা যেখানে সব অসমতা কড়াভাবে মানে (gᵢ(x) < 0); এটি থাকলে strong duality আর KKT-এর নিশ্চয়তা পাওয়া যায়।যেখানে শিখবেন: পর্ব ১৬
Slice evaluationস্লাইস ইভ্যালুয়েশন
পুরো test set-এর পাশাপাশি আগে থেকে ঠিক করা উপদলে (জেলা, নতুন ক্রেতা) আলাদাভাবে মান মাপা, যাতে গড়ের আড়ালে কোনো দলের খারাপ ফল লুকিয়ে না থাকে।যেখানে শিখবেন: পর্ব ৬৯
Sliding window (backtesting)স্লাইডিং উইন্ডো
যে train জানালার দৈর্ঘ্য স্থির থাকে আর origin-এর সঙ্গে সামনে সরে, ফলে সবচেয়ে পুরোনো দিনগুলো বাদ পড়ে; scikit-learn-এর TimeSeriesSplit-এ max_train_size দিয়ে পাওয়া যায়।যেখানে শিখবেন: পর্ব ৫২পর্ব ৫৯
SLO (service level objective)এসএলও
একটি service কতটা নির্ভরযোগ্য হবে, তার দলীয় লক্ষ্য, যেমন মাসে ৯৯.৯% অনুরোধ সফল।যেখানে শিখবেন: পর্ব ৬৯
SLSQPএস-এল-এস-কিউ-পি
Sequential Least Squares Programming: প্রতি ধাপে একটি ছোট quadratic সমস্যা সমাধান করে সমতা, অসমতা আর bounds মানা একটি পদ্ধতি; SciPy-র minimize-এ পাওয়া যায়।যেখানে শিখবেন: পর্ব ১৬পর্ব ২৭পর্ব ৩৭
Small multiplesস্মল মাল্টিপলস
একই নকশার ছোট ছোট chart-এর সারি, প্রতিটিতে ডেটার একটি অংশ; Edward Tufte নামটি জনপ্রিয় করেন।যেখানে শিখবেন: পর্ব ৬৭
sMAPE (symmetric MAPE)এসম্যাপ
ভুলকে আসল আর অনুমানের পরম মানের গড় দিয়ে ভাগ করে শতাংশ; MAPE-এর কিছু সমস্যা কমায়, কিন্তু নামের মতো পুরো প্রতিসম নয়।যেখানে শিখবেন: পর্ব ৫১
SMO (sequential minimal optimization)এস-এম-ও অ্যালগরিদম
John Platt-এর ১৯৯৮ সালের SVM dual solver: প্রতিবার মাত্র দুটি α বেছে হাতে-সমাধানযোগ্য ছোট সমস্যা মেটায়, ফলে পুরো QP solver লাগে না; LIBSVM এই ধারার একটি উন্নত রূপ ব্যবহার করে।যেখানে শিখবেন: পর্ব ২৮
SMO (Sequential Minimal Optimization)এসএমও
SVM-এর dual সমাধানের একটি পদ্ধতি, যা প্রতি ধাপে মাত্র দুটি multiplier বদলায় আর সেটুকু হাতে-কলমে সমাধান করে; libsvm এর একটি রূপ ব্যবহার করে।যেখানে শিখবেন: পর্ব ৩০
Smoothness assumptionস্মুদনেস অ্যাজাম্পশন
কাছাকাছি দুটি বিন্দু, বিশেষ করে ঘন অঞ্চলে, সাধারণত একই label পায়, এই অনুমান।যেখানে শিখবেন: পর্ব ৫৪
SMOTE (Synthetic Minority Over-sampling Technique)স্মোট
minority শ্রেণির একটি বিন্দু আর তার k নিকটতম minority প্রতিবেশীর একটির সংযোগ রেখায় এলোমেলো জায়গায় নতুন কৃত্রিম বিন্দু বানানোর পদ্ধতি: x_new = x_i + λ(x_j − x_i), যেখানে λ ০ থেকে ১-এর মধ্যে।যেখানে শিখবেন: পর্ব ৫০পর্ব ৭৪পর্ব ৭৫
Soft clusteringসফট ক্লাস্টারিং
প্রতিটি বিন্দুকে একটি দলে না বসিয়ে প্রতিটি দলের সদস্য হওয়ার সম্ভাবনা দেওয়া; দুই দলের মাঝের বিন্দুর অনিশ্চয়তা এতে চোখে পড়ে।যেখানে শিখবেন: পর্ব ৩৯
Soft labelসফট লেবেল
একটি নিশ্চিত শ্রেণির বদলে শ্রেণিগুলোর ওপর সম্ভাবনার বণ্টন, যেমন তিনজনের দুজন pos আর একজন neu বললে (০.৬৭, ০, ০.৩৩)।যেখানে শিখবেন: পর্ব ০৫
Soft marginসফট মার্জিন
যে SVM কিছু বিন্দুকে margin-এর ভেতরে বা ভুল দিকে থাকতে দেয়, প্রতিটির জন্য slack অনুযায়ী জরিমানা নিয়ে; জরিমানার হার C ঠিক করে margin কত চওড়া হবে।যেখানে শিখবেন: পর্ব ২৮
Soft votingসফট ভোটিং
প্রতিটি model-এর সম্ভাবনার গড় (বা weight দেওয়া গড়) নিয়ে সবচেয়ে বড় গড়ের শ্রেণি বেছে নেওয়া; তাই model-দের সম্ভাবনা মোটামুটি calibrated হওয়া দরকার।যেখানে শিখবেন: পর্ব ৩৭
Soft-thresholdingসফট-থ্রেশহোল্ডিং
S(z, λ) = sign(z)·max(|z| − λ, 0): λ-এর চেয়ে ছোট মান ঠিক শূন্য, বড় মান থেকে λ বাদ; এক চলকের lasso-র হুবহু সমাধান।যেখানে শিখবেন: পর্ব ১৭পর্ব ৭৩পর্ব ৭৪
Softmaxসফটম্যাক্স
কয়েকটি score-কে e-এর ঘাতে তুলে তাদের যোগফল দিয়ে ভাগ করে এমন সম্ভাবনায় আনার নিয়ম, যাদের যোগফল ১; সব score-এ একই সংখ্যা যোগ করলে ফল বদলায় না, আর দুই শ্রেণিতে এটি sigmoid-এর সমান।যেখানে শিখবেন: পর্ব ২৫পর্ব ৭৩পর্ব ৭৬
Spanস্প্যান
কয়েকটি vector-এর সম্ভাব্য সব linear combination-এর সংগ্রহ; এটি সবসময় একটি subspace, যেমন দুটি ভিন্ন দিকের vector-এর span পুরো সমতল।যেখানে শিখবেন: পর্ব ০৬
Sparse Gaussian processস্পার্স গাউসিয়ান প্রসেস
বড় ডেটার জন্য Gaussian process-এর approximation, সাধারণত inducing points দিয়ে; যেমন FITC, Titsias-এর variational পদ্ধতি আর stochastic variational পদ্ধতি।যেখানে শিখবেন: পর্ব ৪৬
Sparse matrixস্পার্স ম্যাট্রিক্স
যে matrix-এর বেশির ভাগ ঘর শূন্য; শুধু শূন্য নয় এমন ঘর রেখে জায়গা আর গণনা বাঁচানো হয়, যেমন SciPy-র scipy.sparse.যেখানে শিখবেন: পর্ব ০৮পর্ব ০৯পর্ব ৪৪
Sparsityস্পার্সিটি
অনেক মান ঠিক শূন্য থাকার অবস্থা; sparse model-এ অল্প কয়েকটি feature-ই কাজ করে, তাই পড়া আর চালানো সহজ।যেখানে শিখবেন: পর্ব ১৭পর্ব ৫৩
Spectral norm (operator 2-norm)স্পেকট্রাল নর্ম
একটি matrix একক দৈর্ঘ্যের vector-কে সর্বোচ্চ যতগুণ লম্বা করতে পারে, ‖A‖₂; এটি সবচেয়ে বড় singular value σ1-এর সমান।যেখানে শিখবেন: পর্ব ০৯
Spectral theoremস্পেকট্রাল থিওরেম
বাস্তব symmetric matrix-এর সব eigenvalue বাস্তব, আর পরস্পর লম্ব একক eigenvector দিয়ে A = QΛQᵀ লেখা যায়, এই উপপাদ্য।যেখানে শিখবেন: পর্ব ০৮
Spill to diskস্পিল টু ডিস্ক
Query চলার সময় memory-র সীমা ছুঁলে অস্থায়ী ফল ডিস্কে লিখে কাজ চালিয়ে যাওয়া; ধীর হয়, কিন্তু RAM-এর চেয়ে বড় ডেটায় query শেষ হয়।যেখানে শিখবেন: পর্ব ৭০
Splineস্প্লাইন
কয়েকটি বিন্দুতে (knot) জোড়া লাগানো টুকরো টুকরো polynomial, যার জোড়াগুলো মসৃণ; একটি এলাকার ডেটা কেবল কাছের টুকরোকে প্রভাবিত করে।যেখানে শিখবেন: পর্ব ২৩পর্ব ৬৫
Split (inductive) conformal predictionস্প্লিট কনফর্মাল
Model একবার train ভাগে শিখিয়ে আলাদা calibration ভাগের score থেকে ⌈(n + ১)(১ − α)⌉-তম মান নিয়ে পরিসর বানানোর সস্তা রূপ।যেখানে শিখবেন: পর্ব ৫৮পর্ব ৬৬পর্ব ৭২
Split gainস্প্লিট গেইন
