AI/ML-এ গণিত আসলে কোথায় ব্যবহার হয়

১ · কেন আলাদা করে "Math for AI" কোর্স?

AI Foundations কোর্সে আপনি ভেক্টর, ম্যাট্রিক্স, ডেরিভেটিভ ও সম্ভাবনার স্বজ্ঞা (intuition) পেয়েছেন — কোনো কোড ছাড়া, শুধু ধারণা। এই কোর্স ভিন্ন উদ্দেশ্যে তৈরি: এখানে আমরা প্রতিটি ধারণা সম্পূর্ণ গাণিতিকভাবে ডেরাইভ করব, প্রমাণ দেখব, এবং প্রতিটি সূত্রের পাশে আসল NumPy/PyTorch কোড লিখব। লক্ষ্য — আপনি যখন কোনো পেপার বা লাইব্রেরির সোর্স কোড পড়বেন, তখন যেন গণিতটা অচেনা না লাগে।

২ · একটি নিউরাল নেটওয়ার্ক = তিন ধরনের গণিতের চক্র

সবচেয়ে সহজ উপায় হলো একটি সম্পূর্ণ ML সিস্টেমের দিকে তাকানো এবং প্রতিটি ধাপে কোন গণিত কাজ করছে তা চিহ্নিত করা। নিচের প্রতিটি ধাপ পরবর্তী মডিউলগুলোর একটির সাথে সরাসরি সম্পর্কিত।

ধাপ ১ — ডেটা রিপ্রেজেন্টেশন ও ফরওয়ার্ড পাস

একটি ছবি, একটি বাক্য, একজন ব্যবহারকারী — সবকিছুকে সংখ্যার তালিকা অর্থাৎ ভেক্টরVectorসংখ্যার একটি সাজানো তালিকা। এই কোর্সের M2-তে সম্পূর্ণ গাণিতিকভাবে কভার করা হবে।-এ রূপান্তর করতে হয়। একটি নিউরনের গণনা — $z = \mathbf{w}^T \mathbf{x} + b$ — মূলত একটি ডট প্রোডাক্টDot Productদুটি ভেক্টরের উপাদান-ভিত্তিক গুণফলের যোগফল। নিউরাল নেটওয়ার্কের প্রতিটি নিউরনের মূল গণনা।। পুরো একটি লেয়ার একসাথে গণনা করতে হলে এটি হয়ে যায় ম্যাট্রিক্স মাল্টিপ্লিকেশন — এই কারণেই GPU এত গুরুত্বপূর্ণ, কারণ GPU ঠিক এই কাজেই (বড় ম্যাট্রিক্স গুণ) সবচেয়ে দক্ষ। → এটি কভার হবে M2 ও M3 (লিনিয়ার অ্যালজেব্রা)-তে।

ধাপ ২ — মডেল ভুল করে, এবং শেখে

একটি নতুন-তৈরি মডেল প্রথমে প্রায় এলোমেলো উত্তর দেয়। "কতটা ভুল" পরিমাপ করে একটি লস ফাংশনLoss Functionমডেলের পূর্বাভাস ও প্রকৃত উত্তরের মধ্যে পার্থক্য পরিমাপ করার একটি ফাংশন। প্রশিক্ষণের লক্ষ্য এই মানকে যতটা সম্ভব ছোট করা।। এরপর প্রশ্ন — প্রতিটি ওজন ($w$) সামান্য বাড়ালে বা কমালে লস কীভাবে বদলাবে? এই প্রশ্নের উত্তরই হলো গ্রেডিয়েন্টGradientএকটি ফাংশনের সবচেয়ে দ্রুত বৃদ্ধির দিক নির্দেশক ভেক্টর। প্রতিটি প্যারামিটারের সাপেক্ষে পার্শিয়াল ডেরিভেটিভ দিয়ে গঠিত। — এবং লক্ষ লক্ষ প্যারামিটারের জন্য এই গ্রেডিয়েন্ট কার্যকরভাবে হিসাব করার পদ্ধতিই হলো ব্যাকপ্রপাগেশনBackpropagationচেইন রুল ব্যবহার করে আউটপুট থেকে ইনপুটের দিকে গ্রেডিয়েন্ট হিসাব করার পদ্ধতি। প্রতিটি আধুনিক নিউরাল নেটওয়ার্ক এভাবেই প্রশিক্ষিত হয়।। → এটি কভার হবে M4 ও M5 (ক্যালকুলাস ও ব্যাকপ্রপাগেশন)-তে — এই কোর্সের হৃদয়।

ধাপ ৩ — অনিশ্চয়তা, মূল্যায়ন ও সিদ্ধান্ত

একটি মডেল কখনো ১০০% নিশ্চিত নয় — এটি সম্ভাবনা আউটপুট দেয় ("৮৭% সম্ভাবনা এটি বিড়াল")। এই সম্ভাবনাগুলো বৈধ কি না, মডেল ওভারফিট করছে কি না, একটি ফলাফল কাকতালীয় নাকি বাস্তব — এই সবকিছুর ভিত্তি সম্ভাবনা তত্ত্ব ও পরিসংখ্যান। এমনকি লস ফাংশনও (যেমন cross-entropy) সরাসরি সম্ভাবনা তত্ত্ব থেকে আসে। → এটি কভার হবে M6 ও M7 (সম্ভাবনা ও পরিসংখ্যান)-তে।

৩ · একটি ছোট্ট প্রমাণ — কোড দিয়ে দেখুন

নিচে একটি একক নিউরনের গণনা — $z = \mathbf{w}^T \mathbf{x} + b$ — NumPy দিয়ে দেখানো হলো। এই একটি লাইনই হলো লিনিয়ার অ্যালজেব্রার সবচেয়ে গুরুত্বপূর্ণ প্রয়োগ, যা আমরা M2-M3-তে গভীরভাবে বুঝব।

import numpy as np

# ইনপুট ভেক্টর (যেমন ৩টি ফিচার)
x = np.array([1.0, 2.0, 3.0])

# ওজন ভেক্টর (মডেল যা শিখেছে)
w = np.array([0.2, -0.5, 0.1])
b = 0.1

# একটি নিউরনের গণনা: z = w^T x + b
z = np.dot(w, x) + b
print("z =", z)

৪ · এই তিনটি কেন আলাদা করে শেখা যায় না

গ্রেডিয়েন্ট ডিসেন্ট বোঝার জন্য গ্রেডিয়েন্ট (ক্যালকুলাস) লাগে, কিন্তু গ্রেডিয়েন্ট আসলে একটি ভেক্টর (লিনিয়ার অ্যালজেব্রা)। ব্যাকপ্রপাগেশন বোঝার জন্য ম্যাট্রিক্স মাল্টিপ্লিকেশনের চেইন রুল (দুই ক্ষেত্রই) লাগে। Cross-entropy loss বোঝার জন্য সম্ভাবনা তত্ত্ব লাগে, কিন্তু সেটি অপ্টিমাইজ করতে ক্যালকুলাস লাগে। তিনটি একসাথে বোনা — তাই এই কোর্সের মডিউলগুলো ক্রমানুসারে সাজানো, প্রতিটি আগেরটির উপর ভিত্তি করে তৈরি।