Playlist_name
stringclasses 19
values | Video_name
stringlengths 14
103
| Transcription
stringlengths 258
26.6k
|
|---|---|---|
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | নন-প্রোগ্রামারদের জন্য ডেটা মেন্টরশীপ ১৭ টাইটানিক ডেটা ভিজ্যুয়ালাইজেশন - ট্যাবলিউ দিয়ে.mp3 | গতবার আমরা ডেটা সাইন্টিস্ট এবং ডেটা এনালিস্টের মধ্যে একটা বড় পার্থক্য দেখিয়েছিলাম এবং সেখানে আমরা একটা জিনিস দেখিয়েছিলাম যে ডেটা ভিজুয়ালাইজেশন মানে আমরা ডেটা এনালিস্ট অথবা ডেটা সাইন্টিস্ট আমরা যাই হই না কেন সেখানে ডেটা ভিজুয়ালাইজেশন একটা খুব একটা ইম্পর্টেন্ট ইস্যু। আর সে ব্যাপারে আমাদের যে বইটা হাতে কলমে মেশিন লার্নিং সেই হাতে কলমে মেশিন লার্নিং বইটাতে আমাদের টাইটানিক ডেটা সেট নিয়ে যদি আমরা কথা বলি সেখানে ডেটা ভিজুয়ালাইজেশন একটা বড় পার্ট হচ্ছে আমাদের ট্রেন ডেটা সেটটা মানে আমাদের যে ট্রেন ডেটা সেটটা ছিল সেই ট্রেন ডেটা সেটটাকে ভিজুয়ালাইজেশন করাটা বড় একটা ইম্পর্টেন্ট ইস্যু ছিল। আমাদের একটা জিনিস বুঝতে হবে যে আমাদের ডেটা ভিজুয়ালাইজেশনটা হচ্ছে এরকম একটা ব্যাপার যে আমাদের স্টেকহোল্ডার যারা থাকবেন এখানে যদি আমাদের কথা বলা হয় যে আমাদের সিনিয়র ম্যানেজমেন্ট অথবা আপনাদেরকে যদি আমরা বলি যে আপনি যদি আমার ক্লায়েন্ট হন সেখানে একটা ডেটা থেকে আসলে ডেটাটা কি বলছে ডেটাটা কি কথা বলতে চাইছে বা ডেটাটা আসলে আমাদেরকে কি ধরনের প্যাটার্ন বলছে সে ধরনের ডেটা যদি আমি আপনাদেরকে না বলতে পারি ডেটা ভিজুয়ালাইজেশন থেকে তাহলে কিন্তু আমাদের এই পুরো জিনিসটাই কিন্তু আমাদের জন্য একটা ব্যর্থতায় পর্যবসিত হবে। তো সেইজন্য আমরা বলছি যে আমাদের যে ট্রেন ডেটা সেটটা সেখানে আমরা কিন্তু এর আগে আর প্রোগ্রামিং এনভারনমেন্ট দিয়ে সেখানে কিন্তু আমরা এমেলিয়া প্যাকেজ ইনস্টল করেছিলাম এবং সেখানে আরো অন্যান্য অনেক কিছু প্যাকেজ ইনস্টল করে জিজি প্লট দিয়ে কিন্তু আমরা কোডিং দিয়ে দেখিয়েছিলাম যে এই ট্রেন ডেটা সেটের মধ্যে কি ধরনের ডেটা মানে কি ধরনের ডেটা মিসিং আছে যেমন এখানে একটা মিসিং ডেটা সেট যে কেবিন কেবিনের মধ্যে কতগুলো ডেটা মিসিং আছে এইজের মধ্যে কিরকম ডেটা মিসিং ছিল এমবার্ক ডকুমেন্টেশনের মধ্যে কি ধরনের ডেটা মিসিং ছিল এই ডেটাগুলো কিন্তু আমরা ডেটা ভিজুয়ালাইজেশন থেকে কিন্তু পেয়েছি। তার পাশাপাশি আমাদের বিভিন্ন ধরনের আমাদের যে ডেটাগুলো আছে সেই ডেটার জন্য যে কোডিংগুলো ব্যবহার করেছি সেই কোডিং দিয়ে কিন্তু আমাদের এই ভিজুয়ালাইজেশনগুলো এসছে এবং সেই ভিজুয়ালাইজেশন থেকে কিন্তু আমরা বেশ কিছু জিনিস পেয়েছি যেমন আমাদের সারভাইবিলিটি যে কতজন মারা গিয়েছিলেন বা কতজন বেঁচে গিয়েছিলেন তাদের কিন্তু একটা ভিজুয়ালাইজেশন কিন্তু আমরা দেখতে পাচ্ছি। প্যাসেঞ্জার ক্লাসের মধ্যে ফার্স্ট সেকেন্ড এবং থার্ড ক্লাস আসলে কত বেশি প্যাসেঞ্জার আমরা দেখছি যে ফার্স্ট এবং সেকেন্ড ক্লাস মিলিয়ে থার্ড ক্লাসের মধ্যে হচ্ছে। তারমানে হচ্ছে থার্ড ক্লাসে সবচেয়ে বেশি প্যাসেঞ্জার ট্রাভেল করেছিলেন এই টাইটানিকে। এর পাশাপাশি আমাদের যে জেন্ডার সেখানে দেখা যাচ্ছে যে মহিলারা খুব কম ট্রাভেল করেছিলেন এবং সেখানে বয়সের কথা যদি বলা হয় 20 থেকে 30 বছরের মানুষজন সবচেয়ে বেশি ট্রাভেল করেছিলেন ইউএসএতে ওই সময়। তো তার মানে হচ্ছে কি আমাদের যে ভিজুয়ালাইজেশন সে কিন্তু একটা ভালো ধারণা দিচ্ছে। আমাদের সিবলিং স্পাউসের মধ্যে বলা হচ্ছিল যে সবচেয়ে বেশি মানুষ ট্রাভেল করছিলেন যারা ছিল একলা এবং তার পাশাপাশি প্যারেন্টস চিলড্রেন ওর সাথেও সেখানেও কিন্তু আমরা দেখছি যে যারা সবচেয়ে বেশি মানে একলা যারা ছিলেন মানে আমাদের জিরো হচ্ছে গিয়ে আমাদের একলা মানে সবচেয়ে বেশি ট্রাভেল করছিলেন যারা একলা ট্রাভেল করেছিলেন। তার সাথে একজন স্পাউস বা প্যারেন্টস তারা হয়তোবা তাদের হাফ অফ দা টাইম তারা আসলে ট্রাভেল করেছিলেন। এর পাশাপাশি সবচেয়ে বেশি ফেয়ার মানে সবচেয়ে বেশি কোন ফেয়ারের লোকজন সবচেয়ে বেশি ট্রাভেল করছিলেন সেখানে আমরা এখানে একটা ধারণা পেয়েছি এবং কোথা থেকে সবচেয়ে বেশি মানুষ ট্রাভেল করেছেন সেই ধরনের কিন্তু আমরা একটা আইডিয়া পেয়েছি এই ডেটা ভিজুয়ালাইজেশন থেকে। তারমানে এই ডেটা ভিজুয়ালাইজেশন থেকেই কিন্তু আমাদের বেশ কিছু ধারণা যেগুলো কিন্তু আমরা এখানে পাচ্ছি। এই ধারণাটাই কিন্তু এই ডেটা ভিজুয়ালাইজেশন থেকে আসতেছে। তারমানে হচ্ছে কি আমাদের এখানে ডেটা ভিজুয়ালাইজেশন একটা খুবই ইম্পর্টেন্ট ইস্যু এবং এখানে আমরা যেটি বলছি যে আমাদের বর্তমান যে টুলগুলো আছে যেটি আমরা বারবার বলছি যে ডেটা এনালিস্টের জন্য এক্সিস্টিং টুল এই এক্সিস্টিং টুলের মধ্যে কিন্তু আমরা যদি বলি মাইক্রোসফট এক্সেল এবং ট্যাবলু এখানে ড্রাগ এন্ড ড্রপ দিয়েই কিন্তু সব ধরনের কাজ করা যাচ্ছে উইদাউট এনি কোডিং। মানে আমরা এই যে ইনসাইটটা পাচ্ছি এই সেইম জিনিস এবং তার থেকে অনেক বেশি জিনিস কিন্তু আমরা পেতে পারি এই ডেটা ভিজুয়ালাইজেশন থেকে এবং সেটাই কিন্তু আমরা দেখাবো ট্যাবলুতে যে এই টাইটানিক ডেটা সেটে কোন ধরনের কোডিং ছাড়াই আমরা সরাসরি ডেটা ভিজুয়ালাইজেশন করব এই ট্যাবলু আমাদের যে প্যাকেজ আছে ট্যাবলু থেকে আমরা পাবো অথবা মাইক্রোসফট এক্সেল থেকে পাবো। বইয়ের গল্প শেষ আমরা ফিরে এলাম ট্যাবলুতে এবং ট্যাবলুর এখানে আমরা সারভাইভাল যে এনালাইসিসটা দেখাচ্ছি টাইটানিক ডেটা সেটের মধ্যে এখানে কিন্তু এমন একটা জিনিস আমরা করেছি মানে আমাদের যে এখানে ডেটা এনালাইসিস থেকে যে ডেটা ভিজুয়ালাইজেশন নিয়ে আমরা কাজ করছি এখানে কিন্তু এমন কিছু নেই যেটার মধ্যে আমাদের কোন প্রোগ্রামিং করতে হয়েছে বা আমাদের কোন কোডিং করতে হয়েছে। এখানে সবকিছুই আমাদের যে টাইটানিক ডেটা সেট ছিল সেখান থেকে আমাদের ভিজুয়ালাইজেশন করেছি আমরা সবকিছু ড্রাগ এন্ড ড্রপ দিয়ে। আমাদেরকে যদি আপনি একটা ছোট্ট উদাহরণ দেই যে আমাদের এই নাম্বার অফ পিপল সারভাইভড এখানে আমরা যদি দেখি যে আসলে আমাদের যে নাম্বার অফ রেকর্ডস এই নাম্বার অফ রেকর্ডস থেকে কিন্তু আমরা এটাকে টেনে আমরা নিয়েছি কলামে। এই নাম্বার অফ রেকর্ড থেকে কিন্তু আমরা এখানে কলামে নিয়ে এসছি এবং এটা কিন্তু হচ্ছে গিয়ে ডাইমেনশন না। আমরা যদি দেখি এখানে এটা ডাইমেনশন না এটা কিন্তু মেজারস। সো এইখানে কিন্তু আমরা এই নাম্বার অফ রেকর্ডটা কিন্তু এখান থেকে আমরা কল করে আমাদের কলামে ছেড়ে দিয়েছি। আর রোতে আমাদের কিন্তু সারভাইভড ক্লাস এবং জেন্ডার। আমাদের যদি এখানে দেখি যে ক্লাস সারভাইভড হচ্ছে এখানে এবং জেন্ডার এই তিনটা জিনিস এই তিনটা জিনিসকে যদি আমরা যদি এখানে কন্ট্রোল দেই আমি উইন্ডোজের কথা যদি বলি কন্ট্রোল দিয়ে সারভাইভড জেন্ডার এবং ক্লাস এই তিনটা কিন্তু আমরা এখানে চুজ করতে পারি। এই তিনটা আমাদের চুজ হয়ে গেল এই তিনটাকে এখন আমি টেনে ছেড়ে দিব হচ্ছে গিয়ে আমাদের রোর মধ্যে। এখানেই তারা তাহলে চলে যাচ্ছে আমাদের কিন্তু সবকিছু। তো তার মানে হচ্ছে কি আমাদের যদি সারভাইবিলিটির কথা বলি এটা কিন্তু ডাইমেনশন বিকজ আমাদের এই পুরো জিনিসটা একটা ক্যাটাগরিকাল যে উনি বেঁচে গিয়েছিলেন না মারা গিয়েছিলেন। সিমিলারলি আমাদের যে ক্লাস ফার্স্ট ক্লাস সেকেন্ড ক্লাস এবং থার্ড ক্লাস। তার মানে হচ্ছে কি এটাও কিন্তু আমাদের এখানে ডাইমেনশন ইটস নট এ মেজার। এট দা সেইম টাইম আমাদের জেন্ডার মেল বা ফিমেল এটাও কিন্তু ডাইমেনশন। তার মানে হচ্ছে কি আমাদের এখানে প্রথমে আমরা টেনেছি হচ্ছে গিয়ে নাম্বার অফ রেকর্ড এখানে এবং তার পাশাপাশি আমাদের রোতে আমরা টেনেছি হচ্ছে গিয়ে সারভাইভড ক্লাস এবং জেন্ডার এন্ড দ্যাট হ্যাজ একচুয়ালি গিভেন দা হোল পিকচার। এখন আমরা যদি বলতে পারি যে হ্যাঁ এখানে কালারফুল এটা করার জন্য অবশ্যই আমরা এখানে জেন্ডার এবং ক্লাস আমাদের যে জেন্ডার এবং ক্লাসকে আমরা টেনে এখানে ছেড়ে দিয়েছি এবং সেখানে আমরা কালার সিলেক্ট করে দিয়েছি এবং কালারে এখানে আমাদেরকে যে কালারের চয়েসটা আছে প্যালেট থেকে আমাদের এই চয়েসটা দিয়েছি। সিমিলারলি আমরা কিন্তু এরকমভাবে এর আগে আমরা যেটা দেখিয়েছিলাম যে কারা কারা সারভাইভড ছিল তাদের মধ্যে আবার আবার যদি আমরা দেখি না সারভাইভড এবং নন সারভাইভড মানে যারা বেঁচে গিয়েছিলেন এবং যারা বাঁচেননি মানে সবারই কিন্তু আমাদের ডেটা মানে একই ডেটা। আমরা কিন্তু দেখি যে এখানে কিন্তু একই ডেটা। আমরা সবই একই ডেটা কিন্তু আমাদের এখানে কিন্তু আপনি যদি দেখেন এর আগে এখানে একটা ফিল্টার ছিল। মানে আমরা সারভাইভড ফিল্টার দেখিয়েছিলাম যে সারভাইভড শুধু ফিল্টার ছিল। কিন্তু আমাদের পরবর্তীতে আমাদের এখানে কোন ফিল্টার রাখিনি। ফিল্টার না রাখার কারণে আমাদের এখানে ডিড নট সারভাইভ এবং সারভাইভ এই দুটোই কিন্তু এখানে চলে এসেছে। তো আপনি বুঝতে পারছেন যে আমাদের এখানে কিন্তু যে কাজগুলো আমরা এখানে করতে পারছি সব কিন্তু ড্রাগ এন্ড ড্রপ। মানে আমাদের সারভাইভড এবং এই ফেয়ার এটাকে এখান থেকে কিন্তু আমরা কল করে নিয়ে এসছি এবং আমার রোতে এখানে নাম্বার অফ রেকর্ডটা কিন্তু এখানে রোতে দেখিয়েছি। সেইম ভাবে কিন্তু আমরা বিভিন্ন জায়গায় কিন্তু সবকিছুই কিন্তু আমরা এখানে ড্রাগ এন্ড ড্রপ। এখানে এমন কিছু নেই যেখানে আমাদের কোন কোডিং করতে হয়েছে। তার মানে হচ্ছে কি আমাদের এই যে ট্যাবলু যে একটা একটা সফটওয়্যার এটা পুরো ওয়ার্ল্ডে একটা বিজনেস এনালাইটিক্স টুল হিসেবে ব্যবহার হচ্ছে এবং এই ট্যাবলু কিন্তু খুবই খুবই একটা চালু সফটওয়্যার এবং সেখানে কিন্তু আমরা এটা নিয়ে কিন্তু এর আগে অনেক কাজ করেছি এবং সেখানে আমরা দেখাচ্ছি যে আমরা আর প্রোগ্রামিং এর যে যে ধরনের কোডিং নিয়ে কাজ করছি সেখানে কিন্তু এই জিনিসগুলো কিন্তু কোডিং ছাড়াই আমরা সবকিছুই আমরা কিন্তু এখানে জেনারেট করতে পারছি। তো এই ব্যাপারটা হচ্ছে মেইন ইস্যু যে আমাদের যেমন এখানে বয়স এবং ফেয়ার এই দুটোকে আমরা টেনেছি এবং সেখানে ফিল্টার হিসেবে আমরা এখানে দেখিয়েছি এবং তার সাথে আমাদের কালারটা দেখিয়েছি। আমরা কিন্তু দেখিয়েছি যে এখানে লাল হচ্ছে গিয়ে উনারা মারা গিয়েছেন এবং সারভাইভ হচ্ছে যারা বেঁচে গিয়েছেন এবং তাদের সাথে ফেয়ারের যে একটা কম্পারিজন দেখা যাচ্ছে যে লাল মানে সবচেয়ে সব সবাই কিন্তু নিচের দিকে মানে যত কম ফেয়ার তত বেশি কিন্তু লোকজন মারা গিয়েছেন এবং যত বেশি ফেয়ার তত লোকজন কিন্তু নীল মানে তত লোকজন কিন্তু বেঁচে গিয়েছেন। তার মানে আমাদের এই ডেটা ভিজুয়ালাইজেশন কিন্তু একটা খুব ইম্পর্টেন্ট ইস্যু এবং সেটার জন্য আমাদের যত ধরনের টুল ব্যবহার করতে হয় সেই টুলগুলো আমাদেরকে ব্যবহার করতে হবে। থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | নন-প্রোগ্রামারদের জন্য ডেটা অ্যানালাইসিস ট্যাবলিউ, একদম বেসিক Tableau --- কোথা থেকে শুরু করা যায়.mp3 | আমাদের মূল যে কথাটা ছিল যে আসলে আমরা কেন আমরা এখানে কাজ করতে চাই বা আমরা কেন এগুলো নিয়ে কাজ করতে চাই তো আমরা শুরু করি আমাদের আজকের ক্লাস নিয়ে আমি যেটা বলতে চাচ্ছি যে আজকে আমাদের ক্লাসটা হচ্ছে ডেটা অ্যানালিটিক্স তবে আমরা আজকে বুঝতে চাই বিশেষ করে আমরা জানতে চাই যে ট্যাবলু কিভাবে কাজ করে তো ট্যাবলু নিয়ে আপনাদের নিশ্চয়ই ধারণা আছে যে ট্যাবলুটা আসলে কি তো এখন যে যে ব্যাপারটা নিয়ে আমি সবসময় চিন্তা করি যে ট্যাবলুটা আসলে কিভাবে কাজ করে বা ট্যাবলু কি ট্যাবলু নিয়ে আসলে আমরা এত এত কথা বলছি কেন এখন অনেকে বলতে পারেন যে মাইক্রোসফট এক্সেল তো সবকিছুই কাজ করে মাইক্রোসফট এক্সেলে তো আমাদের সব কাজই হয় তা এখন আমরা কেন ট্যাবলু নিয়ে আমরা কথা বলছি আমি বলছি যে মাইক্রোসফট এক্সেল দিয়ে যে কাজগুলো করা যায় ট্যাবলু এর থেকে আরো অনেক অনেক অনেক এফিশিয়েন্টলি করা যায় তো আমরা যদি দেখি যে আমাদের কাজে ধরা যাক আমরা এখন ট্যাবলু চালু করব আমরা কি করছি আমরা এখান থেকে ট্যাবলু চালু করছি ট্যাবলু চালু করে আমাদের যেটা দরকার সেটা হচ্ছে কি একটা ট্যাবলু কিভাবে কাজ করে একদম বেসিক লেভেলে আপনার কোন ধারণা নাই যে ধরা যাক আপনার কোন ধারণা নাই ট্যাবলু সম্পর্কে তো ট্যাবলু হচ্ছে গিয়ে আমি বলব যে ট্যাবলু হচ্ছে একটা বিজনেস অ্যানালিটিক্স টুল যেটাকে আমরা বলি এটা একটা বিজনেস ইন্টেলিজেন্স টুল বিআই বিজনেস ইন্টেলিজেন্স টুল এখন এই বিজনেস ইন্টেলিজেন্স টুল বলতে পারেন এটাকে বিজনেস অ্যানালিটিক্স টুল বলা যায় তো যে জিনিসটা হচ্ছে যে আমাদের এই বিজনেস ইন্টেলিজেন্স টুলকে আমাদের কিভাবে ব্যবহার করতে হবে সেটাও কিন্তু আমাদের জানা জরুরি তো আমাদের শুরুতে হচ্ছে গিয়ে একদম ট্যাবলু আমরা যখন চালু করবো একদম শুরুতে হচ্ছে গিয়ে আমরা কি করব কিছু ডাটা সেট আমরা কানেক্ট করবো কারণ আমরা কি কি এনালাইসিস করবো আমরা নিশ্চয়ই একটা ডেটা সেট এনালাইসিস করবো একটা ডেটা সেট এনালাইসিস করেই কিন্তু আমরা সেটা থেকে আমরা ধারণা পাবো আমরা কি করব এই ডেটা সেটটা বিশেষ করে এই ডেটা সেটটা আমরা ঠিকমত কানেক্ট করতে চাইবো এখন আমরা এই ডেটা সেটটা কিভাবে কানেক্ট করব আমরা এখান থেকে কি করব আমরা এখান থেকে মাইক্রোসফট এক্সেল ধরা যাক একটা মাইক্রোসফট এক্সেল ফাইলটা আমরা কানেক্ট করব তো আমরা এখানে বারবার একটা জিনিস বলি যে নরমালি ইন্টারনেটে আমরা ট্যাবলুর সাথে প্র্যাকটিস করার জন্য আমরা দুটো ফাইল পাই নরমালি আমরা সবসময় দুটো ফাইল পাই একটা হচ্ছে গ্লোবাল সুপার স্টোর ডেটা সেট আরেকটা হচ্ছে স্যাম্পল সুপার স্টোর এই গ্লোবাল সুপার স্টোর এই গ্লোবাল সুপার স্টোর হচ্ছে গিয়ে গ্লোবাল একটা কোম্পানির গ্লোবাল তাদের ব্যবহারকারী গ্লোবাল ডেটাবেস একটা সুপার স্টোরের গ্লোবাল ডেটাবেস আর এটা হচ্ছে গিয়ে আমাদের ইউএস রিজিয়নের জন্য এটা হচ্ছে ইউএস রিজিয়নের জন্য তার মানে হচ্ছে কি ইউএস রিজিয়নের জন্য আমাদের এই স্যাম্পল সুপার স্টোর ডেটা সেটটা ব্যবহার করব আর গ্লোবাল সুপার স্টোর ব্যবহার করব হচ্ছে গিয়ে আমাদের গ্লোবালি দেখার জন্য আমরা আমরা এটাকে একটা ধারণা দিতে পারি যেটা আসলে গ্লোবাল সুপার স্টোরটা কি আর ইউএস টা কি আমরা সেই হিসেবে আমরা আপনাদেরকে একটা ধারণা দেখা দেখাবো এই মুহূর্তে আমরা কি করব আমরা একটা গ্লোবাল সুপার স্টোর ডেটা সেটটাকে আমরা চালু করলাম চালু করার চালু করার সঙ্গে সঙ্গে আমরা যে জিনিসটা জানতে চাইবো যে আমরা যদি এটাকে মাইক্রোসফট এক্সেল দিয়ে চালু করতাম মাইক্রোসফট এক্সেল দিয়ে চালু করলে কিন্তু আমরা কি পেতাম আমরা সঙ্গে সঙ্গে আমরা কিন্তু তিনটা ট্যাব পেতাম অর্ডার ট্যাব পিপলস ট্যাব মানে যারা কাস্টমার আর রিটার্ন ট্যাব এই তিনটা আমরা পেতাম তো এখন এই তিনটা এটা হচ্ছে অর্ডার যত অর্ডার আছে এটা হচ্ছে পিপল মানে যারা কাস্টমার আছে আর রিটার্ন মানে কোন কোন প্রোডাক্ট রিটার্ন হয়েছে এটা আসলে আমাদের জানা জরুরি তো এখন আমরা যেটা করব সেটা হচ্ছে যে এই যে জিনিসটা বিশেষ করে আমরা অর্ডার টেবিলটাকে এই অর্ডার টেবিলটাকে আমরা টেনে আমরা এখানে ড্র্যাগ টেবিল হেয়ার এই যে এখানে ড্র্যাগ টেবিল হেয়ার আমার এখানে ড্র্যাগ টেবিল মানে আমি এখানে টেবিল টেনে ছেড়ে দেব এখন আমি যখন টেবিল টেনে ছেড়ে দিলাম তখন কি হবে আমার এই অর্ডার এই অর্ডারটা কিন্তু এখানে চলে এলো আমার যেটা জানা দরকার যে এই অর্ডার টাকে আমরা এখানে ঠিকমত নিয়ে এলাম মানে অর্ডার টেবিলটাকে নিয়ে এলাম এটা হচ্ছে সেই টেবিল আমরা সেই টেবিলটা হচ্ছে এইটা এটা হচ্ছে গিয়ে অর্ডারের টেবিলটা এই পর্যন্ত বুঝা যাচ্ছে যে এটা অর্ডারের টেবিল এটার মধ্যে 24 টা ফিল্ড আছে 24 টা ফিল্ড 24 টা ফিল্ড আছে এটার মধ্যে আর 50000 সরি 50000 50000 50000 রো আছে মানে 50000 রো মানে হচ্ছে 50000 রেকর্ড আছে 50000 মানে এটা হচ্ছে গিয়ে রেকর্ড আছে 50000 রেকর্ড মানে আমাদের সাবস্ক্রাইবারের যে ইউজারের সংখ্যা মানে এখানে আমাদের যে অর্ডার টেবিলটা ছিল সে অর্ডার টেবিলের যে আমাদের যতগুলো অর্ডার আমার এখানে 51290 টা অর্ডার আছে এটা বুঝতে পারতেছেন তো 51290 টা রো আছে মানে অর্ডার আছে তো এই যে আমরা যে জিনিসটা আমরা বারবার বলছি যে এই জিনিসগুলো আমাদেরকে জানতে হবে এখন আপনারা আমাকে জিজ্ঞেস করতে পারেন যে এই এই ডাটা সেট কোথায় পাবো এই এই গ্লোবাল সুপার স্টোর ডাটা সেটটা কোথায় পাবো সেটা যদি আপনাদেরকে দেখাই যে এই গ্লোবাল সুপার স্টোর ডাটা সেটটা দেখার জন্য আমি আপনাকে সরাসরি নিয়ে যাব হচ্ছে গিয়ে আমাদের যে ডেটা অ্যানালিটিক্স এর যে সাইটটা আছে সেই সাইটে আমরা চলে যাব এখান থেকে আমরা কোথায় যাব আমরা এখান থেকে আমাদের যে ডেটা অ্যানালিটিক্স যে সাইটটা আছে সেই ডেটা অ্যানালিটিক্স এর সাইটে যাব সেখান থেকে আমরা এখান থেকে ডেটা এনালাইসিস সাইটে গেলাম এখান থেকে আমাদের একচুয়াল যে ডেটাটা সেখানে কিন্তু বলা আছে যে এখানে গিটহাব লিংক এখানে গিটহাব লিংক মানে আমরা এখানে গিটহাব লিংক বলছি এখানে গিটহাব লিংকটা আছে সেই গিটহাব লিংকে আমরা ক্লিক করতেছি এখানে গিটহাব লিংক আমরা পাচ্ছি এটা হচ্ছে গিয়ে আমাদের একচুয়াল লিংকটা এটা হচ্ছে গিয়ে আমাদের একচুয়াল লিংকটা এই লিংকে আমাদের কিন্তু গ্লোবাল সুপার স্টোর ডাটা সেটটা পাবো আমি এখানে আপনাদের এখানে ইনপুট হিসেবে দিয়ে দিলাম যে গ্লোবাল সুপার স্টোর ডেটা সেটটা আমরা এখানে পাবো কোথায় পাবো আমরা যদি নিচে যাই তাহলে কিন্তু এখানে আমরা দেখছি যে জিপ ফাইল হিসেবে আমি এটা রেখে দিয়েছি যে গ্লোবাল সুপার স্টোর ডেটা সেট মানে আমরা যদি এখানে দেখি আমরা যদি ভালোভাবে দেখি যে এখানে কিন্তু গ্লোবাল সুপার স্টোর এই যে ডাটা সেটটা আছে এটাই আমাদেরকে ডাউনলোড করতে হবে তো এটা আমাদের ডাউনলোড করার পালা তো আমরা এটাকে ডাউনলোড করবো গ্লোবাল সুপার স্টোর তো এই যে আমাদের এই সাইট থেকে আমাদের এই গ্লোবাল সুপার স্টোর ডাটা সেট থেকে আমরা ডাউনলোড করে নিব তো এখন আমরা যেটা করবো সেটা হচ্ছে যে এ অবস্থায় আমরা এটাকে আবার আমরা ট্যাবলুতে ফিরে গেলাম ট্যাবলুতে ফিরে যেয়ে আমরা কি করছি আমাদের এখানে ট্যাবলুতে আমাদের এখানে চলে এলাম তো এই পর্যন্ত আপনারা বুঝতে পেরেছেন যে আমাদের এখানে 24 টা রো আছে 24 টা রোর মধ্যে আমরা যদি এখানে দেখি যে এখানে আপনারা দেখেন যে এখানে আমরা ভালোভাবে দেখি যে আসলে এখানে কতগুলো কলাম আছে 24 টা কলাম আছে এখানে টোটাল 24 টা কলাম আছে আমাদের জানার দরকার 24 টা কলাম আছে কিনা এখানে এখানে টোটাল 24 টা কলাম আছে তো আমাদের কিন্তু এই 24 টা কলামের উপরেই কিন্তু আমাদের কাজ হবে তো আমার আমার পারসপেক্টিভটা হচ্ছে এরকম যে এই 24 টা কলামকে আমরা এনালাইসিস করবো এখন এখান থেকে আমরা কি করব আমরা সরাসরি শিটে চলে যাব এটা হচ্ছে আমাদের শিট মানে আমরা যত কাজ করব সব কাজ করব কিন্তু এই শিটে এই শিটে আমরা এই শিটে চাপ দিব শিটে চাপ দিলে কিন্তু আমি চলে যাব তার মানে হচ্ছে কি এখন কিন্তু আমরা এখন ডাটা সেটের মধ্যে আছি ডাটা সেট ডাটা সেটের কানেকশন কোথায় কানেকশন হচ্ছে গিয়ে গ্লোবাল সুপার স্টোর ডেটা সেটে আমরা একটা মাইক্রোসফট এক্সেল ফাইল আমরা নিচ্ছি এবং তার মধ্যে অর্ডার ট্যাব নিচ্ছি মানে অর্ডার শিটটা নিচ্ছি এই অর্ডার শিটটা নিচ্ছি এটা নিয়ে আমরা শুধু শুরুতে আমরা এনালাইসিস করব তো এই যে অর্ডারটা এই অর্ডারটা কিন্তু আমাদের জরুরি তো এখানে একটা জিনিস আমি আপনাদেরকে একটু দেখাতে চাই যে ধরা যাক অর্ডার তো আছে কিন্তু আমি তো আরেকটা টেবিলও টানতে পারি টানতে পারি না ধরা যাক আমার এখানে টেবিল আছে রিটার্ন টেবিল আমি রিটার্ন টেবিলটাকে আমি এখানে টেনে আমি রিটার্ন টেবিল দেখেন আমি রিটার্ন টেবিল নিচ্ছি রিটার্ন টেবিল কিন্তু সে আমাকে কিন্তু একটা ইয়ে দেখাচ্ছে মানে কানেকশন দেখাচ্ছে মানে ও বুঝতে পারছে ও কিন্তু বুঝতে পারছে যে এই দুইটা টেবিলের মধ্যে একটা সম্পর্ক আছে এই সম্পর্কটা কিন্তু আমাদের বুঝতে হবে এইটুকু এইটুকু বুঝতে পারছেন আপনারা আমাকে কি বলবেন যেটুকু বুঝতে পারছেন কিনা যে এই অর্ডার টেবিলের সাথে রিটার্ন টেবিলটার সম্পর্ক আপনারা বুঝতে পারছেন কিনা এখানে একটা সম্পর্ক আছে তো আমরা এটাই বলছি যে এই যে অর্ডার টেবিল এটার মধ্যে সম্পর্ক আছে কিনা এটা আমাকে দেখাতে হবে সে আমাকে বলে যে সম্পর্কটা তুমি আমাকে বলে দাও সম্পর্কটা আমাকে বলে দাও তো আমরা কি করব এই অর্ডার টেবিলের মধ্যে আমরা এখান থেকে একটা ফিল্ড সিলেক্ট করব যে কি এখানে কি আছে ক্যাটাগরি আছে এটা আছে কাস্টমার আইডি আছে কাস্টমার নেম আছে তো আমরা এখান থেকে কাস্টমার আইডিটা দেখতে পারি অথবা আমরা তার আগে দেখি এখানে কি কি আছে এখানে মার্কেট অর্ডার আইডি আইডি সবই আছে তো এখানে কিন্তু আমার একটা অর্ডার আইডি দেখতেছি অর্ডার আইডি দেখা যাচ্ছে এটার মধ্যে অর্ডার আইডি আর এখানে আমি যদি চাপ দেই এখানে আমি যদি নিচে আসি এখানে কিন্তু অর্ডার আইডি আছে তার মানে কি তার মানে হচ্ছে গিয়ে আমার দুইটা টেবিলের মধ্যে সম্পর্ক তৈরি করার জন্য একটা কমন জায়গা কিন্তু আছে তা আমি এখান থেকে অর্ডার আইডি সিলেক্ট করলাম তারপরে আমি এখান থেকে কি করব আমি রিটার্ন টেবিলটা থেকে আমি অর্ডার আইডি সেট করলাম আমি যদি এটাকে সিলেক্ট করি ফ্যান্টাস্টিক সঙ্গে সঙ্গে কিন্তু এই কানেকশন ঠিক হয়ে গেল ঠিক হয়ে গেল এই কারণে যে এই দুইটার মধ্যে কিন্তু কানেকশনটা আমরা এখন দেখছি যে অর্ডার এবং গ্লোবাল সুপার স্টোরের মধ্যে একটা সম্পর্ক তৈরি হলো মানে দুইটা টেবিল দুইটা টেবিলের মধ্যে সম্পর্ক অর্ডার রিটার্নের সাথে সম্পর্ক হয়ে গেল এটা এটা তো বুঝতে পেরেছেন তো এই যে একটা সম্পর্ক তৈরি করা এটাও কিন্তু একটা মজার জিনিস যে এই আমরা সম্পর্ক তৈরি করতে পারলাম মানে আমাদের এখানে যে আমাদের কাজ হচ্ছে গিয়ে এই অর্ডার আইডি এটা হচ্ছে গিয়ে অর্ডার টেবিল থেকে অর্ডার টেবিল থেকে অর্ডার আইডিটা আমরা পেলাম এবং আমরা রিটার্ন টেবিল আছে রিটার্ন টেবিল থেকে আমরা অর্ডার আইডি পেলাম মানে দুইটার মধ্যেই কিন্তু আমরা একটা সম্পর্ক পেয়েছি এই যে এই সম্পর্কটা কিন্তু জানা জরুরি মানে আমাদের এই সম্পর্কটা কিন্তু জানা জরুরি কারণ আমার এই অর্ডার টেবিলটা আছে এবং তার মধ্যে রিটার্ন টেবিল আছে এই দুইটার মধ্যে একটা সম্পর্ক তৈরি করা সম্পর্ক তৈরি করব কিভাবে আমাদের একটা কমন ফিল্ডের মাধ্যমে কমন ফিল্ডটা কি আমরা দেখছি এখানে অর্ডার আইডি এবং অর্ডার আইডির সাথে রিটার্ন টেবিলের আবার অর্ডার আইডির একটা সম্পর্ক আছে তো আমরা এটা সম্পর্ক করে দিলাম তো এটাই হচ্ছে গিয়ে এটা যে অর্ডার আইডি এই যে অর্ডার আইডি এই অর্ডার আইডিটা কিন্তু এরকম একটা অর্ডার আইডি আছে এখানে রিটার্ন মানে এই প্রোডাক্টটা এই অর্ডারটা রিটার্ন হয়েছে এই প্রোডাক্টগুলো রিটার্ন হয়েছে তো এই এটাও কিন্তু আমাদের জানা জরুরি যে আসলে আমাদের এখানে অর্ডারটা কিভাবে কাজ করতেছে তো আমরা যদি এখান থেকে ফিরে যাই যে না আমাদের অর্ডার টেবিল যেটা আছে যেটাকে আমরা এখানে দেখছি যে অর্ডার টেবিল আছে আমি অর্ডার টেবিলে ফেরত যাই এখান থেকে আমি শিটে চলে যাই তো আমরা শিটে চলে যাচ্ছি শিটে চলে যাওয়ার পর আমরা সবচেয়ে বড় যে জিনিসটা হচ্ছে যে আমরা এই শিটের যাওয়ার পরে ফেরত আসতেছি এবং সেখানে আমাদের এই শিটে আমি চলে যাচ্ছি তো মেইন জিনিসটা হচ্ছে যে আমাদের যে অর্ডার যে শিটটা আছে সেখান থেকে কিন্তু আমি শিটে চলে এলাম এখন আমি শিটে চলে এসে এখন আমাকে প্রশ্ন হচ্ছে যে এটা কি এত বড় ক্যানভাস এটা কি এত বড় ক্যানভাসের মধ্যে আমরা কিভাবে কাজ করব এটা একটা ঝামেলার কথা বটে মানে এই জিনিসটা কি আসলে এত বড় ক্যানভাস আমি আমি এই ক্যানভাসটা আমি সবসময় সারাজীবন কিন্তু আমি এই ক্যানভাস নিয়ে আমি খুব মজা পাই মজা পাই কারণ কি যে এই ক্যানভাসের মধ্যে আঁকা যায় বড় বড় ক্যানভাস আঁকা যায় চমৎকার চমৎকার জিনিস আঁকা যায় তো এই যে ক্যানভাসে আমরা আকলাম এই এত বড় ক্যানভাসের কাজ হচ্ছে