একটি পাতাকে দুই ভাগ করলে objective কতটা কমে তার মাপ; XGBoost-এ ½[G_L²/(H_L+λ) + G_R²/(H_R+λ) − G²/(H+λ)] − γ, ধনাত্মক হলেই ভাগ হয়।যেখানে শিখবেন: পর্ব ৩৬পর্ব ৭৩
SQLiteএসকিউলাইট
একটি ফাইলেই পুরো ডেটাবেস রাখা ছোট, সার্ভারহীন SQL ডেটাবেস; Python-এর সঙ্গে sqlite3 module হিসেবে আসে।যেখানে শিখবেন: পর্ব ০৪পর্ব ৬১
Squared hinge lossস্কোয়ার্ড হিঞ্জ লস
max(0, 1 − m)², hinge loss-এর বর্গ; মসৃণ বলে optimization সহজ, কিন্তু বড় ভুলে বেশি শাস্তি দেয়। scikit-learn-এর LinearSVC-এর default loss.যেখানে শিখবেন: পর্ব ২৮
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 ৭২
st.cache_dataএস-টি ক্যাশ ডেটা
Streamlit-এর decorator, যা function-এর ফল argument অনুযায়ী মনে রাখে আর প্রতিবার একটি নতুন copy ফেরত দেয়; DataFrame বা query-র ফলের জন্য।যেখানে শিখবেন: পর্ব ৬৬
st.cache_resourceএস-টি ক্যাশ রিসোর্স
Streamlit-এর decorator, যা একটি object একবার বানিয়ে সব ব্যবহারকারী আর সব rerun-এ একই object ফেরত দেয়; model বা database connection-এর জন্য।যেখানে শিখবেন: পর্ব ৬৬
Stacking (stacked generalization)স্ট্যাকিং
কয়েকটি base model-এর out-of-fold অনুমানকে নতুন feature বানিয়ে তার ওপর একটি meta-model শেখানো, যে শেখে কোন model-কে কতটা বিশ্বাস করতে হবে; David Wolpert ১৯৯২ সালে প্রস্তাব করেন।যেখানে শিখবেন: পর্ব ৩৭
staged_predictস্টেজড প্রেডিক্ট
scikit-learn-এর boosting model-এর method, যা ১টি, ২টি, ৩টি… গাছ পর্যন্ত যোগফলের অনুমান একে একে দেয়; গাছের সংখ্যার সঙ্গে ভুল কীভাবে বদলায় তা আঁকতে কাজে লাগে।যেখানে শিখবেন: পর্ব ৩৫
Stale cacheস্টেল ক্যাশ
আসল উৎসের ডেটা বদলে গেছে অথচ cache পুরোনো ফলটিই দিয়ে যাচ্ছে, এমন অবস্থা।যেখানে শিখবেন: পর্ব ৬৬
Standard basisস্ট্যান্ডার্ড বেসিস
Rⁿ-এর সবচেয়ে পরিচিত basis: e₁ = (1, 0, …, 0) থেকে eₙ = (0, …, 0, 1); এতে একটি vector-এর coordinates তার নিজের সংখ্যাগুলোই।যেখানে শিখবেন: পর্ব ০৬পর্ব ০৭
Standard deviationস্ট্যান্ডার্ড ডেভিয়েশন
আদর্শ বিচ্যুতি: variance-এর বর্গমূল, যা মূল এককেই ডেটার ছড়ানো মাপে।যেখানে শিখবেন: পর্ব ০৪পর্ব ৫৬পর্ব ৬৯
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 ০৪পর্ব ২১পর্ব ২৩
Standardised coefficientস্ট্যান্ডার্ডাইজড কোএফিসিয়েন্ট
সব feature-কে গড় ০ আর standard deviation ১-এ এনে linear model শেখালে পাওয়া coefficient; প্রতি এক standard deviation বদলে অনুমান কত বদলায়, তাই feature-গুলো তুলনীয় হয়।যেখানে শিখবেন: পর্ব ৫৬
Standardised mean difference (SMD)স্ট্যান্ডার্ডাইজড মিন ডিফারেন্স
দুই দলের গড়ের পার্থক্যকে দুই দলের গড় standard deviation দিয়ে ভাগ করা মাপ; balance যাচাইয়ে |SMD| < 0.1 একটি প্রচলিত হাতে-কলমে সীমা।যেখানে শিখবেন: পর্ব ৬৪
Standardization (z-score)স্ট্যান্ডার্ডাইজেশন
প্রতিটি কলাম থেকে তার গড় বাদ দিয়ে sd দিয়ে ভাগ করা, যাতে সব কলামের মাপ তুলনীয় হয়; StandardScaler এটি করে।যেখানে শিখবেন: পর্ব ০১পর্ব ০৮পর্ব ১৩
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 ৭৭
State space modelস্টেট স্পেস মডেল
একটি লুকানো অবস্থা (যেমন স্তর, ঢাল, ঋতু) সময়ের সঙ্গে কীভাবে বদলায় আর পর্যবেক্ষণ কীভাবে তা থেকে আসে, এই দুই সমীকরণে লেখা model; ARIMA আর ETS দুটোকেই এভাবে লেখা যায়।যেখানে শিখবেন: পর্ব ৫১
Stationarity (KKT)স্টেশনারিটি
KKT-এর প্রথম শর্ত: ∇f আর শর্তগুলোর gradient-এর multiplier-গুণিত যোগফল শূন্য, অর্থাৎ ঢালের টান আর দেয়ালের ঠেলা ভারসাম্যে।যেখানে শিখবেন: পর্ব ১৬
Stationary bootstrapস্টেশনারি বুটস্ট্র্যাপ
Block bootstrap-এর একটি রূপ, যেখানে block-এর দৈর্ঘ্যও এলোমেলো (geometric বণ্টন) আর ধারা বৃত্তাকারে জোড়া; Politis আর Romano ১৯৯৪ সালে প্রস্তাব করেন।যেখানে শিখবেন: পর্ব ২১
Stationary distributionস্টেশনারি ডিস্ট্রিবিউশন
অবস্থাগুলোর এমন সম্ভাবনা-বণ্টন π যা transition matrix দিয়ে গুণ করলে বদলায় না (πP = π); Pᵀ-এর eigenvalue 1-এর eigenvector.যেখানে শিখবেন: পর্ব ০৮পর্ব ৪৭
Stationary kernelস্টেশনারি কার্নেল
যে kernel-এর মান শুধু দুটি ইনপুটের পার্থক্য x − x′-এর ওপর নির্ভর করে, তারা কোথায় তার ওপর নয়; RBF, Matérn আর periodic kernel এর উদাহরণ।যেখানে শিখবেন: পর্ব ৪৬
Stationary pointস্টেশনারি পয়েন্ট
যে বিন্দুতে function-এর gradient শূন্য; সেটি সর্বনিম্ন, সর্বোচ্চ বা saddle point হতে পারে।যেখানে শিখবেন: পর্ব ১৬
Stationary time seriesস্টেশনারি টাইম সিরিজ
যে series-এর গড়, variance আর নির্দিষ্ট lag-এর autocovariance সময়ের সঙ্গে বদলায় না; ARIMA-র ARMA অংশ এমন series ধরে নেয়।যেখানে শিখবেন: পর্ব ৫১
Statistical efficiencyস্ট্যাটিস্টিক্যাল এফিসিয়েন্সি
একই ডেটায় দুটি অনুমান পদ্ধতির variance-এর অনুপাত; পরিষ্কার normal ডেটায় median-এর efficiency প্রায় ৬৪% আর ε = 1.35-এর Huber-এর প্রায় ৯৫%.যেখানে শিখবেন: পর্ব ২৪
Statistical powerস্ট্যাটিস্টিক্যাল পাওয়ার
আসলে একটি প্রভাব থাকলে test সেটি ধরতে পারার (null বাতিল করার) সম্ভাবনা; প্রভাবের আকার, নমুনার আকার আর α-এর ওপর নির্ভর করে।যেখানে শিখবেন: পর্ব ২২পর্ব ৫১পর্ব ৬২
statsmodelsস্ট্যাটসমডেলস
Python-এ পরিসংখ্যানের model, পরীক্ষা আর time series-এর library; coefficient-এর অনিশ্চয়তাসহ সারাংশ দেয়।যেখানে শিখবেন: পর্ব ০১পর্ব ২০
Step decayস্টেপ ডিকে
নির্দিষ্ট কয়েকটি epoch পরপর learning rate হঠাৎ একটি গুণকে (যেমন ১০ ভাগের ১) কমানোর schedule.যেখানে শিখবেন: পর্ব ১৩
STL decompositionএসটিএল ডিকম্পোজিশন
Seasonal-Trend decomposition using Loess: স্থানীয় মসৃণকরণ দিয়ে series-কে trend, ঋতু আর বাকিতে ভাগ করা, যেখানে ঋতু ধীরে বদলাতে পারে আর robust রূপ outlier-এর টান কমায়।যেখানে শিখবেন: পর্ব ৫১
stliteএস-টি-লাইট
একটি community প্রকল্প, যা Pyodide-এর সাহায্যে Streamlit app পুরোপুরি ব্রাউজারে চালায়, আলাদা Python server ছাড়া।যেখানে শিখবেন: পর্ব ৬৬
Stochastic gradient boostingস্টোকাস্টিক গ্রেডিয়েন্ট বুস্টিং
প্রতিটি গাছ শেখানোর সময় train ডেটার একটি এলোমেলো অংশ (subsample) নেওয়া, যাতে গাছগুলো কম একরকম হয় আর overfitting কমে; Friedman ২০০২ সালে প্রস্তাব করেন।যেখানে শিখবেন: পর্ব ৩৫
Stochastic gradient descent (SGD)স্টোক্যাস্টিক গ্রেডিয়েন্ট ডিসেন্ট
প্রতিটি ধাপে এলোমেলোভাবে বাছা একটি (বা কয়েকটি) উদাহরণের gradient দিয়ে parameter বদলানোর পদ্ধতি; gradient-এর অনুমান গড়ে সঠিক কিন্তু কোলাহলপূর্ণ, আর প্রতিটি ধাপ খুব সস্তা।যেখানে শিখবেন: পর্ব ১৩পর্ব ১৪পর্ব ৩১
Stopping criterionস্টপিং ক্রাইটেরিয়ন
কখন আর label কেনা বা loop চালানো বন্ধ করা হবে, তার নিয়ম; যেমন বাজেট শেষ, model-এর অনুমান স্থির, বা বাড়তি লাভ খরচের চেয়ে কম।যেখানে শিখবেন: পর্ব ৫৪
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 ৪৪
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 ৭০
Stratified Cox modelস্ট্র্যাটিফায়েড কক্স মডেল
একটি চলকের প্রতিটি দলের জন্য আলাদা baseline hazard রেখে বাকি বৈশিষ্ট্যের β একসঙ্গে শেখা Cox model; ওই চলকের নিজের HR পাওয়া যায় না।যেখানে শিখবেন: পর্ব ৫৫
Stratified k-foldস্ট্র্যাটিফায়েড কে-ফোল্ড
cross-validation-এর এমন ভাগ যেখানে প্রতিটি fold-এ শ্রেণির অনুপাত পুরো ডেটার প্রায় সমান থাকে।যেখানে শিখবেন: পর্ব ০১পর্ব ২৫পর্ব ৩৮
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 ৭০
Streaming engineস্ট্রিমিং ইঞ্জিন
ডেটাকে একবারে পুরো না নিয়ে টুকরো টুকরো প্রক্রিয়া করে query চালানোর ব্যবস্থা, যাতে RAM-এর চেয়ে বড় ডেটাতেও কাজ চলে; Polars-এর lazy query এটি ব্যবহার করতে পারে।যেখানে শিখবেন: পর্ব ৭০
Streaming inferenceস্ট্রিমিং ইনফারেন্স
একটি ঘটনার স্রোত (যেমন queue-তে আসা অর্ডার) থেকে প্রতিটি ঘটনা পড়ে কয়েক সেকেন্ডের মধ্যে অনুমান করা, কেউ আলাদা করে অনুরোধ না করলেও।যেখানে শিখবেন: পর্ব ৬৮
Streaming statisticsস্ট্রিমিং স্ট্যাটিস্টিকস
প্রতিটি মান একবার দেখে কয়েকটি সংখ্যা হালনাগাদ করে গড়, variance-এর মতো পরিসংখ্যান বের করা, যাতে পুরোনো মানগুলো জমিয়ে রাখতে হয় না।যেখানে শিখবেন: পর্ব ৭০
Streamlitস্ট্রিমলিট
একটি open-source Python library, যা একটি সাধারণ Python script থেকে ব্রাউজারে দেখা যায় এমন data app বা dashboard বানায়।যেখানে শিখবেন: পর্ব ৬৬
Strictly convex functionস্ট্রিক্টলি কনভেক্স ফাংশন
আলাদা দুই বিন্দুর মাঝে জ্যা সবসময় লেখচিত্রের কঠোরভাবে ওপরে থাকে এমন convex function; এর সর্বনিম্ন বিন্দু বড়জোর একটি, যদিও না-ও থাকতে পারে।যেখানে শিখবেন: পর্ব ১২
String kernelস্ট্রিং কার্নেল
দুটি লেখা বা ক্রমের মধ্যে মিলে যাওয়া টুকরো (যেমন অক্ষর n-gram বা subsequence) গুনে বানানো বৈধ kernel; লেখাকে সংখ্যার vector না বানিয়েই SVM-এ দেওয়া যায়।যেখানে শিখবেন: পর্ব ২৯
Strong convexity (μ-strongly convex)স্ট্রং কনভেক্সিটি
স্পর্শকের ওপরে অন্তত একটি বাটি থাকার শর্ত, f(y) ≥ f(x) + ∇f(x)ᵀ(y − x) + (μ/2)‖y − x‖²; দুবার differentiable হলে Hessian-এর সবচেয়ে ছোট eigenvalue সব জায়গায় অন্তত μ, আর সর্বনিম্ন বিন্দু ঠিক একটি।যেখানে শিখবেন: পর্ব ১২পর্ব ১৩পর্ব ১৪
Strong dualityস্ট্রং ডুয়ালিটি
Dual problem-এর সর্বোচ্চ মান মূল সমস্যার সর্বনিম্ন মানের ঠিক সমান, অর্থাৎ duality gap শূন্য; convex সমস্যায় Slater-এর শর্তে খাটে।যেখানে শিখবেন: পর্ব ১৬
Strong learnerস্ট্রং লার্নার
যথেষ্ট ডেটা পেলে উচ্চ সম্ভাবনায় যত খুশি কম ভুলের নিয়ম দিতে পারে এমন শেখার পদ্ধতি; PAC learning-এর পূর্ণ অর্থে শেখা।যেখানে শিখবেন: পর্ব ৩৪
Structural risk minimisation (SRM)স্ট্রাকচারাল রিস্ক মিনিমাইজেশন
Vapnik-এর নীতি: ক্রমে বড় হওয়া class-গুলোর মধ্যে train ভুল আর জটিলতার শাস্তির যোগফল সবচেয়ে কম এমন নিয়ম বাছা।যেখানে শিখবেন: পর্ব ০৩
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 ০৪পর্ব ৪২
Studentized residualস্টুডেন্টাইজড রেসিডুয়াল
Residual-কে তার নিজের standard error দিয়ে ভাগ করা মান, যেখানে leverage-এর গুণক √(1 − hᵢᵢ) ধরা হয়; external রূপে σ সারিটি বাদ দিয়ে মাপা হয়।যেখানে শিখবেন: পর্ব ২৪
Subgradientসাবগ্রেডিয়েন্ট
যে বিন্দুতে convex function-এর একক ঢাল নেই (যেমন |r|-এর r = 0), সেখানে বৈধ ঢালগুলোর যেকোনো একটি; |r|-এর জন্য −1 থেকে 1-এর যেকোনো মান।যেখানে শিখবেন: পর্ব ০২পর্ব ১২পর্ব ১৭
Subset accuracy (exact match)সাবসেট অ্যাকুরেসি
যত ভাগ সারিতে অনুমিত ট্যাগ-সমষ্টি আসলটির সঙ্গে হুবহু মেলে; একটি ট্যাগ ভুল হলেই সারিটি ভুল, তাই খুব কঠোর মাপ।যেখানে শিখবেন: পর্ব ২৫
Subspaceসাবস্পেস
একটি vector space-এর ভেতরের এমন উপসংগ্রহ যাতে শূন্য vector আছে আর যা যোগ ও scalar গুণে বন্ধ; যেমন মূলবিন্দু দিয়ে যাওয়া রেখা বা সমতল।যেখানে শিখবেন: পর্ব ০৬
Successive halvingসাকসেসিভ হাভিং
অনেক configuration অল্প সম্পদে (কম সারি বা কম iteration) চালিয়ে প্রতি ধাপে ভালো ভাগটুকু রেখে বাকিদের বাদ দেওয়া আর টিকে থাকাদের সম্পদ factor গুণ বাড়ানো।যেখানে শিখবেন: পর্ব ৪৯
Sufficient statisticসাফিশিয়েন্ট স্ট্যাটিস্টিক
ডেটার এমন সারাংশ, যা জানলে parameter সম্পর্কে ডেটার বাকি অংশ আর কোনো তথ্য দেয় না; যেমন Poisson-এ মোট গোনা Σy.যেখানে শিখবেন: পর্ব ২০
Superlinear convergenceসুপারলিনিয়ার কনভার্জেন্স
পরপর দুই ধাপের ভুলের অনুপাত নিজেই শূন্যের দিকে যায়, তাই linear-এর চেয়ে দ্রুত কিন্তু quadratic-এর চেয়ে ধীর হতে পারে; BFGS-এর বৈশিষ্ট্য।যেখানে শিখবেন: পর্ব ১৫
Supervised learningসুপারভাইজড লার্নিং
যেখানে প্রতিটি উদাহরণের সঠিক উত্তর (label) জানা, আর model ইনপুট থেকে সেই উত্তর অনুমান করতে শেখে।যেখানে শিখবেন: পর্ব ০১
Support vectorসাপোর্ট ভেক্টর