এটা আমার এই ক্যানভাসের মধ্যে আমি ইচ্ছামত আমাদের ড্রইং মানে ড্রইং মানে বলতে চাচ্ছি যে এই ক্যানভাসের মধ্যে আমরা অনেক চমৎকার চমৎকার কাজ আমরা করতে পারি তো এই যে ইস্যুটা এটাই কিন্তু আমাদের একটা বড় বিষয় যে আমরা আসলে এখান থেকে অনেক কিছু জানার আছে তো এখন আপনাদেরকে আমি সিম্পল কয়েকটা জিনিস দেখাই সেটা হচ্ছে যে এই যে দেখেন এই টেবিল থেকে এই টেবিল থেকে আমরা কি কি পাইছি এই টেবিল থেকে আমরা কিন্তু এই উপরে একটা টেবিল এটা যাচ্ছে যাচ্ছে যাচ্ছে যাচ্ছে যাচ্ছে তারপরে কিন্তু এখানে শেষ এখানে শেষ এটা কিন্তু এখানে শেষ তারপর রিটার্ন শুরু হলো আমরা আমরা এখানে এই টেবিলটা এখানে কিন্তু এই পুরোটা একটা জিনিস তারপরে দেখেন যে নিচে কিন্তু আবার জিনিস আছে নিচে একটা জিনিস আছে তো এই যে ব্যাপারটা এটা কিন্তু আমাদের একটু জানা বিষয় আছে তো এখন এখানে একটা জিনিস দেখেন এখানে একটা ছোট্ট করে চিকন করে লাইন টানা আছে চিকন করে লাইন টানা আছে এই লাইনের উপরে এটাকে আমরা নরমালি বলি ডাইমেনশন এটাকে আমরা নরমালি ডাইমেনশন বলি ডাইমেনশন কেন ডাইমেনশন হচ্ছে গিয়ে কোয়ালিটিটিভ কোয়ালিটিটেটিভ ভেরিয়েবল বলি আমরা কোয়ালিটেটিভ কোয়ালিটেটিভ ভেরিয়েবল মানে কি কোয়ালিটেটিভ ভেরিয়েবল কি এটা হচ্ছে গিয়ে কোয়ালিটি মানে এটা কান্ট্রি যেমন কান্ট্রি কান্ট্রি আছে কোয়ালিটি মানে কান্ট্রি বাংলাদেশ ইন্ডিয়া পাকিস্তান অন্যান্য দেশ হতে পারে তার মানে হচ্ছে এগুলো কান্ট্রি মানে কান্ট্রি এগুলো হচ্ছে কোয়ালিটি মানে এটা হচ্ছে গিয়ে কোন ধরনের মাপযোগের কিছু নাই যেমন এখানে মার্কেট একটা ডিফারেন্ট মানে যেটাকে ডাইমেনশন মানে হচ্ছে গিয়ে এইটা যোগ করা যায় না এটা একটা কাইন্ড অফ লাইক এটার মধ্যে আপনার মনে করেন যে পোস্টাল কোড মানে এটা সব সেপারেট এই মার্কেটটা সেপারেট মানে এশিয়া প্যাসিফিক মার্কেট ইউএস মার্কেট কানাডিয়ান মার্কেট মানে এগুলো সেপারেট এগুলোকে কোন যোগ বিয়োগ গুণ ভাগ করা যায় না তো এই ডাইমেনশনটা হচ্ছে গিয়ে এইখানে মানে ডাইমেনশন ধরা যাক রিজিয়ন এই রিজিয়ন তো আমরা এখানে রিজিয়ন রিজিয়নের সাথে এক যোগ করতে পারবো না বা এক বিয়োগ করতে পারবো না রিজিয়ন যে বিভিন্ন রিজিয়নটা ওভাবে ভাগ করা আছে এগুলো হচ্ছে গিয়ে আলাদা আলাদা একদম পুরোপুরি ক্যাটাগরি তো আমরা এটাকে ডাইমেনশনকে আমরা বলতে পারি ক্যাটাগরিক্যাল ক্যাটাগরিক্যাল তো এই যে ক্যাটাগরিক্যাল যে একটা ভেরিয়েবল এটাকে আমরা এই ডাইমেনশন বলি আর এই নিচে এই নিচের যে অংশটা আছে সেই নিচের অংশটাকে আমরা এটাকে বলতে পারি এটাকে বলতে পারি যে কোয়ান্টিটিটিভ কোয়ান্টিটেটিভ এটা হচ্ছে গিয়ে কোয়ান্টিটিটিভ বা কোয়ান্টিটেটিভ ভেরিয়েবল মানে হচ্ছে গিয়ে এটা হচ্ছে গিয়ে আমরা যোগ বিয়োগ করতে পারি যেমন এখানে আমরা দেখতেছি প্রফিট প্রফিট 50 টাকা হতে পারে 51 টাকা হতে পারে 52 টাকা হতে পারে আবার প্রফিট হবে 100 টাকা হতে পারে তার মানে আমরা এই প্রফিটকে কিন্তু যোগ বিয়োগ গুণ ভাগ করা যায় তারপর হচ্ছে ডিসকাউন্ট তারপরে কোয়ান্টিটি তারপরে সেলস শিপিং কস্ট তার মানে হচ্ছে গিয়ে এটা এক প্লাস দুই প্লাস তিন করা যায় বা এটা এটা হচ্ছে গিয়ে আপনার এটাকে যোগ বিয়োগ গুণ ভাগ করা যায় এটা হচ্ছে গিয়ে মেজারস এটাকে আমরা বলি মেজারস এটাকে আমরা মেজারস বলি তো আসলে গল্পটা হচ্ছে এখানে যে আমাদের এই এইখানে উপরে যত আমরা বলতেছি যে আমাদের এই পুরো জায়গায় এইখানে একটা নীল একটা দাগ আছে এই নীল দাগটার উপরে হচ্ছে গিয়ে ডাইমেনশন নিচে হচ্ছে মেজার এই ডাইমেনশনটা হচ্ছে ক্যাটাগরি আর এটা হচ্ছে গিয়ে আমরা আমরা ক্যাটাগরিক্যাল ভেরিয়েবল আমরা এটাকে বলছি যে কোয়ান্টিটিটিভ ভেরিয়েবল মানে হচ্ছে গিয়ে এটা যোগ বিয়োগ গুণ ভাগ করা যায় এটা হচ্ছে গিয়ে মানে সবকিছু করা যায় তো আমরা যেকোনো জিনিস আমরা যদি একটু একটু দেখি যেকোনো জিনিস আমরা শুরু করবো কোথায় কিছু বুঝার জন্য আমরা কিন্তু এটা করার আগে আমরা বুঝতে চাবো যে ধরা যাক আমরা শুরুতেই আমরা কোন কিছু জানতে চাইবো যে আমাদের এই প্রফিট কত ডিসকাউন্ট কত কোয়ালিটি কত কোয়ান্টিটি কত আমরা তো এগুলো জানতে চাবো শুরুতে আমরা কি প্রথমে জানতে চাবো যে এই মার্কেট কি মার্কেট তো আমি জানিনা মার্কেট যে কয়টা আছে সেটা আমি জানতে পারি যে এই এই মার্কেট আছে কিন্তু মার্কেটটা তো ডিপেন্ড করবে ঠিক এটার উপরে আমি সবসময় মানে আমরা আমরা যখন যেকোনো টেস্ট এন্ড ট্রায়াল করবো আমরা কিন্তু কি করব আমরা শুরুতে এই নিচে ক্যাটাগরিক্যাল ভেহিকেল দিয়ে আমরা কাজ করব আমরা ধরা যাক আমরা এখানে প্রফিট ডাবল ক্লিক করলাম প্রফিট ডাবল ক্লিক করলেই কিন্তু আমার এখানে আসতেছে এটা কি এটা হচ্ছে গিয়ে একটা জিনিস যে একটা এগ্রিগেটেড ভ্যালু আমরা ওইখান থেকে আমরা আমরা সিঙ্গেল ভাবে যাচ্ছি যে আসলে আমি আপনাকে আবার দেখাই যে আমি এখানে যে প্রফিটটা আছে এটা আমি ডাবল ক্লিক করলাম ডাবল ক্লিক করলে আমার চলে আসতেছে যে আমার প্রফিট এত এটার উপরে আমি যদি এখানে টেক্সট ভ্যালু যে চাপ দেই তাহলে এখানে দেখা যাবে যে 14 মিলিয়ন 14 মিলিয়ন প্রফিট হইছে এটা হচ্ছে 14 মিলিয়ন প্রফিট তো এই এই যে একটা জিনিস যে 14 মিলিয়ন মানে আপনি আপনি চাপ দিলেন সঙ্গে সঙ্গে প্রফিট চলে আসলো তো এখন এটার উপরেই কিন্তু মজার খেলা যে আমি এটাকে যদি এটাকে প্রফিটটাকে যদি আমি উপরে নিয়ে যাই রোডের জায়গায় কলামে নিয়ে যাই তাহলে কিন্তু এটা দেখাবে এটা কলামে দেখাবে মানে এটাকে কলামে দেখাচ্ছে আমি যদি এটাকে নিয়ে আসতাম রোতে তাহলে এটা রো হিসেবে দেখাতো কারণ হচ্ছে গিয়ে আমাদের এখানে রোতে এসে দেখাচ্ছে এটা তো এই যে কলাম এন্ড রো মানে আমি যদি কলামে নিচ্ছি কলামে কিন্তু দেখাচ্ছে তো এটাই কিন্তু আমাদের ইস্যু তো আমরা আমরা এখানে নিয়ে এলাম এখানে রেখে দিলাম আমাদের এখানে টেক্সট বাটনটাকে আমরা চাপ দিলাম আমরা এখানে দেখছি যে এখানে কিন্তু টোটাল আমরা টেক্সট চাপ দিয়ে দেখছি যে টোটাল কত 14 মিলিয়ন হচ্ছে গিয়ে টোটাল প্রফিট এখন আসেন আমরা মানে কিছু মজার জিনিস দেখি যে এই যে প্রফিট এখন আপনাকে আপনার কোম্পানি বলতে পারে যে ভাই প্রফিট ঠিক আছে ক্যাটাগরি ওয়াইজ প্রফিট বলতো তোমার যে কোম্পানির ক্যাটাগরি আছে ক্যাটাগরি ওয়াইজ প্রফিট বলতো বা বলতে পারে যে মার্কেট ওয়াইজ প্রফিট বলতো বা বলতে পারে যে না ঠিক আছে মার্কেট না তোমার রিজিয়ন হিসাবে প্রফিট বলতো তো এটা কিন্তু বিভিন্ন ভাবে বলতে পারে তো আমরা ধরা যাক ক্যাটাগরি দিয়ে আমরা দেখাই ক্যাটাগরি ডাবল ক্লিক করতেছি আমি ক্যাটাগরি যখন ডাবল ক্লিক করব তখন কিন্তু এখানে কিন্তু ক্যাটাগরি ফার্নিচার অফিস সাপ্লাই টেকনোলজি তিনটা কিন্তু পাশাপাশি দেখাচ্ছে তার মানে কি তার মানে কিন্তু আমার এই জিনিসটা আমি যদি এখান থেকে যদি একটু ঘুরাই যেমন এখানে কিন্তু সোয়াপ করা যায় আমরা এটাকে কিন্তু ক্যাটাগরি নিচে আনতে পারি সাম অফ প্রফিট উপরে নিয়ে আসতে পারি এখানে দেখার জন্য ফুল জিনিস তো আমরা কি করব এটাকে সোয়াপ করলাম আমরা এখানে সোয়াপ করতেছি সোয়াপ করলে এই যে ফার্নিচার অফিস সাপ্লাই টেকনোলজি এখানে কিন্তু পুরোপুরি আমরা দেখতে পেলাম তার মানে কি যে এখানে কিন্তু অসাধারণ আপনাকে অসংখ্য ধন্যবাদ আপনি পর্তুগাল থেকে দেখছেন অসাধারণ অসাধারণ তো আমার কথা হচ্ছে যে এই যে যে জিনিসটা আপনারা দেখছেন এখানে আমরা যদি আবার ফেরত যাই আমাদের সোয়াপ করি আমরা যদি এখন এটাকে বলি না তুমি আমাকে মার্কেট ভিত্তিতে বলো মার্কেট ভিত্তিতে দেখাও আমরা এখানে কি করব মার্কেট মার্কেট ডাবল ক্লিক করব মার্কেট হিসেবে আমাকে দেখাচ্ছে এখন মার্কেট ভিত্তিতে আমাকে কিন্তু এটা চমৎকারভাবে দেখাচ্ছে আমি যদি বলি না তুমি আমাকে বলো রিজিয়ন ভিত্তিতে তো আমরা এই ডাবল ক্লিক সব জায়গায় কিন্তু ডাবল ক্লিক করতেছি ডাবল ক্লিক করতেছি এইবার আমরা একটা কাজ করি আমরা এই রিজিয়নটা যেমন এখানে সবকিছু দেখা যাচ্ছে কিন্তু আমি একটু কালার হিসেবে চেঞ্জ করতে চাই একটু কালার দিয়ে দেখতে চাই যে এখন একটার পর একটা ডাইমেনশন চালু হচ্ছে যেমন এখানে ক্যাটাগরি মার্কেট সব একই কালার আমি এখানে কিন্তু অন্য কালার একটু নিয়ে আসতে চাচ্ছি ধরা যাক আমাদের রিজিয়নটা আমরা যদি রিজিয়নটা যদি এখানে টান দিয়ে যদি আমি কালারের উপর ছেড়ে দেই রিজিয়নটা নিয়ে এসে আমি যদি কালারের উপর ছেড়ে দেই তারপরে দেখা যাবে যে এখানে কিন্তু আমরা বিভিন্ন এটা আমরা একটু এন্টার ভিউ হিসেবে দেখি আমরা কিন্তু এখানে পুরো জিনিসটা কিন্তু আমরা দেখছি কালারে মানে কালারে কারণ এখানে আফ্রিকা কানাডা ক্যারিবিয়ান সেন্ট্রাল এই যে বিভিন্ন কালার দিয়ে কিন্তু আমরা ডাইমেনশনে মানে কিছু কিছু ডাইমেনশন এখানে তৈরি হয়েছে যে আমরা এখানে ফার্নিচার তারপর হচ্ছে গিয়ে এখানে অফিস সাপ্লাই মানে বিভিন্ন জিনিসগুলো আমরা দেখছি আমরা যদি এভাবে দেখি যে আমাদের প্রথমে কি চাইছিলাম আমাদের এই ইয়েতে ক্যাটাগরি আমরা কি করলাম এই ক্যাটাগরি দেখলাম ক্যাটাগরিটা কি এই ক্যাটাগরিটা হচ্ছে এইটা একটা ক্যাটাগরি এটা একটা ক্যাটাগরি এটা একটা ক্যাটাগরি তার মানে আমরা ক্যাটাগরিতে দেখছি কিন্তু এটা জিনিস তিনটা ক্যাটাগরিতে ভাগ করা এবং সবচেয়ে বড় জিনিস হচ্ছে এই ক্যাটাগরিতে আমরা দেখলাম তারপরে হচ্ছে গিয়ে আমাদের এই মার্কেট কারণ আমাদের এই মার্কেটটা এখানে আমরা দেখছি যেখানে মার্কেট এখানে আমরা মার্কেট দিয়েছি তো এই যে মার্কেট আমরা দেখছি এই মার্কেটটা কিন্তু এখানে যে আমরা এখানে বিভিন্ন মার্কেট যে কোন কোন মার্কেটে আমাদের এখানে হচ্ছে তার মধ্যে আমরা কিন্তু মার্কেটে ভাগ দেখছি যেমন এখানে কিন্তু মার্কেটে আমরা দেখছি যে কোন কোন মার্কেট এখানে কাজ করতেছে তো এখানে কিন্তু আমরা মার্কেট একটা ভাগে আবার রিজিয়ন একটা ভাগে আমরা কিন্তু এখানে দেখছি তো মার্কেটটা এখানে কিন্তু আমরা ঠিকমত দেখতে পাচ্ছি তো এই এই জিনিসটাই কিন্তু আসলে আমাদের মেইন জিনিস যে আমরা মার্কেট এবং রিজিয়ন এবং এগুলোকে আমাদের ঠিকমত বুঝতে হবে যে এটা আসলে কি বিভিন্ন মার্কেট আমাদের যেখানে মার্কেটটা আছে এই মুহূর্তে আমরা কিন্তু এগুলো হচ্ছে মার্কেট এগুলো হচ্ছে মার্কেট এবং আমরা বলব এগুলো হচ্ছে রিজিয়ন এগুলো হচ্ছে রিজিয়ন আমরা এখানে মার্কেটটা কিন্তু আমরা ভাগ করে ফেলতেছি আর রিজিয়নটা আমরা কালারে ভাগ করতে পারলাম মানে আমরা বুঝতে পারছি যে এখানে অ্যাপেক রিজিয়ন মানে অলওয়েজ অ্যাপেক রিজিয়ন মানে এখানে দেখাচ্ছে যে অ্যাপেক রিজিয়নটা অলওয়েজ এটা কিন্তু ভালো করছে অ্যাপেক রিজিয়নে তো এটা একটা ইম্পর্টেন্ট ইস্যু যে আমরা আসলে বুঝতে চাই যে কিভাবে এই জিনিসগুলো নিয়ে কাজ করছে তো আমার মনে হয় যে এই জিনিসগুলো আমাদের জানা উচিত এবং আমরা এভাবেই কিন্তু কাজ করতে চাবো মানে আমাদের আসলে ডেটা ভিজুয়ালাইজেশন বা এই বিজনেস অ্যানালিটিক্স বা বিজনেস ইন্টেলিজেন্স আমরা যেভাবে বুঝতে চাই তার মধ্যে সবচেয়ে বড় পার্ট আমরা বুঝতে চাই হচ্ছে গিয়ে আমরা বিজনেস অ্যানালিটিক্স এর মাধ্যমে তো আমার মনে হয় আজকে এই পর্যন্তই আমি রাখছি এবং এরপরে আমরা চেষ্টা করব যে কিভাবে এই জিনিসগুলো আরো ভালোভাবে বোঝা যায় বা এগুলো আরো ভালোভাবে কিভাবে কাজ করা যায় তো আমার ওইটাই ইয়ে যে আমরা আসলে এটা কিভাবে আমরা এটা নিয়ে কাজ করেছি তো আমরা সবসময় একটা কথা বারবার বলব যে আমরা বিজনেস অ্যানালিটিক্সে আমি যদি আপনাকে সামারি করি যে আমাদের সামারিতে আমাদের যে ডেটাটা আছে সেই ডেটাটা আমরা এখান থেকে নিব এবং এখান থেকে আমরা সবকিছুই আমরা এই কোয়ান্টিটি ভেরিয়েবল কোয়ান্টিটি ভেরিয়েবল মানে এখান থেকে কিন্তু আমরা শুরু করব যেমন এখানে দেখেন এই যে সাম অফ প্রফিটটা কিন্তু এখানে এখান থেকে আমরা শুরু করেছি আর এই যে কোয়ালিটিটিভ ভেরিয়েবল এই কোয়ালিটিটিভ কোয়ালিটিটিভ ভেরিয়েবল এই এটা কিন্তু এখানে এই ক্যাটাগরি তারপর হচ্ছে মার্কেট তারপর যদি আমরা যদি আরো অন্যান্য কিছু দেখতে চাই সেটাও কিন্তু আমরা এখানে দেখতে পারবো সো আমরা যদি এখানে ধরা যাক আমরা দেখতে চাই আরো অন্য স্টেট হিসেবে বা আমরা সাব ক্যাটাগরি হিসেবে দেখতে চাই তাহলে কিন্তু আমরা সাব ক্যাটাগরি ডাবল ক্লিক করলেই কিন্তু আমরা একটা সাব ক্যাটাগরি তার মানে এখানে আরেকটা অংশ কিন্তু যোগ হলো এই সাব ক্যাটাগরি যোগ মানে হচ্ছে গিয়ে আমার কিন্তু ডাইমেনশন কিন্তু আরো বাড়লো তার মানে হচ্ছে কি আমরা এখানে কিন্তু অনেকগুলো বিশেষ করে আমরা যদি দেখছি যে আমরা এখানে কিন্তু অনেকগুলো জিনিস এখানে যোগ হলো এই অনেকগুলো জিনিস যোগ হওয়ার পিছনে কারণ হচ্ছে গিয়ে আমাদের এখানে কিন্তু এখন ডাটা মানে আমি বলব যে প্রচুর ক্লাটার হয়ে গেছে মানে আমরা কিন্তু এখন অনেক ধরনের ডাটা দেখছি যেটা আসলে একই জায়গায় অনেকভাবে কিন্তু কাজ করতেছে তো এটাই হচ্ছে গিয়ে আমাদের একটা ইস্যু যে আমরা আসলে এভাবে কিভাবে আমাদের এখানে কাজ করব আবার এখান থেকে যদি আমরা যদি আরো কিছু দেখতে চাই ধরা যাক আমরা এখান থেকে দেখতে চাই হচ্ছে গিয়ে আমাদের প্রফিটের পাশাপাশি আমরা দেখতে চাই হচ্ছে আমাদের সেলস আমরা যদি সেলস ডাবল ক্লিক করি আমরা সেলস ডাবল ক্লিক করি তাহলে দেখা যাচ্ছে যে আমরা সেলস মানে আমাদের এখানে আমরা যেটা দেখছি যে এটা হচ্ছে সেলস আর এটা হচ্ছে প্রফিট আমরা সেলস এবং প্রফিটটা কিন্তু আলাদা আলাদা করে দেখছি তো এইখানে কিন্তু অনেক অনেক অনেক এক্সট্রা মানে কাজ এখানে আসতেছে তার মানে হচ্ছে কি আমরা কিন্তু প্রচুর জিনিস কিন্তু এখানে অ্যাড করতে পারি একটা সিম্পল জিনিস কিন্তু এর মধ্যে কিন্তু আমরা অন্যান্য আরো অনেক কিছুই কিন্তু অ্যাড করা যায় তো এটা এটাই হচ্ছে গিয়ে আজকের পয়েন্ট যে আমরা আসলে কিভাবে এই জিনিসগুলো নিয়ে কাজ করতে পারি আপনাদের ক্লাস শেষ করার আগে আপনাদের কোন প্রশ্ন আছে প্রশ্ন থাকলে আপনারা বলতে পারেন আমি তাহলে সেই হিসাবে প্রশ্নের ফাইনালি ক্লাস ক্লোজ করার আগে আমি সেই প্রশ্নটাকে উত্তর দিব আর কি তো আপনাদের কোন প্রশ্ন আছে মানে এই ক্লাসে শেষে মানে ক্লাস শেষ শেষের আগে প্রশ্ন আছে কিনা তো এই এইটাই হচ্ছে গিয়ে আমাদের ডেটা ভিজুয়ালাইজেশন বা বিজনেস অ্যানালিটিক্স এর কথা যে আমরা আসলে আরো অন্যান্য অনেক কিছুই করতে পারি এখানে যদি আপনাদের কোন ফাইনাল ফাইনাল কোন প্রশ্ন থাকে তাহলে আমি মনে করব যে আমি নেক্সট ক্লাসে হয়তো এই ধরনের কিছু আমি কাভার করব তো আপনার কাছে আপনাদের কাছে কোন প্রশ্ন আপনাদের এন্ড থেকে কোন প্রশ্ন আপনারা চ্যাট উইন্ডোতে লিখতে পারেন আপনাদের প্রশ্নগুলো চ্যাট উইন্ডোতে লিখতে পারেন আমার মনে হয় ঠিক আছে আমি তাহলে আজকের ক্লাসটা আমি ক্লোজ করতে চাই পরে আমি এরপরে লাইভে এলে আমি আপনাদেরকে জানাবো অসংখ্য ধন্যবাদ আসসালামু আলাইকুম |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | ট্যাবলিউ দিয়ে আইরিস প্রজাতির ক্লাস্টার অ্যানালাইসিস.mp3 | আসসালামু আলাইকুম। আপনারা কি আমাকে শুনতে পাচ্ছেন? আমার ধারণা আপনারা আমার কথাটা শুনতে পাচ্ছেন। আজকে আমরা ট্যাবলু নিয়ে কিভাবে আইরিস প্রজাতির ক্লাসটা এনালাইসিস করা যায় সেটা নিয়ে আমি কিছু কথা বলব। তো এখন আমাদের যেই জিনিসটা নিয়ে আমরা এর আগে কথা বলেছি যে ট্যাবলু আসলে ট্যাবলু কিভাবে কাজ করে বা ট্যাবলু নিয়ে আমাদের আসলে কেন এত বারবার বলছি যে ট্যাবলুটা কি এবং ট্যাবলু নিয়ে আসলে এত বারবার কথা বলার পিছনে কি কাজ করছে। সেখানে আমি জিনিসটা বারবার বলব যে আমাদের যে ট্যাবলুটা আছে সেই ট্যাবলুর ব্যাপারে ট্যাবলুতে আসলে কি কাজ করছে সেটাও একটু আমাদের জানা জরুরি। সবচেয়ে বড় জিনিস হচ্ছে যে আমরা এই ট্যাবলু নিয়ে যখন কাজ করি তখন এর পেছনে আসলে কি কাজ করছে সেটাও একটু আমাদের জানা জরুরি। যেমন আমরা যদি ট্যাবলু নিয়ে কাজ করি এবং সেই ট্যাবলুতে আমরা যদি একটা জিনিস দেখি যে ট্যাবলুর একটা পাবলিক ভার্সন আছে। আমরা যদি সরাসরি যদি ট্যাবলু পাবলিকে ক্লিক করি তাহলে আমরা সরাসরি আমাদের ট্যাবলু পাবলিক ভার্সনটা আমরা বারবার দেখছি। সেখানে অলরেডি আমাদের কিছু কিছু কাজ করা আছে। যে আমার যেমন আমার এখানে প্রোফাইলে আমাদের কিছু কিছু কাজ এখানে আমি দেখছি। যে এখানে আমরা আমরা বেশ কিছু জিনিস আমরা কাজ করেছি এবং সেটা আমরা এখানে দেখাতে পারছি। তো আমাদের যে জিনিসটা আমরা সবসময় বলি যে ট্যাবলু হোক আর আমরা যে জিনিসগুলো নিয়ে কাজ করি সেখানে আমাদের যে আইরিস ডেটা সেটটা আছে আমি বারবার বলছি যে আমাদের আইরিস ডেটা সেটটা আমাদের কিভাবে কাজ করবে এবং সেটা নিয়ে আসলে আমাদের এখানে একটা পারসপেক্টিভ চলে আসে। যেমন আমাদের এখানে বেশ কিছু ডেটা সেট আছে সেখানে আমরা কিছু কিছু ডেটা নিয়ে প্র্যাকটিস করতে বলেছি। তার মধ্যে একটা বড় অংশ হচ্ছে গিয়ে আইরিস ডেটা সেট। মানে আইরিস ডেটা সেটটা আসলে কিভাবে কাজ করে সেটা নিয়ে একটা ধারণা হতে পারে। যেমন আমরা যদি এভাবে বলি যে আমাদের যে আইরিস ডেটা সেটটা আছে সেই আইরিস ডেটাটা ডেটাকে আমাদের থেকে একটু ক্লাস্টার করতে হবে। যেমন আমাদের এই ডেটাটা যদি আমরা দেখি এটার একটা ক্লাস্টারিং অংশ আমরা এখানে দেখছি। বিশেষ করে আমরা যখনই যেকোনো ডেটা সেট নিয়ে কাজ করব সেই ডেটা সেটের একটা ধারণা আমাদেরকে পেতে হবে এবং সেই ধারণাটা কি? ধারণাটা হচ্ছে গিয়ে আমাদের যে ডেটাটা আছে সেই ডেটাটাকে আমাদেরকে প্লট করতে পারতে হবে এবং সেই প্লটিং ডেটা থেকে আমাদের আসলে অনেক আমরা ধারণা পাই। যেমন আমরা যদি এখানে বলি যে আমাদের যে ডেটা আছে সেই ডেটার মধ্যে আমাদের প্লট করা আছে এবং প্লট করা আছে বলেই কিন্তু আমরা এটা দেখছি। এখন আমরা যদি আমাদের আসল ডেটাটা দেখি যে আমাদের আসল ডেটাটা যেটা আমরা সবচেয়ে শুরুতে কাজ করেছিলাম সেখানে আমরা দেখছি যে আমাদের এখানে যে আইরিস ডেটা সেটটা আছে সেই আইরিস ডেটা সেটের মধ্যে কিন্তু আমাদের এটা একটা ক্লাস্টার। আমরা বুঝতেই পারছি যে এটা একটা ক্লাস্টার এবং সবচেয়ে বড় জিনিস হচ্ছে কি এখান থেকে যদি আমরা একটা কাজ করি যে আমাদের এখানে টোটাল যে অংশটা আছে সেখানে কিন্তু আমরা দেখছি যে এখানেও কিন্তু একটা ক্লাস্টার। আমাদের এখানেও কিন্তু একটা ক্লাস্টার হয়ে গেছে। তার মানে হচ্ছে কি এটা আমাদের আসল ডেটা বলছে দিস ইজ এ ক্লাস্টার এবং এর পাশাপাশি আমরা এটাও বলতে পারি যে এটাও একটা ক্লাস্টার। মানে আমি বলছি যে এটাও এটাও একটা ক্লাস্টার। তার মানে আমাদের এক দুই এবং তিনটা ক্লাস্টার হলো এবং এই তিনটা ক্লাস্টারের উপর ভিত্তি করে কিন্তু আমাদের এখানে এই কাজগুলো আমরা দেখছি। সবচেয়ে বড় যে জিনিসটা হচ্ছে আমরা যে এখানে ক্লাস্টার দেখছি এই ক্লাস্টারগুলো কিভাবে মানে আমাদের মানুষ মানে হিউম্যানলি যারা আমরা এগুলো নিয়ে কাজ করি তারা কিন্তু আমাদের মানুষ বা আমাদের মাথা আমাদের মাথা কিন্তু চমৎকার কাজ করে এবং চমৎকারভাবে কিন্তু আমাদের মাথার জিনিসগুলো কিন্তু কাজ করে এবং সেইজন্য কিন্তু আমরা এই যে এখানে একটা ক্লাস্টারের কথা বলছি সেই ক্লাস্টারটা কিন্তু ভাগ করে ফেলা হয়েছে এবং সেখানে কিন্তু আমরা দেখছি। আমাদের যদি আমাদের ট্যাবলুতে যেটা আমরা দেখাই যে ট্যাবলুতে ধরা যাক আমরা যদি ট্যাবলুতে যাই আমাদের ট্যাবলুতে আমরা এই ডেটা সেটটাই আমরা এখানে লোড করি। ধরা যাক আমরা এখান থেকে আমরা দেখছি যে আমাদের এখানে কি কি ডেটা সেট বিকজ আমাদের এখানে ট্যাবলু পাবলিকে আমি কানেক্ট করেছি এবং সেখান থেকে কিন্তু আমাদের যে ওয়ার্কবুক আছে সেটা ট্যাবলু পাবলিক থেকে আমরা কিন্তু চালাতে পারি। যেমন এনালাইসিস অফ ক্লাস্টারিং মেথড এটা আমরা এখান থেকে নিতে পারি বা আমরা এখান থেকে ক্লাস্টার টেস্ট আমরা নিতে পারি। আমরা ধরা যাক এখান থেকে ক্লাস্টার টেস্ট নিতে পারছি। তারপর হচ্ছে গিয়ে আইরিস কম্পেয়ারিং আইরিস পেটাল এবং সিপাল ডাইমেনশন আমরা এখান থেকেও নিতে পারি। এইটাকে নিয়ে আমরা এখানে চালু করলাম। তখন কি হবে? আমাদের কিন্তু এখন আমরা যেটা দেখছি যে আমাদের ক্লাস্টারিং ডেটা সেটটা আমাদের দেখাচ্ছে। তার মানে আমাদের ট্যাবলুটা চালু হয়ে গেল এবং ট্যাবলুটাতে আমরা দেখছি যে আমাদের যে জিনিসটা আমরা ট্যাবলু পাবলিকে সেভ করেছিলাম। বিশেষ করে আমি যদি এখানে আসি যে আমাদের ট্যাবলু পাবলিকে যেটা আছে বিশেষ করে আমি এটার কথা যদি বলি আমাদের এই ট্যাবলু পাবলিকে কিন্তু আমরা এটা দেখিয়েছিলাম যে আইরিস ক্লাস্টার করা ডেটা এবং সেখানে আমরা যে জিনিসটা আমরা দেখিয়েছি যে আসলে আসল ডেটাটা ছিল এটা। আসল ডেটাটা ছিল এটা যে এখানে একটা আমাদের ক্লাস্টার ভাগ করাতে চাচ্ছি কারণ ক্লিয়ারলি আমরা বুঝতে পারছি যে এটা একটা ফুলের মানে আমরা যে প্রজাতি বের করতে চাচ্ছি সেই প্রজাতি কিন্তু এটা আলাদা প্রজাতি এবং এটাও একটা প্রজাতি। এই সবগুলো কিন্তু একই। তার মানে হচ্ছে কি এই সবগুলো একটা প্রজাতির আন্ডারে পড়ছে। আর আমরা যদি এখানে বলি যে না এখানে এটা এটা একটা প্রজাতি হতে পারে। তো এটাকে আমরা কিভাবে দেখাবো? এটাকে আসলে আমরা দেখাবো যে আমাদের যদি একটা ডিসিশন প্লেন থাকে আমরা যেটাকে মেশিন লার্নিং এ বলি ডিসিশন প্লেন। ডিসিশন প্লেনে আমরা দেখছি যে এখানে হচ্ছে গিয়ে একটা এখানে এক নাম্বার, এখানে দুই নাম্বার, এখানে তিন নাম্বার। মানে তিনটা ক্লাস্টারে ভাগ হয়েছে। তিনটা ক্লাস্টারে ভাগ হওয়ার মানে হচ্ছে গিয়ে আমাদের কিন্তু তিন ধরনের ডেটা মানে তিন ধরনের আইরিস ফ্লাওয়ারের তিন ধরনের ক্লাস্টার ডেটা আমরা এখানে দেখতে পাচ্ছি এবং সবচেয়ে বড় যে জিনিসটা আমরা এখানে বুঝতে পারছি যে আমাদের এখানে আমাদের যে নীল রংটা আছে সেটা হচ্ছে গিয়ে আইরিস সেটোসা। আমরা যদি ভালোমতো দেখি যে আমাদের নীল রং মানে এটা এটা হচ্ছে গিয়ে আইরিস সেটোসা। মানে আমরা এখান থেকে যদি এখানে আসি আমাদের এই নীল রংটা এটা হচ্ছে গিয়ে আইরিস সেটোসা। তারপরে আমরা যে দেখছি যে আমাদের এখানে আমাদের আইরিস ভার্সিকালার। এটা হচ্ছে গিয়ে আইরিস আমি আমি এভাবে দেখি যে এটা হচ্ছে গিয়ে আইরিস ভার্সিকালার। তো এই আইরিস ভার্সিকালারটাকে আমরা এখান থেকে দেখছি যে এটা সবুজ কালার। মানে এখানে আমাদের সবুজ কালারটা হচ্ছে এইটা। তার মানে হচ্ছে কি এটা হচ্ছে গিয়ে আইরিস ভার্সিকালার। এটা হচ্ছে গিয়ে আমাদের যে প্রজাতি আছে সেটা হচ্ছে আইরিস ভার্সিকালার। আর আমাদের যে লালটা আছে যেটা আমরা এখানে দেখাচ্ছি লালটা। তো আমাদের যে লালটা আছে সেই লালটা হচ্ছে গিয়ে আইরিস ভার্জিনিকা। এই ভার্জিনিকাটা হচ্ছে এখানে। তার মানে হচ্ছে গিয়ে আমাদের এই অংশটা হচ্ছে গিয়ে আইরিস ভার্জিনিকাতে পড়ছে। তো এইখানে আমাদের একটা বড় ইস্যু যে ক্লাস্টারিং করা। তার মানে আমরা এক দুই তিন মানে এই যে ক্লাস্টারিংটা এটা কিন্তু হিউম্যানলি মানে আমাদের চোখ দিয়ে কিন্তু আমরা বুঝতে পারছি যে এটাকে ক্লাস্টার করা যাচ্ছে এবং ক্লাস্টার করা যাচ্ছে বলেই কিন্তু আমরা এখানে বুঝতে পারছি যে আমাদের মেশিন লার্নিং করার আগেই কিন্তু আমাদের ডেটাকে ভিজুয়ালাইজ করতে গেলেই কিন্তু আমরা বুঝতে পারছি যে এখানে তিনটা ক্লাস্টার অলরেডি আছে বিকজ এটা হচ্ছে গিয়ে আমাদের একচুয়াল ডেটা। এখানে কিন্তু আমরা এটাকে দেখছি আসল ডেটা। মানে আসল ডেটাতে কিন্তু আমরা এখানে ঠিকমতো আমরা আলাদা করতে পারছি। আমরা যদি এটাকে যদি আলাদা করতে না পারি বা আমরা যদি বলি না ঠিক আছে মেশিনকেই আমরা বলেছিলাম যে তুমি এখানে ক্লাস্টারিং করে দাও। সেটা কিন্তু আমরা এখান থেকে দেখছি যে এটা আমাদের মেশিন এটাকে ক্লাস্টারিং করতে করে দিয়েছিলাম এবং ক্লাস্টার করে দিয়ে কিন্তু একই প্রায় একই জিনিস এখানে করেছে। মানে আসল ডেটাটা এখানে এবং আসল ডেটা এবং ক্লাস্টার ডেটার মধ্যে কিন্তু কিছু পার্থক্য আছে। আপনারা দেখতে পাচ্ছেন যে আসল ডেটা আসল ডেটার মধ্যে এখানে বিশেষ করে আমি যদি এখানে দেখাই যে আসল ডেটা এবং ক্লাস্টার ডেটার মধ্যে আমি যদি একটু পার্থক্য দেখাই যেমন এই ডেটাটা এই দুটো ডেটা পয়েন্ট এই দুটো ডেটা পয়েন্ট কিন্তু এখানে মানে এখানে তারা ঢুকে