যে training বিন্দুর dual multiplier α শূন্যের বেশি, অর্থাৎ যা margin-এর ওপরে, ভেতরে বা ভুল দিকে আছে; শুধু এরাই সীমারেখা ঠিক করে, বাকিগুলো মুছলেও সমাধান একই থাকে।যেখানে শিখবেন: পর্ব ২৭পর্ব ২৮পর্ব ২৯
Support vector machine (SVM)সাপোর্ট ভেক্টর মেশিন
দুই শ্রেণির মাঝে সবচেয়ে চওড়া ফাঁক (margin) রেখে সীমানা টানা model; kernel দিয়ে বাঁকা সীমানাও টানতে পারে।যেখানে শিখবেন: পর্ব ০১পর্ব ২৬পর্ব ২৭
Support vector regression (SVR)সাপোর্ট ভেক্টর রিগ্রেশন
SVM-এর ধারণা দিয়ে সংখ্যার অনুমান: অনুমানের চারপাশে ε চওড়া একটি নল রাখা হয়, নলের ভেতরের ভুলে কোনো শাস্তি নেই, আর বাইরের ভুলে দূরত্বের সমান শাস্তি।যেখানে শিখবেন: পর্ব ৩০
Surrogate lossসারোগেট লস
আসল লক্ষ্য (যেমন ভুলের সংখ্যা) সরাসরি কমানো কঠিন বলে তার বদলে কমানো একটি সহজ, সাধারণত convex loss, যেমন log loss বা hinge.যেখানে শিখবেন: পর্ব ০২পর্ব ২৮
Surrogate modelসারোগেট মডেল
দামি function-এর জায়গায় বসানো একটি সস্তা আনুমানিক model, যা এ পর্যন্ত মাপা বিন্দু থেকে শেখে আর অদেখা বিন্দুর অনুমান দেয়; Bayesian optimization-এ সাধারণত Gaussian process, সঙ্গে অনিশ্চয়তা।যেখানে শিখবেন: পর্ব ৪৯
Surrogate splitসারোগেট স্প্লিট
মূল প্রশ্নের feature-এর মান না থাকলে ব্যবহারের জন্য অন্য feature-এর এমন একটি প্রশ্ন, যা মূল ভাগকে সবচেয়ে ভালো নকল করে; CART বই আর R-এর rpart-এ আছে, scikit-learn-এ নেই।যেখানে শিখবেন: পর্ব ৩২
Survival analysisসারভাইভাল অ্যানালাইসিস
কোনো ঘটনা ঘটা পর্যন্ত সময় (যেমন ক্রেতার চলে যাওয়া, যন্ত্রের বিকল হওয়া) নিয়ে পরিসংখ্যানের শাখা, যা censored বা অসম্পূর্ণ পর্যবেক্ষণ সৎভাবে ব্যবহার করে।যেখানে শিখবেন: পর্ব ৫৫
Survival function S(t)সারভাইভাল ফাংশন
S(t) = P(T > t), সময় t-এর পরেও ঘটনা না ঘটার সম্ভাবনা; শুরুতে ১, আর কখনো বাড়ে না।যেখানে শিখবেন: পর্ব ৫৫
SUTVAসাটভা
Stable unit treatment value assumption: একজনের treatment অন্যজনের ফল বদলায় না, আর treatment-এর একটিই রূপ; বন্ধুকে coupon দিলে বা network প্রভাবে এটি ভাঙে।যেখানে শিখবেন: পর্ব ৬৪
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 ০৬পর্ব ০৮পর্ব ০৯
Swampingসোয়াম্পিং
outlier-এর প্রভাবে তার কাছাকাছি থাকা সাধারণ বিন্দুকেও ভুল করে anomaly বলে ফেলা; masking-এর উল্টো ধরনের ভুল।যেখানে শিখবেন: পর্ব ৪৩
Sylvester's criterionসিলভেস্টারস ক্রাইটেরিয়ন
প্রতিসম matrix positive definite হবে যদি এবং কেবল যদি তার সব leading principal minor ধনাত্মক হয়; PSD-র জন্য শুধু leading নয়, সব principal minor ≥ 0 লাগে।যেখানে শিখবেন: পর্ব ১০
Symmetric label noiseসিমেট্রিক লেবেল নয়েজ
প্রতিটি label একই সম্ভাবনায় অন্য শ্রেণিতে উল্টে যায়, আসল শ্রেণি বা সারির ওপর নির্ভর না করে; এলোমেলো noise.যেখানে শিখবেন: পর্ব ০৫
Symmetric matrixসিমেট্রিক ম্যাট্রিক্স
যে বর্গ matrix তার transpose-এর সমান, Aᵀ = A; যেমন XᵀX, covariance matrix আর orthogonal projection matrix.যেখানে শিখবেন: পর্ব ০৭পর্ব ০৮পর্ব ১০

T

T-learner (two-model approach)টি-লার্নার
Treatment দলে একটি আর control দলে আরেকটি model আলাদাভাবে train করে, দুটির অনুমানের বিয়োগকে প্রভাবের (uplift) অনুমান ধরা।যেখানে শিখবেন: পর্ব ৬৫পর্ব ৭২
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 নির্ভরযোগ্য নয়।যেখানে শিখবেন: পর্ব ৪২পর্ব ৭৪
Tabular dataট্যাবুলার ডেটা
সারি আর কলামের টেবিলে সাজানো ডেটা, প্রতিটি কলামের আলাদা অর্থ; ব্যবসার বেশিরভাগ ডেটা এমন।যেখানে শিখবেন: পর্ব ০১পর্ব ৩৮
Tail latencyটেইল লেটেন্সি
Latency বণ্টনের ধীর প্রান্ত, যেমন p95 বা p99; গড়ের আড়ালে লুকিয়ে থাকে, কিন্তু ধীরতম ব্যবহারকারীর অভিজ্ঞতা এটিই।যেখানে শিখবেন: পর্ব ৬৮
Targetটার্গেট
যে কলাম বা মান model অনুমান করে; তার সংজ্ঞায় কী গোনা হবে আর কোন সময়সীমায়, দুটোই লিখতে হয়।যেখানে শিখবেন: পর্ব ০২
Target encodingটার্গেট এনকোডিং
প্রতিটি category-কে train-এ সেই category-র লক্ষ্যের গড় (যেমন churn-এর হার) দিয়ে বদলানো, সাধারণত সামগ্রিক গড়ের দিকে টেনে (smoothing); নিজের সারির label গড়ে ঢুকলে leakage হয়।যেখানে শিখবেন: পর্ব ৩৬পর্ব ৩৮
Target leakageটার্গেট লিকেজ
এমন feature ব্যবহার করা যা লক্ষ্য জানার পরে তৈরি হয় বা লক্ষ্যের ছায়া; test-এ ফল অবাস্তব রকম ভালো দেখায়।যেখানে শিখবেন: পর্ব ০২পর্ব ৩৬পর্ব ৫৫
Taylor approximationটেইলর অ্যাপ্রক্সিমেশন
একটি বিন্দুর মান, gradient আর Hessian দিয়ে কাছের বিন্দুতে function-এর আনুমানিক মান: f(x + d) ≈ f(x) + ∇fᵀd + ½dᵀHd; d ছোট হলে ভুল দ্রুত কমে।যেখানে শিখবেন: পর্ব ১১পর্ব ১২পর্ব ১৫
Temperature scalingটেম্পারেচার স্কেলিং
Multiclass model-এর সব logit-কে একটিমাত্র সংখ্যা T দিয়ে ভাগ করে softmax নেওয়া, T শেখা হয় আলাদা ডেটায় log loss কমিয়ে; সবচেয়ে বড় শ্রেণি বদলায় না, তাই accuracy একই থাকে।যেখানে শিখবেন: পর্ব ২৬
Temporal leakageটেম্পোরাল লিকেজ
Prediction time-এর পরের তথ্য feature-এ ঢুকে পড়া, যেমন ডেটা তোলার দিনে মাপা recency, যার মধ্যে label window-এর খবর থাকে।যেখানে শিখবেন: পর্ব ০২পর্ব ৫২পর্ব ৬৯
Test pyramidটেস্ট পিরামিড
Test-এর মিশ্রণের একটি নির্দেশিকা: নিচে অনেক দ্রুত unit test, মাঝে কম integration বা service test, ওপরে অল্প কয়েকটি ধীর end-to-end test; Mike Cohn-এর বইয়ের মাধ্যমে জনপ্রিয়।যেখানে শিখবেন: পর্ব ৬৯
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 ৭২
TestClient (FastAPI)টেস্টক্লায়েন্ট
FastAPI-র পরীক্ষার সরঞ্জাম, যা আসল network ছাড়াই app-এ HTTP অনুরোধ পাঠিয়ে উত্তর পরীক্ষা করতে দেয়।যেখানে শিখবেন: পর্ব ৬৮
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 কম।যেখানে শিখবেন: পর্ব ০৯পর্ব ৩১পর্ব ৪৪
Theil–Sen estimatorথেইল-সেন এস্টিমেটর
সব জোড়া বিন্দুর ঢালের median নিয়ে রেখার ঢাল অনুমান করার robust পদ্ধতি; Henri Theil ১৯৫০ সালে আর Pranab Kumar Sen ১৯৬৮ সালে এর ভিত্তি দেন।যেখানে শিখবেন: পর্ব ২৪
Think-aloudথিংক-অ্যালাউড
কাজ করার সময় মনে মনে যা ভাবছেন তা জোরে বলা, যাতে শ্রোতা আপনার যুক্তির ধাপগুলো অনুসরণ করতে পারেন।যেখানে শিখবেন: পর্ব ৭৬
Thinningথিনিং
Chain-এর প্রতি k-তম মান রেখে বাকিগুলো ফেলে দেওয়া; এতে মেমরি বাঁচে, কিন্তু সাধারণত effective sample size কমে, বাড়ে না।
Thompson samplingথম্পসন স্যাম্পলিং
Posterior থেকে একটি সম্ভাব্য function টেনে তার সেরা বিন্দুতে পরের চেষ্টা করা; অনিশ্চয়তা যত বেশি, তত বেশি বৈচিত্র্য আসে, তাই খোঁজ আর কাজে লাগানো নিজে থেকেই ভারসাম্য পায়।যেখানে শিখবেন: পর্ব ৪৯
Thresholdথ্রেশহোল্ড
যে সীমা পেরোলে একটি সম্ভাবনাকে হ্যাঁ ধরা হয়, যেমন 0.5; multilabel-এ প্রতিটি ট্যাগের নিজের threshold থাকতে পারে, যা validation ডেটায় বাছতে হয়।যেখানে শিখবেন: পর্ব ২৫পর্ব ৭৭
Threshold movingথ্রেশহোল্ড মুভিং
model না বদলে শুধু সম্ভাবনার সিদ্ধান্ত-সীমা সরানো, যেমন খরচের অনুপাত থেকে ০.৫-এর বদলে ০.০২৫; imbalanced ডেটায় প্রথম আর সবচেয়ে সস্তা কৌশল।যেখানে শিখবেন: পর্ব ৫০পর্ব ৭৫
Throughputথ্রুপুট
নির্দিষ্ট সময়ে কতগুলো কাজ শেষ হয় তার হার, যেমন প্রতি সেকেন্ডে কতগুলো অনুরোধ বা সারি।যেখানে শিখবেন: পর্ব ৬৮পর্ব ৭১
Tikhonov regularizationটিখোনভ রেগুলারাইজেশন
অস্থির inverse problem-কে স্থির করতে সমাধানের norm-এর বর্গের শাস্তি যোগ করার পদ্ধতি, Andrey Tikhonov-এর নামে; পরিসংখ্যানে ridge regression এই পদ্ধতিরই একটি রূপ।যেখানে শিখবেন: পর্ব ১৭
Time complexityটাইম কমপ্লেক্সিটি
Input-এর আকার বাড়লে একটি algorithm-এর কাজের পরিমাণ কীভাবে বাড়ে, যেমন O(n³) মানে n দ্বিগুণ হলে কাজ প্রায় আট গুণ।যেখানে শিখবেন: পর্ব ৩০পর্ব ৪৬
Time seriesটাইম সিরিজ
সময়ের ক্রমে মাপা ডেটা, যেমন দৈনিক অর্ডার; trend আর ঋতুচক্র থাকে, আর মূল্যায়নে সময়ের ক্রম ভাঙা যায় না।যেখানে শিখবেন: পর্ব ০১পর্ব ৫১পর্ব ৫২
Time to live (TTL)টাইম টু লিভ
cache-এ রাখা একটি ফল কতক্ষণ বৈধ থাকবে তার সময়সীমা; সময় পেরোলে ফলটি আবার হিসাব করা হয়।যেখানে শিখবেন: পর্ব ৬৬
Time zoneটাইম জোন
একটি এলাকার ঘড়ির নিয়ম, ইতিহাসসহ: UTC থেকে কত এগিয়ে বা পিছিয়ে আর কবে নিয়ম বদলেছে; বাংলাদেশের IANA নাম Asia/Dhaka, এখন UTC+06:00.যেখানে শিখবেন: পর্ব ৬১
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 ০২পর্ব ৫১পর্ব ৫২
Time-boxingটাইম-বক্সিং
একটি কাজের প্রতিটি ধাপের জন্য আগে থেকে সময় বেঁধে রাখা আর সময় শেষ হলে সরল পথে ফিরে আসা, যাতে একটি ধাপে পুরো সময় না ফুরায়।যেখানে শিখবেন: পর্ব ৭৬
Time-to-event dataটাইম-টু-ইভেন্ট ডেটা
যে ডেটার label দুটি সংখ্যা: একটি সময় আর একটি ঘটনা-সূচক (ঘটনা দেখা গেছে কি না)।যেখানে শিখবেন: পর্ব ৫৫
Timeoutটাইমআউট
একটি অনুরোধের উত্তরের জন্য সর্বোচ্চ কতক্ষণ অপেক্ষা করা হবে তার সীমা; সময় পেরোলে অপেক্ষা ছেড়ে ত্রুটি বা বিকল্প উত্তর।যেখানে শিখবেন: পর্ব ৭১
Tokenizationটোকেনাইজেশন
লেখাকে ছোট টুকরো বা token-এ ভাঙার কাজ, যেমন ফাঁকা জায়গা আর যতিচিহ্নে কেটে শব্দ বের করা।যেখানে শিখবেন: পর্ব ৪৪
Topic coherenceটপিক কোহেরেন্স
একটি topic-এর শীর্ষ শব্দগুলো লেখায় কতটা একসঙ্গে আসে তার মাপ; মানুষের “এই শব্দগুলো এক বিষয়ের” বিচারের কাছাকাছি একটি সংখ্যা পাওয়ার চেষ্টা।যেখানে শিখবেন: পর্ব ৪৪
Topic modelটপিক মডেল
Label ছাড়া অনেক লেখা থেকে বারবার একসঙ্গে আসা শব্দের দল (topic) খুঁজে বের করার পদ্ধতি; প্রতিটি লেখা কয়েকটি topic-এর মিশ্রণ হিসেবে দেখা হয়।যেখানে শিখবেন: পর্ব ৪৪
Topic–word distribution (φ)টপিক-ওয়ার্ড ডিস্ট্রিবিউশন
একটি topic থেকে কোন শব্দ কত সম্ভাবনায় আসে তার তালিকা; সবচেয়ে বড় সম্ভাবনার শব্দগুলো পড়েই topic-এর নাম দেওয়া হয়।যেখানে শিখবেন: পর্ব ৪৪
Trace (of a matrix)ট্রেস
বর্গাকার matrix-এর কর্ণের সংখ্যাগুলোর যোগফল, tr A; এটি সব eigenvalue-র যোগফলের সমান, আর covariance matrix-এ মোট variance.যেখানে শিখবেন: পর্ব ০৮
Trace plotট্রেস প্লট
ধাপের নম্বরের বিপরীতে chain-এর মানের রেখাচিত্র; ভালো chain ঘন, এলোমেলো আর স্থির মাত্রায় থাকে, আটকে থাকা chain-এ লম্বা সমতল বা ধীর ঢেউ দেখা যায়।যেখানে শিখবেন: পর্ব ৪৭
Training setট্রেনিং সেট
যে labelled উদাহরণগুলো দেখে model তার parameter ঠিক করে।যেখানে শিখবেন: পর্ব ০৩
Training-serving skewট্রেনিং-সার্ভিং স্কিউ
Model শেখার সময় যে feature-মান দেখেছিল আর চালু অবস্থায় যা পায়, তার অমিল; প্রায়ই একই হিসাব দুই জায়গায় দুইভাবে লেখার ফল।যেখানে শিখবেন: পর্ব ৬৮পর্ব ৬৯পর্ব ৭১
Transductive learningট্রান্সডাক্টিভ লার্নিং
শুধু হাতে থাকা নির্দিষ্ট label-হীন বিন্দুগুলোর label অনুমান করা, নতুন অদেখা বিন্দুর জন্য সাধারণ নিয়ম বানানো নয়।যেখানে শিখবেন: পর্ব ৫৪
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 ০৮
Transposeট্রান্সপোজ
Matrix-এর সারি আর কলাম অদলবদল করা, Aᵀ-এর (i, j) ঘর = A-এর (j, i) ঘর; NumPy-তে A.T.যেখানে শিখবেন: পর্ব ০৭পর্ব ০৯পর্ব ১০
Tree-structured Parzen Estimator (TPE)টিপিই
আগের চেষ্টাগুলোকে ভালো আর খারাপ দুই দলে ভাগ করে প্রতিটির ঘনত্ব আন্দাজ করে, যেখানে ভালো দলের ঘনত্ব বেশি সেখানে পরের hyperparameter বাছার পদ্ধতি; Optuna-র ডিফল্ট sampler.যেখানে শিখবেন: পর্ব ৩৮পর্ব ৪৯
TreeSHAPট্রি শ্যাপ
গাছ-ভিত্তিক model-এ গাছের গঠন কাজে লাগিয়ে সব coalition না গুনে নিখুঁত SHAP value হিসাবের পদ্ধতি; interventional আর tree path dependent দুটি রূপ আছে।যেখানে শিখবেন: পর্ব ৫৭
Trendট্রেন্ড
Time series-এর দীর্ঘমেয়াদি দিক, যেমন মাসের পর মাস ধীরে বাড়া বিক্রি; decomposition-এ T দিয়ে লেখা হয়।যেখানে শিখবেন: পর্ব ৫১
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 ৬০
True risk (expected risk)ট্রু রিস্ক