গেছে। আবার এখানে কিন্তু এই সবুজটা কিন্তু এখানে ঢুকে গেছে। তার মানে এখানে যদি আমি আসল ডেটাটা যাই এখানে আমি যদি আসল ডেটাতে ক্লিক করি তাহলে আসল ডেটাতে কিন্তু আমরা বুঝতে পারছি যে আসল ডেটাতে যেভাবে আমরা দেখেছিলাম সেখানে কিন্তু আমাদের এখানে যে কাজটা হয়েছে যে আসল ডেটা হচ্ছে কি এখান থেকে এই পর্যন্ত এটা হচ্ছে গিয়ে একটা ক্লাস্টার। তার মধ্যে কিন্তু একটা তারপরে এখানে হচ্ছে গিয়ে এখানে একটা এখানে দুইটা এবং এখানে একটা। টোটাল আমি দেখছি এখানে টোটাল চারটা। এই চারটা হচ্ছে গিয়ে আসলে আমাদের আসল ডেটা মানে এরকমও হতে পারে যে আমাদের আসল ডেটাতে কিন্তু এটা কিছু মিসম্যাচ হতে পারে কারণ আসল ডেটাতে কিন্তু এই ধরনের একটা ধারণা হয় যে এই আসল ডেটাতে কেন এগুলো লাগবে। তো এইজন্য আমরা বলছি যে এখানে আসল ডেটাটা মানে আমরা বারবার বলছি যে আসল ডেটাতে কিন্তু এগুলো আলাদা আলাদা ভাবে আছে। তো সেইজন্য বলছি যে আমরা আসল ডেটাতে কিন্তু কিছু মিসম্যাচ পাচ্ছি। তার মানে আমাদের অরিজিনাল ডেটা আমরা যদি একচুয়াল ডেটা দেখি আমাদের ক্লাস্টার করা ক্লাস্টার করা ডেটা আসল ডেটা আমরা ক্লাস্টার করা মেশিন আমাদের যদি বের করে দেয় তাহলে দেখছি যে মেশিন কিন্তু ঠিকই বুঝতে পারছে যে না এটা তো এখানে হওয়ার কথা না এটা এখানে হওয়ার কথা না এটা এখানে হওয়ার কথা না। তার মানে হচ্ছে মেশিন কিন্তু ঠিকই প্রেডিক্ট করছে যে না এটা এই জিনিসটা এবং এই দুইটা এবং এখানে আরেকটা ছিল এগুলো কিন্তু আসলে এই ক্লাস্টার টু মানে এটা হচ্ছে ক্লাস্টার টু। ক্লাস্টার টুতে তারা কাজ করবে। মানে মনে হচ্ছে কি এই ক্লাস্টার টু এই ক্লাস্টার টুতে তারা কাজ করবে। সুতরাং ক্লাস্টার টু যেটা আছে সেখানে এখানে কিন্তু ক্লাস্টার টু সবুজ যেটা এটা কিন্তু পুরোটাই ক্লাস্টার। তার মানে হচ্ছে কি একদম একচুয়ালি যদি আমাদের ক্লাস্টার করা হয় তাহলে মেশিন লার্নিং যখন এটা ক্লাস্টার করেছিল তখন কিন্তু আমি দেখছি যে মেশিন লার্নিং কিন্তু আসলে সে কিন্তু ঠিকমতো ক্লাস্টার করতে পারে কারণ সে কিন্তু এখানে দেখাচ্ছে যে আসলে আমরা যদি একচুয়ালি এটাকে ডিভাইড করতে যাই ডিসিশন প্লেন দিয়ে সেই ডিসিশন প্লেনটা কিন্তু এখান দিয়ে ঠিক এখান দিয়ে ক্লাস্টার করতে পারছে। তার মানে এটা হচ্ছে কি একদম ডেফিনেটলি ইটস এ ক্লাস্টার বিকজ ইটস সো সো এওয়ে মানে এটা অনেক দূরে। আর এটার মধ্যে হচ্ছে কি এখানে এখানে হচ্ছে কি একটা ক্লাস্টার আর এখানে এটা একটা ক্লাস্টার। মানে আমরা বলছি এটাকে যদি আমরা অন্যভাবে দেখি যে এটা একটা ডিফারেন্ট ক্লাস্টার। তার মানে হচ্ছে কি মেশিন লার্নিং মডেল কিন্তু সে ঠিকমতো এটাকে ক্লাস্টারিং করতে পেরেছে। এটাই হচ্ছে গিয়ে আমাদের ইস্যু যে আমাদের এটাকে কিন্তু আলাদাভাবে নতুন করে ক্লাস্টারিং করতে পারতে হবে। এটা যদি না হয় তাহলে কিন্তু আমি যেটা মনে করি যে এই ক্লাস্টারিংটা কিন্তু এখানে হবে না এবং সবচেয়ে বড় যে জিনিসটা হচ্ছে যে আমাদের এই ক্লাস্টারিংটা মানে এক দুই তিন আমাদের ক্লাস্টারিং যেটা আমরা বলছি যে ক্লাস্টার যেটা মেশিন লার্নিং ক্লাস্টার করে দিয়েছে তাদের মধ্যে কিন্তু একদম এক্সাক্টলি তারা ঠিকমতো ক্লাস্টারিং করতে পেরেছে। যে এখানে একটা ক্লাস্টার, এখানে একটা ক্লাস্টার এবং এখানে একটা ক্লাস্টার। আমরা তিনটাকে তিনভাবে ক্লাস্টার করতে পেরেছি। এখানে কিন্তু কোন ধরনের আলাদা কিছু নেই। মানে ক্লাস্টার ঠিকমতো হয়েছে। আর আমরা যদি এখন দেখি যে আমাদের আসলে কি হয়েছিল সেটা যদি আমরা এখান থেকে যদি দেখি ঠিক কতটুকু সেখানে কিন্তু কিন্তু আমরা একটা ধারণা পাই যে একুরেসি মানে আমাদের এই একুরেসি ফলস এবং ট্রু। মানে আমাদের আসল ডেটা থেকে ক্লাস্টার ডেটাতে আমাদের এখানে দেখছি যে এখানে আমাদের ফলস মানে ছটা ফলস হয়েছে। মানে এটাকে আমরা বলছি ছটা ফলস। আমরা যদি এভাবে দেখি যে এখানে ছটা ফলস আর 144 টা হচ্ছে গিয়ে ট্রু। তার মানে আমাদের 150 টা রেকর্ড ছিল। আমাদের 150 টা রেকর্ডের মধ্যে আমাদের ছটা মানে আমাদের ছটা ফলস। ছটা তারা ঠিকমতো তারা করতে পারেনি। ঠিকমতো প্রেডিকশন করতে পারেনি। আর 144 টা হচ্ছে গিয়ে ঠিকমতো প্রেডিকশন করতে পারছে। মানে এটা হচ্ছে গিয়ে ঠিক। আমরা ঠিকমতো এখানে কাজ করেছি। তো এটা একটা ইস্যু যে আমাদের এখানে বিশেষ করে আমাদের যে একুরেসি নিয়ে আমরা যখন কথা বলি তখন আমাদের এটাও কিন্তু বুঝতে হবে যে এখানে আসলে একুরেসিটা কিভাবে কাজ করছে। তো এটা এই জিনিসটাই আমরা যখন আসছি আমাদের এখানে আমরা যদি এভাবে দেখি যে আমাদের ট্যাবলুতে যখন আমরা ফিরে আসছি ট্যাবলুতে কিন্তু আমরা এখানে দেখছি যে কিভাবে ক্লাস্টারিংটা করা হয়। আর এর পাশাপাশি আমরা যদি এখানে দেখাই যে আমাদের এখানে যদি দেখি যে ট্যাবলুতে পাবলিকে যদি আমার প্রোফাইলে যদি দেখি প্রোফাইলে কিন্তু আমরা বিভিন্ন ধরনের আমরা ডেটা সেট দেখছি। যেখানে কোনটা আমাকে দরকার। ধরা যাক আমাদের এখানে যেমন আমরা এটা খুলেছিলাম যে আইরিস ক্লাস্টার করা ডেটা। সে কিন্তু আমরা এখানে খুলেছিলাম। তো আমাদের আইরিস যে ক্লাস্টার করা ডেটাটা আমরা ওখানে দেখেছিলাম। আইরিস ক্লাস্টার করা ডেটা। আমরা এখন আইরিস ক্লাস্টার করা ডেটা দেখব এখান থেকে ফাইল আমরা ওপেন ওপেন ফ্রম ট্যাবলু পাবলিক। আমরা এটাকে ক্লোজ করতে পারি। আমরা ক্লোজ করে দিলাম। তারপরে আমরা যেটা করলাম আমাদের এখানে কিন্তু আরেকটা ট্যাবলু খোলা আছে। আমরা হয়তোবা সেটাও ক্লোজ করে দিলাম। তো আমরা এই ট্যাবলুটাকে আমরা চালু করলাম। এখন এই ট্যাবলুটাকে আমরা বড় করে নিলাম এবং সেখান থেকে আমরা ট্যাবলু মানে ট্যাবলু পাবলিক যেটা অলরেডি আমরা ইন্সটল করা আছে এবং সেখানে এখানে কাজ করা আছে। শুধু আমরা এখানে ওপেন ফ্রম ট্যাবলু পাবলিক আমরা ক্লিক করেছি এবং সেখান থেকে কিন্তু সে আমাকে ট্যাবলু পাবলিকে আমাকে সাইন করতে বলবে। তো এই সাইনিং করলেই কিন্তু আমরা এখান থেকে সরাসরি আমরা ট্যাবলু পাবলিকে চলে যাব। সুতরাং আমি এখান থেকে আমার যে ট্যাবলু পাবলিকে অথেন্টিকেশন সিস্টেম আছে সেটা আমি এখান থেকে আমি ঢুকে যাচ্ছি এবং সেখান থেকে আমরা আমাকে দেখাতে পারব যে ট্যাবলু পাবলিকটা আসলে কিভাবে কাজ করে। তো আমরা এখানে যেটা দেখছি যে এই অংশে বিশেষ করে আমরা যেইভাবে কাজ করি এবং এখানে যেই জিনিসটা আমরা দেখছি যে এখানে কিভাবে কাজ করতে পারে সেটা আমি এখান থেকে একটু দেখাতে পারি এবং সেখানে আমরা কিন্তু ট্যাবলু পাবলিকে আমরা লগইন করে ফেললাম এবং ট্যাবলু পাবলিকে লগইন করার পর পরই আমাকে কিন্তু একটা অপশন দেবে যে আমার এখান থেকে কোন ধরনের ডেটাটা আমি লোড করব। এখানে ধরা যাক স্বয়ংক্রিয় আইরিস ক্লাস্টার আছে। তারপর হচ্ছে গিয়ে আমরা বিভিন্ন রকম ডেটাগুলো দেখেছি যে আইরিস ক্লাস্টার করা ডেটা আইরিস ক্লাস্টার করা ডেটা বই থেকে আমরা এখান থেকে দেখছি। তো আমাদের স্বয়ংক্রিয় আইরিস ক্লাস্টারটা আমরা এটা দেখতে পারি অথবা আমরা এই আইরিস ক্লাস্টার করা ডেটা এটাও দেখতে পারি। তো এই এগুলো কিন্তু আমরা এখান থেকে ওপেন করতে পারি। যে ওপেন করে দেখি যে আসলে এখানে কি ডেটা আছে এবং সেখান থেকে আমরা এখান থেকে বুঝতে পারছি যে আমাদের এখানে জিনিসটা কিভাবে আছে। যে আমাদের এখানে পেটাল লেন্থ এবং আমাদের যে পেটাল লেন্থ আছে বিশেষ করে আমাদের যে পেটাল লেন্থের যে ডেটাটা আছে এবং তার পাশাপাশি যে পেটাল উইড ডেটা আছে। মানে আমরা যদি এখানে এভাবে দেখি যে আমাদের পেটাল উইড যে ডেটাটা আছে এবং পেটাল উইড এর পাশাপাশি কিন্তু পেটাল লেন্থ ডেটাটাকে আমরা এখানে দেখছি। তার মানে আমাদের এখানে যে কাজটা হচ্ছে এই পেটাল লেন্থ এবং পেটাল উইড ডেটা থেকে কিন্তু আমরা এখান থেকে প্লট করা হয়েছে এবং এই প্লটের কারণে কিন্তু আমরা এখানে দেখতে পাচ্ছি। এখন আমরা যদি এভাবে দেখি যে না প্লটের পাশাপাশি আমরা যদি এখানে দেখি যে ওয়ার্কশিটের মধ্যে ইভেন আমাদের অন্যান্য কাজে দেখছি যে ডেটা এবং ডেটার যে সোর্সগুলো আছে সেটা আমরা দেখছি। তো এখানে কিন্তু আমাদের বিভিন্ন জিনিস আমরা যে এখান থেকে ড্যাশবোর্ড থেকে আমরা দেখতে পারব এবং সবচেয়ে বড় জিনিস হচ্ছে গিয়ে আমাদের এখানে যে জিনিসগুলো এখানে অলরেডি কাজ করছে সেখানে কিন্তু আমরা এখান থেকে দেখতে পারব যে এখানে আসলে অন্যান্য কি ডেটাগুলো কাজ করছে। তো যেটা আমাদের এখানে দরকার যে আমাদের এখানে ধরা যাক ড্যাশবোর্ড ওয়ান, ড্যাশবোর্ড টু আমরা আসলে আরো অন্যান্য ড্যাশবোর্ড নিয়ে আমরা এখানে দেখিয়েছি যে অন্যান্য ড্যাশবোর্ড এখানে কি কাজ করছে সেটা আমরা এখান থেকে দেখতে পারি। পাশাপাশি অন্যান্য চার্টগুলোকে আমরা এখানে দেখতে পাচ্ছি যে কিভাবে এখানে মিসম্যাচগুলো আমরা এখান থেকে জেনারেট করতে পারি। তো মেইন যে জিনিসটা হচ্ছে যে আমাদের যে আইরিস ডেটা সেটটা আছে সেটা কিন্তু এখান থেকে আমরা সরাসরি দেখতে পারি। কিভাবে দেখতে পারব? আমাদের যে আইরিস ডেটা সেটটা আছে এটাকে এখানে যদি আমি ক্লিক করি তাহলে কিন্তু আমরা আইরিস ডেটা সেটটাকে দেখতে পারব। আমরা যদি এখান থেকে আইরিস ডেটা সেটটাকে দেখতে চাই ধরা যাক আমাদের এখানে যে ডেটা সেটটা আছে আইরিস ডেটা সেট আমরা এখান থেকে দেখতে পারব অথবা আমরা যদি এখান থেকে দেখাই যে আমাদের এখানে যে ডেটা সেটটা আছে আমরা আসলে এখান থেকে না দেখে আমরা সরাসরি ভিউ ডেটা থেকে দেখতে পারি। তো এখানে হচ্ছে গিয়ে আইরিস ডেটা সেটটাকে কানেক্ট করা আছে কিনা সেটা আমরা দেখব। আর এখান থেকে রাইট ক্লিক করলেও কিন্তু আমরা রিফ্রেশ আমরা ভিউ ডেটা দেখতে পারি। তো আমরা এখান থেকে ভিউ ডেটাতে আমরা চলে যাচ্ছি। সুতরাং এখানে ভিউ ডেটা কি? আমাদের মোস্টলি আমাদের বিভিন্ন ক্লাস্টারের ডেটাগুলো আমরা এখান থেকে দেখতে পাচ্ছি। তো আসলে যে জিনিসটা হচ্ছে যে আমাদের যে আইরিস যে ফ্লাওয়ারটা আছে 150 টা যে ফ্লাওয়ার সেটার একটা আমাদের তুলনামূলকভাবে আমরা একটা ধারণা পাচ্ছি। তো এখানে এইজন্যই হচ্ছে গিয়ে আমাদের ইস্যু যে আমরা যেকোনো জিনিস আমরা আসলে আমাদের ট্যাবলু পাবলিশ করে বিভিন্ন ট্যাবলু পাবলিক বা সেভ ট্যাবলু পাবলিক বা ওপেন আমরা যদি ওপেন করতে চাই আরেকটা জায়গা থেকে আমরা এখান থেকে কিন্তু ট্যাবলু পাবলিক যেটা আমি এর আগে দেখালাম আমাদের ওয়েবসাইটে যে ট্যাবলু পাবলিকে আমার যে ওয়েবসাইটটা আছে মানে আমাদের আমার যে ট্যাবলু পাবলিক যে পাবলিক যে প্রোফাইল পেইজটা আছে সেই প্রোফাইলে কিন্তু আপনারা যেকোনো জিনিস আপনারা ডাউনলোড করতে পারবেন। যে ধরা যাক আপনারা যদি কম্পারিজন এটা যদি কম্পারিজনটা এটা যদি ডাউনলোড করতে চান এটাও আপনি পারবেন বা এটাও যদি চেষ্টা করেন এটাও পারবেন। মানে আমার কথা হচ্ছে যেকোনো ক্লাস্টার এনালাইসিস সেটা কিন্তু আপনারা এখান থেকে ডাউনলোড করতে পারবেন। যেকোনো একটা জিনিস আপনি যখন চালু করবেন এখান থেকে চালু করলেই কিন্তু আপনাদের প্রথম কাজ হবে যেকোনো ক্লাস্টারিং এখানে আপনাদের প্রথম কাজ হচ্ছে গিয়ে ধরা যাক এখানে ড্যাশবোর্ড ওয়ান, ড্যাশবোর্ড টু বিভিন্ন রকম ড্যাশবোর্ড আমরা দিয়েছি। বাট এর পাশাপাশি আপনারা দেখবেন এখানে কিন্তু ডাউনলোড করার অপশনটা কিন্তু এখানে আছে। মানে আপনি এই ট্যাবলুটাকে আপনি ডাউনলোড করতে পারবেন। আপনি সরাসরি এখান থেকে ডাউনলোড করতে পারছেন। তার মানে হচ্ছে গিয়ে আপনারা এখান থেকে নতুন করে চালু করতে পারবেন। আবার এখান থেকে ডাউনলোড করতে পারবেন। তো আপনি যদি এখান থেকে ডাউনলোড করতে চান বা আমি যদি এটাকে আরো নিচে নিয়ে দেখাই যে এটার নিচেও কিন্তু এই ডাউনলোড অপশনটা আছে। মানে এখানে যদি আপনি দেখেন যে এখানে আপনি চাপ দিলেই কিন্তু ডাউনলোড বাটনটা আসবে। তার মানে হচ্ছে কি এখানেও একটা ডাউনলোড বাটন এখানে আমরা দেখাচ্ছি যে এখানে ডাউনলোড বাটনটা আছে। তার মানে আমি যখন ডাউনলোড বাটনে চাপ দিব তখন কিন্তু আমি যেহেতু এটাকে ওপেন করে রেখে দিয়েছি। মানে এটাকে আমি ওপেন করে রেখে দিয়েছি একটাই কারণে যে আমি চাই যে আপনারা এটা নিয়ে প্র্যাকটিস করুন। আর সেই কারণে কিন্তু আমি এটাকে ওপেন করে রেখে দিয়েছি। এজন্য আপনি যখন দেখবেন যে ইমেজ ডেটা বা ক্রস ট্যাব বা পিডিএফ বা পাওয়ারপয়েন্ট ট্যাবলু ওয়ার্কবুক। আপনি যখন ট্যাবলু ওয়ার্কবুকে চাপ দিবেন তখন কিন্তু আপনাকে ট্যাবলু যে ওয়ার্কবুকটা আপনাকে একটা সিলেক্ট ভার্সন মানে কোন ভার্সনে আপনি ডাউনলোড করতে চান বা আপনার কাছে কোন ভার্সনটা আছে। সবসময় আমরা যেটা করি কারেন্ট। মানে আপনি কারেন্টটা চাপ দিলে এই ডাউনলোড হয়ে যাবে। এই ডাউনলোড হয়ে যাওয়ার পরে আপনি আপনার ট্যাবলু পাবলিক থেকে তখন এটা আপনি চালাতে পারবেন। আপনার ডাউনলোড হয়ে যাওয়ার পরে আপনি কি করবেন? আপনি এখান থেকে ট্যাবলু পাবলিকে যাবেন। যাওয়ার পর আমি এটাকে ক্লোজ করে দিলাম। ট্যাবলু পাবলিক থেকে আপনি ফাইল ওপেন। ওপেন থেকে কিন্তু আপনি সরাসরি এটা চালাতে পারবেন। তার মানে হচ্ছে কি আপনি এই মুহূর্তে আমার যে পাবলিক যে প্রোফাইল পেইজটা আছে এই পাবলিক প্রোফাইল পেইজ আমি যদি এখান থেকে যদি আবার দেখাই যে এই পাবলিক প্রোফাইলটা পেইজটার মধ্যে শুধু আমার না আপনি অন্য যেকোনো পাবলিক প্রোফাইল পেইজ থেকে আপনি করতে পারেন যে আপনি যদি ব্যাক করে যেকোনো ধরনের জিনিস আপনি কিন্তু ডাউনলোড করে দেখতে পারেন এবং সেই ডাউনলোড করলে আপনি যেকোনো জিনিস আমাদের এখান থেকে দেখা যায়। আর সবচেয়ে বড় হচ্ছে কি এখন আপনি যখন কাজ করবেন আপনার গ্রাফ নিয়ে সেখানেও কিন্তু আপনারা এটা নিয়ে কাজ করতে পারবেন। কারণ এখানে কিন্তু এডিট করা যায়। মানে আপনার যে একটা ডেস্কটপ পাবলিক ডেস্কটপ যে আপনার লাগবে সেটা সেরকম না। পাবলিক ডেস্কটপ ছাড়াও কিন্তু আপনি কাজ করতে পারবেন। সুতরাং পাবলিক ডেস্কটপ পাশাপাশি আপনি যখন এটাকে আপনি ধরা যাক আপনি এডিট করতে চান আপনি এটা কিন্তু এডিট করতে পারবেন। আপনি যখন এডিট চাপ দিবেন তখন কিন্তু এটা এডিটিং মোডে চালু হবে এবং এডিটিং মোডে চালু হওয়া মানে হচ্ছে কি আপনি এখান থেকে কিন্তু এখানে আরো অন্যান্য কাজ করতে পারবেন এবং অন্যান্য কাজ করার ফলে যেটা হবে যে আপনার একটা সুবিধা হবে যে আপনি আপনার ডেস্কটপ পাবলিক যে ট্যাবলু যে পাবলিক ডেস্কটপটা সেটা সেটাও আপনাকে ইন্সটল নাও করতে হতে পারে। তবে আমি সবসময় বলব যে ট্যাবলু পাবলিক ডেস্কটপটা ডাউনলোড করতে কারণ অনেক সময় আমাদের এখানে টাইম আউট হয়ে যায় যে আমরা এখান থেকে যখন ওয়েব বেসড অ্যাপ্লিকেশনে কাজ করি তখন অনেক সময় আমাদের টাইম আউট হয়ে যায়। আমরা আসলে এই টাইম আউটটা চাই না। আমরা চাই যে এখান থেকে জিনিসটাকে ঠিকমতো কাজ করুক এবং সেটাই কিন্তু আমাদের এখানে ভালোভাবে আমরা চাই যে সেই ধারণাটা যাতে এখানে ঠিকমতো কাজ করে। তো আমার মনে হচ্ছে আজকে আমি এই পর্যন্তই রাখছি আর আমি চাইবো যে আপনারা এই ট্যাবলু নিয়ে কাজ শুরু করুন কারণ ট্যাবলু নিয়ে প্রচুর প্রচুর কাজ শুরু হয়েছে অলরেডি। আমাদের এই ট্যাবলু নিয়ে একটা ভালো একটা মার্কেট ডিমান্ড তৈরি হয়েছে। পাওয়ার বিআই বা ট্যাবলু নিয়ে আপনারা যাই কাজ করেন না কেন এখানে একটা ভালো মার্কেট বা এখানে একটা মার্কেট তৈরি হয়েছে। আমার কথা হচ্ছে যে আপনারা যেকোনো জিনিস যেকোনো নতুন একটা জিনিস আমরা কাজ করার জন্য আমরা তৈরি থাকবো। আজকে এই পর্যন্তই। আমি আশা করছি আপনারা সামনেও থাকবেন। আসসালামু আলাইকুম। |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | ডেটা অ্যানালাইটিক্স মেন্টরশীপ গুগল এবং আইবিএম ডেটা অ্যানালাইটিক্স সার্টিফিকেশন.mp3 | সামনে যে দিনগুলো আসছে সেখানে আমরা দেখছি ডেটা অ্যানালিটিক্সের কাজ কিন্তু বাড়ছেই পৃথিবী জুড়ে। Google ইদানিং বেশ কিছু সার্টিফিকেশন কোর্স বের করেছে। সেখানে তারা বলছে প্রায় শুধুমাত্র ইউএসএইতেই সাড়ে তিন লাখের মত জব ওপেনিং আসছে ডেটা অ্যানালিটিক্সে। বাংলাদেশের যে কোম্পানিগুলো ডেটা অ্যানালিটিক্স নিয়ে ইদানিং কাজ শুরু করেছেন তাদের অনেকেই কিন্তু আমার সাথে কথা বলেন কিভাবে তাদের একটা ডেটা অ্যানালিটিক্স টিম তৈরি করা যায়। যেহেতু ব্যাপারটা বাংলাদেশে বেশ নতুন এবং অনেকে এটার ব্যাপারে সন্ধিহান থাকেন যে কিভাবে এই ডেটা অ্যানালিটিক্স তাদের বিজনেসে কাজে লাগাবেন। বর্তমান যে বিজনেস গ্রোথ আছে সেখানে ডেটা অ্যানালিটিক্স যোগ করলে সেই গ্রোথটা কতটুকু যেতে পারে সেটাও একটা ডেটা অ্যানালিটিক্সের কাজ। আমরা যারা ডেটা সাইন্স নিয়ে কাজ করছি তারা আমরা দেখছি যে গত এক বছরে IBM এবং Google কোর্সেরাতে বেশ কয়েকটা কোর্স নিয়ে এসেছে এই ডেটা অ্যানালাইসিস নিয়ে। মজার ব্যাপার হচ্ছে আমি যতগুলো কোর্স দেখছি এই কোর্সেরাতে সবগুলোকে বলা আছে বিগিনার্স লেভেল। এর অর্থ হচ্ছে নো প্রায়র এক্সপেরিয়েন্স রিকোয়ার্ড। যে জিনিসটা দেখছি এই অতিমারীর সময় অন্যান্য ব্যবসা ঠিকমত কাজ না করলেও ডেটা সাইন্স নিয়ে কাজ করার বিভিন্ন ধরনের কোম্পানিগুলো তাদের বিজনেসের গ্রোথ কিন্তু বাড়ছেই। মানুষ যেহেতু খুব একটা বাসা থেকে বের হচ্ছে না আর সে কারণে এই ধরনের আইটি প্রজেক্ট যাদের সার্ভিস বাসায় বসে নেওয়া সম্ভব সেগুলো কিন্তু এক্সপ্যান্ড করছে অনেক বেশি। বেশ কয়েকটি নিউজ মিডিয়ামে দেখলাম এই IBM অথবা Google এর সার্টিফিকেশন কোর্স এগুলোকে আসলে রিপ্লেস করছে অন্যান্য স্কিল সেট যেগুলোকে আমরা সবসময় ধরে নিতাম এগুলো আমাদের কাজে লাগবেই। Google বা IBM অথবা এর পাশাপাশি অন্যান্য নিউজ মিডিয়াও বলছে এই ধরনের সার্টিফিকেশনগুলো আস্তে আস্তে চার বছরের ডিগ্রিকে রিপ্লেস করবে। আমাদের দেশে এই চার বছরের ডিগ্রির একটা দাম আছে তবে আমার কাছে যেটা মনে হচ্ছে সামনে এই ধরনের সার্টিফিকেশনগুলো আস্তে আস্তে মানুষের ডিগ্রি থেকে তার সার্টিফিকেশন অথবা তার স্কিল সেটের উপরেই নির্ভর করবে তার ভবিষ্যতে সে কোথায় কাজ পাবে অথবা কাজ পাবে না। তবে আমার অভিজ্ঞতা বলে এই ডিগ্রি অথবা সার্টিফিকেশন এগুলো কাজ করে স্ক্রিনিং হিসেবে। আমরা যখন জব মার্কেট থেকে কিছু মানুষকে হায়ার করতে চাইবো তখন আমরা সবসময় দেখি স্কিল সেটটা সে কি সেই কাজটা পারে কিনা। কারণে সেখানে একটা মাপকাঠি রাখার জন্য এ ধরনের ডিগ্রি অথবা সার্টিফিকেশন এমপ্লয়াররা চান। আমি যখন আমার প্রথম সার্টিফিকেশন করি 1998 সালের দিকে আমি কখনোই মনে করিনি যে আমি একটা চাকরি পাওয়ার জন্য এই সার্টিফিকেশন করছি বরং এই বিশ্বব্যাপী সার্টিফিকেশনের মাপকাঠিতে আমার অবস্থান কোথায় সেটা জানার জন্যই এই সার্টিফিকেশন করা। তবে এটা ঠিক যে ওই সার্টিফিকেশনের পরে আমার যে কনফিডেন্স লেভেল বেড়েছিল তার জন্য আমাকে আর পিছনে ফিরে তাকাতে হয়নি। আর সে কারণে আমি সবাইকে অনুরোধ করব এই দুটো কোর্স বিশেষ করে IBM ডেটা সাইন্স প্রফেশনাল সার্টিফিকেশন কোর্স অথবা Google ডেটা অ্যানালিটিক্স সার্টিফিকেশন কোর্স এই দুটোর একটা অবশ্যই আপনারা করবেন যারা ডেটা সাইন্স ফিল্ডে থাকতে চান। নিজে থেকে শেখা এবং সার্টিফিকেশন দুটো দু জিনিস হলেও সার্টিফিকেশন আপনাকে একটা ক্যারিয়ার ট্র্যাকে বাধ্য করবে ব্যাপারটা পুরোপুরি শেখার জন্য। Google এবং IBM প্রচুর স্কলারশিপ দিচ্ছে এই দুটো কোর্স করার জন্য। কারণ এই দুটোর সঙ্গেই ফিনান্সিয়াল এইড এভেলেবেল। এর পাশাপাশি আমি এই 2021 সালের জুন জুলাই থেকে মেন্টরশিপ প্রোগ্রাম চালু করতে যাচ্ছি যাতে আপনারা এই ডেটা অ্যানালিটিক্স বাংলায় আমার সাথে শিখতে পারেন। এ ধরনের সার্টিফিকেশন অবশ্যই আপনাকে একটা কনফিডেন্স দেবে যাতে এই ফিল্ডে আপনি কাজ করতে পারেন। তবে আমার কথা হচ্ছে আপনি যদি এই ফিল্ডে আপনার ক্যারিয়ার বিল্ড করতে চান তাহলে কিন্তু শিখতে হবে। আপনাদের ক্যারিয়ার সার্টিফিকেশন এবং এর পাশাপাশি শেখা সেজন্যই আমি করতে চাইছি এই মেন্টরশিপ। আপনি আমাকে প্রশ্ন করতে পারেন কাদের জন্য এই সার্টিফিকেশন এবং এই শেখা। আপনি এই দুটো সার্টিফিকেশন ভালোভাবে দেখলে বুঝতে পারবেন যে এটার কোন প্রায়র এক্সপেরিয়েন্স তারা চাচ্ছেন না। এর ফলে আপনি সাইন্স, আর্টস, কমার্স যে কোন ব্যাকগ্রাউন্ডে হোন না কেন সবাই এপ্লাই করতে পারছেন। আপনি এই ডেটা অ্যানালিটিক্স সার্টিফিকেশন করুন অথবা না করুন আমি সবার জন্য এই ডেটা অ্যানালিটিক্স নিয়ে বাংলায় মেন্টরশিপ করানোর চেষ্টা করছি যাতে আপনি এই ডেটা অ্যানালিটিক্স প্ল্যাটফর্মে ঠিকমতো কাজ করতে পারেন। এ ধরনের সার্টিফিকেশন আপনাকে দেবে কনফিডেন্স আর আমি আপনাকে বাংলায় শেখাবো কিভাবে ডাটা সাইন্স বাংলায় কাজ করতে হয়। আমি এটুকু বলতে পারি সামনের সব বিজনেসে ঢুকে যাবে ডেটা অ্যানালিটিক্স যত ছোটই বিজনেস হোক না কেন। আজকে এ পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | বেসিক ডাটা ভিজ্যুয়ালাইজেশন ২ সময়ের সাথে ওয়াটারফল চার্ট Data Visualization, Water Fall Chart - HR.mp3 | এটা ঠিক যে আমরা যখন কোন একটা জিনিসকে টাইম সিরিজ প্লটিং এ ফেলবো, ধরা যাক আমি একটা জিনিস যেটার সাথে সময়ের সম্পর্কযুক্ত যেমন আমি বলছি যে ধরা যাক গত এক বছরে আমাদের কোম্পানিতে কতজন এমপ্লয়ী উনারা আসলে জয়েন করেছেন, কতজন এমপ্লয়ী উনারা আসলে পরে চলে গেছেন বা কতজন এমপ্লয়ী বিভিন্ন অফিস থেকে এসেছেন বা কতজন এমপ্লয়ী আসলে প্রমোশন পেয়ে আরেকটা জায়গায় গিয়েছেন মানে এই সব কিছুই যদি আমরা ধরা যাক একটা এইচআর প্লটিং এ যদি করতে চাই তার জন্য একটা ভালো আমি মনে করি যে ভালো একটা উপায় হচ্ছে গিয়ে ওয়াটারফল প্লট। এখন আমরা যদি আমাদের ডেটা অ্যানালিটিক্স বইটা থেকে যদি একটু কাভার করি যে আমরা বিভিন্ন বেসিক ভিজুয়ালাইজেশন নিয়ে যেহেতু আলাপ করছি, বিভিন্ন বেসিক ভিজুয়ালাইজেশন এর মধ্যে আমি মনে করি যে টাইম সিরিজ মানে যেগুলো সময়ের সাথে সম্পর্কযুক্ত এরকম একটা ভালো যদি প্লটিং এর কথা চিন্তা করি সেটাকে ওয়াটারফল চার্ট বলা যেতে পারে যে ওয়াটারফল চার্ট আসলে এই ক্ষেত্রে ভালো কাজ করবে আর ওয়াটারফল চার্ট নিয়ে যদি আলাপ করি এটাতে আসলে ব্যাপারটা এরকম যে আমরা যখন এইচআর ডিপার্টমেন্টে ধরা যাক যেটা আমরা আলাপ করছিলাম যে পুরো বছর ধরে কতজন এইচআর উনারা আসলে জয়েন করলেন, কতজন চলে গেলেন বা কতজন আসলে অন্য ডিপার্টমেন্টে চলে যাচ্ছেন, কতজন আসলে দিনশেষে সেই ডিপার্টমেন্টে হেড কাউন্ট হিসেবে থাকছেন সেটা একটা ভালো ছবি যদি দেওয়া যায় মানে আমরা আসলে ছবির মাধ্যমে যদি এটাকে দেখাতে পারি তাহলে এটা একটা ভালো আপনারা ধারণা পেতে পারেন যে ছবিতে আসলে কিভাবে এই জিনিসটা দেখানো যেতে পারে। আর এখানে সবচেয়ে বড় অংশ হচ্ছে যে আমরা আসলে এই ছবিতে যদি এটাকে প্লট করি যে এখানে আমরা দেখছি যে 2021 সালের জনবল হিসাব হিসেবে দেখা যাচ্ছে যে নতুন জনবল এবং তাদেরকে যোগ করার পরে মানে বিশেষ করে কখন বেড়ে গিয়েছে বা কখন কমে গিয়েছে বা শেষ পর্যন্ত বছরের শেষে কত শতাংশ বেড়েছে সেটাকে যদি আমরা একটা ভালো প্লটিং এ করি এবং সেখানে যদি দেখি যে ধরা যাক 11 2021 সালে বছরের শুরুতে কত জনবল ছিল তারপরে আমরা যোগ অংশটা আগে নিয়ে আসি সেখানে হায়ারিং নতুন হায়ারিং হতে পারে তারপর থেকে ট্রান্সফার হয়ে আসতে পারে অন্যান্য অফিস থেকে তারপর আমরা যদি ওটাকে বিয়োগ করি সেটাকে ট্রান্সফার হয়ে চলে যাওয়া অন্য অফিসে সেটাও দেখতে পারি কোম্পানি থেকে বিদায় দেখতে পারি তারপরে আমরা আসলে বছরের শেষে হেড কাউন্ট মানে ফাইনাল যে হেড কাউন্টার সেটা আসলে কত সেটা সেটার জন্য যদি আমরা এরকম একটা ওয়াটারফল চার্ট করি সেই ওয়াটারফল চার্টে কিন্তু আমরা একটা ভালো ধারণা পাবো যে আসলে এই সময়ের উপর ভিত্তি করে কিভাবে একটা কোম্পানিতে মানুষ থাকছেন এবং কিভাবে মানুষ আসলে নেট অ্যাড হচ্ছেন। মানে ফাইনালি আসলে কত নেট অ্যাড হচ্ছেন সেটাও কিন্তু আমরা এখানে দেখতে পারি। তো আমরা আসলে এটাই ব্যাপার যে দিনশেষে আমরা যেটাই দেখাই না কেন আমাদের একটা ভালো ভিজুয়ালাইজেশন কিন্তু আমাদেরকে মনে টানবে এবং তার পাশাপাশি আমরা যদি অন্য আরো কয়েকটা ভিজুয়ালাইজেশন দেখি এবং সেই ভিজুয়ালাইজেশন গুলো যদি একটা টাচ করি যে আসলে কিভাবে এ ধরনের ভিজুয়ালাইজেশন গুলো দিনশেষে আমাদেরকে মানে হিউম্যান ব্রেইনকে আসলে টাচ করবে যে না আসলে আমরা এখান থেকে একটা অ্যাকশনেবল ইনসাইট নিতে পারছি বিকজ অ্যাকশনেবল ইনসাইট ইজ দা কি। আমরা আসলে ফাইনালি এখান থেকে কোন সিদ্ধান্ত নিতে পারছি কিনা এবং সেখানে আমরা বিভিন্ন পারস্পেক্টিভে এই এই জিনিসগুলো এখানে দেখতে পারি। ব্যাপারটা হচ্ছে যে আমরা যখন ডেটা নিয়ে কাজ করব মানে ডেটা নিয়ে কাজ করার জন্য এই বইটা একটা ভালো স্টেপিং স্টোন হতে পারে যাদের ডেটা নিয়ে কোন ধরনের ব্যাকগ্রাউন্ড নেই এবং যারা আসলে ডেটা নিয়ে কাজ শুরু করতে চান আর সে কারণে আমি প্রায় ছয়টা বই লেখার পরে আমার কাছে মনে হয়েছে যে এই ব্যাকগ্রাউন্ডটা নিলে একটা ভালো হবে কারণ ইটস অল অ্যাবাউট মেকিং সেন্স অফ ডেটা এন্ড হাউ ডু উই মেক সেন্স অফ ডেটা ইট অলসো ডিপেন্ডস অন হাউ উই লুক ইনটু দা ডেটা মানে যেটাকে আমরা বলছি ডেটা ভিজুয়ালাইজেশন এবং সেই ডেটা ভিজুয়ালাইজেশন এর পার্টে আসলে আমরা এখানে অনেকগুলো অংশ দেখাতে পারি যে আসলে কিভাবে আমরা এই ডেটা নিয়ে উই ক্যান স্টার্ট ওয়ার্কিং বিকজ দিনশেষে আমরা ডেটা নিয়ে কাজ করব দ্যাটস অল রাইট বাট দেন ডেটা নিয়ে তখনই কাজ করব যখন ডেটা ইজ গিভিং আস সাম ইনসাইট অফ অ্যাকশনেবল জব মানে আমাকে একটা সিদ্ধান্ত নিতে পারার জন্যই কিন্তু আমি ডেটা নিয়ে কাজ করব না হলে আমি অন্য আমি আমি আসলে ডেটা নিয়ে কাজ করতে চাই না। শুধু সিদ্ধান্ত নেবার জন্যই আমি ডেটা নিয়ে কাজ করতে চাই। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | ডাটা অ্যানালাইটিক্স ডাটা অ্যানালাইটিক্স এবং ফোরকাস্টিং Tableau Public.mp3 | আমরা যখন ডেটা অ্যানালিটিক্স নিয়ে কাজ করি তখন এই মুহূর্তে ধরা যাক আমাদের কাছে এক্সিস্টিং ডেটা আছে এবং এই এক্সিস্টিং ডেটার উপর ভিত্তি করে কিন্তু আমরা একটা ধারণা করতে পারি যে আমাদের ফিউচার প্রেডিকশন বা ফিউচার ফোরকাস্টিং কি হতে পারে। আমাদের যে ডেটাটা আছে সেই ডেটাটা তো আমরা জানি এবং এই জিনিসটা কিন্তু আমাদের কাছে আছে এবং এই ডেটাটা আমাদের কাছে থাকার মানে হচ্ছে যে আমাদের কাছে যে ডেটাটা আছে সেই ডেটাটার ভেতরের ইনসাইটটা তো আমরা জানি। কিন্তু আমরা যেটা বলতে চাচ্ছি যে আমাদের কাছে এই এক্সিস্টিং ডেটার উপর ভিত্তি করে আমরা যদি একটা ফিউচার প্রেডিকশন করতে চাই তাহলে কি হতে পারে? সেই ফিউচার প্রেডিকশনটা আমাদের কাছে এরকম একটা হতে পারে যে আমাদের যে এক্সিস্টিং ডেটা আছে যে ডেটাটা আমরা বলছি এই ডেটাটা এবং সেই ডেটার উপর ভিত্তি করে আমরা যখন একটা ফোরকাস্টিং বা একটা ফিউচার প্রেডিকশন করতে চাই তাহলে কিন্তু আমাদের এই ধরনের একটা ডেটা আমাদের অবশ্যই আমরা জেনারেট করতে পারতে হবে। আর এই ফিউচারিস্টিক ডেটা যেটা এখনো ঘটেনি সেই ঘটনাগুলো কিন্তু আমরা এখানে দেখতে চাবো। এখন সবচেয়ে বড় যে জিনিসটা হচ্ছে যে আমাদের এখানে আমরা যেভাবে কাজ করি সেখানে আমরা দেখছি যে এখানে আমাদের এস্টিমেশনটা আমরা বলছি যে দিস ইজ দা এস্টিমেশন এন্ড দিস ইজ দা একচুয়াল ডেটা। আর এই এস্টিমেশন থেকে আমাদের কিভাবে কাজ হবে এবং সেই এস্টিমেশন থেকে আমাদের বর্তমান যে কাজটা হচ্ছে বা সেই এস্টিমেশন থেকে আমাদের এই যে ডেটাটা মানে আমাদের একচুয়াল ডেটাটা আমাদের একচুয়াল ডেটার উপর ভিত্তি করে বিশেষ করে আমাদের বলছি যে দিস ইজ আওয়ার একচুয়াল ডেটা এন্ড দিস ইজ আওয়ার ফোরকাস্টেড ডেটা। যে ফোরকাস্টেড ডেটাটা আমরা বলছি যে আমাদের এই ডেটার উপর ভিত্তি করে আমাদের এই এস্টিমেশনটা এসছে। সেটাই আমাদের আসলে একটা বোঝার একটা বড় জিনিস যে আমরা যখন যেকোনো জিনিস নিয়ে কাজ করব আমরা সবসময় চাইবো যে আমাদের একচুয়াল ডেটাটা কি বলছে। আমাদের একচুয়াল ডেটাটা এইখানে এই মুহূর্তে এই অংশটুকু যেটা হচ্ছে আমাদের একচুয়াল ডেটা। আর আমাদের ফোরকাস্টিং ডেটাটা যদি আমরা আলাপ করতে চাই তাহলে আমরা বলব যে আমাদের ফোরকাস্টিং মানে হচ্ছে এস্টিমেশনটা। দিস ইজ আওয়ার এস্টিমেশন এবং এই এস্টিমেশনের ভিত্তিতে আমরা সামনে একটা ডেটা জেনারেট করতে হবে। সে এটাই হচ্ছে আমাদের প্রেডিকশন বা এটাই হচ্ছে আমাদের ফোরকাস্টিং যে আমাদের এক্সিস্টিং ডেটা থেকে আমাদের ফোরকাস্টের ডেটা। এখন আমরা বুঝে আসি যে আমাদের এক্সিস্টিং ডেটা এবং ফোরকাস্টের ডেটা আসলে কিভাবে কাজ করে। সেটা নিয়ে যদি আমরা একটু দেখি যে ধরা যাক আমাদের উইকিপিডিয়াতে যদি আমাদের ধারণা নেই যে উইকিপিডিয়াতে আমাদের কি হতে পারে। সেইজন্য আমরা এখানে চলে আসতেছি আমাদের ফোরকাস্টিং ব্যাপারটা নিয়ে। আমাদের ফোরকাস্টিং বুঝতে হলে আমরা একটু উইকিপিডিয়া ঘুরে আসি। আসলে ফোরকাস্টিং মানে কি বলছে? এখানে ওরা বলছে যে ফোরকাস্টিং ইজ এ প্রসেস অফ মেকিং প্রেডিকশন বেসড অন পাস্ট এন্ড প্রেজেন্ট ডেটা এন্ড মোস্ট কমনলি বাই এনালাইসিস অফ ট্রেন্ড। এখন আমরা যদি এই ফোরকাস্টিং এর ব্যাপারটা যদি ঠিকমতো বুঝতে চাই তাহলে এটা একটা প্রেডিকশন বেসড অন মানে আমরা বলছি যে আমাদের পুরনো ইভেন্ট থেকে যেটাকে আমরা বলছি পাস্ট ইভেন্ট আমাদের এটা প্রেজেন্ট ইভেন্টও হতে পারে। এই প্রেজেন্ট ইভেন্ট থেকেও কিন্তু আমরা ফোরকাস্টিং করতে পারি। আর এই ফোরকাস্টিং এর সবচেয়ে বড় একটা জিনিস আমি রিসেন্টলি বেশ কয়েকটা জায়গায় কাজ করেছি এবং সেটা বলছি যে ফোরকাস্টিং এর একটা অংশ হতে পারে যেমন পাওয়ার জেনারেশন। আমরা এই মুহূর্তে পাওয়ার জেনারেশন মানে আমাদের গত 10 বছরের ডেটা থেকে আমরা ধারণা করতে পারি যে আমাদের পাওয়ার জেনারেশন আমরা যদি এখানে ব্যাপারটাকে এভাবে নিয়ে আসি যে আমাদের বর্তমান যে ডেটাটা আছে মানে এখানে আমরা যদি দেখাই যে আমাদের বর্তমান ডেটাটা আছে এখানে সুতরাং এই বর্তমান ডেটাটা যেখানে কাজ করছে সেখানে যদি আমরা এভাবে দেখি যে আমাদের বর্তমান ডেটা এবং সেই বর্তমান ডেটার উপর ভিত্তি করে ভিত্তি করে আমরা ফিউচারিস্টিক ডেটা এবং এই ফিউচারিস্টিক ডেটাটা কি? আমরা বলছি যে দিস ইজ আওয়ার ফিউচারিস্টিক ডেটা। এখন এখানে যে আমাদের সময়টা আছে যেহেতু আমার একটা পুরনো ডেটা সেট ছিল সেই পুরনো ডেটা সেটের উপর ভিত্তি করে আমরা কিন্তু এখানে দেখাচ্ছি যে এখানে একটা টাইমলাইন আছে। সেই টাইমলাইনের ভিত্তিতে এখানে কিন্তু 2011 থেকে আমরা নভেম্বর 9 2013 পর্যন্ত আমাদের কাছে ডেটাটা ছিল। আর আমাদের কাছে যদি আমরা বলি আমাদের কাজের জন্য আমরা বলছি যে দিস ইজ দা ডেটা হুইচ ডোন্ট হ্যাভ। আমাদের কাছে এই মুহূর্তে এই ডেটাটা নেই। তার মানে কি আমাদের কাছে এইটাই হচ্ছে প্রেডিকশন এটাই হচ্ছে আমাদের ফোরকাস্টিং যে এই ডেটাটাকে আমাদেরকে জেনারেট করতে হবে। এই ব্যাপারটা এরকম যে আমাদের পাওয়ার জেনারেশন নিয়ে আমি যেটা আলাপ করছিলাম যে আমরা দেখছিলাম যে আমাদের পাওয়ার জেনারেশন আসলে কিভাবে বাড়ছে বা কিভাবে আমাদের দরকার পড়ছে বা কিভাবে আমাদের পাওয়ারটা ব্যবহার হচ্ছে। সেভাবে আমাদের ভবিষ্যতে পাওয়ারটা কিভাবে লাগতে পারে কখন কিভাবে মানে কোন দিন বা কোন মাসে বা কোন সপ্তাহে আমাদের পাওয়ারটা কিভাবে লাগতে পারে সেটাও কিন্তু আমরা এখানে একটা প্রেডিকশন হিসেবে দেখাতে পারি। যদিও এটা সেলস ডেটা বাট আমরা বলছি যে এই একই জিনিস প্রযোজ্য। আমরা বলছি এই একই জিনিস মানে আমাদের কাছে এক্সিস্টিং ডেটা এই এক্সিস্টিং ডেটার উপর ভিত্তি করে আমাদের সামনের ফোরকাস্টেড মডেল যে আমরা বলছি যে আমাদের সামনে আমরা বলছি যে দিস ইজ আওয়ার ফোরকাস্টেড মডেল যেটা আমরা চাচ্ছি বেসড অন প্রেজেন্ট ডেটা। এই ফোরকাস্টিংটা আমাদের খাদ্যশস্যের উপর হতে পারে। আমরা বলতে পারি যে আমাদের সামনে ধানের উৎপাদন কেমন হতে পারে। আমাদের সামনে আমাদের পেঁয়াজের উৎপাদন কেমন হতে পারে। এই যে ব্যাপারগুলো যে আমাদের কাছে প্রেডিকশন মানে আমাদের ফোরকাস্টিং আমরা করতে পারি। আর সেইজন্যই আমরা যখন ফিরে আসি আমাদের উইকিপিডিয়াতে ধরা যাক আমাদের উইকিপিডিয়াতে আমরা যদি ফিরে আসি সেখানে আমরা একটা জিনিস বলতে পারি যে যে জিনিসটা আমরা বারবার বলছি যে এটা একটা প্রেডিকশন বাট এই প্রেডিকশনটা একটা কাইন্ড অফ লং টার্ম এস্টিমেট। আমরা বলছি যে দিস ইজ দা প্রেডিকশন ফর জেনারেল এস্টিমেট এবং সেখানে আসলে আমরা যে জিনিসটা বলি যে আমরা টাইম সিরিজ সলিউশন ব্যবহার করতে পারি। আমরা অন্যান্য ডেটা আমরা নিয়ে কাজ করতে পারি। তবে আমাদের যে জিনিসটা নিয়ে আমরা সবসময় বলি যে আমাদের যত কাজ তার মধ্যে রিস্ক বিশেষ করে আমাদের এই ফোরকাস্টিং এর জন্য আমাদের এই রিস্ক এবং আনসার্টেনিটি কিন্তু সবসময় থাকবে। কারণ আমাদের স্টক মার্কেট প্রেডিকশন স্টক মার্কেট ফোরকাস্টিং সেখানেও কিন্তু আমরা দেখি যে রিস্ক এবং আনসার্টেনিটি একটা বড় ফ্যাক্টর। এবং এই রিস্ক এবং আনসার্টেনিটি একটা বড় ফ্যাক্টর বলেই কিন্তু আমাদের এই ডেটা সাইন্স। আমরা জানতে চাইবো যে আমাদের ডেটা ঠিকমতো কাজ করতে পারছে কিনা এবং সেই ডেটাটা আসলে ঠিকমতো কাজ করতে পারছে কিনা সেটা নিয়ে কিন্তু আমরা এখানে দেখব। সবচেয়ে বড় জিনিসটা হচ্ছে আমরা আস্তে আস্তে দেখাবো যে আমাদের এই কোয়ালিটেটিভ এবং কোয়ান্টিটেটিভ এই দুটোর এপ্রোচে কিভাবে কাজ করছে এবং তার পাশাপাশি আমাদের যে বিভিন্ন হিসেব মানে এটা আসলে কিভাবে হবে এবং সেখানে আমরা দেখব যে বিশেষ করে আমরা যখন এটা নিয়ে কাজ করব সেখানে বেশ কয়েকটা আমরা সেটিং দেখব যে আমরা মিন এবসলিউট এররের একটা ধারণা দেখব এবং তার পাশাপাশি আমরা সবচেয়ে বেশি যেটা ব্যবহার করি সেটা হচ্ছে গিয়ে রুট মিন স্কয়ার এরর এবং এটা নিয়ে কিন্তু আমি আমার বইয়ে মানে সেকেন্ড বই যেটা হচ্ছে শূন্য থেকে পাইথন মেশিন লার্নিং সেখানে কিন্তু আমি এই ব্যাপারটা নিয়ে বেশ আলাপ করেছি। এবং সবচেয়ে যে জিনিসটা হচ্ছে যে আমরা আজকে ব্যবহার করব ট্যাবলু এবং সেই ট্যাবলু ব্যবহার করে আমরা আপনাদেরকে একটা ধারণা দিব যে কিভাবে ফোরকাস্টিং বা কিভাবে এই প্রেডিকশনগুলো করা যায়। আমাদের ট্যাবলু চালু করার আগে আমি এটুকু বলতে পারি যে ট্যাবলু পাবলিক ভার্সন যেটা সেটা হচ্ছে পুরোপুরি ফ্রি। আমরা ট্যাবলু পাবলিক মানে আমরা যদি ট্যাবলু পাবলিক দিয়ে যদি সার্চ দেই তাহলে এটা আমাদের এখনই আমরা ডাউনলোড করতে পারবো এবং এটা পুরোপুরি ফ্রি। তা আমরা ফিরে আসি আমাদের একচুয়াল ডেটাতে যেটা যেটা নিয়ে আমরা একটু আগে আলাপ করছিলাম। যে আমাদের আসলে যেই ডেটা নিয়ে আমরা সবসময় কথা বলি বা যে ডেটা সোর্স নিয়ে আমরা কাজ করি সেখানে কিন্তু আমরা দেখাচ্ছি গ্লোবাল সুপারস্টোর ডেটা সেট। আমাদের এই গ্লোবাল সুপারস্টোর ডেটা সেট থাকার কারণেই কিন্তু আমরা আসলে আপনাদেরকে দেখাতে পারছি যে আমাদের এখানে কি কাজটা হচ্ছে। তা আমরা এই গ্লোবাল সুপারস্টোর ডেটা সেটটা থেকেই কিন্তু আমরা পাচ্ছি এবং এটা একটা ম্যাক্স অফ এক্সেল ফাইল যেটা আসলে আমাদের যে গিটহাব পেইজ আছে সেই গিটহাব পেইজে কিন্তু আমরা এটা রেখে দিয়েছি। এখন এখান থেকে আমাদের তিনটা ট্যাব আছে তার মধ্যে আমরা এই অর্ডার ট্যাবটা নিয়েই কিন্তু কাজ করছি এবং অর্ডার ট্যাবের মধ্যেই কিন্তু আমাদের এই পুরো জিনিসটাই কিন্তু আমরা এখানে দেখিয়েছি। সবচেয়ে বড় জিনিসটা হচ্ছে আমরা নরমালি এখান থেকে অর্ডার ডেট যেহেতু আমাদের একটা টাইম সিরিজ একটা ডেটা মানে আমাদের কাছে ডেটাটা আছে সেইজন্য আমরা এই অর্ডার ডেটটা নিয়ে কিন্তু আমরা কাজ করব। এখন যদি আমরা ফিরে আসি ধরা যাক আমাদের যে শীট ওয়ানটা আছে আমরা এখানে শীট ওয়ানে যদি ফিরে আসি তাহলে আমরা দেখছি যে আমাদের যে একচুয়াল প্রেডিকশনটা আমরা বলছিলাম যে আমাদের এই ডেটাটা আছে এবং এটাকে আমরা প্রেডিকশন করতে হবে। তো সেইজন্য আমরা যদি এই পুরো জিনিসটাকে আমরা নতুন করে করতে চাই ধরা যাক আমাদের এখানে যে জিনিসটা আমরা বলছি যে আমরা এটা একদম নতুন করে করতে চাই তাহলে আমরা এখান থেকে আমরা দেখাবো যে একটা নতুন ওয়ার্কশীট আমরা নিব। একটা নতুন ওয়ার্কশীট আমরা নিলাম নেবার পরে এখন আমাদের যেই জিনিসটা নিয়ে আমরা বারবার বলছি যে আমাদের আসলে কাজটা কিভাবে করতে হবে সেখানে আমাদের যে ডেটাটা আছে সেটা আমরা দেখেছি যে এই অর্ডার ডেট এই অর্ডার ডেটা একটা ডেটা এবং এই অর্ডার ডেটের উপর ভিত্তি করে আমাদের সেলস প্রজেকশন ধরা যাক আমাদের এখানে সেলস ডেটাটা আছে। তো এই সেলস ডেটাটার প্রজেকশন কিন্তু আমরা করতে চাইবো এবং এই অর্ডার ডেট এটাকে আমরা কোথায় নেব? আমরা অর্ডার ডেটটাকে আমরা কলামে নিতে পারি। আমরা সেলস ডেট এটাকে আমরা নিতে পারি হচ্ছে গিয়ে আমাদের রোতে। এটা হচ্ছে আমাদের একটা বেসিক আন্ডারস্ট্যান্ডিং বাট আমি এইটুকু বারবার বলব যে এটা হচ্ছে আমাদের একটা ধারণা কিন্তু আমরা সবসময় এই অর্ডার ডেট বা এই সেলস বা প্রফিট আমাদের যেকোনো কলাম বা রোতে আমরা টেস্ট এন্ড ট্রায়াল করতে আমরা কিন্তু দ্বিধাদ্বন্দ্ব করব না বা আমরা কখনোই ভাববো না যে না এটাই দিস ইজ দা বেস্ট ওয়ে। আমরা সবকিছুই আমরা যখন শিখি তখন কিন্তু আমরা অনেক ধরনের আমরা ট্রায়াল এন্ড এরর মেথড দিয়ে আমরা কিন্তু শিখতে চাই। তা আমরা যদি এই মুহূর্তে আমাদের কাজে ফিরে আসি যে আমাদের যে ডেটাটা আছে সেই অর্ডার ডেট এই অর্ডার ডেটটাকে আমরা নিয়ে এলাম হচ্ছে গিয়ে আমাদের কলামে এবং সেই কলামে আমরা নিয়ে এলে আমরা এখান থেকে আমরা কিভাবে অর্ডার ডেটটা নিতে পারি? আমরা অনেক ধরনের আমরা ইয়ার নিতে পারি, আমরা মান্থ নিতে পারি, আমরা সেই হিসেবেও কিন্তু আমরা নিতে পারি। এখন আমরা জাস্ট প্লেন এন্ড সিম্পল আমরা ওকে করলাম। এখন এই অর্ডার ডেট থেকে আমরা এখান থেকে কি করতে পারি? যেমন আমাদের এখানে কিন্তু কিভাবে দেওয়া আছে? তা আমরা নরমালি দেখা যাক আমরা মান্থলি আমরা এই প্রেডিকশনটা নিতে চাই। আমরা এটা মান্থলি একটা ধারণা নিলাম। এর পাশাপাশি আমরা আমাদের সেলস ডেটা এই সেলস ডেটাটাকে আমরা এখানে আমাদেরকে রোতে নিয়ে আসছি। এখন কিন্তু আমরা একটা ধারণা পাচ্ছি যে আমাদের কাছে নভেম্বর এবং 2010 থেকে আমাদের কাছে ডেটা আছে এবং সেই ডেটাটা আমাদের কাছে দেখা যাচ্ছে যে নভেম্বর 2010 থেকে নভেম্বর 2014 পর্যন্ত ডেটা আছে। তার মানে হচ্ছে কি এই ডেটাটা আমাদের কাছে এই মুহূর্তে আছে যেই প্রেডিকশনটা আমরা এখন বুঝতে পারছি যে একটা সেলস প্রেডিকশন যে এই পাশে সেলস। সুতরাং আমরা যদি এখন সেলস প্রেডিকশনে দেখতে চাই যে আমাদের কাছে সেলস প্রেডিকশন এটা কিন্তু ডলারে তারা সেট করেছে যে আসলে তাদের ডলারে কিভাবে প্রেডিকশনটা হচ্ছে। আর এর পাশাপাশি আমাদের হচ্ছে গিয়ে মান্থ অফ অর্ডার ডেট। এখন আমাদের কাছে এই মুহূর্তে যে ডেটাগুলো আছে সেই ডেটাতে যদি আমরা বলি ধরা যাক আমরা বলি যে এইটুকু ডেটা আমরা নেব। এইটুকু ডেটা আমরা নেব বিকজ আমাদের কাছে কিন্তু এই ডেটাটাও আছে। আমাদের কাছে এই ডেটাটাও আছে কিন্তু আমরা আমাদের মডেল ঠিকমতো কাজ করছে কিনা মানে ট্যাবলু ইজ এ ডেটা ভিজুয়ালাইজেশন টুল এট দা সেইম টাইম এখান থেকে ডেটা অ্যানালিটিক্স করা যায়। বাট এর পাশাপাশি ফোরকাস্টিং মানে আমরা বলতে চাচ্ছি যে ফোরকাস্টিং বা প্রেডিকশনের মতো মেশিন লার্নিং একটা আইডিয়া সেটাও কিন্তু এখন এই ধরনের নতুন নতুন বিজনেস অ্যানালিটিক্স টুলসের মধ্যে তারা দিয়ে দিয়েছে। তা আমরা যদি এখন এখানে আমাদের কাছে এক্সিস্টিং ডেটা আর এটাও আমাদের কাছে এক্সিস্টিং ডেটা। কিন্তু আমরা যদি এটাকে উইথহোল্ড করি মানে আমরা বলছি যে এই জিনিসটাকে আমরা আমাদের মডেলকে দেখাবো না। আমরা এই জিনিসটা আমরা মডেলকে উইথড্র করব আমরা ফিল্টার করে দেব। তাহলে কিন্তু আমাদের বর্তমান যে ডেটাটা আছে সেটার উপর ভিত্তি করে আমরা কিন্তু নিজেরাও কিন্তু একটা প্রেডিকশন করতে পারি। সেটাই আমরা এখানে করার চেষ্টা করব। আমরা এখন এই মুহূর্তে আমাদের কাছে একটা ফিল্টার ধরা যাক আমরা এখন একটা ফিল্টার করতে চাইবো। কিভাবে ফিল্টারটা করতে চাইবো? আমরা যদি অর্ডার ডেট হিসেবে যদি ফিল্টার করতে চাই কারণ আমরা এর আগে বলেছিলাম যে আমাদের কাছে এই মুহূর্তে যে ডেটাটা আছে সেই ডেটার মধ্যে আমরা এই অংশটুকু আমরা আমাদের কাছে রাখবো। মানে আমরা বলব যে আমাদের কাছে এই অংশটুকু ডেটা আছে আর এর বাইরের ডেটাটা মানে বলতে চাচ্ছি যে এর বাইরের ডেটাটা আমরা ফোরকাস্টিং করব। সুতরাং এই ফোরকাস্টিং ডেটাটাকে আমরাকে ফিল্টার করতে হবে। এই ফিল্টারটা করার জন্য আমরা আমাদের স্ট্রাকচারে যদি আমরা ফিরে আসি আমরা চলে আসি আমাদের ফিল্টার করার জন্য। ফিল্টার করার জন্য আমরা কি করব? আমরা সরাসরি আমাদের যে মান্থ যে অর্ডার ডেটটা আছে সেটাকে আমরা কন্ট্রোল চাপ দিয়ে আমরা কন্ট্রোল চাপ দিব এবং সেটাকে টেনে আমরা ফিল্টারে নিয়ে রাখবো। ফিল্টারে যখন আনবো তখন আমরা বলতে পারি যে আমরা আসলে ফিল্টার কিভাবে করব। ধরা যাক আমরা এই মুহূর্তে আমরা ইয়ার দিয়ে ফিল্টার করি। আমরা ইয়ার দিয়ে ফিল্টার করছি এবং ইয়ার দিয়ে ফিল্টার করতে গেলে কিন্তু আমাকে বলছে যে আমরা কি সবগুলো ডেটা নেব নাকি আমরা এই 2011, 12, 13, 14 নিব নাকি আমরা একটা সিলেক্ট করব। আমরা প্রথমে বললাম অল এবং আমরা পরে বলছি যে আমরা 2014 টা আমরা নেব না। তো দেখা যাচ্ছে যে এখানে যে এই অংশটুকু যে অংশটুকু আমি আবারও বলছি যে আমাদের যে অংশটুকু মানে বিশেষ করে আমরা তো এখন এই অংশটুকু নিচ্ছি এই অংশটুকু। তার মানে হচ্ছে কি এই অংশটুকু হচ্ছে গিয়ে আমাদের একচুয়াল ডেটা। আর আমাদের ফোরকাস্টিং ডেটা যদি আমরা বলি যে এটাকে আমরা বলব আমাদের ফোরকাস্টের ডেটা। যদিও এই ডেটাটা যদিও এই ডেটাটা আমাদের কাছে আছে বাট আমাদের কাছে বোঝানোর জন্য মেশিন লার্নিং মডেলটা ঠিকমতো কাজ করছে কিনা বা আমাদের প্রেডিকশন ঠিকমতো কাজ করছে কিনা এটা কিন্তু আমাদের একটা দেখার বিষয় যে আমাদের এই ডেটাটা আমাদের এখানে এই ডেটাটা আমরা উইথহেল্ড করব। উইথহেল্ড করার পরে আমরা তখন চেক করব যে আমাদের যে এই যে কারেন্ট ট্রেন্ডটা আছে সেই কারেন্ট ট্রেন্ডটা আমাদের রিয়ালিস্টিক ডেটার সাথে যায় কিনা সেটাই কিন্তু আমাদের এখানে দেখব। তো আমরা যদি এই মুহূর্তে আমাদের যে ডেটাটা আছে সেই ডেটাটা যদি আমরা এখন এই অবস্থায় আমরা ওকে করি যে আমরা 11, 12, 13 আমরা দেখব যে এখানে 14 টা আর থাকবে না। মানে আমরা যদি এখান থেকে বলেছি এপ্লাই এবং আমরা এখানে এপ্লাই করেছি এবং আমরা দেখছি যে এখান থেকে কিন্তু 14 ডেটাটা আর নেই। তার মানে হচ্ছে কি আমাদের এটা ফিল্টার হয়ে গেছে। সো এই অবস্থায় কিন্তু আমরা কিন্তু একটা ধারণা পাচ্ছি যে না আমাদের ডেটাটা যেটা আছে সেই ডেটাটা আমাদের এখানে তিন বছরের ডেটা চার বছরের ডেটা না। এখন এই অবস্থায় আমরা যদি বলতে চাই যে না আমাদের এখানে যে কাজটা হয়েছে সেটাকে আমরা ফোরকাস্ট হিসেবে দেখতে চাই যে আমাদের কাছে যে এক বছরের যে ডেটা আছে যেটা আমরা দেখাবো না মেশিন লার্নিং মডেলের কাছে কিন্তু আমরা এটাকে বলব যে ঠিক আছে তুমি আমাকে ফোরকাস্ট করে দেখাও। তা আমরা ফোরকাস্ট করে কিভাবে দেখাবো? তখন আমরা এখন চলে যাব হচ্ছে অ্যানালিটিক্সে। অ্যানালিটিক্সে যখন চলে যাব তখন কিন্তু আমাদের এখানে ফোরকাস্ট আছে। এই যে ফোরকাস্ট যে ব্যাপারটা তার মানে কি এই ফোরকাস্ট জিনিসটা কিন্তু আমরা এখান থেকে টানতে পারি। আমরা এখান থেকে ফোরকাস্ট জিনিসটাকে আমরা এভাবে অ্যাড এ ফোরকাস্ট মানে আমরা যখন এখানে টানছি তখন কিন্তু অ্যাড এ ফোরকাস্ট আসছে। তার মানে হচ্ছে কি আমরা এখানে যদি আমরা এভাবে দেখি যে আমাদের এই ফোরকাস্ট যে জিনিসটা আছে সেই ফোরকাস্টটা কিন্তু আমরা এখান থেকে আমরা নিয়ে এসে কোথায় নিয়ে আসবো আমরা এখানে নিয়ে আসবো। আমরা ফোরকাস্টটা এখানে নিয়ে আসবো। এখানে আমাদেরকে একটা অপশন দিবে যে ফোরকাস্ট সে করতে পারবে কিনা। সো আমরা এই অবস্থায় যদি আমরা ফিরে আসি যে আমাদের ফোরকাস্টিং এ তখন আমরা এখানে দেখাচ্ছি যে আমাদের এই ফোরকাস্ট ডেটাটা আমরা এখানে নিয়ে এসে আমাদের অ্যাড এ ফোরকাস্ট বলে ছেড়ে দিলাম এবং দেখা যাচ্ছে যে আমাদের এখানে যে ডেটাটা আমরা বলছি যে আমাদের বর্তমান ডেটা মানে যেটাকে আমরা যদি আবারও বলি যে আমাদের এই বর্তমান ডেটাটা যেটা আছে তার সাথে বিশেষ করে আমাদের এখন যে ডেটাটা আমরা বলছি দিস ইজ দা ফোরকাস্টেড ডেটা মানে দিস ইজ আওয়ার ফোরকাস্টেড ডেটা বেসড অন আওয়ার এক্সিস্টিং ডেটা। তার মানে হচ্ছে কি আমাদের এই যে ডেটাটা আছে যে ডেটাটাকে আমরা বলছি আমাদের এক্সিস্টিং ডেটা যেহেতু আমাদের এখানে আমরা ফিল্টার করেছি। আমরা যেহেতু ফিল্টার করেছি তার মানে আমাদের কাছে এই তিন বছরের ডেটা আছে এবং তিন বছরের ডেটার ভিত্তিতে ভিত্তি করে সে একটা তার একটা ট্রেন্ড আছে। সেই ট্রেন্ডের উপর ভিত্তিতে সে কিন্তু একটা নতুন ট্রেন্ড আমরা বলছি যে দিস ইজ আওয়ার নিউ ট্রেন্ড যেটাতে আমরা নতুন করে ডেটাটা আমরা আর এই ডেটাটাকে কনসাল্ট করে আমরা এই ডেটাটা জেনারেট করেছি যেটা আমাদের একচুয়াল ডেটার সাথে আমরা পরে মিলাবো। মানে আমাদের এটাই হচ্ছে গিয়ে আমাদের ধারণা যে আমরা যাই করব না কেন আমরা এখানে আমাদের যে এস্টিমেশন আমরা যদি এখানে বলি আমাদের এস্টিমেশন এই এস্টিমেশনটা বের করার জন্য আমরা কি করব? আমাদের একচুয়াল ডেটাটাকে আমরা ব্যবহার করব। মানে এই এস্টিমেশনটা পাওয়ার জন্য আমরা একচুয়াল ডেটা ব্যবহার করব। এখন আমরা যদি আমাদের একচুয়াল ডেটাতে যদি ফিরে যেতে চাই যেটা আমি আপনাদেরকে পরে দেখাবো যে আমাদের একচুয়াল ডেটা আমরা যদি এখান থেকে যদি আমাদের ফিল্টারটা ধরা যাক আমাদের এখানে এডিট ফিল্টার এডিট ফিল্টার থেকে যদি আমি এখন 2014 যদি দিয়ে দেই তাহলে দেখা যাচ্ছে যে এই 2014 আমি অ্যাড করার পরে আমার লাস্টের যে জিনিসটা আপনি দেখুন যে আমাদের এই এখানে যদিও এইটা করাটা ঠিক হয়নি কারণ এটা আসলে দিস ইজ নট হাউ উই শুড বি ডুইং মানে আমরা আসলে এভাবে কাজটা করব না বাট আমি আপনাকে একটা ধারণা দেওয়ার জন্য বলছি দিস ইজ নট দা রাইট এপ্রোচ। আমি বারবার বলছি যে আমি এখন যেটা দেখাচ্ছি সেটা কিন্তু সঠিক না বাট জাস্ট আমি আপনাদের সামনে দেখাবো যে আমাদের এই মুহূর্তে যে ডেটাটা আছে যে এই ডেটাটা আমাদের এখানে এই পর্যন্ত আমাদের একচুয়াল ডেটাটা আছে এই ডেটাটা আছে। আপনি দেখুন এই ডেটাটা এবং তার যে প্রজেকশন ডেটা এটা কিন্তু কাছাকাছি কাছাকাছি কারণ সে কিন্তু সে কি করেছে সে কিন্তু আমার এই ডেটার উপর ভিত্তি করে সে 15 এবং 16 এর জন্য সে কিন্তু আমাকে প্রেডিকশন করে দিয়েছে। বাট তবুও আমি বলব যে যদিও এই আইডিয়াটা বা এই ধরনের জিনিস দেখানোটা ঠিক না বাট তবুও আমি বলব যে এইটাতে একটা বড় জিনিসটা হচ্ছে যে আমরা এই জিনিসটা এটার সাথে কিন্তু একটা ভালো তুলনা পাচ্ছি আমি। আমি বলছি যে এটার সাথে একটা এটার একটা ভালো তুলনা করা যাচ্ছে। তো আমরা ভবিষ্যতে যেটা করব সেটা হচ্ছে এই পুরো জিনিসটাকে আমরা নিয়ে আমাদের এই প্রেডিকশন এই পুরো ডেটাটা এবং এই ডেটার সাথে আমাদের প্রেডিক্টেড ডেটাকে আমি ডুয়েল এক্সেস মানে পাশাপাশি আমি দেখিয়ে দেখাবো যে আমাদের একচুয়াল ডেটা এবং প্রেডিক্টেড ডেটা মানে আমি যে এই এস্টিমেশন ডেটা এই এস্টিমেশন ডেটাটা কতটুকু কাছাকাছি এবং কতটুকু কনজারভেটিভ সেটা নিয়ে আমি সামনে আলাপ করব। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | বেসিক ধারণা নিয়ে আলাপ ডেটা-অ্যানালাইসিস জিনিসটা কী Data Analytics.mp3 | আসসালামু আলাইকুম আপনারা কেমন আছেন? আমি প্রচুর মেসেজ পাচ্ছি ইনবক্সে, হোয়াটসঅ্যাপে এবং আমার ফোনে গুগল ডেটা অ্যানালিটিক্স কি বা ইভেন বেসিক লেভেলে যে ডেটা অ্যানালাইসিস কি বা ডেটা অ্যানালিটিক্স কিভাবে কাজ করে বা এটা আমাদেরকে কিভাবে সাহায্য করবে। তো আমার মনে হলো যে এর ব্যাপারে আপনাদেরকে একটা ছোট মানে একটা ওয়ান টু ওয়ান আন্ডারস্ট্যান্ডিং দেওয়ার ব্যাপারে কথা বলতে পারি যে আসলে ডেটা অ্যানালাইসিস কি। যে আমাদের কাছে প্রচুর ডেটা আছে বা আমরা আসলে যেখানেই কাজ করি না কেন আমি যদি বলি যে আজকে দারাজের ব্যাপারে যে দারাজ প্রচুর ডেলিভারি দিচ্ছে তাদের প্রোডাক্ট। এখন ওনারা জানতেই পারেন যে আমরা যখন প্রোডাক্ট ডেলিভারি দিচ্ছি সেই প্রোডাক্টগুলো আসলে সবাই ঠিকমতো পাচ্ছে কিনা বা প্রোডাক্ট রিটার্ন হচ্ছে কিনা। তো দারাজ চাইতেই পারেন যে বা স্বপ্ন চাইতেই পারেন যে তাদের যে প্রোডাক্টগুলো বা চাল ডাল চাইতেই পারেন যে তাদের প্রোডাক্টগুলো যখন মার্কেটে যাচ্ছে বা যখন ডেলিভারি হচ্ছে সেটা 100% ওনারা চাইবেন যে 100% ডেলিভারি হোক। তবে সবগুলো কিন্তু ঠিক টাইম মতো ডেলিভারি হওয়ার সময় কিন্তু কিছু সমস্যা হচ্ছে অথবা কিছু কিছু প্রোডাক্ট রিটার্ন আসছে। তখন এই যে একটা আন্ডারস্ট্যান্ডিং যে ডেটা থেকে বুঝতে পারা যে কি কি প্রোডাক্ট মার্কেটে গিয়েছে ডেলিভারির জন্য এবং ডেলিভারি কিছু কিছু জিনিস আবার ফেরত আসছে। তার মানে হচ্ছে ওখানে একটা কোরিলেশন আছে যে আমরা ধরা যাক 1000 আজকে প্রোডাক্ট মার্কেটে গেল মানে আমাদের ডেলিভারিতে গেল এবং ডেলিভারি ওয়্যারহাউস থেকে ডেলিভারিতে গেল এবং ওয়্যারহাউস থেকে তারা জানে যে কোন কোন রাইডার এটা নিয়ে গেছে। কিন্তু আবার যখন সেটা ফেরত এলো মানে হচ্ছে কি কিছু কিছু প্রোডাক্ট ঠিকমতো ডেলিভারি হয়নি এবং সেটা রিটার্ন এসছে বা বেশ কিছু অ্যাট্রিবিউটের কারণে আমি আর ভেতরে গেলাম না বাট আমার কথা হচ্ছে যে যে কোন স্ট্রাকচারড বা আনস্ট্রাকচারড ডেটার উপরে ভিত্তি করে যদি আপনি একটা ইনসাইট পান মানে দারাজ বা চাল ডাল যদি একটা ইনসাইট পায় যে কেন প্রোডাক্ট রিটার্ন হচ্ছে এটা যদি ঠিকমতো ওনারা বুঝতে পারেন তাহলে কিন্তু ওনারা এখান থেকে একটা ভবিষ্যৎ একটা সিদ্ধান্ত নিতে পারেন। এই যে পুরনো ডেটা থেকে আমাদের একটা কাজ করার অভিজ্ঞতা থেকে মানে পুরনো ডেটার কাজ করার অভিজ্ঞতা থেকে আমরা একটা ভবিষ্যৎ সিদ্ধান্ত নিতে পারা। মানে আমরা ভবিষ্যতে যাতে প্রোডাক্টটা রিটার্ন না হয় তার জন্য আমরা একটা ইনসাইট পাবো ডেটা থেকে। এই যে ইনসাইট পাওয়াটা এটাই কিন্তু আমাদের ডেটা অ্যানালাইসিস বা ডেটা অ্যানালিটিক্স বলতে পারি। এখন ডেটা সাইন্স এবং ডেটা অ্যানালিটিক্স এটা আসলে একই না কারণ আমরা ডেটা সাইন্সে আগে বলেছি যে এটা আসলে যেই সাইন্স মানে এন্ড টু এন্ড ডেটা নিয়ে কাজ করে কিন্তু আমরা ডেটা অ্যানালিটিক্স হচ্ছে কি আমরা ডেটা থেকে আমরা ইনসাইট বা সিদ্ধান্ত নিতে পারাটা সেইখানে কিন্তু আমরা আটকে থাকবো। আমরা আসলে এনালাইসিস করব যে ডেটা আসলে আমাকে কি বলতে চাইছে বা ডেটা আমাকে কি ভবিষ্যৎ একটা আন্ডারস্ট্যান্ডিং দিতে চাইছে যার জন্য আমার কোম্পানির সিদ্ধান্ত আগে যে সিদ্ধান্ত ছিল তার সিদ্ধান্তকে আমাকে পাল্টাতে হবে বা আমাকে কোম্পানির যে আগের সিদ্ধান্ত ছিল সেটাকে কিভাবে আরো ভালো প্রসেসে নিয়ে যাওয়া যায়। যে আমরা আগে যেভাবে প্ল্যান করতাম যে একটা জিনিস মার্কেটে রাইডারের জন্য অথবা এটা যদি এরকম হয় যে কোন ওয়্যারহাউসের জন্য বা এরকম হয় যে এই প্রোডাক্টটার প্যাকিং এর জন্য এই যে বিভিন্ন অ্যাট্রিবিউটগুলো সেই অ্যাট্রিবিউটগুলোর ডেটা থেকে যে আমরা পাচ্ছি সেটাকে প্রপারলি বুঝতে পারা এবং সেটাকে আমাদের ম্যানেজমেন্ট মানে যারা হচ্ছে গিয়ে ওই কোম্পানিগুলো চালাচ্ছেন সেই ম্যানেজমেন্টকে ঠিকমতো কমিউনিকেট করতে পারাটা এটা একটা বড় ইস্যু এবং সেটাই হচ্ছে গিয়ে ডেটা এনালাইসিসের মধ্যে পড়ে। এখন অনেকে আমাকে অনেকে আমাকে বলতে পারেন যে আসলে ডেটা অ্যানালাইসিসের পেছনে আপনি যে মাঝে মাঝে বলেন যে প্রশ্ন করতে পারা এই ব্যাপারটা কি? আসলে ব্যাপারটা হচ্ছে এরকম যে আমরা যখন ডেটা অ্যানালাইসিস করতে যাই তখন আমাদের কাছে যে ডেটাটা আছে সেই ডেটাকে ঠিকমতো প্রশ্ন করতে পারতে হবে। মানে আমার কাছে যে ডেটা আছে সেই ডেটাকে যদি আমি অন্য ধরনের প্রশ্ন করি তাহলে কিন্তু আমি ওখান থেকে রাইট সিদ্ধান্তটা পাবো না। মানে আমার কাছে যে ডেটা আছে সেই ডেটা দেখে সেই ডেটার ভিতর থেকে কি কি সিদ্ধান্ত বা কি কি আমার প্রশ্ন করতে পারা যায় সেটা যদি আমি বুঝি সেই প্রশ্ন করতে পারাটাই কিন্তু আমাদের একটা বড় আমি বলব যে একটা বড় অভিজ্ঞতা যে ডেটাকে ঠিকমতো প্রশ্ন করতে পারতে হবে এবং কোন ডেটাকে কোন ধরনের প্রশ্ন করতে পারতে হবে সেটাও কিন্তু আমাকে বুঝতে হবে। যে আমরা অনেক সময় ধরা যাচ্ছে যে এমন কিছু ডেটা কালেক্ট করলাম আমার কাছে একটা প্রশ্ন আছে যে কেন আমার প্রোডাক্ট রিটার্ন হচ্ছে কিন্তু আমি আসলে কালেক্ট করলাম একটু ভিন্ন ধরনের ডেটা। তখন কিন্তু আমি বলব যে আমার কিন্তু ডেটা অ্যানালাইসিসের মধ্যে আমার কিছু সমস্যা হচ্ছে কারণ আমি রাইট ডেটাটাকে আমি সিলেক্ট করিনি। মানে অনেক সময় দেখা যাচ্ছে যে আমরা বলি যে না আমি তো ডেটাতে কিছু পাচ্ছি না কারণ আমরা রাইট ডেটাকে সিলেক্ট করিনি। তো এটা এটাই বলছি যে আমরা যেটা নিয়ে কাজ করি না কেন আমাদেরকে ঠিকমতো প্রশ্ন করতে পারতে হবে এবং আমাদেরকে রাইট ডেটা মানে ওই ঠিক প্রশ্ন করতে পারার জন্য ওই রাইট ডেটাকে আমাকে খুঁজে পেতে হবে। সো এটার সাথে আরেকটা ব্যাপার আমরা বলি যে ডেটা কোয়ালিটি মানে আমরা অনেক সময় বলি যে আমরা যে ডেটাটা কালেক্ট করলাম সেটার কোয়ালিটি যদি প্রপার না হয় তাহলে কিন্তু আমার আমার এরর বা আমার ভুল হতে পারে। আর এর পাশাপাশি আমাদের ডেটা ম্যানিপুলেশন করার জন্য যে টুলগুলো আছে মানে আমরা আসলে ডেটা অ্যানালাইসিসের শুরুতেই আমরা টুলে ঝাপিয়ে পড়ি। আমার কথা হচ্ছে যে আমরা টুলে যাব। টুল হচ্ছে একদম লাস্ট রিসোর্ট মানে আমরা একদম শেষে আমরা টুলে যাব। আমরা এক্সেলে যাব, মাইক্রোসফট পাওয়ার বিআইতে যাব, ট্যাবলুতে যাব। আমরা অথবা আর স্টুডিওতে যাব। কিন্তু আমাদের টুলে যাবার আগে আমাকে বুঝতে হবে যে আমি আসলে কোম্পানির বেসিক প্রবলেম বা কোম্পানির প্রবলেমটা কোথায় বা কোম্পানির কোন সমস্যাটাকে সমাধান করতে চাচ্ছেন। আমরা যদি সেই প্রশ্নটাকে আইডেন্টিফাই করতে পারি তাহলে কিন্তু আমরা আস্তে আস্তে রাইট ডেটা সেটের দিকে আমরা যাব এবং রাইট ডেটা সেটটা যখন আমরা পাবো তখন সেই ডেটা সেটকে হ্যান্ডেল করার জন্য হয়তোবা আমরা তখন বিভিন্ন টুল নিয়ে কাজ করব। তো টুল কিন্তু শুরুতে না। আমরা অনেক সময় ভুল করি আমরা শুরুতেই বলি আপনি কি পাওয়ার বিআই শিখান বা আপনি ট্যাবলু শিখান বা আপনি হুইচ ইজ হুইচ ইজ ওকে, হুইচ ইজ ফাইন। বাট আমার কথা হচ্ছে যে ডেটা অ্যানালাইসিস শিখতে গেলে আমাদের ইনিশিয়াল আন্ডারস্ট্যান্ডিং যে আস্কিং দা রাইট কোশ্চেন অথবা আমরা কি রাইট ডেটা সেটটা কি আমার কাছে আছে কিনা সেটা কিন্তু একটা বড় ইম্পর্টেন্ট। আর তার পাশাপাশি আমরা যে ডেটাটা পেলাম বা ডেটা থেকে যে সিদ্ধান্তটা সরি ডেটা থেকে যেই ধরনের আমরা ইনসাইট পেলাম সেই ইনসাইটটা তো আমাকে বা আমার কাছে বা আমি বলছি যে এই ডেটাটা আমি নিয়ে বসে থাকলে তো হবে না। কারণ আমি যে কোম্পানির জন্য কাজ করছি তার ম্যানেজমেন্ট আছে তাদের একটা ডিসিশন হায়ারকি আছে। সো ওই যে ডিসিশন হায়ারকি যারা কাজ করছেন তাদেরকে কিন্তু ডেটাকে ঠিকমতো কমিউনিকেট করতে পারতে হবে। মানে আমরা ডেটা থেকে একটা সিদ্ধান্ত বা আমরা ডেটা থেকে একটা ধারণা পেলাম কিন্তু সিদ্ধান্ত কিন্তু আসবে ম্যানেজমেন্ট থেকে। তার মানে হচ্ছে গিয়ে আমার স্টেকহোল্ডার আমার স্টেকহোল্ডারকে আমি যদি ডেটা এনালিস্ট হই আমার স্টেকহোল্ডার হচ্ছে কি আমার কোম্পানির ম্যানেজমেন্ট অথবা আমার কাস্টমার মানে আমার হচ্ছে কি যারা যাদেরকে আমি একটা সার্ভিস দিচ্ছি সেই কাস্টমারকে কিন্তু আমাকে সেই ডেটা থেকে যে ইনসাইটটা পেলাম সেই ইনসাইটটাকে প্রপারলি কমিউনিকেট করতে পারতে হবে। এটা যদি আমরা ঠিকমতো করতে পারি তাহলে কিন্তু আমাদের ডেটা এনালাইসিসের একটা বড় পোরশন হয়ে যায়। আর সবচেয়ে বড় যে জিনিসটা আমরা বলি যে ডেটা এনালাইসিস মানে করতে গেলে অনেকে বলেন যে আমাদেরকে স্ট্যাটিস্টিক্স কিছু বুঝতে হবে কিনা? অবশ্যই আমি বলি যে কিছু স্ট্যাটিস্টিক্স বুঝতে হবে কারণ আমরা যদি বলি যেমন ডেটা এনালাইসিসের একটা বড় পার্ট হচ্ছে গিয়ে আমরা যেটাকে বলি ডেসক্রিপটিভ এনালাইসিস মানে ডেসক্রিপটিভ এনালাইসিস বলি এই কারণে যে আমাদের যে কোম্পানি ম্যানেজমেন্ট আছেন বা যার উপরের লেভেলে আছেন তারা কিন্তু ডেটার একটা সামারি চান। তো সামারিটা আমাকে যদি দিতে হয় তাহলে আমাকে ডেসক্রিপটিভ এনালাইসিস লাগবে। আমার ডেটার স্পেসিফিক কিছু সামারি। আমি পুরো ডেটাকে যদি আমার একটা ভিউপয়েন্ট থেকে দেখতে চাই বা একটা ড্যাশবোর্ড দেখতে চাই সেটাতে আমাকে যদি আমার ম্যানেজমেন্টের কাছে যদি সব ডেটা নিয়ে যাই তাহলে উনারা আসলে বুঝবেন না। উনাকে আমাকে সেই ডেটাকে ঠিকমতো একটা এনালাইসিস করে একটা ড্যাশবোর্ড অথবা এটাকে একটা সামারি করতে হবে। সেটা একটা বড় অংশ আছে। আরেকটা জিনিস হচ্ছে যে যারা আমরা ধরা যাক ডেটা নিয়ে কাজ করছি তাদের কিন্তু একটা এক্সপ্লোরেটরি ডেটা এনালাইসিস করতে হবে। মানে আমরা সেকেন্ড পার্ট বলছি যে ডেসক্রিপটিভ এনালাইসিস শেষ। এখন আমি যদি বলি যে এক্সপ্লোরেটরি এনালাইসিস। এক্সপ্লোরেটরি এনালাইসিস হচ্ছে কি আমরা যখন একটু ভেতরে ঢুকবো বিকজ ডেটাতে আমাকে ভিতরে ঢুকতে হবে। ডেটার ভেতরে ডেটার সাথে আমার একটা ভালোবাসায় পড়তে হবে যে ডেটাটা আসলে আমাকে কি বলতে চাইছে। তো এখন সেই ডেসক্রিপটিভ এনালাইসিসের মধ্যে আমরা যে সামারিটা পেলাম সেটা থেকে যখন আমরা একটু ভিতরে ঢুকলাম তখন কিন্তু ডেটার ভিতরে কিছু প্যাটার্ন পেলাম। কিছু আমি মনে করি যে কিছু ট্রেন্ড পেলাম। এখন এই ট্রেন্ড এনালাইসিসটাও কিন্তু আমাদের জন্য ইম্পর্টেন্ট এবং তার পাশাপাশি ইনিশিয়াল ইনভেস্টিগেশন যে ফেইজটা আছে সেটা কিন্তু আমরা ওই এক্সপ্লোরেটরি এনালাইসিসে কিন্তু আমরা করে ফেলবো। আর এর পাশাপাশি আরো অনেক ধরনের এনালাইসিস আমরা বলি যেমন ডায়াগনস্টিকস এনালাইসিস, প্রেডিক্টিভ এনালাইসিস তারপর হচ্ছে প্রেস্ক্রিপটিভ এনালাইসিস। তো আমরা আমরা অত ভেতরে যাব না বা আমরা বলছি যে শুরুতে আমরা যখন ডেটা নিয়ে কাজ করব সেই ডেটা এনালাইসিসের কিছু ধারণা বিশেষ করে আমরা ডেটা থেকে কি ধারণা পাচ্ছি সেটা যদি আমাদের ম্যানেজমেন্টকে ঠিকমতো বুঝাতে পারি তখন কিন্তু ম্যানেজমেন্ট আমাদেরকে আরেকটা লেভেলের কোশ্চেন করবেন মানে সেকেন্ড লেভেলের কোশ্চেন করবেন, থার্ড লেভেলে প্রশ্ন করবেন আরো ভেতরে ঢুকতে চাইবেন। তখন সেটার জন্য আমাদের বিভিন্ন ধরনের এনালাইসিস আমরা করব যেমন আমরা ডেটা এনালাইসিস মেথড যদি বলি মেথডের মধ্যে আমরা বলতে পারি ক্লাস্টার এনালাইসিস বা আমরা বলতে পারি রিগ্রেশন এনালাইসিস অথবা আমরা ফ্যাক্টর এনালাইসিস বা ডেটা মাইনিং। মানে আমার কথা হচ্ছে যে এই যে জিনিসগুলো আমরা কাজ করছি তার আবার কিছু মেথড এবং মেথডের পাশাপাশি আমরা একদম শেষে টুল নিয়ে আলাপ করব। আর আমরা বলতে চাই যে এই ডেটা এনালাইসিস এটা কিন্তু এত ডিফিকাল্ট কিছু না। মানে পৃথিবীর সবাই কিন্তু আস্তে আস্তে ডেটা নিয়ে কাজ করছে এবং সেই ডেটা থেকে একটা ধারণা তারা পাচ্ছে এবং এই ধারণা থেকে কিন্তু আমরা সামনে বলব যে সবকিছুর মধ্যে ডেটা ঢুকে যাবে। যেহেতু সবকিছুর মধ্যে ডেটা ঢুকে যাবে তখন দেখা যাবে যে আমাদের এটা একটা এডিশনাল জব হয়ে যাবে বা এডিশনাল একটা রেসপন্সিবিলিটি হয়ে যাবে যে ডেটাকে বোঝা। আজকে আমরা যারা কাজ করছি ধরা যাক বিভিন্ন ডিপার্টমেন্টে আপনি যেই ডিপার্টমেন্টে কাজ করেন না কেন কমিউনিকেশন স্কিলটা কিন্তু একটা বড় ইম্পর্টেন্ট ইস্যু। তো এটা হচ্ছে গিয়ে আপনি কি কাজ করছেন না কাজ করছেন তার পাশাপাশি কমিউনিকেশন স্কিলটা কিন্তু একটা বেজলাইন হয়ে গেছে। মানে আপনি সবকিছুতে আপনার একটা কমিউনিকেশন স্কিল লাগে। তো সেই হিসাবে ভবিষ্যতে আপনি যেই ডিপার্টমেন্টেই কাজ করেন না কেন আপনাকে কিন্তু পাশাপাশি আপনার ডিপার্টমেন্টের ডেটাকে এনালাইসিস করতে পারতে হবে। এইজন্যই কিন্তু আমাদের এই ডেটাটা বোঝা এত ইম্পর্টেন্ট। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | ডিজাইন থিঙ্কিং ডাটা থেকে ইনসাইটকে কিভাবে কম্যুনিকেট করবো.mp3 | আজকে আমরা উদ্যোক্তা হয়ে অথবা আমরা অন্য কোন কোম্পানি হয়ে তার কোন সমস্যার সমাধান করতে চাই। কারণ আমাদের আসলে কাজ হচ্ছে প্রতিনিয়ত প্রতি সমস্যার সমাধান করা। আর সে কারণে কিন্তু আমি বারবার বলছি আমরা যখন গুগল ডেটা অ্যানালিটিক্স সার্টিফিকেশন কোর্স নিয়ে আমরা কথা বলছি এর অর্থ হচ্ছে আমাদের বর্তমান যে বিজনেস প্রবলেমটা আছে সেই বিজনেস প্রবলেমটাকে আমরা আসলে সলভ করা। আর সেজন্য আমরা যখন দেখছি যে আমাদের এই গুগল ডেটা অ্যানালিটিক্স সার্টিফিকেশন কোর্স নিয়ে আমরা যখন কথা বলছি তখন কিন্তু আমরা বারবার বলছি যে আমাদের ছয় নাম্বার কোর্স, ছয় নাম্বার কোর্সে আমরা বারবার বলছি শেয়ার ডেটা থ্রু দা আর্ট অফ ভিজুয়ালাইজেশন। আমরা যে জিনিসটা বারবার বলছি যে দা শেয়ার ডেটা থ্রু আর্ট অফ ভিজুয়ালাইজেশন। এর অর্থ হচ্ছে আমাদের ডেটা থেকে যেই ইনসাইটটা আমরা পেলাম সেই ইনসাইটটাকে ভিজুয়ালাইজেশনের মাধ্যমে আমাদের কাস্টমার অর্থাৎ আমাদের যে স্টেকহোল্ডার অথবা আমাদের সিনিয়র ম্যানেজমেন্ট অথবা আমাদের কাস্টমার মানে আমরা বলছি যে আমাদের যে প্রোডাক্ট কাস্টমার তাকে ঠিকমতো আমাদেরকে জানানো। আর সেজন্যই আমরা যখন এই সবকিছু নিয়ে আমরা আগাবো তখন আমাদের এই প্রসেসে আসলে কি জানা দরকার। সেখানে আমরা দেখছি যে আমাদের এই প্রসেসে আমরা যেটা আমরা বের করেছি সেটা হচ্ছে গিয়ে এই ডেটা ভিজুয়ালাইজেশনটা করার জন্য আমাদের এই ডিজাইন আন্ডারস্ট্যান্ডিংটা পেতে হবে। মানে আমাদের এই ডেটা ভিজুয়ালাইজেশনটা ডিজাইন আমরা কিভাবে করব। আর এই ডিজাইন যখন আমরা করতে যাচ্ছি তখন একটা বড় ব্যাপার আমাদের কাছে চলে আসছে ডিজাইন থিংকিং। মানে আমাদের যে ভিজুয়ালাইজেশন মানে আমাদের যে ডেটা থেকে ইনসাইটটা আমরা পেলাম সেটাকে আমরা যদি প্রপারলি ভিজুয়ালাইজ করতে চাই তার জন্য আমাদের দরকার ডিজাইন থিংকিং। মানে আমরা আসলে কিভাবে এই ভিজুয়ালাইজেশনটাকে আমরা ডিজাইন করব সেটার একটা ডিজাইন থিংকিং মেথডোলজি বা আন্ডারস্ট্যান্ডিংটা দরকার। আর সেইজন্য এই ডিজাইন থিংকিং এর ব্যাপারটা এখানে চলে এসছে। তো আমরা আসলে এখানে আমাদের এই আন্ডারস্ট্যান্ডিং এর ডিজাইন থিংকিংটা কিভাবে কাজ করবে সেটা নিয়ে যদি আমরা একটু কথা বলি তাহলে এটাকে এভাবে আমরা বলি যে আমাদের ডিজাইন থিংকিং নিয়ে যখন আমরা এটা নিয়ে আলাপ করছি তখন যে জিনিসটা আমাদের কাছে প্রায় আসছে যে আমাদের যে ডিজাইন থিংকিং নিয়ে আমরা যখন এটা নিয়ে কথা বলছি তখন প্রথমেই আপনি আমাকে প্রশ্ন করবেন যে হোয়াট ইজ ডিজাইন থিংকিং? এবং ডিজাইন থিংকিংটা আসলে কিভাবে আমরা ব্যবহার করব আমাদের ভিজুয়ালাইজেশন ইম্প্রুভমেন্টে মানে আমরা ভিজুয়ালাইজেশনটা আমরা ঠিকমতো আমাদের কাস্টমার বুঝতে পারবে সেই জন্যই কিন্তু আমাদের এই ইম্প্রুভমেন্টটা মানে আমাদের ইম্প্রুভমেন্টটা আমরা এখানে কথা বলছি। তো সেটার জন্য যদি আমরা এখন ফিরে যাই আমাদের এই ডিজাইন থিংকিং এর আন্ডারস্ট্যান্ডিং এ তাহলে আমি বলব যে এই ডিজাইন থিংকিং এর যে জিনিসটা আমরা বারবার বলছি যে এটা আসলে গুগল কিভাবে ডিফাইন করতে যাচ্ছে। গুগল যদি আমি যদি গুগলের আন্ডারস্ট্যান্ডিংটা নিয়ে আসি তাহলে গুগল বলছে ডিজাইন থিংকিং ইজ এ প্রসেস মানে এটা একটা কর্মপন্থা যার মাধ্যমে আমাদের একটা কমপ্লেক্স প্রবলেমকে সলভ করতে হচ্ছে। সো এই কমপ্লেক্স প্রবলেমকে যখন আমরা সলভ করব মানে আমরা এই বারবার যে জিনিসটা বলছি যে সমাধান করতে চাইবো সেটার জন্য পার্সপেক্টিভটা কিভাবে হবে বা সেটা আমরা কিভাবে কাজ করব সেখানে আমরা দেখছি ইউজার সেন্ট্রিক ওয়ে। মানে ইউজারের কাছ থেকে ভালো ফিডব্যাক নিতে হবে। মানে আমরা আমাদের ডিজাইন থিংকিং এর ব্যাপারটা এরকম ভাবে আসছে যে এটা এমন একটা কর্মপন্থা যা আমাদেরকে একটা কমপ্লেক্স প্রবলেমকে আমরা সলভ করব এবং সেটা অবশ্যই ইউজার সেন্ট্রিক ওয়েতে হতে হবে। এটা হচ্ছে গিয়ে ওটার একটা আন্ডারস্ট্যান্ডিং। তো সেটার জন্য যে ডিজাইয়াবিলিটি আমরা আসলে কিভাবে চাচ্ছি, এটার ভায়াবিলিটিটা কি হতে পারে এবং তার ফিজিবিলিটি কি হতে পারে এই সবকিছু মিলিয়ে কিন্তু এই ডিজাইন থিংকিং এর প্রসেসটা চলে আসে। তো এখন আমরা যদি এখানে এভাবে আগাই যে আমাদের ডিজাইন থিংকিং এর ব্যাপারটা একচুয়ালি যারা ডিজাইন থিংকিং নিয়ে আলাপ করেছেন বা যারা এটাকে ডিফাইন করেছিলেন শুরুতে তাদের পার্সপেক্টিভ থেকে যদি আমরা একটু দেখি যে তারা আসলে ডিজাইন থিংকিংটা কিভাবে তারা প্ল্যান করছিলেন শুরুতে। উনারা বলছেন ডিজাইন থিংকিং ইজ এ হিউম্যান সেন্টার্ড অ্যাপ্রোচ। মানে যেটা আমি বারবার এর আগেও বলেছিলাম যে ব্যবহারকারীদের কাছে বা ব্যবহারকারীদেরকে আমাদেরকে কানেক্ট করতে হবে যে যার জন্য প্রোডাক্ট আমি যার জন্য প্রোডাক্টটা তৈরি করছি তার ফিডব্যাক খুবই জরুরি এবং সেই জন্যই কিন্তু এই ডিজাইন থিংকিং এর ব্যাপারটা আমরা যখন আলাপ করছি যে শুরুতেই হিউম্যান সেন্টার্ড অ্যাপ্রোচের ব্যাপারটা আসছে। আমরা যখনই এই প্রোডাক্টটাকে ইনোভেট করব বা আমাদের যেকোনো ইনোভেশনের জন্য যেকোনো প্রোডাক্ট ইনোভেশনের জন্য আমাদের দরকার হচ্ছে গিয়ে আমাদের ডিজাইনের টুলকিট থেকে যত ধরনের আইডিয়া আছে সে আইডিয়ার মধ্যে কিন্তু আমাদেরকে পিপলস নিড মানে আসলে কাস্টমার বা একজন গ্রাহক বা একজন আমাদের ইউজার উনার নিডটাকে ঠিকমতো ইন্টিগ্রেট করতে পারতে হবে। কারণ এখানে আমরা টেকনোলজিকে ব্যবহার করব আমরা ফাইনালি আমাদের যে বিজনেস সাকসেসটা মানে ফাইনালি আমরা একটা প্রোডাক্ট তৈরি করলাম বাট এই প্রোডাক্টটা থেকে আমার কোন বিজনেস সাকসেস এলো না তাহলে তো আমার আসলে এখানে কাজ করে লাভ নেই। আর সেজন্য বলছি যে আমাদের এই ডিজাইন থিংকিং এর ব্যাপারটা যদি আমরা এভাবে বলি যে ইউজারকে কানেক্ট করতে হবে, ইউজারের কাছ থেকে ফিডব্যাক নিতে হবে যার মাধ্যমে আমাদের যে ইনোভেশনটা দরকার সেই ইনোভেশনটা যাতে ইউজার সেন্ট্রিক হয় এবং সেটা আমাদের যে ডিজাইনের টুলকিট আছে সেই টুলকিটের মধ্যে অবশ্যই দা নিড অফ দা পিপল মানে মানুষজনের নিডটাকে প্রপারলি ইন্টিগ্রেট করতে হয় মানে করতে পারতে হবে। আর সেইজন্যই এটার পেছনে যে পসিবিলিটিগুলো আছে অবশ্যই টেকনোলজি থাকবে এবং সেটা যাতে বিজনেস যে সাকসেসের যে রিকোয়ারমেন্টগুলো আছে বিজনেস সাকসেস হওয়ার জন্য যা যা দরকার সেটা যাতে সাথে থাকে। সেটাই হচ্ছে গিয়ে আমাদের এই ডিজাইন থিংকিং এর আন্ডারস্ট্যান্ডিং। তো এইজন্য আমরা যখন এগুলো নিয়ে আলাপ করব অবশ্যই আমাদের এটার পার্সপেক্টিভ আমরা দেখেছি গুগল ডেটা সার্টিফিকেশন মানে এই গুগল ডেটা অ্যানালিটিক্স সার্টিফিকেশন কোর্সে ওরা কিন্তু পাঁচটা স্টেপ দেখিয়েছিল। বাট আমার কাছে মনে হয়েছে যে এটা আসলে টোটালি যদি আমরা বড় মানে উপর থেকে যদি দেখি তাহলে আমাদের এখানে আমাদের ভিউপয়েন্ট কিন্তু খুব বেশি নয়। মানে আমরা বলছি যে আমাদের প্রোডাক্টটা ইনভেন্ট করতে হবে। আমাদের প্রোডাক্টটা কি মানে আমাদের যে প্রোডাক্টটা ফিউচার ফিউচারিস্টিক যে প্রোডাক্ট যে প্রোডাক্টটা সামনে আসবে সেটাকে আমাদের ইনভেন্ট করতে হবে এবং সেটার জন্য কাস্টমার বারবার বলা হচ্ছে যে কাস্টমার কি চান সেটাকে আমাদের বের করতে হবে। কাস্টমারের উপরে ভিত্তি করে কিন্তু কাস্টমারের ডেটাটা আমরা আমাদের অবজার্ভ করতে হবে। আর সেইজন্যই কিন্তু এখানে আমাদের ইনোভেশনটা চলে আসছে। তারপর হচ্ছে গিয়ে আমাদের এই ডেটাটাকে টেস্ট মানে আমাদের এই আইডিয়াটাকে টেস্টিং ফেজে নিয়ে আসতে হবে যেখানে আমাদের প্রোটোটাইপিং দরকার এবং তার সাথে এক্সপেরিমেন্ট দরকার এবং মার্কেটের সাথে সে ঠিকমতো যাচ্ছে কিনা সেটা আমাদের জানা দরকার যে মার্কেট আসলে ঠিকমতো এটাকে নিতে পারছে কিনা এবং সেটার ভিত্তিতে মার্কেট হচ্ছে গিয়ে কিং মানে মার্কেট রেসপন্স আমাদেরকে জানতে হবে। মার্কেট যদি ঠিকমতো রেসপন্স না করে তার মানে হচ্ছে গিয়ে আমাদের এখানে টেস্টিং এ বা আমাদের আইডিয়া ফেজে কিছু সমস্যা আছে। সেজন্য কিন্তু আমাদের মার্কেট রেসপন্সটা খুব জরুরি এবং এই প্রোটোটাইপিং এবং এক্সপেরিমেন্ট যা করছি সেটা মার্কেট থেকে রেসপন্স পাবো সেটার উপর ভিত্তি করে আমাকে কিন্তু আবার পিরিওডিকলি এডজাস্ট করতে হবে বিকজ মার্কেট রেসপন্স আজকে একরকম কালকে আরেকরকম হতে পারে বা আমাদের সামনে মার্কেট রেসপন্সটা অন্যরকম হতে পারে। সুতরাং এটার সাথে যে আমরা স্ক্রামে যেটা বলি যে বা এডজাস্ট মানে আমরা যখন এটাকে এডজাস্ট করতে পারতে হবে। আমাদের আইডিয়াটাকে আমাদের প্রোটোটাইপিং এর মধ্যে এবং এক্সপেরিমেন্ট করার সময় কিন্তু এডজাস্ট করতে পারতে হবে। না হলে কিন্তু এটা এটার জন্য একটু ডিফিকাল্ট হয়ে যায়। আর ফাইনালি আমরা যে প্রোডাক্টটা তৈরি করছি সেটা তো একটা গো লাইভ হতে হবে। এটাকে তো লাইভে আনতে হবে। আর সেইজন্য আমাদেরকে আমাদের যে এই প্রোডাক্টটাকে লাইভ করার জন্য যে ধরনের অ্যাক্টিভিটিজ লাগবে এটার জন্য যে ক্যাপাবিলিটিজ বা যেটার যে সামর্থ্যতা লাগবে বা এর সাথে যেই প্রোডাক্টটা আমরা মাস্ট প্রডিউস করব মানে যে প্রোডাক্টটাকে আমরা মার্কেটে নিয়ে আসবো। আমরা যখন মার্কেটে নিয়ে আসতে নিয়ে আসতে চাচ্ছি একটা প্রোডাক্ট তখন সেটাকে মাস্ট প্রডিউসড বলা হচ্ছে। সেটার জন্য যে রিসোর্স দরকার সেগুলো কিন্তু প্রপারলি আইডেন্টিফাই করতে হবে। তার মানে হচ্ছে গিয়ে আমাদের এই ডিজাইন থিংকিং এ আমাদের যে ডেটা ভিজুয়ালাইজেশন বা আমাদের কাস্টমারকে ডেটা ঠিকমতো আমাদেরকে কমিউনিকেট করতে পারতে যদি হয় তাহলে আমাদের এই ডিজাইন থিংকিং এর ব্যাপারটাও কিন্তু আমাদেরকে ঠিকমতো বুঝতে হবে। আর সেজন্যই আমরা যখন এই আমাদের শেয়ার ডেটা থ্রু আর্ট অফ ভিজুয়ালাইজেশন এখানে আমাদের যে আর্ট অফ ভিজুয়ালাইজেশনটা আছে সেটাকে ইম্প্রুভ করার জন্য আমরা বারবার যেটাকে বলছি যে আমরা এটাকে ইম্প্রুভ করতে চাই এবং সেই ইম্প্রুভ করার জন্য শেয়ার ডেটা থ্রু ডেটা ভিজুয়ালাইজেশনের ব্যাপারে আমরা এখানে বারবার বলছি যে এই ডিজাইন থিংকিং প্রসেসে যে আমাদের যে ডেটাগুলো আছে সেই ডেটাগুলোকে আমাদের ডিজাইনিং পার্সপেক্টিভটা বুঝতে হবে। আমাদের ডিজাইনিং থিংকিংটা আনতে হবে এই ডেটা ভিজুয়ালাইজেশনে এবং আমাদের কাস্টমারকে কানেক্ট করতে হবে এবং সেইজন্যই কিন্তু আমাদের এখানে এত কিছু বলার ব্যাপারে আমি আলাপ করছি। আপনি দেখুন এখানে শুধুমাত্র একটা সিম্পল ওয়ান উইক। ওয়ান উইকের যে আমাদের যে কাজ আছে সেই ওয়ান উইকের কাজ যদি আমরা দেখি এখানে কিন্তু প্রচুর মানে আমাদের প্রচুর পড়তে হবে। প্রচুর রিডিং ম্যাটেরিয়াল আছে এখানে। আমাদের এখানে যে রিডিং ম্যাটেরিয়ালগুলো আছে সেটা জানতে হবে। আমাদের এখানে ভিডিও আছে। আমাদের যে বিভিন্ন ধরনের ডিসকাশন প্রম্পট বা এগুলো নিয়ে আমরা কাজ করছি। তার মানে হচ্ছে গিয়ে আমাদের এই সবকিছু আমাদেরকে পড়তে হবে এবং দেখতে হবে এবং জানতে হবে। আর সামনে আসলে আমরা যদি কিছু করতে চাই আমাদের ভবিষ্যতে যদি আমরা কিছু করতে চাই তাহলে কিন্তু এ ধরনের মানে ডেটা অ্যানালিটিক্স জানতে হবে। আমি আজকে মোদির দোকানে চাকরি করি বা আমি সামনে একটা বড় দোকানে কাজ চাকরি করি আমার সামনে কিন্তু এই ডেটা থেকে কিন্তু আমাদেরকে ধারণা নিতে হবে। আর সেইজন্যই কিন্তু আমরা এই ডেটা অ্যানালিটিক্স ব্যাপারটা বুঝতে চাই এবং সেটা শুধুমাত্র কম্পিউটার বিজ্ঞানী না এটা আমি বলছি সামনে সবকিছুতে লাগবে। আজকে আমরা যে কোভিড-19 এর যে ভ্যাক্সিনেশন এসছে এটার পিছনে কিন্তু প্রচুর ডেটা অ্যানালিটিক্স কাজ হয়েছে। তার ফলেই কিন্তু এত অল্প সময়ে একেকটা ভেরিয়েন্টের একেকটা নতুন ধরনের চিন্তাভাবনা আসছে। তো সেজন্য বলছি যে আমাদের ডেটা অ্যানালিটিক্স ব্যাপারটা বুঝতে হবে। আমি যেকোনো প্রবলেম সলভ করতে চাই। আমরা আসলে দিনের শেষে কিন্তু একটা প্রবলেম সলভ করতে চাই। আমি আজকে উদ্যোক্তা হয়ে অথবা আমি যদি আমার আগের যে কথা বলছি যে আমি নিজের উদ্যোক্তা অথবা আমি যদি আর কোথাও যদি চাকরি করি বা জব করি তার মানে হচ্ছে আমি আরেকটা আরেকজনের সমস্যার সমাধান করে দিচ্ছি। তো সমস্যার সমাধানে কিন্তু ডেটা অ্যানালিটিক্স ইম্পর্টেন্ট। আমি সেটা যেই ধরনের প্রফেশনে থাকি না কেন সব জায়গায় ডেটা অ্যানালিটিক্স প্রয়োজন। থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | নন-প্রোগ্রামারদের