ডেটার আসল distribution থেকে নতুন উদাহরণ এলে একটি নিয়মের প্রত্যাশিত loss; 0-1 loss-এ নতুন উদাহরণে ভুলের সম্ভাবনা। সরাসরি দেখা যায় না।যেখানে শিখবেন: পর্ব ০৩
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 ৬৭
Truncated power basisট্রাংকেটেড পাওয়ার বেসিস
Spline লেখার আরেকটি basis: 1, x, … আর প্রতিটি knot k-এর জন্য (x − k)₊, যা x < k হলে শূন্য; সহজে বোঝা যায়, কিন্তু সংখ্যার দিক থেকে B-spline-এর চেয়ে অস্থির।যেখানে শিখবেন: পর্ব ২৩
Truncated SVDট্রাঙ্কেটেড এস-ভি-ডি
SVD-এর শুধু সবচেয়ে বড় k-টি singular value আর তাদের দিক রাখা; scikit-learn-এর TruncatedSVD কলামের গড় বাদ না দিয়ে sparse matrix-এ সরাসরি এটি করে।যেখানে শিখবেন: পর্ব ০৯পর্ব ৪৪পর্ব ৭৬
Trust region methodট্রাস্ট রিজিয়ন মেথড
একটি ব্যাসার্ধ Δ-এর ভেতরে quadratic model-কে বিশ্বাস করে তার সর্বনিম্ন নেওয়া, আর আসল কমা দেখে Δ বাড়ানো বা কমানো; indefinite Hessian-এও নিরাপদ।যেখানে শিখবেন: পর্ব ১৫
Trustworthinessট্রাস্টওয়ার্দিনেস
কম মাত্রার ছবিতে যারা কাছের k প্রতিবেশী, তারা মূল ডেটাতেও কাছে কি না তার মাপ, ০ থেকে ১; ছবিতে ভুয়া প্রতিবেশী এলে কমে।যেখানে শিখবেন: পর্ব ৪২
Tuning budgetটিউনিং বাজেট
Hyperparameter খোঁজায় কতগুলো configuration বা কত সময় খরচ করা হবে তার সীমা; সৎ তুলনায় প্রতিটি model পরিবারকে একই বাজেট দিতে হয়।যেখানে শিখবেন: পর্ব ৩৮
Tweedie distributionটুইডি ডিস্ট্রিবিউশন
Variance ∝ μ^p এমন বণ্টনের পরিবার; p ১ থেকে ২-এর মধ্যে হলে এটি Poisson সংখ্যক gamma-র যোগফল, তাই শূন্য আর ধনাত্মক মান একসঙ্গে ধরে।যেখানে শিখবেন: পর্ব ২০
Two-loop recursionটু-লুপ রিকারশন
L-BFGS-এ জমা রাখা m জোড়া vector থেকে দুটি loop চালিয়ে inverse Hessian-এর আন্দাজ গুণ gradient সরাসরি হিসাব করার কৌশল, matrix না বানিয়েই।যেখানে শিখবেন: পর্ব ১৫
Two-proportion z-testটু-প্রোপোরশন জেড-টেস্ট
দুটি দলের অনুপাত (যেমন conversion হার) সমান কি না যাচাইয়ের test; H0-তে pooled হার দিয়ে SE বের করে z = পার্থক্য ÷ SE, আর 2×2 chi-square-এর সঙ্গে χ² = z² সম্পর্ক।যেখানে শিখবেন: পর্ব ৬৩
Two-tower modelটু-টাওয়ার মডেল
দুটি আলাদা neural network একটি ব্যবহারকারীর আর একটি পণ্যের feature থেকে embedding বানায়, আর তাদের dot product দিয়ে মিল মাপা হয়; বড় recommender-এর retrieval ধাপে প্রচলিত।যেখানে শিখবেন: পর্ব ৫৩পর্ব ৭১
Twyman's lawটোয়াইম্যানস ল
যে সংখ্যা খুব আকর্ষণীয় বা অস্বাভাবিক দেখায়, তা সাধারণত কোনো ভুলের ফল, এই সতর্কবাণী; বিস্ময়কর ফল পেলে আগে ডেটা আর পাইপলাইন যাচাইয়ের অভ্যাস।যেখানে শিখবেন: পর্ব ৬৩
Type I errorটাইপ ওয়ান এরর
null hypothesis আসলে সত্য হলেও তাকে বাতিল করা, অর্থাৎ মিথ্যা আবিষ্কার; একটি সৎ test-এ এর হার α-এর (যেমন ০.০৫) কাছাকাছি থাকে।যেখানে শিখবেন: পর্ব ২২পর্ব ৬২
Type II errorটাইপ টু এরর
আসলে প্রভাব থাকলেও test তা ধরতে না পারা, অর্থাৎ null hypothesis বাতিল না করা; এর হার β, আর 1 − β হলো power.যেখানে শিখবেন: পর্ব ৬২

U

UMAPইউম্যাপ
Uniform Manifold Approximation and Projection: fuzzy neighbour graph থেকে কম মাত্রার ছবি বানানোর nonlinear পদ্ধতি, সাধারণত বড় ডেটায় দ্রুত; এর ছবিও parameter আর seed-এ বদলায়।যেখানে শিখবেন: পর্ব ৪২
UMass coherenceইউ-ম্যাস কোহেরেন্স
Mimno ও সহকর্মীদের (২০১১) coherence: শীর্ষ শব্দের প্রতিটি জোড়ায় log((দুটি শব্দ একসঙ্গে থাকা লেখার সংখ্যা + ১) / আগের শব্দ থাকা লেখার সংখ্যা) যোগ বা গড়; শূন্যের কাছে হলে ভালো।যেখানে শিখবেন: পর্ব ৪৪
Unbiased estimatorআনবায়াসড এস্টিমেটর
যে আন্দাজের প্রত্যাশিত মান আসল মানের ঠিক সমান; বারবার নমুনা নিলে গড়ে ঠিক জায়গায় পড়ে।যেখানে শিখবেন: পর্ব ০৩পর্ব ১৩
Uncertainty samplingআনসার্টেনটি স্যাম্পলিং
Active learning-এর সবচেয়ে প্রচলিত নিয়ম: যে উদাহরণে বর্তমান model সবচেয়ে অনিশ্চিত, তার label আগে কেনা।যেখানে শিখবেন: পর্ব ৫৪পর্ব ৭৩
Unconfoundedness (ignorability)আনকনফাউন্ডেডনেস
মাপা চলক X ধরে রাখলে treatment পাওয়া আর সম্ভাব্য ফল পরস্পর-নিরপেক্ষ, অর্থাৎ কোনো লুকানো confounder নেই; ডেটা দিয়ে প্রমাণ করা যায় না।যেখানে শিখবেন: পর্ব ৬৪
Underdetermined systemআন্ডারডিটারমাইনড সিস্টেম
যে রৈখিক সমীকরণের সেটে কার্যকর সমীকরণ অজানার চেয়ে কম, ফলে সমাধান থাকলে অসীম সংখ্যক থাকে; যেমন feature-এর সংখ্যা উদাহরণের চেয়ে বেশি এমন regression.যেখানে শিখবেন: পর্ব ০৯
Underfittingআন্ডারফিটিং
Model এত সরল যে training ডেটার প্রবণতাও ধরতে পারে না, ফলে training আর নতুন ডেটা দুই জায়গাতেই ভুল বেশি।যেখানে শিখবেন: পর্ব ২৯পর্ব ৭৭
Uniform convergenceইউনিফর্ম কনভার্জেন্স
Hypothesis class-এর সব নিয়মের empirical risk একসঙ্গে true risk-এর কাছে থাকা; থাকলে ERM-এর বাছাইও নির্ভরযোগ্য হয়।যেখানে শিখবেন: পর্ব ০৩
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 ০৩
Union (A ∪ B)ইউনিয়ন
যে outcome অন্তত একটি event-এ আছে; “A অথবা B অথবা দুটোই” ঘটা।যেখানে শিখবেন: পর্ব ০৩
Union boundইউনিয়ন বাউন্ড
কয়েকটি ঘটনার অন্তত একটি ঘটার সম্ভাবনা তাদের আলাদা সম্ভাবনার যোগফলের বেশি নয়; Boole-এর অসমতা নামেও পরিচিত।যেখানে শিখবেন: পর্ব ০৩
Unit of predictionইউনিট অফ প্রেডিকশন
প্রতিটি অনুমান কিসের জন্য, অর্থাৎ টেবিলের একটি সারি কী: একটি অর্ডার, একজন ক্রেতা, নাকি ক্রেতা × মাস; এটিই ঠিক করে কারা তালিকায় আর কীভাবে ভাগ করতে হবে।যেখানে শিখবেন: পর্ব ০২পর্ব ৭১
Unit of randomizationইউনিট অব র‍্যান্ডমাইজেশন
পরীক্ষায় যে এককটিকে এলোমেলোভাবে দলে পাঠানো হয় (যেমন দর্শক, সেশন বা জেলা); বিশ্লেষণের SE এই একক ধরেই হিসাব করতে হয়।যেখানে শিখবেন: পর্ব ৬৩
Unit rootইউনিট রুট
AR সমীকরণের একটি মূল ঠিক ১, যেমন random walk-এ; তখন ধাক্কার প্রভাব কখনো মিলিয়ে যায় না আর series stationary নয়।যেখানে শিখবেন: পর্ব ৫১
Unit testইউনিট টেস্ট
কোডের একটি ছোট অংশকে, যেমন একটি function-কে, জানা input দিয়ে চালিয়ে জানা উত্তরের সঙ্গে মেলানোর স্বয়ংক্রিয় পরীক্ষা।যেখানে শিখবেন: পর্ব ৬৯
Unit vectorইউনিট ভেক্টর
যে vector-এর L2 দৈর্ঘ্য ঠিক 1; শুধু দিক বোঝাতে ব্যবহৃত হয়।যেখানে শিখবেন: পর্ব ০৮
Unsupervised learningআনসুপারভাইজড লার্নিং
Label ছাড়া ডেটা থেকে গঠন খোঁজা, যেমন clustering, density estimation আর dimensionality reduction-এর মতো কাজ।যেখানে শিখবেন: পর্ব ৩৯পর্ব ৪০পর্ব ৪৩
Uplift modelingআপলিফট মডেলিং
একটি হস্তক্ষেপ (যেমন কুপন) কার আচরণ কতটা বদলায় তা অনুমান করা: হস্তক্ষেপসহ আর হস্তক্ষেপ ছাড়া ফলের সম্ভাবনার পার্থক্য।যেখানে শিখবেন: পর্ব ৬৫পর্ব ৭২পর্ব ৭৭
Upper confidence bound (UCB)আপার কনফিডেন্স বাউন্ড
গড়ের সঙ্গে κ গুণ অনিশ্চয়তা যোগ করে আশাবাদী অনুমান; ছোট করার সমস্যায় তার উল্টো রূপ lower confidence bound μ − κσ. κ বড় হলে খোঁজ বেশি।যেখানে শিখবেন: পর্ব ৪৯
User-based collaborative filteringইউজার-বেসড সিএফ
একজন ব্যবহারকারীর মতো রুচির অন্য ব্যবহারকারী খুঁজে তাঁদের পছন্দ থেকে সুপারিশ করার collaborative filtering পদ্ধতি।যেখানে শিখবেন: পর্ব ৫৩
UTC (Coordinated Universal Time)ইউ-টি-সি
বিশ্বের প্রমিত সময়, যাতে daylight saving নেই; ডেটাবেসে মুহূর্ত রাখার নিরাপদ ভিত্তি, আর ঢাকার সময় এর চেয়ে ৬ ঘণ্টা এগিয়ে।যেখানে শিখবেন: পর্ব ৬১
Uvicornইউভিকর্ন
Python-এর একটি ASGI server, যা FastAPI app-কে একটি network port-এ চালায়।যেখানে শিখবেন: পর্ব ৬৮

V

Validation setভ্যালিডেশন সেট
Training থেকে আলাদা রাখা যে অংশ দেখে hyperparameter বা threshold বাছাই করা হয়; বাছাইয়ে ব্যবহার হয় বলে এটি শেষ নিরপেক্ষ মাপের জন্য নয়।যেখানে শিখবেন: পর্ব ২৫পর্ব ৩৫পর্ব ৩৬
Varianceভ্যারিয়েন্স
সংখ্যাগুলো গড় থেকে কতটা ছড়ানো তার মাপ: গড় থেকে বিচ্যুতির বর্গের গড়; নমুনায় সাধারণত n − 1 দিয়ে ভাগ।যেখানে শিখবেন: পর্ব ০৮পর্ব ১০পর্ব ১৩
Variance (of a model)ভ্যারিয়েন্স
Training set বদলালে model-এর অনুমান বা coefficient কতটা নড়ে, তার মাপ; least squares-এ ছোট singular value-র দিকে এটি σ²/σⱼ² হয়ে ফুলে ওঠে।যেখানে শিখবেন: পর্ব ১৭পর্ব ৩২পর্ব ৩৩
Variance functionভ্যারিয়েন্স ফাংশন
গড় μ হলে variance কত তা বলার function V(μ); Poisson-এ μ, Bernoulli-তে μ(1 − μ), Gaussian-এ 1.যেখানে শিখবেন: পর্ব ২০
Variance inflation factor (VIF)ভেরিয়েন্স ইনফ্লেশন ফ্যাক্টর
একটি feature বাকিদের সঙ্গে সম্পর্কের কারণে তার coefficient-এর variance কত গুণ ফুলে ওঠে, VIF = 1/(1 − R²); দুটি feature-এর বেলায় R² হলো correlation-এর বর্গ।যেখানে শিখবেন: পর্ব ৫৬
Variance reduction (regression split)ভ্যারিয়েন্স রিডাকশন
Regression tree-তে একটি split সন্তানদের squared error-এর যোগ মূলের তুলনায় যতটা কমায়; যে split সবচেয়ে বেশি কমায় সেটিই বাছা হয়।যেখানে শিখবেন: পর্ব ৩২
Variational familyভ্যারিয়েশনাল ফ্যামিলি
Variational inference-এ যে সহজ বণ্টনগুলোর মধ্য থেকে posterior-এর সবচেয়ে কাছেরটি খোঁজা হয়, যেমন সব Gaussian বা স্বাধীন অংশের গুণফল; পরিবার যত ছোট, approximation তত মোটা দাগের।যেখানে শিখবেন: পর্ব ৪৮
Variational inferenceভ্যারিয়েশনাল ইনফারেন্স
কঠিন posterior-এর বদলে একটি সহজ বণ্টনের পরিবার থেকে সবচেয়ে কাছেরটি optimization দিয়ে খোঁজা; scikit-learn-এর LDA এই পদ্ধতিতে শেখে।যেখানে শিখবেন: পর্ব ৪৪পর্ব ৪৮পর্ব ৭৫
Varimax rotationভ্যারিম্যাক্স রোটেশন
Factor-এর ওজনগুলোকে এমনভাবে orthogonal ঘূর্ণন দেওয়া যাতে প্রতিটি factor অল্প কয়েকটি চলকে বড় ওজন পায় আর বাকিগুলোতে প্রায় শূন্য; Henry Kaiser ১৯৫৮ সালে প্রস্তাব করেন।যেখানে শিখবেন: পর্ব ৪১
VC dimension (Vapnik–Chervonenkis dimension)ভিসি ডাইমেনশন
সবচেয়ে বড় বিন্দু-সেটের আকার যা একটি hypothesis class shatter করতে পারে; class-এর নমনীয়তার মাপ।যেখানে শিখবেন: পর্ব ০৩পর্ব ২৭পর্ব ৭৩
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 ০৬
Vector spaceভেক্টর স্পেস
এমন একটি সংগ্রহ যেখানে vector যোগ আর scalar দিয়ে গুণ করলে ফল সংগ্রহের ভেতরেই থাকে, আর শূন্য vector, বিপরীত vector ও বণ্টন-নিয়মের মতো পরিচিত নিয়মগুলো খাটে; যেমন Rⁿ.যেখানে শিখবেন: পর্ব ০৬
Vector-Jacobian product (VJP)ভেক্টর-জ্যাকোবিয়ান প্রোডাক্ট
একটি vector u-কে Jacobian-এর বাঁ দিক থেকে গুণ, uᵀJ; পুরো Jacobian না বানিয়েই হিসাব করা যায়, আর reverse-mode autodiff ও backpropagation এর শিকল।যেখানে শিখবেন: পর্ব ১১
Velocity (optimizer state)ভেলোসিটি
Momentum পদ্ধতিতে জমে থাকা গতি v, অর্থাৎ অতীত gradient-এর ওজনদার যোগফল, যা প্রতি ধাপে অবস্থানের সঙ্গে যোগ হয়।যেখানে শিখবেন: পর্ব ১৪
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 ৪৪
Vote entropyভোট এনট্রপি
Committee-র সদস্যদের ভোট বিভিন্ন class-এ কতটা ছড়িয়ে আছে, তার entropy; সবাই একমত হলে শূন্য।যেখানে শিখবেন: পর্ব ৫৪

W

Wald intervalওয়াল্ড ইন্টারভাল
অনুমান ± ১.৯৬ × standard error ধরনের interval, যেখানে SE সাধারণত likelihood-এর বক্রতা থেকে আসে; বড় n আর সঠিক model-এর অনুমানের ওপর নির্ভর করে।যেখানে শিখবেন: পর্ব ২১পর্ব ৬৩
Warm startওয়ার্ম স্টার্ট
নতুন একটি fit শূন্য থেকে না শুরু করে কাছাকাছি সমস্যার আগের সমাধান থেকে শুরু করা; regularization path দ্রুত হিসাব করার মূল কৌশল।যেখানে শিখবেন: পর্ব ১৭
Weak dualityউইক ডুয়ালিটি
Dual function-এর প্রতিটি মান মূল সমস্যার সর্বনিম্ন মানের সমান বা কম; এটি convex হোক বা না হোক, সব সমস্যায় খাটে।যেখানে শিখবেন: পর্ব ১৬
Weak learnerউইক লার্নার
যেকোনো sample weight-এ মুদ্রা টসের চেয়ে অন্তত একটু ভালো করে এমন সরল শেখার পদ্ধতি, যেমন decision stump; boosting এদের জুড়ে শক্ত model বানায়।যেখানে শিখবেন: পর্ব ৩৪পর্ব ৩৫
Weak supervisionউইক সুপারভিশন
হাতে প্রতিটি label না দিয়ে নিয়ম, শব্দতালিকা, log বা পুরোনো model দিয়ে দ্রুত অনেক অনিখুঁত label বানিয়ে শেখানো।যেখানে শিখবেন: পর্ব ০৫পর্ব ৫৪
Week-over-week (WoW) changeউইক-ওভার-উইক
একটি মাপের এই সপ্তাহের মান আগের সপ্তাহের তুলনায় শতকরা কত বদলেছে।যেখানে শিখবেন: পর্ব ৬৬
Weibull distributionওয়েইবুল ডিস্ট্রিবিউশন
S(t) = exp(−(t/λ)^k) আকারের সময়ের বণ্টন; shape k < ১ হলে hazard কমে, k = ১ হলে স্থির (exponential), k > ১ হলে বাড়ে।যেখানে শিখবেন: পর্ব ৫৫
Weight decayওয়েট ডিকে
প্রতিটি ধাপে weight-কে একটু শূন্যের দিকে টানা; সাধারণ SGD-তে যা loss-এ (λ/2)‖w‖² যোগ করার সমান, কিন্তু Adam-এর মতো adaptive optimizer-এ নয়।যেখানে শিখবেন: পর্ব ১৪
Weighted errorওয়েটেড এরর
যেসব সারিতে model ভুল করেছে তাদের sample weight-এর যোগফল, যখন সব ওজনের যোগফল ১; AdaBoost-এ একে ε লেখা হয়।যেখানে শিখবেন: পর্ব ৩৪
Weighted kappaওয়েটেড কাপা
ক্রমযুক্ত label-এর জন্য kappa-র রূপ, যেখানে কাছাকাছি মতভেদ (৪ বনাম ৫ স্টার) দূরের মতভেদের (১ বনাম ৫) চেয়ে কম শাস্তি পায়।যেখানে শিখবেন: পর্ব ০৫
Weighted least squaresওয়েটেড লিস্ট স্কোয়ার্স
প্রতিটি সারির বর্গ-ভুলকে আলাদা ওজন দিয়ে যোগ করে কমানো least squares; সমাধান β = (XᵀWX)⁻¹XᵀWz.যেখানে শিখবেন: পর্ব ২০পর্ব ৫৭
Weighted matrix factorization (WMF)ওয়েটেড ম্যাট্রিক্স ফ্যাক্টরাইজেশন
Implicit ডেটার matrix factorization, যেখানে সব ঘর loss-এ থাকে কিন্তু প্রতিটি ঘরের ভুল আস্থা অনুযায়ী ভার পায়; কেনা ঘরের ভার বেশি, না-কেনা ঘরের কম।যেখানে শিখবেন: পর্ব ৫৩
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 ৬৩
Welford's algorithmওয়েলফোর্ডস অ্যালগরিদম
B. P. Welford-এর (১৯৬২) এক-পাসের নিয়ম, যা প্রতিটি নতুন মানে গণনা, চলতি গড় আর গড় থেকে বর্গ দূরত্বের যোগ (M2) হালনাগাদ করে স্থিতিশীলভাবে variance দেয়।যেখানে শিখবেন: পর্ব ৭০
Well-posed / ill-posed problemওয়েল-পোজড / ইল-পোজড প্রবলেম
Hadamard-এর সংজ্ঞায় well-posed সমস্যার সমাধান আছে, একটিই আছে, আর ডেটার ছোট বদলে ছোটই বদলায়; কোনো একটি শর্ত ভাঙলে সমস্যাটি ill-posed, যেমন feature-এর সংখ্যা সারির চেয়ে বেশি হলে বা প্রায়-একই feature-এর least squares-এর সমস্যা।যেখানে শিখবেন: পর্ব ১৭
What-if analysisহোয়াট-ইফ অ্যানালাইসিস
ইনপুট বদলে model-এর অনুমান কীভাবে বদলায় তা দেখার বিশ্লেষণ, যেমন দূরত্ব বা বৃষ্টি বদলে ডেলিভারির সময়।যেখানে শিখবেন: পর্ব ৬৬
White noiseহোয়াইট নয়েজ
গড় শূন্য, স্থির variance আর পরস্পর সম্পর্কহীন ধাক্কার ধারা; ভালো time series model-এর residual এমন হওয়া উচিত।যেখানে শিখবেন: পর্ব ৫১
Whiteningহোয়াইটেনিং
ডেটাকে এমনভাবে রৈখিক রূপান্তর করা যাতে covariance identity হয়, যেমন z = Λ^(−1/2) Vᵀ(x − μ); হেলানো উপবৃত্তাকার মেঘ গোল হয়ে যায়, আর Mahalanobis দূরত্ব সাধারণ দৈর্ঘ্যে পরিণত হয়।যেখানে শিখবেন: পর্ব ১৯পর্ব ৪১
Widgetউইজেট
পাতার ওপর ব্যবহারকারীর ইনপুট নেওয়ার উপাদান, যেমন slider, selectbox, checkbox বা বোতাম।যেখানে শিখবেন: পর্ব ৬৬
Wilcoxon signed-rank testউইলকক্সন সাইনড-র‍্যাঙ্ক টেস্ট
জোড়া পার্থক্যগুলোর পরম মানের rank আর চিহ্ন দেখে মধ্যমা শূন্য কি না পরীক্ষার non-parametric test; দুটি algorithm অনেক ডেটাসেটে তুলনায় Demšar এটি সুপারিশ করেন।যেখানে শিখবেন: পর্ব ২২
Window frameউইন্ডো ফ্রেম
Partition-এর ভেতরে বর্তমান সারির চারপাশের যে অংশ নিয়ে হিসাব হয়, যেমন ROWS BETWEEN 6 PRECEDING AND CURRENT ROW; ROWS সারি গোনে, দিন নয়।যেখানে শিখবেন: পর্ব ৬১
Window functionউইন্ডো ফাংশন
এমন SQL ফাংশন যা প্রতিটি সারির জন্য আশপাশের একদল সারির ওপর হিসাব করে (ক্রম, চলমান যোগফল, আগের সারির মান), কিন্তু GROUP BY-এর মতো সারিগুলো গুটিয়ে ফেলে না; OVER দিয়ে লেখা হয়।যেখানে শিখবেন: পর্ব ৬১পর্ব ৭৪
Winner's curseউইনার্স কার্স
Significant হওয়া বা অনেকের মধ্যে সবচেয়ে বড় বলে বাছা ফলগুলো গড়ে আসল প্রভাবের চেয়ে বড় দেখায়, বিশেষ করে যখন power কম।যেখানে শিখবেন: পর্ব ৬৩পর্ব ৭২
Winsorizingউইনসরাইজিং
একটি নির্দিষ্ট percentile-এর ওপরের (বা নিচের) মানগুলো মুছে না ফেলে সেই সীমার মানে নামিয়ে আনা; variance কমায়, কিন্তু মাপা প্রশ্নটি বদলে দেয়।যেখানে শিখবেন: পর্ব ৬৩
Wolfe conditionsউলফ কন্ডিশনস
Armijo-র শর্তের সঙ্গে curvature শর্ত φ′(t) ≥ c₂·φ′(০) মিলে দুটি শর্ত; খুব বড় আর খুব ছোট দুই ধরনের ধাপই আটকায়, আর BFGS-এর জন্য yᵀs > ০ নিশ্চিত করে।যেখানে শিখবেন: পর্ব ১৫
Words of estimative probabilityওয়ার্ডস অফ এস্টিমেটিভ প্রোবাবিলিটি
“সম্ভবত”, “প্রায় নিশ্চিত”-এর মতো সম্ভাবনার শব্দ; Sherman Kent ১৯৬৪ সালে দেখান এগুলো পাঠকভেদে খুব ভিন্ন সংখ্যা বোঝায়, আর শব্দের সঙ্গে সংখ্যার পরিসর বাঁধার প্রস্তাব দেন।যেখানে শিখবেন: পর্ব ৬৭
Working responseওয়ার্কিং রেসপন্স
IRLS-এর প্রতি ধাপে বানানো কৃত্রিম লক্ষ্য z = η + (y − μ)·g′(μ), যাকে weighted least squares দিয়ে X-এর ওপর regress করা হয়।যেখানে শিখবেন: পর্ব ২০

X

XGBoostএক্সজিবুস্ট
Tianqi Chen আর Carlos Guestrin-এর gradient boosting লাইব্রেরি (প্রবন্ধ KDD ২০১৬); loss-এর gradient আর Hessian দিয়ে গাছ শেখে, পাতার মানে L2 শাস্তি λ আর প্রতিটি ভাগে ন্যূনতম লাভ γ রাখে।যেখানে শিখবেন: পর্ব ৩৬
XOR problemএক্সর প্রবলেম
(১, ১) আর (−১, −১) এক দল, (১, −১) আর (−১, ১) আরেক দল; কোনো একটি সরলরেখা এদের আলাদা করতে পারে না, কিন্তু x₁x₂ feature যোগ করলে পারে।যেখানে শিখবেন: পর্ব ২৯

Z

z-scoreজেড-স্কোর
একটি মান গড় থেকে কত standard deviation দূরে: z = (x − μ)/σ; প্রতিটি feature আলাদা করে দেখে, তাই feature-গুলোর পারস্পরিক সম্পর্ক মানে না।যেখানে শিখবেন: পর্ব ১৯পর্ব ৪৩

← মেশিন লার্নিং কোর্সের হোম পেজে ফিরে যান