জন্য ডেটা-অ্যানালাইটিক্স ৪৪ ডেটা অ্যানালাইটিক্স নিয়ে বাংলায় বই.mp3 | ডেটা অ্যানালিটিক্স নিয়ে নন প্রোগ্রামারদের জন্য এক্সক্লুসিভ মেন্টরশিপ নিয়ে এর আগেও আমি আলাপ করেছি যে কিভাবে এই পুরো মেন্টরশিপটা আমি চালাবো। তবে আমি এটুকু বলতে পারি যে এটার যে কোর্স আউটলাইন মানে আমরা এই চার সপ্তাহতে যে কিভাবে কাজ করব সেটা নিয়ে একটা আউটলাইন আমরা করেছিলাম। তবে আমার কাছে মনে হয়েছে যে এই পুরো জিনিসটাকে আমরা যদি একটা স্ট্রাকচারে ফেলি বিশেষ করে আমরা কি জিনিস শিখতে যাচ্ছি এবং এর পাশাপাশি কোন কোন লাইব্রেরি আমরা ব্যবহার করব এবং এটার সাথে সাথে কোর্সের আউটলাইনের ভেতরের আলোচনাগুলো আসলে করতে যাচ্ছিলাম। তবে আমার কাছে মনে হয়েছে যে এই পুরো স্ট্রাকচার নিয়ে কথা বলার আগে এটার জন্য একটা বই দরকার। কারণ আমার কাছে মনে হয়েছে যে যেকোনো জিনিস সবকিছু আমরা যদি ঠিকমত লিখে ফেলি তাহলে এই জিনিসটা নিয়ে কাজ করা যায়। তবে আমার কাছে মনে হয়েছে যে এই জিনিসটা নিয়ে যেহেতু আপনাকে আমরা কথা দিয়েছি যে এই ডেটা অ্যানালিটিক্স নিয়ে বাংলায় একটা ভালো বই লেখা এবং সেজন্যই কিন্তু এই মর্তের মানুষের ডেটা অ্যানালিটিক্স। মানে আমরা বলছি যে যেকোনো মানুষের জন্য ডেটা অ্যানালিটিক্স শেখাটা একটা জরুরি জিনিস। কারণ আমরা যখন বলছি 21 শতকের দক্ষতা তখন কিন্তু ডেটার পুরো ব্যাপারটা মানে ডেটাকে ঠিকমত বোঝা মানে একটা ডেটা আমাদেরকে কি বলতে চাইছে এবং সেই ডেটা থেকে আমরা আসলে কি ধারণা পাচ্ছি এবং ফাইনালি আমরা ডেটা থেকে যে কি সিদ্ধান্ত নেব সেটার একটা ধারণার প্রয়োজন। আর সেজন্যই এই বইটা লেখা শুরু করা। আমি বলছি এটা একটা ড্রাফট ভার্সন মানে আমরা .5 ভার্সনে আছি এবং এই বইটা আমি প্রতিদিন লিখছি। তবে এইটুকু আমি বলতে পারি যে এই বইটা এখনো আনস্ট্রাকচারড কারণ আমি এটাতে আমার মাথায় যা আসছে আমি সেটাকে ফেলছি এবং সেই জন্য কিন্তু আমি আমাদের যে ভিজুয়াল স্টুডিও কোডে কিন্তু আমি বিভিন্ন ডেটা ফেলছি। প্রতিদিন কিন্তু বিভিন্ন ডেটা ফেলছি এবং সেটাকে আমি গিটহাবে পুশ করছি আর সেই কারণে কিন্তু আমাদের যে বই লেখার যে একটা কন্টেন্ট এবং সেই কন্টেন্টটা কিন্তু আমরা আস্তে আস্তে দেখছি যে এখানে আস্তে আস্তে আসছে। এটা ঠিক যে এই 52 বছর বয়সে এ ধরনের একটা টেকনিক্যাল বই লেখা বেশ কষ্টকর। তবে আমার কাছে মনে হয়েছে যে আমাদের যারা নতুন প্রজন্ম আছেন তাদের জন্য এই যুগের স্কিল সেট বিশেষ করে আমরা চাচ্ছি একটা ডেটা ড্রিভেন সমাজ যেখানে সমাজের অসঙ্গতি কমিয়ে আনবে এ ধরনের ডেটার ব্যবহার। আর সে কারণে এই বইটা লেখা। তবে আমার কাছে মনে হয়েছে যে আমি সরকারি অথবা বেসরকারি যেকোনো জায়গায় যেকোনো সমস্যার মানে আমরা বলছি যে বিজনেস কোশ্চেন মানে একটা সমস্যার সমাধান কিভাবে হতে পারে ডেটা দিয়ে আর সেজন্যই কিন্তু আমরা এই ডেটা নির্ভর একটা স্কিল সেট ডেভলপ করতে যাচ্ছি যাতে আমরা ডেটা থেকে সব সিদ্ধান্ত নিতে পারি। এই মুহূর্তে সরকারের পারসপেক্টিভ থেকে আমরা যদি বলতে চাই তাহলে একটা বড় বিজনেস কোশ্চেন হচ্ছে যে কিভাবে এন্টায়ার পপুলেশনের জন্য ভ্যাক্সিনেশন প্রোগ্রাম কাজ করানো যায়। আর এই ভ্যাক্সিনেশন প্রোগ্রাম রোল আউট করার জন্য সরকার কখন কাকে কবে এবং কিভাবে এই ভ্যাক্সিনেশন প্রোগ্রাম কাজ করাবেন তার পেছনে কিন্তু কাজ করছে এই ডেটা অ্যানালাইসিস। আর এই ডেটা অ্যানালাইসিসের মধ্যে একটা বড় প্রশ্ন হচ্ছে আমরা যেটাকে বলি যে প্রশ্ন করতে পারতে হবে ডেটাকে যে ডেটাকে আমরা যদি প্রশ্ন করতে পারি তাহলে কিন্তু ডেটা থেকে অনেক ধরনের ইনসাইট পাওয়া যাবে। আর সেজন্যই কিন্তু এই বাংলায় ডেটা অ্যানালাইসিস নিয়ে বই লেখা যাতে আমরা বাংলায় ডেটা অ্যানালাইসিস আমাদের নিজস্ব ভাষায় ইন্টার্নালাইজেশন করে যাতে শিখতে পারি। আমরা যদি এই ব্যাপারটা যদি ঠিকমত শিখি তাহলে সমাজের অনেক অসঙ্গতি কমে আসবে এই ডেটা অ্যানালাইসিসের কারণে। আজকে এ পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | ২০২৩ এর নতুন বই হাতেকলমে ডাটা অ্যানালাইটিক্স Data Analytics Visualization Book in Bangla.mp3 | বই লেখা যত ঝামেলা তার থেকে আরো বড় ঝামেলা হচ্ছে গিয়ে এডিট করা আর সে কারণে একটা বই এডিট করতে যেয়ে মানে বিশেষ করে বইটার সাথে কোড মেলানো, কোডের সাথে ছবি মেলানো, ছবির সাথে তার কন্টেক্সট যে টেক্সটটা আছে সেই টেক্সটটা ঠিক জায়গায় পড়ছে কিনা অথবা সেই বইটার সাথে ছবিগুলো সে যে নাম্বার সে নাম্বারগুলোর সাথে সে কোডিং এবং তার কন্টেক্সট মেলে কিনা। তবে এটা ঠিক যে যেহেতু সাত নাম্বার বই নিয়ে আমি কাজ করছিলাম বেশ কিছুদিন ধরে সেটার একটা ধারণা আমি দিতে চাই যে দিস ইজ মাই লেটেস্ট বুক যেই বইটাকে আমি বলছি হাতে কলমে ডেটা অ্যানালিটিক্স এবং ভিজুয়ালাইজেশন। ব্যাপারটা যদি আপনাদেরকে দেখাই এটা হচ্ছে গিয়ে সেই হাতে কলমে ডেটা অ্যানালিটিক্স এবং ডেটা ভিজুয়ালাইজেশন। বিকজ দিনশেষে ডেটা অ্যানালিটিক্স নিয়ে যতটুকু কাজ করি তার থেকে বড় অংশ হচ্ছে গিয়ে ডেটা ভিজুয়ালাইজেশন। কারণ এই ডেটা অ্যানালিটিক্স এবং ডেটা ভিজুয়ালাইজেশনের সবচেয়ে বড় অংশ হচ্ছে গিয়ে আমরা এটাকে এভাবে বলতে পারি যে কাইন্ড অফ লাইক ডেটা অ্যানালিটিক্স নিয়ে কাজ করছি বাট এটার থেকে ইনসাইট নেওয়া বা এটা থেকে অ্যাকশনেবল ইনসাইট যে দিনশেষে আমি যদি আপনাকে বলি যে একটা ডেটা নিয়ে কাজ করছি ধরা যাক সে কি ক্যান্সারাস পেশেন্ট নাকি এটা আসলে বিনাইন মানে আমার টিস্যু সেল এটা কি ক্যান্সারাস নাকি এটা হচ্ছে গিয়ে ম্যালাইন মানে ম্যালিগন্যান্ট নাকি বিনাইন। তো তার মানে হচ্ছে গিয়ে এই যে ভিজুয়ালাইজেশন এই ভিজুয়ালাইজেশনটা কিন্তু আসলে আমাদেরকে অন্য লেভেলে নিয়ে যায়। আর এখানে যে জিনিসটা হয় যে বিভিন্ন ডেটা থেকে আসলে আমরা বুঝতে চাই যে আমাদেরকে কি ইনসাইট দিতে যাচ্ছে। আর সবচেয়ে বড় যে জিনিসটা হচ্ছে যে যেকোনো জিনিস যেকোনো ডেটা নিয়ে আমরা যখন কাজ করি সেই ডেটার ভিজুয়ালাইজেশনটা হচ্ছে গিয়ে একটা ধারণা দেয় যে আসলে আমরা কি ইনসাইট থেকে কি সিদ্ধান্ত নিব। বিকজ দিনশেষে ইটস অল অ্যাবাউট টেকিং দা ডিসিশন। যে ধরা যাক আমার কোন এরিয়া থেকে মানে ধরা যাক ফুডপান্ডাতে আমার কোন এরিয়া থেকে কালকে আমার অর্ডার পড়তে পারে বা আমার সামনের মাসে কোন জায়গাগুলোতে আমাদের রিটার্ন মানে আমাদের প্রোডাক্ট রিটার্ন হতে পারে। এটা আগে থেকে যদি আমি প্রেডিক্ট করতে পারি আর প্রেডিক্ট করার একটা ভালো ব্যাপার হচ্ছে গিয়ে ডেটাকে ভিজুয়ালাইজ করতে পারা। কারণ ডেটাকে প্লটিং করা। আমরা অনেক সময় দেখি যে ছোট ডেটাকে যখন আমরা প্লটিং করি তখন আমরা অনেক সময় বুঝতে পারি না। ছোট ডেটা মানে ছোট ডেটাকে প্লটিং করছি কিন্তু আসলে আমরা বুঝতে পারছি না যে এর ভেতরে কি আছে। কিন্তু আমরা যখন এক বছর ডেটাকে প্লট করছি দেন ইউ গেট ইউ গেট ট্রিমেন্ডাস অ্যামাউন্ট অফ ইনসাইট। আমরা আসলে আমি যেমন এখন আইএসপি ইন্ডাস্ট্রিতে আছি আমি আমি বুঝতে পারি যে চার্নের বিহেভিয়ার এবং তার পাশাপাশি নতুন কাস্টমার কিভাবে আসলে অনবোর্ড হবে তার কিছু ধারণা আমরা পাই। তবে সবচেয়ে বড় যে জিনিসটা হচ্ছে যে এই যে ডেটাকে প্লট করতে পারা মানে আমরা আসলে এই বইটাতে আসলে সবচেয়ে বড় অংশটাই আসলে কাভার করেছি যে ডেটাকে ঠিকমতো প্লট করতে পারা। মানে ডেটা আসলে মানে আমরা যদি বলি যে ডেটাকে আমরা আসলে ঠিকমতো প্লট করতে পারছি কিনা। এখানে একটা জিনিস আমি দেখাতে চাই যে পাওয়ার বিআই এবং বিশেষ করে আমি এখানে পাওয়ার বিআই এবং ট্যবলোকে ব্যবহার করেছি এবং পাওয়ার বিআই এবং ট্যবলোতে যে অংশটা বারবার আসে যে আমরা আসলে ডেটাকে ঠিকমতো প্লট করতে পারছি কিনা। কারণ ডেটাকে ঠিকমতো প্লট করতে পারলেই কিন্তু ওর ভেতরে একটা ধারণা পাওয়া যায় এবং সেখানে আসলে আমরা অংশগুলো দেখি যে কিভাবে ডেটাগুলো আসলে বিজনেস কোয়েশ্চেনের সাথে আসলে দেখতে পারা যায় যে আমাদের যে প্রশ্নটা আছে সেই প্রশ্নটা এর মধ্যে থেকে সলভ করতে পারছি কিনা। সো এইজন্য বেসিক লেভেলে ডেটা ভিজুয়ালাইজেশন ডেটা ডেটাটাকে কিভাবে আমরা দেখবো না দেখবো সেখানে আপনারা একটা ধারণা দেখতে পারেন যে কিভাবে একটা হরিজন্টাল স্টেক চার্ট বা আমরা বার চার্টের কথা যদি বলি এই বার চার্টে আসলে কিভাবে এই জিনিসগুলো কাজ করবে। আর এর পাশাপাশি আরেকটা জিনিস হচ্ছে যে কোন জায়গায় বা কোন অংশে বা কি ব্যবহার করলে মানে কি ব্যবহার করলে কোন চার্টটা আসবে এবং কোন চার্টে কোন ধরনের ডেটা আসলে আমাদেরকে ভালোভাবে প্লট বোঝা যাবে। সব জায়গায় কিন্তু সব ধরনের ডেটা ঠিকমতো বোঝা যায় না। সো এইজন্য আসলে আমরা অনেক অনেক লেভেলে কাজ করেছি। তবে আমার কাছে মনে হয় যে ডেটা অ্যানালিটিক্স এর মধ্যে সবচেয়ে বড় অংশ হচ্ছে গিয়ে ডেটা ভিজুয়ালাইজেশন। বিকজ ডেটা অ্যানালিটিক্স এর মধ্যে আপনার যে জিনিসটা আমরা দেখছি যে ডেটার প্রসেসিং আছে তারপর ডেটা আমরা ম্যানিপুলেশন আছে। ডেটা ম্যানিপুলেশনের পরে আমরা ডেটা মডেলিং হতেও পারে নাও হতে পারে। বাট দিনশেষে যখন আমরা ডেটা প্রসেসিং এর পরে যখন আমরা এটাকে কিছুটা কাইন্ড অফ লাইক যেইসব ডেটা আমাদের দরকার নেই সেই ডেটাগুলোকে ফেলে দিয়ে মানে ম্যানিপুলেট করে সেই একটা ডেটাকে নিয়ে আসে এবং সে ফাইনালি প্রি প্রসেসড মানে প্রসেসড ডেটাটাকে আমরা যখন প্লট করছি দেন ইউ গেট এ বিগ পিকচার। কারণ আমরা অনেক সময় দেখা যাচ্ছে যে এক মাসের ডেটাকে যখন আমি প্লট করছি তখন দেখা যাচ্ছে উই ডোন্ট গেট দা রাইট পিকচার বিকজ দা ডেটা ইজ স্মল। বাট দেন হোয়েন ইউ প্লট ফাইভ ইয়ার্স অফ ডেটা ইউ গেট এ ডিফারেন্ট পারসপেক্টিভ, ডিফারেন্ট আন্ডারস্ট্যান্ডিং এন্ড এন্ড দেন ইউ ক্যান টেক অ্যাকশনেবল ইনসাইট। বিকজ ইউ হ্যাভ দা ইনসাইট হুইচ উইল গিভ ইউ দা অ্যাকশন। মানে আমরা অ্যাকশন যে আমরা এই মার্কেটে আমরা বেচবো কি বেচবো না বা আমরা এই যে কোয়ার্টারের যেই প্রবলেমটা হয়েছে সেই কোয়ার্টারের প্রবলেমটাকে আমরা কি সামনের কোয়ার্টারে কি আমরা সলভ করতে পারবো কি পারবো না। সো ইট বয়েলস ডাউন টু ওয়ান থিং ইজ হাউ ডু ইউ ভিজুয়ালাইজ ডেটা, হাউ ডু ইউ প্লট দা ডেটা এন্ড হোয়াইল প্লটিং ডু ইউ গেট দা রাইট আন্ডারস্ট্যান্ডিং অফ দা ডেটা। বিকজ গেটিং দা রাইট আন্ডারস্ট্যান্ডিং এন্ড গেটিং দা রাইট কন্টেক্সট ফ্রম দা ডেটা ইজ ভেরি ইম্পরট্যান্ট হোয়াইল ভিজুয়ালাইজিং। সো উই নিড টু এবল টু আন্ডারস্ট্যান্ড দা বেসিকস অফ ইট। সো বইটা কাইন্ড অফ লাইক 250 পেজের একটা বই। একটু ডিফিকাল্ট একটু ডিফিকাল্ট হয়েছে বইটা লিখতে। বাট আমার কাছে মনে হচ্ছে যে আমি যেহেতু একদম বেসিক থেকে শুরু করেছি হয়তোবা এটা অনেকের কাছে কাজে লাগতে পারে। কারণ এর সাথে প্রায় 90 ভিডিও আছে মানে 90 টা ভিডিও এটার সাথে এমবেড করা আছে যে বই তো অবশ্যই লাগবে। কারণ বইটা হচ্ছে গিয়ে টেক্সটবুক। বাট টেক্সটবুকের সাথে সাথে আমাদের ভিডিওটা দরকার এই কারণে যে আমি এখানে ব্রেভিটি মানে এখানকার কাগজের যে অংশটা কাগজের অংশটা কমানোর জন্য আমি অনেক সময় আই হ্যাভ রেফার্ড ব্যাক টু দা ভিডিও। বিকজ আমাকে কাগজে প্রতিটা পয়েন্ট বাই পয়েন্ট স্টেপ ওয়ান, স্টেপ টু, স্টেপ থ্রি আমি হয়তোবা ইনিশিয়ালি করে দেখিয়েছি। বাট পরে এটাকে কানেক্ট করেছি আই হ্যাভ রেফার্ড ব্যাক টু দা ভিডিও। বিকজ হয়তোবা দেড় ঘন্টার ভিডিও সেটাকে আমি পুরো বইতে যদি আমি প্রিন্ট করতে যাই তাহলে ইট বিকামস এ ইট বিকামস বুক। সো দেখা যাচ্ছে হয়তোবা প্রথম 10 মিনিট আমি হয়তোবা এখানে আমি করে দিয়েছি। বাকিটা আই রেফার ব্যাক টু দা ভিডিও। বাট দা বেজলাইন এন্ড দা বেসিকস অফ ইট ইট হ্যাজ টু বি কনসাল্টেড ফ্রম দিস বুক। সো দা বেজলাইন অফ দিস ইজ কামিং ফ্রম হিয়ার। এন্ড আই বিলিভ এই বইটা একটা ভালো হেল্প হবে অনেকের কাছে যারা ডেটা নিয়ে কাজ শুরু করতে চান। আজকে এ পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | নন-প্রোগ্রামারদের জন্য ডেটা অ্যানালাইটিক্স মেন্টরশীপ ৩ ডেটা স্টোরি-টেলিং.mp3 | 2009 সালের ঘটনা। Google এর চিফ ইকোনমিস্ট ডক্টর হ্যাল ভ্যারিয়ান বলছিলেন, দ্যা এবিলিটি টু টেক ডেটা, টু বি এবল টু আন্ডারস্ট্যান্ড ইট, টু প্রসেস ইট, টু এক্সট্রাক্ট ভ্যালু ফ্রম ইট, টু ভিজুয়ালাইজ ইট, টু কমিউনিকেট ইট, দ্যাটস গোইং টু বি দা হিউজলি ইম্পর্টেন্ট স্কিল ইন দা নেক্সট ডিকেডস। মাইন্ড ইট, এটা কিন্তু 2009 সালের ঘটনা। নন প্রোগ্রামারদের জন্য যে ডেটা অ্যানালিটিক্স মেন্টরশিপ তার প্রথম কয়েকটা ডেলিভারি হবে পডকাস্ট টাইপ। কারণ আমরা চাইবো যে আপনারা পেছনের দর্শনটা ঠিকমতো বোঝেন। তবে আমার মনে হয় যে আপনাদেরকে একটু দেখানো দরকার কিভাবে ডেটা দিয়ে একটা চমৎকার স্টোরিটেলিং বানানো যায়। এটা 2020 সালের 22শে মার্চ তৈরি করা নিউইয়র্ক টাইমসের। কিভাবে কোভিড-19 ভাইরাস উহানের একটা সি ফুড মার্কেট থেকে পুরো বিশ্বে ছড়িয়ে পড়লো সেটার একটা স্টোরিটেলিং। একদম প্রথম কেস থেকে শুরু করে কিভাবে এটা চারজন বা ছয়জন হলো এবং সেটা কিভাবে পুরো বিশ্বে ছড়িয়ে পড়লো সেটার একটা চমৎকার স্টোরিটেলিং। আপনারা এই ভিজুয়ালাইজেশন দেখতে দেখতে আমাদের ডেলিভারিটাও শেষ করে ফেলি। আর যেহেতু ডেটা সব জায়গায় চলছে, আমরা যেটাকে বলি ডেটা ইউবিকুইটাস। আর এ কারণেই কোম্পানিগুলো পাগল হয়ে খুঁজছে কারা ডেটা থেকে জ্ঞানগুলো আহরণ করতে পারে। ছোট হোক আর বড় হোক সব কোম্পানি এখন ডেটা জেনারেট করছে। এখন সেই ডেটা থেকে জ্ঞানগুলো আহরণ কে করবে? অবশ্যই একজন ডেটা অ্যানালিস্ট। আর এই ডেটা অ্যানালিস্ট হবার জন্য আপনাকে প্রোগ্রামিং এ পারদর্শী হওয়ার দরকার নেই। ডেটা ভিজুয়ালাইজেশন এক্সপার্ট স্টিফেন ফিউ বলছিলেন, নাম্বারস হ্যাভ অ্যান ইম্পর্টেন্ট স্টোরি টু টেল। দে রিলায় অন ইউ টু গিভ দেম এ ক্লিয়ার এন্ড কনভিন্সিং ভয়েস। তবে এটা ঠিক যে ডেটা স্টোরিটেলিং এর সাথে কিন্তু আরো অন্যান্য অনেক কিছুই আমরা বলি। যেমন ভিজুয়ালাইজেশন, ইনফোগ্রাফিক্স, ড্যাশবোর্ড, ডেটা প্রেজেন্টেশন এবং আরো অনেক কিছু। অনেকে জিজ্ঞাসা করতে পারেন যে ডিসিশন মেকিং এ কিভাবে স্টোরিটেলিং এত ইম্পর্টেন্ট পার্ট প্লে করে। দেখা গেছে যেকোনো সিদ্ধান্তে যখন সেই সিদ্ধান্তের পাশাপাশি একটা ইমোশন কাজ করে তখন সেই সিদ্ধান্তটা ভালো ফলাফল দেয়। এর অর্থ হচ্ছে আপনি যেকোনো তথ্যের সাথে যেটা সাদামাটা একটা তথ্য সেটার সাথে একটা গল্প যোগ করলে সেটার ভালো একটা সিদ্ধান্তের আউটকাম দিয়ে দেয়। নিউরোসাইন্সের ভাষায় আমাদের ব্রেনের একপাশে হচ্ছে গিয়ে ইমোশনাল সাইড আরেক পাশে হচ্ছে গিয়ে কাঠখোট্টা অ্যানালিটিক্যাল সাইড। এখানে যেটি দেখা যাচ্ছে যে এখানে একটা সত্যিকারের ঘটনার সাথে একটা গল্প যোগ করে এটার মধ্যে একটা যোগসূত্র করা হচ্ছে যাতে এই গল্পটাই আপনাকে ফাইনালি একটা সিদ্ধান্ত নিতে পারে। আমরা অ্যানালিটিক্যাল সাইডের সাদামাটা তথ্যের সাথে একটা যোগসূত্র তৈরি করছি ইমোশনের যাতে এটা মনে থাকে আরো ভালো। আমি যদি আপনাকে এখন পিথাগোরাসের সূত্র বলি আপনি হয়তোবা পারবেন না। তবে আপনি অবশ্যই পারবেন যদি আমরা খরগোশ এবং কচ্ছপের গল্পটা বলতে বলি। কেন? দ্যাট ইজ দা পাওয়ার অফ স্টোরিটেলিং। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | স্ক্যাটার-প্লট দিয়ে দুটো জিনিসের কো-রিলেশন Correlation between two variables - Scatterplots.mp3 | আজকে ফিরছি নতুন একটা প্লট নিয়ে যেটাকে আমরা বলছি স্ক্যাটার প্লট। আর আজকে আমাদের বই হচ্ছে গিয়ে হাতে কলমে ডেটা অ্যানালিটিক্স এবং ডেটা ভিজুয়ালাইজেশন। সো আসলে আমরা যদি যেকোনো দুটো ভেরিয়েবল মানে আমাদের যেকোনো দুটো ভেরিয়েবলকে যদি আমরা প্রপারলি প্লট করতে চাই এবং তার মধ্যে একটা কোরিলেশন খুঁজে পেতে চাই বা তার মধ্যে কেন এটা হলে ওটা হবে যেমন আমরা যদি এভাবে বলি যে এক একটা এলাকার একটা এলাকা একটা এলাকা যদি একটা ভেরিয়েবল হয় যে কোন এলাকা আরেকটা ভেরিয়েবল হয় যদি বাড়ি ভাড়া। আপনার এলাকা ভিত্তিক বাড়ি ভাড়া কিভাবে চেঞ্জ হচ্ছে বা গুলশান বনানী তারপর হচ্ছে গিয়ে বিভিন্ন এরিয়া যদি আমরা বলি যে এই এরিয়া ভিত্তিক আমার বাড়ি ভাড়া কেমন সেটা কিন্তু সেই এক্স এবং ওয়াই ভেরিয়েবলের মধ্যে যখন আমরা কোরিলেশন দেখতে চাইবো তখন কিন্তু সেটা পাওয়া যাবে। আর সেইজন্যই আমরা আসলে যখন ডেটা অ্যানালিটিক্স নিয়ে কাজ করি তখন আমরা এখানে দেখি যে আসলে স্ক্যাটার প্লটটা কিভাবে কাজ করে এবং স্ক্যাটার প্লটটার সবচেয়ে বড় পার্ট হচ্ছে গিয়ে আমরা আসলে কয়েকটা ভেরিয়েবলের মধ্যে আমরা একটা ভালো একটা কোরিলেশন পাই। এবং এখানে যে জিনিসটা আমরা দেখি যে এক্স এবং ওয়াই এক্সিসে যেটা দুটো এনকোডেড ডেটা মানে আমরা আসলে যেভাবে বলি যে একটা এক্স লম্বালম্বি ভাবে এবং ভূমিসন্তার ভূমির সমান্তরালে যে ওয়াই এক্সিস এই দুইটার মধ্যে সম্পর্ক যখন আমরা বের করতে পারব তখন কিন্তু এটার মধ্যে সবচেয়ে ভালো আউটকাম আমরা পাই এবং এটা সাইন্টিফিক কাজে সবচেয়ে বেশি আমরা ব্যবহার করতে পারি এবং আপনাদের মনে আছে যে আমরা যখন টাইটানিক প্রজেক্ট নিয়ে কাজ করছিলাম টাইটানিক প্রজেক্টে কিন্তু আমরা সেই টাইটানিক জাহাজের ভাড়া টাইটানিক জাহাজের ভাড়া এবং টাইটানিক জাহাজের ভাড়ার সাথে একচুয়ালি কারা মানে বেঁচে গিয়েছিলেন বা মারা গিয়েছিলেন তাদের একটা কোরিলেশনশিপ মানে যারা টাইটানিকে ধরা যাক একজন একটা টিকিট কিনেছেন 30 ডলারে, একজন একটা টিকিট কিনেছেন 10 ডলারে, একজন একটা টিকিট কিনেছেন 50 ডলারে, একজন একটা টিকিট কিনেছেন 75 ডলারে। সো এই ভাড়ার টাকার সাথে তার মৃত্যুর সম্পর্ক আছে কিনা মানে উনি ফাইনালি কি উনি বেঁচে গিয়েছিলেন নাকি মারা গিয়েছিলেন এই যে এটার একটা কোরিলেশনশিপটা এটা কি আমরা দেখতে পেরেছিলাম কিনা সেটাই আসলে আমরা ভাড়া এবং বেঁচে থাকা যে ব্যাপারটা যে এখানে আমাদের কোরিলেশনে আমরা দেখিয়েছিলাম যে কিভাবে একটা স্ক্যাটার প্লটে এই ব্যাপারটা পুরোপুরি আমরা বুঝতে পারি। তার মানে হচ্ছে কি স্ক্যাটার প্লট ইজ এ ভেরি ইম্পর্টেন্ট আই উড সে ইজ এ ভেরি ইম্পর্টেন্ট প্লট। আমি যখনই সুযোগ পাই আমি প্রথমেই আসলে স্ক্যাটার প্লট ফেলার চেষ্টা করি বিকজ দিস ইজ ওয়ান অফ দা বেসিক আন্ডারস্ট্যান্ডিং অফ ডেটা যে এখান থেকে আমরা একটা ভালো কোরিলেশন পাই। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | নন-প্রোগ্রামারদের জন্য ডেটা অ্যানালাইটিক্স মেন্টরশীপ ২ ডেটা স্টোরি-টেলিং.mp3 | আমাকে অনেকে জিজ্ঞাসা করেছেন যে কেন আপনি নন প্রোগ্রামারদের নিয়ে এই ডেটা এনালাইসিস করতে চাচ্ছেন। এই প্রশ্নটা শুধু আপনার নয়, এই প্রশ্নটা আমারও ছিল একসময়। তবে পৃথিবী এখন যেভাবে পাল্টাচ্ছে সেখানে প্রতিটা জায়গায় ডেটা সাইন্স লাগবে। এ কারণে প্রতিটা বিজনেসেই কিন্তু কোনো না কোনোভাবে কোন ধরনের লগ জেনারেট হচ্ছে। সেটা ফিনান্সিয়াল রিপোর্টিং অথবা অ্যাপ্লিকেশন রিপোর্টিং সব জায়গায় কিন্তু ডেটা লাগছে। আমরা যদি একটা শাড়ির দোকানের কথা চিন্তা করি, সেই শাড়ির দোকানের গ্রোথের ব্যাপারেও কিন্তু ডেটা লাগবে। কেউ তো আর একটা দোকান খুলে বসে থাকবেন না আর। আর এই প্রযুক্তির যুগে আমরা যদি ডেটাকে ঠিকমতো ব্যবহার না করতে পারি তাহলে গ্রোথ কিভাবে আসবে? আমি নন প্রোগ্রামারদের জন্য এজন্যই আশাবাদী যে আমাদের যে টুল আছে সেই টুল যে কেউ ব্যবহার করতে পারবে। আমি ডেটা এনালাইসিস টুলসের কথা বলছিলাম। এই ধরনের ওপেন সোর্স টুলগুলো সহজেই কাজ করে। আমি যেহেতু নিজেই প্রচুর ডেটা এনালাইসিস টুল ব্যবহার করেছি এবং সেগুলোর দিন দিন আরো সহজ হচ্ছে নন প্রোগ্রামারদের জন্য। কারণ যেকোনো প্রোডাক্ট কিন্তু বানানো হয় একজন নন প্রোগ্রামারদের জন্য। সেভাবে ডেটা এনালাইসিস টুলগুলো কিন্তু তৈরি করা হয়েছে এই নন প্রোগ্রামারদের জন্য ভিত্তি করে। আপনি আমাকে অবশ্যই প্রশ্ন করতে পারেন যে এই ধরনের ডেটা এনালাইসিস টুলসের প্রাথমিক কাজ কি? আমি বলব রিপোর্ট তৈরি করা। আপনার বুঝতে হবে যে আমরা যেকোনো বিজনেসে আমরা দুই ধরনের রিপোর্ট তৈরি করি। প্রথমটা হচ্ছে একটা ইন্টারনাল রিপোর্ট আর তার পাশাপাশি একটা ক্লায়েন্ট ফেসিং রিপোর্ট। শেষমেষ আমাকে তো আমার প্রোডাক্টটা সেল করতে হবে। এর পাশাপাশি আমরা যখন একটা ইন্টারনাল রিপোর্ট তৈরি করব সেই ইন্টারনাল রিপোর্ট থেকে আমাদের ম্যানেজমেন্ট এমন কিছু ধারণা পেতে চাইবেন যেখানে সেই কোম্পানিটার বিভিন্ন ট্রেন বা হরিজনে এমন কি কি কাজ আছে যার জন্য সেই কোম্পানিটা আরো ভালো গ্রোথ আনতে পারে। সবারই চিন্তা থাকে যে কিভাবে খরচ কমিয়ে প্রোডাক্টিভিটি বাড়ানো যায়। আমাদের পাওয়ারপয়েন্টে বেশ কিছু নাম্বার ছুড়ে দিলাম এবং বললাম যে আমাদের রিপোর্ট তৈরি হয়ে গেছে সেখানে আমাদের ভুল করা হবে। আমাদেরকে বুঝতে হবে যে একজন ভালো ডেটা এনালিস্ট ভালো স্টোরিটেলার অর্থাৎ ডেটাতে ভালো স্টোরিটেলার। এভাবে যদি বলি একজন সাকসেসফুল ডেটা এনালিস্ট জানেন কিভাবে ডেটার সাথে ন্যারেটিভ বলতে হয়। যেকোনো বিজনেসে আমাদের ম্যানেজমেন্টে যারা থাকেন তারা কিন্তু ডেটা এনালিস্ট নয়। সুতরাং আমাদের সেই রিপোর্টে শুধু সংখ্যা বললে হবে না। সেই সংখ্যার সাথে ন্যারেটিভ অর্থাৎ ডেটাকে গদ্যের মতো বোঝাতে হবে যে আমাদের এই প্রশ্নের এই উত্তর হবে। সিনিয়র ম্যানেজমেন্টে যারা বসে আছেন তারা হয়তোবা সেই ডেটা থেকে প্যাটার্নটা বুঝতে পারছেন না। আর সে কারণে সেই প্যাটার্নটা ধরিয়ে দেওয়ার জন্য আপনাকে গল্পের মতো করে বলতে হবে যে এখানে আমরা কি মিস করছি বা আমাদের সামনে কি অপরচুনিটি আসছে। ডেটা স্টোরিটেলিং এর ব্যাপারটা এরকম যে আপনি যে জিনিসটা দেখতে পাচ্ছেন ডেটা থেকে সেই জিনিসটাকে গদ্যে যখন আপনার সিনিয়র ম্যানেজমেন্টকে বোঝাতে চাইবেন তখন আপনাকে উনাদের ভাষায় সেটাকে কনভার্ট করে দিতে হবে। আর এ ধরনের রিপোর্টগুলো যদি উইকলি বা মান্থলি বা কোয়ার্টারলি হয় তাহলে কিন্তু আপনি উনাদেরকে বোঝাতে সমর্থ হবেন যে এখানে একটা ট্রেন্ড আছে এবং এই ট্রেন্ডটা আমরা কেন মিস করবো না। সবচেয়ে মজার কথা হচ্ছে এই সিনিয়র ম্যানেজমেন্টের মানুষজন আপনার সাথে থেকে থেকে উনারাও একজন ডেটা এনালিস্ট হয়ে যাবেন একদম প্রোগ্রামিং ছাড়া। কারণ উনাদের অভিজ্ঞতা বেশি এবং উনারা আপনার থেকেও সবচেয়ে বেশি ডটকে কানেক্ট করতে পারেন। এখানে একটা কথা বলে রাখি ডেটা এনালিস্টদের খুব বিনয়ী হতে হবে। কারণ সিনিয়র ম্যানেজমেন্ট আরো অন্যান্য ডিপার্টমেন্টের সব রিপোর্টগুলোকে দেখে সেটাকে আরো ভালোভাবে কানেক্ট করতে পারেন। আজকে এই পর্যন্তই থাকছেন তো সামনে। |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | ডেটা অ্যানালাইটিক্স মেন্টরশীপ ওপেনসোর্স ডেটা টুল, ডেটা ট্রান্সফরমেশনস্টোরেজ.mp3 | আমরা প্রতিদিন প্রচুর ডেটা পাচ্ছি। এখন এই ডেটাগুলোকে প্রসেস করবে কে? আপনি চিন্তা করে দেখুন, আমাদের হাতে যে মোবাইল ফোনটা আছে সেটার অ্যাপগুলো প্রতিদিন যতগুলো কাজে প্রচুর লগ জেনারেট করছে প্রতিদিন। আমাদের হাতের স্মার্ট ওয়াচ, রাতের বেলা কতটুকু ঘুমালাম এর পাশাপাশি হার্টবিট রেট এরকম প্রচুর লগ জেনারেট করছে প্রতিদিন। এর অর্থ হচ্ছে আমাদের জীবনে ডেটার ব্যবহার কখনোই কমবে না বরং বাড়বে। আর সে কারণে আমাদের প্রতিবছর নতুন নতুন হার্ডডিস্ক কিনতে হয় এবং এই হার্ডডিস্কের ক্যাপাসিটি বাড়ছে বছরের পর বছর। ভালো কথা, এত ডেটা আমাদের জড়ো হচ্ছে এখন এই ডেটা থেকে নলেজটা কিভাবে পাবো? এর সোজা অর্থ হচ্ছে আমাদের বিজনেস অ্যানালিটিক্স স্কিল তৈরি করতে হবে। গত কয়েক বছর ধরে দেখছিলাম যে পৃথিবীব্যাপী বিভিন্ন কোম্পানি তাদের দরকার কোয়ালিফাইড ডেটা অ্যানালিস্ট। বিশেষ করে তাদের নিজস্ব প্রবলেমগুলোকে সলভ করার জন্য আর এর পাশাপাশি তাদের বিজনেস যে ডিসিশনগুলো আছে সেগুলো কিভাবে করা যায় সেটার ব্যাপারে সাহায্য করার জন্য। একটা জিনিস আমার খুব ভালো লেগেছে এই আইবিএম ডেটা সাইন্স এবং গুগল ডেটা অ্যানালিটিক্স সার্টিফিকেট কোর্সে তাদের কোর্স কারিকুলাম তৈরিতে তারা প্রচুর সময় দিয়েছে এক একটা সাবকোর্স ডিজাইন করার জন্য। আমার যেটা ভালো লেগেছে যে তারা শুরুতে প্রচুর গল্প দিয়েছে এবং যেকোনো একটা প্রেমিস অর্থাৎ একটা ধারণাটাকে ঠিকমতো শেখানোর জন্য তার একটা সুন্দর প্রেমিস তৈরি করেছে যাতে মানুষ ঠিকমতো বুঝতে পারে। আমি এই দুটো কোর্সের পর্যালোচনা করার জন্য বিশেষ করে ডেটা সাইন্টিস্টের যে টুলকিটগুলো আছে তার মধ্যে আর, পাইথন, স্কালা, সিকুয়েল এবং এর পাশাপাশি আরো প্রচুর ওপেন সোর্স টুলের কথা বলা হয়েছে। সাধারণত ডেটা ম্যানেজমেন্টে আমরা একটা কথা বলি যে ইটিএল, এক্সট্রাক্ট, ট্রান্সফর্ম এন্ড লোড। এখানে তারা এটা নিয়ে আলাপ করেছে যে এটাকে অনেক সময় ইএলটিও বলা হয়। আমার যে জিনিসটা ভালো লেগেছে যে তারা ডেটা ম্যানেজমেন্ট, ওপেন সোর্স ডেটা ইন্টিগ্রেশন আমরা যেটাকে বলছি এর পাশাপাশি ট্রান্সফরমেশন এবং ভিজুয়ালাইজ টুল নিয়েও কিন্তু অনেক আলাপ করা হয়েছে ভেতরে। এদিকে রিলেশনাল ডেটাবেজের মধ্যে মাইসিকুয়েল, পোস্টগ্রেসকুয়েল এছাড়া নো সিকুয়েল ডেটাবেজের মধ্যে মঙ্গোডিবি, অ্যাপাচি কাউচডিবি বা অ্যাপাচি ক্যাসান্ড্রা এগুলো নিয়ে কিন্তু তারা আলাপ করেছে। আমি যেহেতু নিজে অনেকগুলো ফাইল বেসড টুল যেমন হাডুপ বা ক্লাউড ফাইল সিস্টেম সেফ এর পাশাপাশি টেক্সট ডেটা স্টোর করার জন্য এবং আমরা অনেক সময় বলি যে একটা ভালো সার্চ ইঞ্জিন ইন্ডেক্স করার জন্য ইলাস্টিক সার্চও কিন্তু এখানে কথা বলা হয়েছে। আমরা যেহেতু বারবার বলছি ইএলটি আর সেখানেই কিন্তু আমাদের ডেটা ইন্টিগ্রেশন এবং ট্রান্সফরমেশন টুল হিসেবে অ্যাপাচি এয়ারফ্লো যেটা আসলে এয়ারবিএনবি থেকে এসছে, কুবারফ্লো। এখানে আবার দেখলাম কিউবফ্লো যেটা আসলে আমাদের ডেটা সাইন্স পাইপলাইন বিশেষ করে কুবারনেটিস এর উপরে চলে। আপনার মনে আছে অ্যাপাচি কাফকার কথা যেটা লিঙ্কডইন তৈরি করে দিয়েছিল। এর পাশাপাশি অ্যাপাচি নাইফাই। আমার দেখামতে একটা ভালো ট্রান্সফরমেশনের জন্য এটার উপরে একটা ভালো ভিজুয়াল এডিটর আছে। তারপরে দেখছি অ্যাপাচি স্পার্ক সিকুয়েল এর সঙ্গে নোড রেড যেটাকে আমরা চালাতে পারি একটা রাজবেরি পাই এরও উপরে। এর পাশাপাশি ভিজুয়ালাইজেশন টুল হিসেবে হিউ, কিবানা বেশ ভালো কাজ করে। আপনারা যারা অ্যাপাচি সুপারসেট নিয়ে কাজ করছেন বিশেষ করে ডেটা এক্সপ্লোরেশনের সঙ্গে ভিজুয়ালাইজেশন অসাধারণ। আর ফাইনালি আমি আপনাকে একটা কথাই বলব যে এই দুটো কোর্স আসলেই করার মতো। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | নন-প্রোগ্রামারদের জন্য মেন্টরশীপ ২১ গ্লোবাল সুপারসেট ডেটাসেট থেকে অ্যানালাইসিস, ট্যাবলিউ.mp3 | আপনি বুঝতে পারছেন যে পৃথিবীর সবচেয়ে বড় একটা পার্ট হচ্ছে বিজনেস আর এই বিজনেসের কারণে বিভিন্ন দেশের অর্থনৈতিক সবকিছুই চলছে। সবাই যেটা বলেন যে অর্থনীতির চাকা ঘোরানোর জন্য বিজনেসের যেরকম ভাবে কোন ধরনের অল্টারনেটিভ নেই আর সে কারণে এই বিজনেসের সাথে ডেটা এই ডেটার এনালাইসিসে আসলে কোন ধরনের অল্টারনেটিভ আমরা দেখছি না এই মুহূর্তে। আমার পরিচিত অনেকে তার কোম্পানির প্রফিটেবিলিটি বা সেলস ফিগার নিয়ে আমার কাছে আসেন যে বোঝানোর জন্য বা আমার কাছ থেকে ধারণা পাওয়ার জন্য কিভাবে তাদের ডেটা থেকে আরো ভালো অপটিমাইজড কিছু ওয়ার্কফ্লো পাওয়া যায়। ডেটা যে কিভাবে একটা বিজনেসের ভেতরের ইনসাইড দিতে পারে যাতে কার কোম্পানি বা বিজনেসের ইনসাইডটা আরো ভালো। আমি বলতে চাচ্ছি যে উনার সামনে কি ধরনের কাজ করতে হতে পারে বা উনার বর্তমান সমস্যা থেকে কিভাবে উনি উত্তরণ পাবেন সবকিছুই কিন্তু সেই ডেটার ভেতরে থাকে। আর যেহেতু আমি মানুষকে শেখাতে চাই আর সে ব্যাপারে ট্যাবলুর যে অনলাইন ট্রেনিংগুলো আছে বা ওনাদের যে ভেতরের যে অনসাইট ট্রেনিংগুলো আছে সেগুলোতে একটা ভালো ডেটা সেট সবসময় তারা ব্যবহার করে যেটাকে আমরা বলছি গ্লোবাল সুপার স্টোর ডেটা সেট। যারা ট্যাবলু ডেস্কটপ ট্রায়াল ভার্সন ডাউনলোড করেছেন তাদের সাথে এটা চলে আসে। আমি বলছি যে এই গ্লোবাল সুপার স্টোর এক্সেল এস ফাইলটা। এই সুপার স্টোর ডেটা সেট নিয়ে কাজ করতে গিয়ে একটা জিনিস বুঝলাম যে আমরা যে ট্যাবলু নিয়ে কাজ করছি এই ট্যাবলুর যত ফাংশনালিটি আছে এবং তার সাথে যত ধরনের আমরা এক্সপেরিমেন্ট করতে যাচ্ছি বিশেষ করে ওদের যে অনেক অফারিংস বা তাদের যে ভেতরের যে ফাংশনালিটি সেই ট্যাবলুর মাধ্যমে সেই ডেটা সেট কত চমৎকারভাবে তাদের ইনসাইড গুলো দেওয়া যায় সেটাই কিন্তু এই ডেটা সেট থেকে ভালো বোঝা যায়। শুধুমাত্র ট্যাবলু না বা যেকোনো ধরনের ডেটা অ্যানালিটিক্স অথবা ডেটা ভিজুয়ালাইজেশন টুলের একটা বড় পার্ট হচ্ছে একটা ডেটা সেট থেকে একটা ড্যাশবোর্ড তৈরি করা যাতে আমাদের স্টেকহোল্ডার বা সিনিয়র ম্যানেজমেন্ট ওই ড্যাশবোর্ড থেকে সরাসরি বুঝতে পারেন যে তাদের কোম্পানির ভেতরে কি চলছে। আমি একটা জিনিস বুঝতে পেরেছি যে এই ধরনের ড্যাশবোর্ড থেকে কিভাবে স্পেসিফিক কিছু ডেটা তাকে কিভাবে হ্যান্ডেল করতে হয় বা ওই স্যাম্পলিং গুলো বা সেই ডেটা থেকে কিভাবে ডেটা ট্রান্সফরমেশন করা যায় সেটা এখানে বেশ ভালোভাবে বোঝা যায়। আমরা যদি বেসিক ভার্সনের কথা বলি যেটা ফ্রি মানে ট্যাবলু ডেস্কটপ পাবলিক যে ভার্সনটা সেটাকে যদি আমরা ডাউনলোড করি তার সাথে এই গ্লোবাল সুপার স্টোর ডেটা সেটটা নাও আসতে পারে তবে এই গ্লোবাল সুপার স্টোর ডেটা সেটটা এতই জনপ্রিয় যে এটাকে আমরা পাই ক্যাগেলে এটাকে আমরা পাচ্ছি এই ট্যাবলু ওয়েবসাইট থেকে। আমরা যেখান থেকে ডাউনলোড করার চেষ্টা করি না কেন তবে আমি মনে করি যে এটা ট্যাবলুর মেইন সাইট থেকে ডাউনলোড করলে এটার যে আসল অর্থাৎ ট্রেনিং করানোর জন্য যেই পারপাসটা এটার জন্য ছিল সেটা আপনি পাবেন আর এই গ্লোবাল সুপার স্টোর ডেটা সেটটাকে আমি দেখলাম যে এটা প্রায় 6 মেগাবাইটের মতো এটা এক্সট্রাক্ট করলে প্রায় 18 মেগাবাইটের মতো হয়ে যায়। আপনাদের সুবিধার জন্য আমি এই পুরো ফাইলটা বিশেষ করে এই গ্লোবাল সুপার স্টোর ডট এক্সেল এস এই ফাইলটাকে আমি খুলছি মাইক্রোসফট এক্সেলে মানে যেকোনো একটা স্প্রেডশিটে আপনি খুলতে পারেন আর খুললেই দেখবেন যে এটাতে টোটাল অর্ডার মানে এই সুপার স্টোরের টোটাল অর্ডার হচ্ছে গিয়ে প্রায় 51000 বুঝতেই পারছেন আমাদের কাজের জন্য এই 51000 অর্ডার কম নয় আর এর পাশাপাশি এটার সাথে তিনটা টেবিল মানে অর্ডারস রিটার্নস এন্ড পিপল। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | ডেটা অ্যানালাইটিক্স মেন্টরশীপ ১ সিদ্ধান্ত কিভাবে নেই আমরা.mp3 | আপনি যেহেতু এই ভিডিওটা শোনার জন্য ক্লিক করেছেন তার মানে এখানে আপনার কমিটমেন্ট বোঝা যাচ্ছে ডেটা অ্যানালিটিক্স শেখার জন্য। আপনার হাতে কাছে অনেক বই থাকতে পারে বা আমরা অনেক ভিডিও দেখতে পারি কিন্তু কমিটমেন্ট ছাড়া যেকোনো জিনিস কোন জিনিসই শেখা সম্ভব না। ডেটা অ্যানালিটিক্স শেখার পেছনের প্রথম যুক্তি হচ্ছে আমরা ডেটা থেকে সিদ্ধান্ত পেতে চাই। অর্থাৎ আমরা এমন কিছু সিদ্ধান্ত পেতে চাই যেটা ভুল হবার নয় মানে ডেটা যেহেতু ভুল বলে না তার মানে আমাদের সিদ্ধান্তটা যেটা পেতে চাচ্ছি সেটা যাতে হুইমসিক্যালি না হয়। ডেটা যেহেতু সত্যি কথা বলে তার মানে এই ডেটা থেকে আমরা যখন সিদ্ধান্ত নিব সেই সিদ্ধান্তটা অবশ্যই ঠিক হবে। আমাদের নিজের জীবন এবং এর পাশাপাশি বিজনেস সব জায়গায় আমাদেরকে সিদ্ধান্ত নিতে হয় প্রতি মুহূর্তে। আমাদের নিজস্ব জীবনে যখন আমরা অনেক সিদ্ধান্ত নেই তখন অনেক সময় সেগুলো ভুল হয় কারণ আমরা অন্যের দেখে সেটাকে করার চেষ্টা করি। অথচ অন্যের জীবন আর আমার জীবন একই না। এর অর্থ হচ্ছে আমার পার্সোনাল জীবনে যত ধরনের ডেটা আছে সেই ডেটার উপর ভিত্তি করে আমাকে আমার জীবনের জন্য সিদ্ধান্ত নিতে হবে। আপনারা আমাকে ডেটার ডেফিনেশন দিতে বললে আমি বলব ডেটা ইজ এ কালেকশন অফ ফ্যাক্টস। এর মানে হচ্ছে কি অনেকগুলো সত্যিকারের তথ্য নিয়ে একটা কালেকশন যেই কালেকশনটাকে আমরা ডেটা বলছি। আমাদের কোভিড-19 এর পাশাপাশি ভ্যাকসিন এসছে এবং আমরা সেই ভ্যাকসিনগুলো নিচ্ছি তবে বর্তমান ডেটা কি বলছে? ভ্যাক্সিনেশন নেবার পরেও আমাদেরকে সাবধান থাকতে হবে এন্ড দিস ইজ ফ্যাক্ট। সে একইভাবে আমাদের নিজের জীবনের সিদ্ধান্তগুলো নিতে যদি আমরা ডেটা থেকে পড়তে ভুল করি তাহলে অবশ্যই আমরা ডেটাকে বিশ্বাস করছি না এবং এর ফলে আমরা সাফার করছি। ধরুন আমাদের কাছে এখন ডেটা আছে এখন সেই ডেটা থেকে আমরা কিভাবে একটা কনক্লুশন ড্র মানে একটা সিদ্ধান্তে উপনীত হব। আবারও বলছি আমাদের কাছে ডেটা আছে এখন আমরা কিভাবে একটা সিদ্ধান্তে উপনীত হব বা আমরা একটা কনক্লুশন ড্র করব যদি আমরা ডেটা অ্যানালাইসিস না শিখি। এর মানে হচ্ছে আমরা হঠাৎ করে কিন্তু একটা সিদ্ধান্তে উপনীত হই না ডেটা দেখে বরং ডেটা থেকে কিভাবে একটা সিদ্ধান্ত পেতে হয় বা আমরা কিভাবে একটা প্রেডিকশন করব বা একটা ডেটা থেকে কিভাবে সিদ্ধান্ত উপনীত হব সেই অ্যানালাইসিস কাজটাই শিখবো আমাদের এই ডেটা অ্যানালিটিক্স কোর্সে। আপনি যদি আমাকে জিজ্ঞাসা করেন আমি কিন্তু হঠাৎ করে এই ডেটা অ্যানালাইসিস ফিল্ডে আসিনি বরং একযুগ ধরে এই ডেটা নিয়ে কাজ করতে গিয়ে আমার মনে হয়েছে ডেটার মধ্যে কিছু প্যাটার্ন পাওয়া যাচ্ছে যেগুলো সাধারণত আমাদের চোখ এড়িয়ে যায়। আমার ডেটা এনালাইসিস ফিল্ডে আসার গল্প আরেকদিন বলবো তবে এটুকু বলতে পারি যে অ্যানালিটিক্যাল থিংকিং এটাই সবকিছু। আমি এটুকু বলতে পারি যে মানুষের অ্যানালিটিক্যাল থিংকিং অসাধারণ। এটা অনেকটাই সুপ্ত থাকে তবে আমি বলছি যে এটাকে ঠিকমতো ঘষামাজা করলে এটা ধারালো হতে বাধ্য। সবচেয়ে মজার কথা হচ্ছে এই কোর্সে আমার কাজই হবে আপনার সেই সুপ্ত ক্ষমতাকে জাগিয়ে তোলা। আপনি তখন দেখবেন যে আমরা কিভাবে সেই অ্যানালিটিক্যাল থিংকিং থেকে ডেটা ড্রিভেন ডিসিশন মেকিং এ চলে যাচ্ছি। আর এ কাজে আমরা যেহেতু অনেকগুলো টুল ব্যবহার করব সেই টুলগুলো কিন্তু যেকোনো নন প্রোগ্রামার ব্যাকগ্রাউন্ড থেকে যে কেউ ব্যবহার করতে পারবেন। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | ডাটা লিটারেসি জিনিসটা কী এক্সপ্লোর, আন্ডারস্ট্যান্ড এবং কমুনিকেট করতে পারা.mp3 | প্রায় আমাকে একটা প্রশ্ন জিজ্ঞাসা করা হয় যে কেন আমি এই ডেটা নিয়ে কাজ করছি আর এই ডেটা লিটারেসি কেন মানে কেন আমি প্রায় বলছি ডেটা লিটারেসি ফর অল। আর সবচেয়ে বড় জিনিসটা হচ্ছে ডেটা লিটারেসি আসলে আমাদের কি কাজে দেবে এবং আমরা আসলে এই ডেটা লিটারেসি করতে গেলে আমরা আসলে আমাদের কি সুবিধা পাবো। সেইজন্যে আমরা আজকে যদি আলাপ করি ডেটা লিটারেসির ব্যাপারটা এবং সবচেয়ে বড় জিনিসটা হচ্ছে এই ডেটা লিটারেসিটা আসলে কিভাবে কাজ করে এবং কিভাবে আমাদেরকে এটা সাহায্য করবে। আমরা যদি সরাসরি ডেটা লিটারেসি ব্যাপারটা একটু বোঝার চেষ্টা করি যে এটা একটা এবিলিটি দেবে মানে আমাদের একটা সক্ষমতা দেবে আমরা কিভাবে এক্সপ্লোর করব মানে ডেটাকে আমরা কিভাবে এক্সপ্লোর করব ডেটাকে আমরা কিভাবে বুঝবো বিকজ ডেটাটাকে আমাদের ঠিকমত বুঝতে হবে এবং ফাইনালি এই ডেটাটাকে আমরা কিভাবে কমিউনিকেট করব। আর সবচেয়ে বড় জিনিসটা হচ্ছে আমরা এই এক্সপ্লোর করা মানে আমাদের এই এক্সপ্লোর করার সক্ষমতা বোঝার সক্ষমতা এর পাশাপাশি এই জিনিসটাকে আমরা ঠিকমত কমিউনিকেট করতে পারার যে সক্ষমতা সেটা সবটুকুই কিন্তু আসতে হবে ডেটা দিয়ে। আমাদের কোন হুইম বা কোন আমাদের ধারণা থেকে নয়। আমরা এই জিনিসটা বারবার বলতে চাচ্ছি একটা কারণে যে আমরা যখন এই ডেটা নিয়ে আমাদের ভেতরে ধরা যাক আমরা এটা নিয়ে কাজ করছি আমরা প্রথমে ডেটাকে এক্সপ্লোর করব। তারপরে সেই ডেটাকে আমরা বোঝার চেষ্টা করব এবং ফাইনালি আমরা সেই ডেটাটাকে ঠিকমত আমাদের ম্যানেজমেন্ট লেভেল হোক বা আমরা যাদেরকে বা আমাদের যারা স্টেকহোল্ডার আছে তাদেরকে আমরা ঠিকমত কমিউনিকেট করতে পারছি কিনা সেটাও আমাদেরকে দেখতে হবে। তারমানে আমাদের সবকিছু ডেটা দিয়ে করতে পারতে হবে আর সে কারণেই কিন্তু আমাদের এই ডেটা লিটারেসি বা ডেটার যে এক্সপ্লোর করার ব্যাপারটা আমরা বলছি। এখন আমরা যদি এখানে একটা কথা বলি যে ধরা যাক আমরা এখানে যে জিনিসটা আনছি যে আমাদের এক্সপ্লোর করার ব্যাপারটা যে ডেটাটা আসলে আমরা কিভাবে এক্সপ্লোর করব। সেখানে যদি আমাদের কথা আসে যে আমাদের এক্সপ্লোর যে করার ব্যাপারটা সেখানে যে জিনিসটা আমাদের প্রায় আসবে যেটা আমরা বলছি টু গেট ভ্যালু ফ্রম ডেটা। মানে ডেটা থেকে আমাদের একটা মূল্যবান যোগ করতে হবে বা আমরা বলছি যে এটাকে একটা জিনিস ভ্যালু এড করতে হবে মানে আমরা যদি ডেটা থেকে ভ্যালু এড করতে না পারি তাহলে তো আমাদের আসলে সুবিধা হলো না। এবং সবচেয়ে বড় জিনিসটা আমরা বলছি যে উই নিড টু আন্ডারস্ট্যান্ড হাউ ডেটা ইজ ডিফাইন্ড এন্ড হাউ টু আস্ক দা রাইট কোশ্চেন। তারমানে হচ্ছে কি আমরা যখন ডেটাকে ঠিকমত বুঝতে চাইবো বিশেষ করে ডেটাকে আমরা ঠিকমত বুঝতে চাইলে আমাদেরকে জানতে হবে আমাদের প্রথমে জানতে হবে যে ডেটাটা কিভাবে ডিফাইন্ড করা আছে ডেটাটাকে কিভাবে স্ট্রাকচার করা আছে এবং ডেটাকে আমরা আসলে কিভাবে প্রশ্ন করব। এখন আমরা যদি ঠিকমত প্রশ্ন না করতে পারি তাহলে ডেটা থেকে আমরা ঠিকমত উত্তর পাবো না। তারমানে এই ডেটার এক্সপ্লোরেশনের পেছনে বেশ কয়েকটা জিনিস আছে যে আমরা ডেটা থেকে একটা ভালো ধারণা পাবো যে আসলে আমরা ডেটা থেকে যে ভ্যালু এড করার ব্যাপারটা বলছি যে আমরা ডেটাকে আমরা ভ্যালু এড করব তার সাথে আমরা ডেটা থেকে ধারণা পাবো যে কি কিভাবে ডেটাটা প্রপারলি ডিফাইন্ড করা আছে বা স্ট্রাকচার করা আছে এবং সবশেষে আমরা ডেটাকে ঠিকমত প্রশ্ন করতে পারতে হবে। এটা পুরো জিনিসটা আমাদের চলে যাচ্ছে ডেটা এক্সপ্লোরেশনে। এখন আমরা যদি চলে আসি ডেটা এক্সপ্লোরেশনের পরে আমাদের আন্ডারস্ট্যান্ডিং মানে কিভাবে ডেটাটাকে আমরা ঠিকমত বুঝতে চাইবো। এখন এই জিনিসটা আন্ডারস্ট্যান্ড মানে ডেটাকে ঠিকমত আন্ডারস্ট্যান্ড করার একটা বড় ইস্যু এ কারণে যে আমরা যদি ডেটাকে ঠিকমত বুঝতে না পারি যেটা হচ্ছে প্রথমে এই এই অংশটাতে আমরা যদি ঠিকমত ডেটাটাকে বুঝতে না পারি তাহলে কিন্তু আমরা এই ডেটাটাকে ঠিকমত মেজার করতে পারবো না মানে আমরা ঠিকমত ডেটাকে আমরা বুঝতে পারবো না বা এটাকে আমরা একটা মেজার মানে বলতে চাচ্ছি যে এটাকে আমরা ঠিকমত মাপতে পারবো না। আর সবচেয়ে বড় জিনিসটা হচ্ছে যে আমরা যখন ডেটাকে ঠিকমত মেজার করতে পারবো অনলি দেন আমরা ডেটাকে ডেস্ক্রাইব করতে পারবো। আর এই ডেস্ক্রাইবের কথাটার ব্যাপারটা এরকম যে আমরা যদি ঠিকমত ডেস্ক্রাইব করতে না পারি তাহলে তো আমরা ডেটাকে ঠিকমত বুঝতে পারবো না। আমাদের কথা হচ্ছে ডেটাকে ঠিকমত বুঝতে পারা এর থেকে আমাদের ইনসাইট নিতে পারা। এই লাইট বাল্ব মানে হচ্ছে কি আমাদের এখান থেকে ইনসাইট নিতে হবে এবং এই ডেটাকে ঠিকমত সামারাইজ করতে হবে বিকজ আমি সব ধরনের মানে পুরো ডেটাকে তো আমি সবাইকে কমিউনিকেট করবো না বা আমার এই ডেটা থেকে ইনসাইটফুল যে জিনিসটা আমাদের কাজে লাগবে সেই ইনসাইটফুল সামারিটা আমরা ঠিকমত নিতে পারছি কিনা। আর ফাইনালি যেটা হচ্ছে গিয়ে আমাদের এখানে ড্র ইনফর্ম ডিসিশন। মানে আমরা এই ডেটা থেকে একটা সিদ্ধান্ত নিতে পারছি যেটা ইনফর্মড মানে যেটা আসলে আমাদের ডেটা ড্রিভেন মানে ডেটাকে থেকে আমাদেরকে সিদ্ধান্ত নিচ্ছে মানে আমরা ইনফর্ম ডিসিশন মানে আমরা জীবনে প্রচুর সিদ্ধান্ত নেই। তার মধ্যে এক ধরনের সিদ্ধান্ত হচ্ছে আমরা হুইমজিক্যালি নিতে পারি বা আমাদের পুরনো অভিজ্ঞতা থেকে আমরা একটা ডেটার সিদ্ধান্ত নিতে পারি। আর এর পাশাপাশি আমরা যদি বলি ইনফর্ম ডিসিশন তারমানে হচ্ছে কি ডেটা থেকে সিদ্ধান্ত নিয়ে কিন্তু আমরা একটা সিদ্ধান্ত মানে ডেটা থেকে আমরা একটা ধারণা পেয়েছি তারফলে কিন্তু আমরা এই সিদ্ধান্তটি নিয়েছি। তারমানে আমাদের এই ড্র ইনফর্ম ডিসিশন এটা কিন্তু আসছে সেই ডেটা থেকে যেটাকে আমরা প্রথমে কি করলাম আমরা ডেটাকে মেজার করতে পারলাম যে ডেটাকে ঠিকমত মাপতে পেরেছি ডেটাকে ঠিকমত ডেস্ক্রাইব করতে পেরেছি যে না ডেটার মধ্যে যা আছে সেটা আমরা ঠিকমত বুঝাতে পেরেছি এবং ফাইনালি আমরা ডেটাকে সামারাইজ করতে পেরেছি যে পুরো সব ডেটার দরকার নেই আমার ডেটার মধ্যে অনেক কিছু আছে যেই ডেটাটা আসলে আমাদের সবসময় দরকার নেই। আমাদের ধরা যাক আমাদের 2000 রো এর একটা ডেটা আছে আমার এত ডেটা থেকে আমার ইনফার করতে হবে যে আমাদের আসলে কি জানা দরকার। সুতরাং আমাদের এখানে এই সামারাইজেশনটা একটা বড় ইম্পরট্যান্ট যে কেন আমরা সামারাইজ করতে চাইবো এবং শেষে আমরা একটা সিদ্ধান্ত নেব যেই সিদ্ধান্তটা ইনফর্মড মানে আমরা জানবো যে না আমাদের ডেটা থেকে এই সিদ্ধান্তটা নেওয়া হয়েছে। ফাইনালি আমরা ডেটাকে এক্সপ্লোর করলাম আমরা ডেটাকে ঠিকমত আমরা বুঝতে চাইলাম এবং ফাইনালি এই ডেটা নিয়ে আমরা কি করব? এই ডেটাকে ফাইনালি আমরা কমিউনিকেট করতে পারতে হবে কারণ আমার স্টেকহোল্ডার কারা মানে আমি ধরা যাক আমি একজন ডেটা সাইন্টিস্ট বা একজন ডেটা এনালিস্ট। আমার কাজ কি? আমার এই ডেটাকে ঠিকমত কমিউনিকেট করতে পারতে হবে কারণ আমার যে ম্যানেজমেন্ট মানে ধরা যাক আমি একটা কোম্পানিতে চাকরি করছি। আমাকে বলা হলো যে একটা ডেটা থেকে একটা সিদ্ধান্ত মানে ডেটা থেকে যে আমি একটা ইনফর্ম ডিসিশন পেলাম সেই ইনফর্ম ডিসিশনটাকে আমাকে ম্যানেজমেন্ট মানে ম্যানেজমেন্ট হচ্ছে কি আমাদের যারা সিনিয়র ম্যানেজমেন্ট আছেন যারা আসলে ডেটা নিয়ে তারা অত কাজ করবেন না কিন্তু তারা ডেটাটাকে বুঝতে পারবেন। এইজন্য তাদেরকে কমিউনিকেট করতে পারাটা। সেইজন্যই আমরা বারবার বলছি যে আমাদের এখানে যে ডেটাটা আছে সেই ডেটার মধ্যে কিন্তু আমরা বলছি যে এটাকে ঠিকমত কমিউনিকেট করতে পারতে হবে এবং কমিউনিকেটের মধ্যে যে জিনিসটা হচ্ছে ইট ইজ দা কি এবং সব ধরনের প্রশ্নগুলো যেগুলো আমরা এর আগে প্রশ্নগুলো করতে পেরেছিলাম যেটা হচ্ছে গিয়ে আমাদের এখানে আমাদের প্রশ্ন করতে পেরেছিলাম সেই প্রশ্নটা যে আমাদের যতগুলো প্রশ্ন আমরা পেয়েছিলাম সেই প্রশ্নগুলোর উত্তর কি আমরা ঠিকমত পেয়েছি কিনা এবং সেই প্রশ্নগুলো যদি আমরা ঠিকমত বুঝতে পারি তাহলেই তো আমরা তাহলেই তো আমরা সেই প্রশ্নের উত্তরগুলোকে আমাদের সিনিয়র ম্যানেজমেন্টকে বুঝতে বুঝাতে পারবো বা আমাদের যারা কোম্পানিতে ম্যানেজমেন্ট আছে যারা কোম্পানি চালাচ্ছেন তাদেরকে সেই ধরনের ডেটাটা সেই ধরনের ধারণাটা দিতে পারছি কিনা এবং আমরা যে এই যে প্রশ্নগুলো প্রশ্নগুলোর যে উত্তর সেই উত্তর অর্থাৎ এই সলিউশনগুলো আমরা বারবার বলছি যে এই এন্ড সলিউশন এই এন্ড সলিউশনটাকে আমাদের ম্যানেজমেন্ট বা আমাদের যে স্টেকহোল্ডার আছেন বা আমার যে ক্লায়েন্ট আছেন সেই ক্লায়েন্টকে আমি ঠিকমত বোঝাতে পারছি কিনা। তারমানে আমাদের এই ডেটা লিটারেসিতে সবচেয়ে প্রথমে যেই এক্সপ্লোর করলাম এবং তারপরে আমরা এটাকে বুঝতে পারলাম এবং বোঝার পরে আমরা এটাকে ঠিকমত কমিউনিকেট করতে পারতে হবে। তারমানে আমাদের এই তিনটা স্টেজ কিন্তু আমাদের জানা জরুরি কারণ আমরা যদি এই তিনটা স্টেজ ঠিকমত না বুঝতে পারি তাহলে আমাদের জন্য কাজ করাটা খুব ডিফিকাল্ট হবে। আর সেইজন্যই আমরা বারবার বলি যে ডেটা থেকে বিশেষ করে ডেটা থেকে উই শুড বি এবল টু এক্সপ্লোর আন্ডারস্ট্যান্ড এন্ড কমিউনিকেট। এই তিনটা কিওয়ার্ড আমরা যদি ঠিকমত বুঝতে পারি তাহলে আমাদের জন্য যেকোনো কাজ সহজ হবে। আর এই তিনটা জিনিস বোঝার জন্য আমরা আসলে এই টু গেট ভ্যালু ফ্রম ডেটা আমাদের ডেটাটা কি কিভাবে স্ট্রাকচার করা আছে আমরা ঠিকমত প্রশ্ন করতে পারছি কিনা সেটাও একটা জিনিস আমাদের বোঝার বিষয়। আমরা ডেটাকে ঠিকমত মাপতে পারছি কিনা সেটাকে আমরা ঠিকমত ডেস্ক্রাইব এবং সেই ডেটাকে আমরা ঠিকমত সামারাইজ করতে পারছি কিনা আমরা ডেটাকে থেকে আমরা ইনফার করতে পারছি কিনা আমরা যে ডেটাটা আমরা বুঝতে পারছি কিনা এবং সেখান থেকে একটা কনক্লুশন ড্র করতে হবে যে আমরা আমাদের যে সিদ্ধান্ত মানে ফাইনালি সবকিছুই সিদ্ধান্তে চলে যায়। সেই সিদ্ধান্তটা আমরা ঠিকমত নিতে পারছি কিনা ডেটা থেকে সেটা একটা বড় ইম্পরট্যান্ট ইস্যু। সেজন্য আমাদের ইনফর্ম ডিসিশন এই যে ইনফর্ম ডিসিশনটা যে নিতে পারছি সেটাকে আমরা বুঝতে পারছি কিনা মানে ডেটা থেকে আমাদের এই ইনফর্ম ডিসিশনটা নিতে পারছি কিনা। আর ফাইনালি আমরা কমিউনিকেট করতে পারছি কিনা আমাদের সিনিয়র ম্যানেজমেন্টের কাছে যে আমরা ডেটাকে এক্সপ্লোর করলাম আমরা ডেটাকে বুঝতে পারলাম এবং সেই ডেটার উত্তরটা আমাদের সিনিয়র ম্যানেজমেন্টকে সিনিয়র ম্যানেজমেন্টকে আমরা ঠিকমত বলতে পারলাম কিনা। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | মেন্টরশীপ ৩৪ কেন টাইটানিক জাহাজডুবিতে ৩য় শ্রেনীর পুরুষ যাত্রীরা বেশি মারা গিয়েছিলেন.mp3 | ডেটা অ্যানালিটিক্স নিয়ে যত ধরনের মজার প্রজেক্ট আছে সব প্রজেক্টগুলো নিয়ে কিন্তু আমি আপনার কাছে যাব। বিশেষ করে আমরা যখন এই মুহূর্তে ধরা যাক এই মুহূর্তে আমি যে জিনিসটা নিয়ে কাজ করছিলাম যে ধরা যাক একটা গ্রাহক মানে একটা কাস্টমার আপনার একজন কাস্টমারকে আপনি জানতে চাইছেন যে কেন সে আপনাকে লো রেটিং দিল বা আপনার কিছু প্রোডাক্টকে সে কেন লো রেটিং দিল। তো সেটার জন্য তো অবশ্যই আমাদের ডেটা অ্যানালিটিক্স এর ব্যাপারটা জানতে হবে যে আমার যে টেবিল আছে সেই টেবিলে আমি দেখছি যে আমার কাস্টমারের মধ্যে ওনার যে রেটিংটা আছে মানে উনি রেটিং দিচ্ছেন প্রোডাক্টের উপর ভিত্তি করে। এখন সেই রেটিং এর ব্যাপারে যদি আমরা দেখতে চাই যে আমরা এনালাইজ করব রেটিং আর সেটা আসলে অন্য কোন কোন তথ্যের উপর বা অন্য কোন কোন ফিচারের উপর নির্ভরশীল সেটা কিন্তু আমরা এখানে জানতে পারছি। তার মানে আমাদের বিজনেস কোশ্চেন ছিল যে আমাদের রেটিং মানে এখানে আমাদের কোম্পানিতে একটা প্রোডাক্টে কেন রেটিং কম দিল? এই রেটিংটা কেন লো হলো সেটা জানার কিন্তু আমাদের জরুরি। এই যাতে আমরা বুঝতে পারি যে এই লো রেটিং এটা আসলে কোম্পানির জন্য ভালো নয়। তো এই লো রেটিংটা কিভাবে আমরা এখান থেকে উদ্ধার পেতে পারি। সেই জন্যই কিন্তু এই ডেটা অ্যানালিটিক্স আর এর পাশাপাশি আমি আপনাদেরকে বলছি যে কেন প্রজেক্ট টাইটানিক? বিকজ টাইটানিক প্রজেক্টটা কিন্তু এই লো রেটিং মানে কেন একজন বা একটা কোম্পানির একটা প্রোডাক্টকে কাস্টমাররা লো রেটিং দিচ্ছে বা ভালো রেটিং দিচ্ছে সেটা কিন্তু ডিপেন্ড করছে হচ্ছে গিয়ে তার অন্যান্য আরো অন্যান্য ফিচার বা অন্যান্য ডেটার উপরে। আমরা এই জিনিসটাকে যদি কানেক্ট করি এখানে কিন্তু টাইটানিকের জন্য একজন মারা গেছেন বা একজন বেঁচে গেছেন সেটাও কিন্তু ডিপেন্ড করতেছে যে বাকি তথ্যের উপরে। এখন আমরা যদি জানতে চাই ধরা যাক আমরা এর আগে এই টেবিলটা কিন্তু আপনারা কাজ করেছেন এবং এই টেবিলটা আপনারা দেখেছেন যে আমরা এর আগে পিভট টেবিল দিয়ে আমরা জানতে চেয়েছিলাম যে কোথায় কারা কারা আসলে কোন কোন ফিচারের ইনফ্লুয়েন্সে আসলে একজন মানুষ ফাইনালি বেঁচে গিয়েছিলেন বা মারা গিয়েছিলেন। সেই একই জিনিসটা আমরা লো রেটিং এর ব্যাপারটাও কিন্তু আমরা এখানে সামনে দেখাবো। তবে এটুকু বলতে পারি যে আমরা যেই টেবিলটা নিয়ে এর আগে কাজ করেছি সেই টেবিলটাকে আমরা কপি করতে পারি। তো আমি যে প্রজেক্টটা আপনাকে দেখাবো সেই প্রজেক্টটা কিন্তু আমি একটু আগে আমি জাস্ট কাজ করার জন্য আমি দেখে এখানে দেখেছি। তো সেখানে কিন্তু আমরা এই প্রজেক্টে বিশেষ করে আমরা একটা ধারণা পাওয়ার চেষ্টা করছিলাম যে এইজ ভার্সেস ফ্যামিলি মেম্বার বা যেটা আমরা বলছি একটা ফিমেল একটা ফিমেল থার্ড ক্লাস যদি প্যাসেঞ্জার মানে আমরা যদি এখানে দেখি যে আমাদের এখানে প্যাসেঞ্জার ক্লাস থার্ড মানে আমরা প্যাসেঞ্জার ক্লাস থার্ড বলছি এবং আমরা এখানে বলছি যে ফিমেল মানে আমাদের সেক্স হচ্ছে ফিমেল মানে জেন্ডার। তো আমরা কিন্তু শুধুমাত্র দুটো ক্রাইটেরিয়া যে প্যাসেঞ্জার ক্লাস হচ্ছে কি থার্ড আর তার পাশাপাশি আমাদের জেন্ডার হচ্ছে ফিমেল। এই দুটোকে আমরা এখানে প্লট করেছি। এখন আমরা যখন এগুলো নিয়ে কাজ করি তখন আমরা কিন্তু এখানে বলি যে বিশেষ করে আমরা যদি ধরা যাক শুধুমাত্র থার্ড ক্লাস বা শুধুমাত্র ফার্স্ট ক্লাস আমরা যেভাবে কাজ করতে চাইবো আমরা চাইবো যে আমাদের যে আসল টেবিলটা সেই টেবিলটাকে আমরা কপি করে নিয়ে আসবো। ধরা যাক আমরা এখন যেটা করব সেটা হচ্ছে যে এই টেবিলটা আছে এই টেবিলটাকে আমরা কপি করে নতুন একটা টেবিলে নিয়ে যাব। সেখানে আমরা বলব যে মুভ অর কপি এবং সেখানে আমরা বলছি যে ট্রেন যে পিভট টেবিলটা আমরা সবচেয়ে প্রথমে কাজ করেছিলাম সেটাকে আমরা কপি করে নিয়ে যাই। আমরা এখানে কপি করে নিয়ে গেলাম। আমরা এখানে বলছি যে কপি করে নিয়ে এসে আমরা এখানে যে টেবিলটা আছে সেই টেবিলটাকে আমরা এখন ধরা যাক আমরা এই ট্রেন ডট পিভট টেবিল থেকে আমরা এখানে কপি করে নিয়ে আসলাম। এখন এটাকে আমি বলি যে ধরা যাক আমরা এই মুহূর্তে কোন ডেটাটা দেখতে চাইবো? যে একজন প্যাসেঞ্জার ধরা যাক আমি এখানে বলি যে একজন প্যাসেঞ্জার যিনি হচ্ছে থার্ড ক্লাস থার্ড ক্লাস এবং আমরা বলছি মেল থার্ড ক্লাস মেল। এখন থার্ড ক্লাস মেলকে যদি আমরা যদি এখানে প্লট করি তাহলে আমরা বুঝবো যে এই থার্ড ক্লাস মেল উনাদের চান্স অফ সারভাইবিলিটিটা কেমন ছিল। এখন আমরা যেহেতু এই পুরো টেবিলটাকে কপি করে নিলাম আমাদের এখানে অন্যান্য অনেক কিছু আছে যেটা আমি এখন ডিলিট করতে চাচ্ছি কারণ এখানে আমাদের বেশ কিছু প্লটিং আমরা করব। তো এই মুহূর্তে আমাদের কাছে এখানে যা যা আছে আমি সবকিছুই এখানে যেটা হচ্ছে আমি ডিলিট করে দিলাম। বাট তবে আমি এটুকু বলব যে আমাদের এই মুহূর্তে যা যা আছে বা আমাদের এখানে যে যেটা নিয়ে কাজ করব সেটা আমাদের কিছু প্লটিং করলে হবে। এই আমাদের যে টেবিলটা আছে সেই টেবিলের মধ্যে আমরা বলছি যে আমাদের সব ডেটা আছে। কিন্তু আমি আপনাকে প্রথমে বলেছি যে আমাদের থার্ড ক্লাস মেল। এখন আমরা যদি এখান থেকে সিলেক্ট করি ধরা যাক আমাদের দরকার হচ্ছে কি থার্ড ক্লাস। আমি এখানে সবকিছু অফ করে দিয়ে আমরা শুধুমাত্র থার্ড ক্লাস নিলাম। নেওয়ার পর আমরা সর্ট করে নিলাম শুধুমাত্র থার্ড ক্লাস। মানে এখানে আমাদের যত ডেটা আছে অনলি থার্ড ক্লাস। এখন আমরা আবার ফিরে যাই যে আমরা চাচ্ছিলাম যে থার্ড ক্লাস মেল। এখন আমাদের জেন্ডারে আমাদের যে জেন্ডার আছে সেখানে জেন্ডার থেকে আমরা শুধুমাত্র চুজ করতেছি যে মেল। আমরা এখানে শুধুমাত্র মেল চুজ করলাম। এখন আমরা দেখি যে আমাদের এখানে সব ডেটা শুধু মেল। এখানে থার্ড ক্লাস এবং মেল। এখন যে জিনিসটা আমি আপনাকে বলতে চাইবো যে আমাদের কাছে প্রচুর ডেটা আছে। আমাদের এখানে যে ডেটাগুলো আছে সেই ডেটাগুলো আমরা একটু হাইড করব। কারণ এখানে সবচেয়ে বড় যে সমস্যাটা হচ্ছে যে এত ডেটা আমার প্রয়োজন নেই। বিশেষ করে আমাদের এখানে দরকার হচ্ছে গিয়ে ধরা যাক এই দুটো টেবিল আমি হাইড করতে চাই। এই মুহূর্তে আমি এটাকে হাইড করলাম। তারপরে আমার দরকার আমার থার্ড ক্লাস দরকার আছে। তারপর আমাদের বয়স দরকার আছে। আমাদের সিবলিং স্পাউস দরকার আছে। টিকেট ফেয়ার নিউ ফেয়ার কেবিন এমবার্ক এটা দরকার নেই। আমরা এখান থেকে এতগুলো টেবিল সরি এতগুলো কলাম আমরা হাইড করে ফেলবো যাতে আমাদের কাজ করতে সুবিধা হয়। আপনি বুঝতে পারছেন যে আমাদের এখানে যে জিনিসগুলো দরকার সেই জিনিসগুলোতে সবচেয়ে বড় জিনিসটা হচ্ছে যে আসলে আমরা কি চাচ্ছি আমাদের এখানে? আমরা চাচ্ছি যে এই মুহূর্তে আমাদের যে ডেটা আছে সেই ডেটার মধ্যে সারভাইভড এবং ডায়েড দুটো ডেটাই আছে এবং থার্ড ক্লাস মেল। এখন আমরা যদি একটা স্ক্যাটার প্লট করতে চাই ধরা যাক আমরা এই মুহূর্তে আমাদের যে ডেটা আছে বিশেষ করে আমরা এখানে দেখছি যে সিবলিং স্পাউস এবং প্যারেন্টস চিলড্রেন। এখন এর আগে আপনাকে আমি দেখিয়েছিলাম যে আমাদের যে ফ্যামিলি সাইজ এখানে কিন্তু আমরা একটা ফ্যামিলি সাইজ বলে একটা আলাদা একটা কলাম তৈরি করেছিলাম। সেটা যদি আমরা এখানে করতে চাই ধরা যাক আমরা এখানে নতুন একটা কলাম করলাম ফ্যামিলি সাইজ এবং সেই ফ্যামিলি সাইজের উপরে কিন্তু আমাদের কাজ হবে যে আসলে আমরা ফ্যামিলি সাইজটা কিভাবে বের করব? এর আগে কিন্তু আমরা বারবার আপনাদেরকে দেখিয়েছিলাম যে সিবলিং স্পাউস মানে হচ্ছে কি আমার সিবলিং মানে আমার ভাই বোন মানে একটা ফ্যামিলি কিভাবে এখানে আমরা হিসাব করতে পারছি যে আমার ভাই বোন স্পাউস আমার ওয়াইফ বা একজন মহিলার হাজবেন্ড উনার হচ্ছে গিয়ে সিবলিং স্পাউস। প্যারেন্টস চিলড্রেন হচ্ছে কি বাবা মা অথবা তার ছেলে মেয়ে। তার মানে হচ্ছে কি যে এভাবে পুরো সবাইকে যোগ করলে এখানে যদি আমরা সবাইকে যোগ করি তাহলে কিন্তু আমরা এটাকে আমরা বলতে পারি যে টোটাল ফ্যামিলি মেম্বার। এখন ফ্যামিলি সাইজটাকে যদি আমি এখানে যোগ করি ধরা যাক আমরা এখানে ফর্মুলা ফেলি যে আমাদের এখানে দরকার হচ্ছে গিয়ে এই মুহূর্তে আমার দরকার হচ্ছে গিয়ে সিবলিংস স্পাউস এবং প্যারেন্টস চিলড্রেন এই দুটোকে আমি যোগ করব। সুতরাং আমি এখান থেকে এটাকে নিলাম এবং এটাকে আমি যোগ করলাম হচ্ছে গিয়ে প্যারেন্টস চিলড্রেন দিয়ে এন্টার। আমার এখানে পুরো জিনিসটা ফর্মুলাতে চলে এলো। আমার এখানে ওয়ান প্লাস জিরো হচ্ছে ওয়ান জিরো জিরো জিরো জিরো থ্রি প্লাস ওয়ান হচ্ছে গিয়ে ফোর। তার মানে হচ্ছে কি আমাদের এই ফ্যামিলি সাইজটা তৈরি হয়ে গেল। এখন আমি আপনাকে যদি একটা কথা বলতে চাই যে ধরা যাক আমার এখানে এখন সিবলিংস স্পাউস প্যারেন্টস চিলড্রেন এই দুটো কলাম আমার দরকার নেই। আমি এটাকে কি করছি? আমি এই দুটো কলামকে আমি হাইড করছি। যাতে আমার বয়স এবং ফ্যামিলি সাইজটাকে আমি পাশাপাশি পাই। এখন আপনি যদি দেখেন যে আমাদের এই বয়স এবং ফ্যামিলি সাইজ এই দুটোকে যদি আমরা প্লট করতে চাই ধরা যাক আমাদের বয়স এবং ফ্যামিলি সাইজ এক্স এক্সিসে এবং ওয়াই এক্সিসে যদি আমরা প্লট করতে চাই সরাসরি তাহলে আমরা কি করব? ইনসার্ট এবং আমরা সরাসরি যাব স্ক্যাটার প্লট। কারণ আমাদের সব সোজা বোঝা সহজ হচ্ছে কি স্ক্যাটার প্লট দিয়ে। আমরা স্ক্যাটার প্লটে গেলাম। আমরা এখানে একটা ধারণা পাচ্ছি যে ফ্যামিলি সাইজটা কিরকম হতে পারে। আপনি একটা জিনিস দেখেন যে এখানে সব টানা এবং এখানে সব টানা এখানে সব টানা। কারণ কি? কারণ হচ্ছে কি আমাদের এখানে যে এপাশের যে ডেটাটা আছে এপাশের ডেটাটা হচ্ছে ফ্যামিলি মেম্বার মানে কতজন ফ্যামিলি মেম্বার আসলে উনারা একসাথে ট্রাভেল করছিলেন। যেমন এখানে 10 10 জন মানে 10 জন ফ্যামিলি মেম্বার ট্রাভেল করেছিলেন। এখানে আট এখানে সাত। তার মানে বেশ বড় বড় ফ্যামিলি ট্রাভেল করছিলেন। কিন্তু এখানে ব্যাপারটা হচ্ছে যে যেহেতু ভ্যালুগুলো ডিসক্রিট একটা সেভেন আরেকটা সেভেন এর সাথে ওভারল্যাপ করছে বা একটা ফাইভ আরেকটা ফাইভ এর সাথে ওভারল্যাপ করছে। তার মানে আমাদের এখানে যে প্লটিংটা হচ্ছে সেই প্লটিংটা কিন্তু একচুয়ালি আমরা ঠিকমতো বুঝতে পারছি না। তো এটাকে আমরা কিভাবে এই জিনিসটাকে ঠিক করতে পারি? সেটা হচ্ছে আমরা ভিজুয়ালাইজেশনের জন্য শুধুমাত্র ভিজুয়ালাইজেশনের জন্য আমরা এটাকে অফসেটিং করব। ধরা যাক আমি আপনাকে যদি এইটুকু এই অবস্থায় আমি আপনাকে নতুন করে দেখাই যে ধরা যাক আমার এই ফ্যামিলি সাইজ যেটা আছে সেটা হচ্ছে ওয়ান টু থ্রি ফোর ফাইভ সিক্স ডিসক্রিট নাম্বার। এই ডিসক্রিট নাম্বার প্লটিং করলে তো সমস্যা একটাই। তো এখানে আমরা একটা কাজ করতে পারি। সেটা হচ্ছে যে এখানে ধরা যাক আমরা একটু অফসেট একটা ভ্যালু বলতে পারি যে না ওয়ান হলে ওয়ান থেকে একটু কম অথবা বেশি। যাতে আরেকটা ওয়ানের সাথে এটা রেন্ডমলি আমরা এমনভাবে দৈবচয়নের ভিত্তিতে করব যাতে কখনোই কোন ফিগার মানে ওয়ান আরেকটা ওয়ানের সাথে যাতে একরকম না হয়। এই অফসেট ভ্যালুর জন্য আমরা একটা নতুন কলাম নিতে পারি। ধরা যাক আমরা বলছি আমাদের এখানে যে ডেটা আছে সেটা হচ্ছে অফসেট অফসেট ফ্যামিলি মেম্বার এবং আমরা সেই অফসেট ফ্যামিলি মেম্বার যে যারা আছে তারা এখানে আমরা এমনভাবে তৈরি করব যাতে আমাদের একচুয়াল ডেটা থেকে একটু যাতে আমাদের যে ভিজুয়ালাইজেশন আছে সেই ভিজুয়ালাইজেশনটা আমরা ঠিকমতো দেখতে পারি এবং সেখানে আমরা একটা জিনিস দেখব যে ধরা যাক আমাদের এই যে ওয়ান আছে আমরা ওয়ানকে বলছি যে ঠিক আছে ওয়ান যে ডেটাটা আছে ওয়ান এবং তার সাথে আমি যোগ করছি রেন্ডম ভ্যালু। মানে আমরা একটা রেন্ডম ভ্যালু এবং সেই রেন্ডম হচ্ছে কি জিরো থেকে বেশি ওয়ান থেকে কম। তো আমরা এখানে যদি রেন্ডমের রেন্ডম ফাংশনটা যদি নিয়ে আসি সেই রেন্ডম ফাংশন নিয়ে আমরা বলছি যে ধরা যাক এই রেন্ডম ফাংশনটা আমরা নিলাম নেওয়ার পরে জিরো থেকে ওয়ান মানে ওয়ানের থেকে কম জিরো থেকে বেশি। তো এটাতে আমরা দেখছি যে এটা আবার বেশি হয়ে যায়। তখন আমরা কি করব? তখন আমরা এই রেন্ডম ফাংশন থেকে আমরা একটা মাইনাস করে দিব যাতে আমাদের একচুয়াল ভ্যালু থেকে কাছাকাছি হয়। মাইনাস কি হতে পারে একটা মিডিয়ান ভ্যালু যেমন পয়েন্ট ফাইভ। আমরা যদি বলি পয়েন্ট ফাইভ এখান থেকে আমরা সিলেক্ট করে নেব। তখন আমরা যেটা কাজ করতে পারি যে পয়েন্ট ফাইভ দিয়ে আমরা বলতে পারি যে এটা মাইনাস যে আমাদের একচুয়াল ভ্যালু হচ্ছে কি ফ্যামিলি সাইজ প্লাস একটা দৈব সংখ্যা যেটা হচ্ছে জিরো থেকে ওয়ান হতে পারে। তারপরের থেকে আমরা পয়েন্ট ফাইভ কে আমরা মাইনাস করব এবং সেখানে আমরা দেখছি যে ওয়ান এই ভ্যালুটা কিন্তু পয়েন্ট নাইন। তার মানে হচ্ছে কি কাছাকাছি একটা ভ্যালু এবং জিরোর ভ্যালুগুলো কিন্তু কাছাকাছি যে মাইনাস খুব কাছাকাছি ভ্যালু। ফোর হচ্ছে ফোর পয়েন্ট ফোর। তো এরকম ভাবে মানে যেটা হচ্ছে গিয়ে সিক্স সেটা হচ্ছে গিয়ে ফাইভ পয়েন্ট সেভেন। আবার যেটা ফাইভ সেটা ফাইভ পয়েন্ট ওয়ান। তার মানে হচ্ছে কি সবকিছুই কাছাকাছি যাতে আমাদের ভিজুয়ালাইজেশনে যাতে ওভারল্যাপিং না হয়। কারণ আমি আপনাকে যদি ভিজুয়ালাইজেশন যদি দেখাই এবং এর আগে আমি দেখিয়েছিলাম সেই নতুন ভিজুয়ালাইজেশনে কিন্তু সেই ধরনের আর সমস্যাটা হবে না। তো আমি আপনাকে যদি এই মুহূর্তে ধরা যাক আমাদের যে ডেটাটা আছে সেই ডেটাতে আমরা যদি বলি যে আমাদের মেল এবং থার্ড ক্লাস আমরা এখানে বলেছি যে মেল এবং থার্ড ক্লাস। যেহেতু আমরা এর আগে থার্ড ক্লাসটাও আমরা দেখিয়েছিলাম এখানে। তো সেখানে আমরা যদি এখানে দুটো ডেটা বিশেষ করে ফ্যামিলি সাইজ এবং ফ্যামিলি মেম্বার এই না আমি ভুল বললাম। আমি বলছি যে আমাদের বয়স বয়স এবং আমরা যদি আমাদের ফ্যামিলি সাইজ মানে আসল ফ্যামিলি সাইজটাকে যদি আমরা হাইড করি ধরা যাক এটাকে আমরা হাইড করে ফেললাম। আমরা এখানে আমাদের বয়স এবং অফসেট ফ্যামিলি মেম্বার এই দুটোকে যদি আমরা স্ক্যাটার প্লটে আমরা ফেলি ধরা যাক এখানে আমরা স্ক্যাটার প্লটে ফেলছি এবং সেখানে আমরা দেখছি যে আমাদের একচুয়াল ডেটা আগে যেটা আমরা দেখেছিলাম সেটার কাছাকাছি একটা ডেটা এবং সেখানে কিন্তু এখন একটার উপরে আরেকটা কিন্তু ওভারল্যাপিং ওরকম নেই। কারণ এখন আমি দেখছি যে একটু এদিক ওদিক সরে গেছে। তো আমরা এটাকে একটু বড় করি। ধরা যাক এখানে ডেটাটা আমরা আমাদের কাজের জন্য আরেকটু বড় করে দেখাই যাতে আমাদের এখানে ব্যাপারটা আরো বুঝতে সুবিধা হয়। এখানে যে ডেটাটা আছে সেখানে আমরা দেখছি ধরা যাক আমাদের এখানে আগের যে প্লট আছে সে ফেলে দিচ্ছি। আমাদের এখানে ডেটা আছে সেখানে কিন্তু অফসেটিং মানে আমরা দেখছি যে এখানে যে ডেটাটা আছে সেই ডেটাটা কাছাকাছি ডেটা। আর এটাকে যদি আমরা একটু অন্যভাবে দেখি ধরা যাক আমাদের এখানে সিলেক্ট ডেটা। এখানে দেখতে পাচ্ছি যে আমাদের এখানে অফসেট ফ্যামিলি মেম্বার হিসেবে আমরা চুজ করেছি। এটাকে যদি আমরা এডিট করি ধরা যাক আমরা এডিট করে বলছি যে আমাদের যে ডেটাটা আছে সেই ডেটাটা বলছি যে সবকিছুর জন্য প্রযোজ্য। ধরা যাক আমাদের এখানে যদি বলি যে আমাদের ডেটাটা এখানে যেটা আছে সেই ডেটাটা বিশেষ করে আমাদের যে এই মুহূর্তে আমরা যে ডেটাটা নিলাম সেখানে কিন্তু আমরা এখানে সব ধরনের ডেটা আছে এবং সব ডায়েড এবং সারভাইভ। তো আমরা আসলে এই ডায়েড এবং সারভাইভ ডেটাটাকে আমরা একবারে নেব না। আমরা কিভাবে করব? আমরা এই যে প্লটটা করলাম সেই প্লটটাকে আমরা নতুন করে করব। আমাদের এই যে ডেটাটা আছে সেই ডেটাটাকে আমরা দেখলে বুঝতে পারছি যে এখানে আমাদের যে নিচে যে এক্স এক্সিসে আমরা বলছি যে আমাদের বয়স এবং ওয়াই এক্সিসে আমরা দেখছি যে এখানে আমাদের ফ্যামিলি মেম্বার। সেখানে সবচেয়ে বড় যে জিনিসটা আমরা চাচ্ছি যে এখানে কারা কারা বেঁচে গিয়েছিলেন কারা কারা মারা গিয়েছিলেন সেগুলো যদি আমরা ঠিকমতো প্লট করতে পারি মানে বিভিন্ন ভিন্ন ভিন্ন কালার দিয়ে তাহলে কিন্তু আমাদের জন্য এই কাজটা আরো সহজ হবে এবং এই কাজটা আমরা করছি সামনের সপ্তাহে। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | পাওয়ার বি আই এর বিল্ডিং ব্লক (মাইক্রোসফট সার্টিফাইড ডাটা অ্যানালিটিক্স অ্যাসোসিয়েট) Power BI.mp3 | আসসালামু আলাইকুম, আপনারা কি আমাকে শুনতে পাচ্ছেন? আপনারা যদি আমাকে শুনতে পারেন, আপনারা আমাকে কমেন্ট করে জানাতে পারেন যে আপনারা আমাকে শুনতে পাচ্ছেন। আজকের আলাপ হচ্ছে পাওয়ার বিআই এর বিল্ডিং ব্লক। তো আপনারা যদি আমাকে শুনতে পারেন, আপনাকে বলতে পারেন যে ঠিকমতো শুনতে পাচ্ছেন আপনারা। সো আমরা আজকে আলাপ করছি পাওয়ার বিআই এর কিছু বিল্ডিং ব্লক নিয়ে। তো এখানে আপনাদের পারসপেক্টিভ থেকে আমরা যদি ধারণা পাই যে আপনারা আসলে পাওয়ার বিআই নিয়ে যদি কাজ করি বা পাওয়ার বিআই এর আসলে ব্যাপারটা কি সেটা নিয়ে যদি আমরা আজকে কাজ করি সেটা নিয়ে আপনাদের পয়েন্ট অফ ভিউ আমরা জানতে পারি। তো আমি শুরুতে আপনার আপনাদের পারসপেক্টিভ জানতে চাই। আপনারা কি আমাকে শুনতে পাচ্ছেন? আপনারা যদি আমাকে শুনতে পারেন আমাকে জানাতে পারেন। কমেন্টে আমাকে জানাতে পারেন যে আপনারা আমাকে শুনতে পাচ্ছেন। তো সেখানে আমি আপনাদের তাহলে বলতে পারি যে আমরা আসলে পাওয়ার বিআই বিশেষ করে পাওয়ার বিআই বিল্ডিং ব্লক নিয়ে আলাপ করতে চাই। তো আমি আপনাদের কাছে শুনতে চাই যে আপনারা আমাকে শুনতে পাচ্ছেন কিনা। যদি শুনতে পারেন আমি তাহলে আপনাদেরকে এইটা ব্যাপারে আমি আগাবো। ওকে থ্যাঙ্ক ইউ সো মাচ। থ্যাঙ্ক ইউ সো মাচ। সো আসলে পাওয়ার বিআই এর গল্পটা কেন আসলো? মানে আমরা পাওয়ার বিআই নিয়ে আলাপ করার আগে আসলে আমরা বলছিলাম যে মাইক্রোসফট যে সার্টিফিকেশনটা আমরা আলাপ করছিলাম। তো সেখানে গেটিং স্টার্টেড অফ মাইক্রোসফট ডেটা অ্যানালিটিক্স যে সার্টিফিকেশনটা সেখানে কিন্তু আমরা দেখছিলাম যে ওরা বলছিল যে বিজনেসের জন্য কি প্রয়োজন এবং সেখানে তারা ডিসকভার ডেটা অ্যানালিটিক্স এর মধ্যে তারা বেশ কিছু জিনিস ওরা ওরা বলছিল। বাট এর পাশাপাশি ওরা ইনিশিয়াল যে ডিসকভার ডাটা অ্যানালাইসিস যে পয়েন্ট অফ ভিউ তারা আলাপ করছে। তার পাশাপাশি ওরা এটাকে বিশেষ করে আমি দেখছি যে ওরা এটার সাথে কানেক্ট করছে হচ্ছে গিয়ে পাওয়ার বিআই কে। বিকজ পাওয়ার বিআই হচ্ছে তাদের নিজস্ব প্রোডাক্ট। সো এখানে তার নিজস্ব প্রোডাক্টের উপর তার একটা অবশ্যই একটা কানেকশন থাকবে। আর মাইক্রোসফট যেহেতু ইকোসিস্টেম নিয়ে কাজ করে মানে ওদের সবকিছু আছে। ওদের মাইক্রোসফট এক্সেল থেকে শুরু করে ওদের পাওয়ার প্লাটফর্ম আছে অনেকগুলো। সো ওই পাওয়ার প্লাটফর্মে এবং মাইক্রোসফট ডাইনামিক্স আছে তো ওগুলো নিয়ে ওরা কাজ করছে অনেকদিন ধরে। এখন আপনাদের থেকে ধারণা আমি একটু পেতে চাই। সেটা হচ্ছে যে আপনারা কি বলবেন যে পাওয়ার বিআই সম্বন্ধে কে কে জানেন বা পাওয়ার বিআই নিয়ে কার কিরকম ধারণা আছে বা পাওয়ার বিআই কেন কাজ করে বা পাওয়ার বিআই কেন দরকার সেটা নিয়ে আপনারা যদি আমাকে একটু জানান তাহলে আমার আমার জন্য একটু সুবিধা হয় বুঝতে। মানে পাওয়ার বিআই নিয়ে আমি কেন কাজ করব বা পাওয়ার বিআই এর আসল ব্যাপারটা কি? মানে আমরা এখানে গেটিং স্টার্টেড উইথ মাইক্রোসফট ডেটা অ্যানালিটিক্স বলছি বাট তারপরে আমরা ডেটা অ্যানালাইসিস বোঝার চেষ্টা করছি বাট বোঝার পাশাপাশি আমরা একটা জিনিস দেখছি যে ওরা বলছে গেট স্টার্টেড বিল্ডিং দা পাওয়ার বিআই। সো সালেহীন বলছেন যে বিজনেসের ক্ষেত্রে ডাটা অ্যানালাইসিস রাইট? এটা একটা বিজনেস অ্যানালিটিক্স টুল। সুতরাং বিজনেস অ্যানালিটিক্স টুল হিসেবে এটা ব্যবহার হয়। বাট আরো আরো শুনতে চাচ্ছি। আরেকটা জিনিস ভলিউম কি ঠিক আছে নাকি ভলিউম আরেকটু বাড়াতে হবে? আপনার কি মনে হয়? ভলিউম কি ঠিক আছে? আপনাদের ভলিউম কি ঠিক আছে? মানে আমি কি ভলিউমের যেটা সেটা কি ঠিক আছে নাকি আরেকটু ভলিউম বাড়াতে হবে? আপনাদের কি মনে হয়? ভলিউম ঠিক আছে? ওকে সো আমাদের এখানে যে পয়েন্ট অফ ভিউটা আমরা আচ্ছা একটু বাড়ালে ভালো হয়। সো আমি ভলিউমে দেখছি ওকে। সো আসলে আমাদের পয়েন্ট অফ ভিউ থেকে যদি আমরা একটু দেখি যে বিশেষ করে যারা হচ্ছে গিয়ে বিজনেস অ্যানালিটিক্স নিয়ে কাজ করে বিশেষ করে আমরা যদি এটা এরকম চিন্তা করি যে বিজনেস অ্যানালিটিক্স এর জন্য আসলে আমরা যখন পাওয়ার বিআই নিয়ে কাজ করি পাওয়ার বিআই যেহেতু একটা বিজনেস অ্যানালিটিক্স টুল এবং বিজনেস অ্যানালিটিক্স টুল হিসেবে তাদের যা দরকার সেটা অলরেডি আপনাদের কেউ বলেছেন যে বিজনেস ইন্টেলিজেন্স এর জন্য ডেটা ভিজুয়ালাইজেশন সফটওয়্যার রাইট? মুশফিকুর রহমান, মুশফিকুর রহমান বলেছেন। সো আমরা যদি গেটিং স্টার্টেড উইথ মানে বিল্ডিং উইথ পাওয়ার বিআই যদি আমরা আসি তাহলে কিন্তু পাওয়ার বিআই এর আমরা একটা ধারণা পাই যে টু গেট স্টার্টেড বিল্ডিং ব্লক। কিন্তু এখানে একটা জিনিস ওরা বলছে যে ইন্ট্রোডাকশন ওরা অনেক কিছু বলছে কিন্তু আমি মনে করি যে সবকিছু বোঝার আগে আমাদের একটু বুঝতে হবে যে পাওয়ার বিআই এর বিল্ডিং ব্লকটা কি? অনেকে আমরা ভাবেন যে পাওয়ার বিআই টা কি? মানে শুরুতেই যেমন অনেকে কিন্তু কি করেন? শুরুতেই পাওয়ার বিআই নিয়ে বসে পড়েন যে আমাকে একটা কাজ করতে হবে। সো পাওয়ার বিআই নিয়ে আমার একটা ধারণা থাকা প্রয়োজন। সো আমি এটাই বলছি যে পাওয়ার বিআই নিয়ে আমরা যাই আলাপ করি না কেন এখানে পারসপেক্টিভটা হচ্ছে যে আমাদের এই বিল্ডিং ব্লক বা আমরা পাওয়ার বিআই টা আসলে কিভাবে কাজ করব এবং পাওয়ার বিআই এর ব্যাক এন্ডে কিভাবে কাজ করতেছে সেটা একটা ইম্পরট্যান্ট ইস্যু। সো ওরা আসলে আপনাদের কথা মতোই আমি বলব যে পাওয়ার বিআই কিন্তু রিপোর্ট কিন্তু খুব ইজি। মানে ওদের বিল্ডিং ব্লকগুলো খুবই ইজি। সেটা হচ্ছে যে উনারা বলতেছেন যে পাওয়ার বিআই বিশেষ করে আমরা যখন পাওয়ার বিআই নিয়ে কথা বলি তখন পারসপেক্টিভে প্রথম কথা হচ্ছে যে এটা একটা ভিজুয়ালাইজেশন টুল এবং এটার সাথে ডেটা সেটকে কানেক্টেড হতে হবে। এটা রিপোর্ট জেনারেট করবে। এটা ড্যাশবোর্ড তৈরি করবে এবং তার পাশাপাশি টাইল তৈরি করবে। সো এটা হচ্ছে গিয়ে আমাদের শুরুর বিল্ডিং ব্লক। বাট যে জিনিসটা আমরা বলি যে আসলে এই যে বেসিক বিল্ডিং ব্লকের ব্যাপারে ওরা যেটা বলতেছে যে আপনাদের মানে এখানে একটা উদাহরণ দিয়েছে যে একটা বিল্ডিং যখন তৈরি করা হয় তখন তার জন্য যে কাঠ, স্টিল, কনক্রিট, গ্লাস এবং অন্যান্য জিনিস কাজ করে একটা গাড়ি যেভাবে কাজ করে সেখানে আসলে বেসিক যে বিল্ডিং ব্লকটা দরকার হচ্ছে গিয়ে ডাটা অ্যানালাইসিসের জন্য সেটাই হচ্ছে গিয়ে পাওয়ার বিআই ওরা ওরা সলভ করতে চাচ্ছে। বিশেষ করে মাইক্রোসফট এর পারসপেক্টিভ থেকে যে মাইক্রোসফট এর আন্ডারস্ট্যান্ডিং এ। এখন যদি আমরা শুরুতে যদি ভিজুয়ালাইজেশন নিয়ে কথা বলি যে ভিজুয়ালাইজেশনটা আসলে কি? মানে কেন ভিজুয়ালাইজেশন দরকার? বা আমরা শুরুতে পাওয়ার বিআই এর একদম শুরুতে কেন ভিজুয়ালাইজেশনটা আমরা ব্যবহার করব? এটা এটার পারসপেক্টিভটা কি বা এটা এটা নিয়ে আপনাদের কি মতামত যে কেন আমরা ভিজুয়ালাইজেশন নিয়ে কাজ করব বা ভিজুয়ালাইজেশনের পারসপেক্টিভটা কেন আসতেছে? এটা যদি আপনাদের পক্ষ থেকে যদি কেউ বলতেন তাহলে আমি সেই হিসাবে আমি এটা আপনার সাথে আপনাদের সাথে আমরা এটা নিয়ে ইয়ে করব। সো এই ভিজুয়ালাইজেশনটা হচ্ছে আমাদের দিনশেষে একটা প্রশ্ন এসছে। সো আপনি দেখেন যে ইস্যুটা হচ্ছে যে এখানে অনেক কিছুই আছে বাট আমরা যখন এগুলো নিয়ে কাজ করি বিশেষ করে আমরা যখন যখন পাওয়ার বিআই নিয়ে কাজ করব তখন হচ্ছে গিয়ে আমরা একেকটা টাইল মানে এই যে মনে করেন যে টাইলটা। মানে জিনিসটা হচ্ছে যে আমরা এখানে এইটা একটা টাইল বা এটা একটা টাইল। হ্যাঁ মানে আমরা যখনই একটা ভিজুয়ালাইজেশন তৈরি করব তখন ভিজুয়ালাইজেশনটা কিন্তু আসলে যেমন এটা একটা ভিজুয়ালাইজেশন এটা একটা কোন একটা স্লাইড থেকে বা কোন একটা অলরেডি একটা ভিজুয়ালাইজেশন থেকে এসছে। মানে ড্যাশবোর্ডে কিন্তু দিস অল আর সেপারেট টাইল। এই সেপারেট টাইল। মানে এগুলো হচ্ছে সেপারেট টাইল। বোঝা গেছে যে আমরা আসলে এই সেপারেট টাইলগুলো ফাইনালি একটা ড্যাশবোর্ডে এসে দাঁড়াবে। কারণ ড্যাশবোর্ড হচ্ছে গিয়ে একটা ওভারভিউ 360 ডিগ্রি একটা কাইন্ড অফ পারসপেক্টিভ। সো আমরা ফিরে আসি আমাদের জিনিসটা হচ্ছে যে ভিজুয়ালাইজেশনটা আমি অলরেডি আমাকে বলেছেন যে টু স্যাটিসফাই ক্লায়েন্টস এট এ গ্ল্যান্স সালেহীন। সো রাইট কারণ এন্ড অফ দা ডে আমরা যখন ভিজুয়ালাইজেশনের কথা বলব তখন কিন্তু আমার যে বস আমার যে কোম্পানির যে বস সেই এবং রিপোর্টকে ভিজুয়ালাইজ করার জন্য মতিউর রহমান থ্যাঙ্ক ইউ। মুশফিকুর রহমান হ্যাঁ। সো ইন্ডিভিজুয়াল অডিয়েন্সের জন্য ডেটা সহজভাবে উপস্থাপন করার উপায় রাইট। সো ভিজুয়ালাইজেশন ব্যাপারটা হচ্ছে যে আমার বস উনি তো আর আসলে এত ভিতরে ঢুকবেন না। উনি একটা এট এ গ্ল্যান্স একটা দেখতে চান যে আসলে একটা জিনিস একটা তার কোম্পানি বা যিনি বস বা যিনি হচ্ছে কর্পোরেট উনি কিন্তু এট এ গ্ল্যান্স জানতে চান যে কিভাবে তার কোম্পানিটা চলতেছে। তো তার কোম্পানির হেলথ আমরা যদি এভাবে বলি যে তার কোম্পানির হেলথ চেক চেকের জন্য। মানে এটা একটা কাইন্ড অফ হেলথ চেক। যে আমরা যেই ভিজুয়ালাইজেশনটার ব্যাপারে বলছি যে এটা কালার কোডেড ম্যাপ হবে এবং এর পাশাপাশি ইন্টারেস্টিং পয়েন্টগুলো যাতে ঠিকমতো রিপ্রেজেন্ট করা যায়। বিকজ ইন্টারেস্টিং পয়েন্ট যখন আমরা রিপ্রেজেন্ট করব তখন আমার বসের কাছেও বা আমার যে ম্যানেজমেন্ট উনার কাছেও কিন্তু এই জিনিসটা চোখে লাগবে যে এটা আমার আসলে কি এবং সেই জন্যই কিন্তু আমরা এখানে আলাপ করছি। যেমন এখানে একটা সুপার স্টোর সুপার স্টোরের একটা আমার ডেটা সেট দেখছি যে সুপার স্টোর ডেটা সেটে উনারা কি বলছেন যে উনাদের আছে টোটাল স্টোর। মানে একটা মানে কোম্পানির মালিক বা একটা কোম্পানির ডাইরেক্টর তার আসলে জানতে চাইবেন যে হ্যাঁ তার ওয়ালমার্ট ধরা যাক এরকম একটা সুপার স্টোর বা একটা সুপার স্টোর তাদের টোটাল সুপার স্টোর কতজন কতগুলো আছে এবং সুপার স্টোরের পাশাপাশি বিকজ রেভিনিউ ইজ দা ফোরমোস্ট থিং বিকজ ইটস এ বিজনেস। সো টোটাল ইয়ার সেল কত হবে সেই ইয়ার সেলের কথা বলতেছে এবং তার পাশাপাশি হচ্ছে গিয়ে এখানে যে বাই চেইন দুইটা চেইন আছে এখানে। দুইটা চেইন হিসেবে তারা পাচ্ছে এবং এই বছরে কতগুলো স্টোর ওপেন হয়েছে। এই বছরের সেল কত। সো এই যে ব্যাপারগুলো এটা কিন্তু একটা ভিজুয়ালাইজেশন যেটা একবারেই দেখতে পারেন একটা ম্যানেজমেন্টের লোক যিনি ডাটা সাইন্স বুঝেন না ডেটা অ্যানালাইসিস বুঝেন না তারা কিন্তু এই একদম সরাসরি এখান থেকে দেখতে পারেন যে এটা কিভাবে হচ্ছে। যে এখানে একটা জিনিস দেখেন মজার জিনিস যে সেলস পার স্কয়ার ফিট মানে স্কয়ার ফিটের ভিত্তিতে আসলে সেল কত হয়েছে সেটাও একটা জানা যায় এবং চেইনের ব্যাপারটা কিন্তু দেখা যাচ্ছে। তার মানে ইটস এ ব্রড পিকচার অফ দা হোলিস্টিক থিং। মানে আমার আমি যদি একটা কোম্পানির মালিক হই আমি কি চাইবো? আমি একটা ড্যাশবোর্ড চাইবো যে ড্যাশবোর্ডে এট এ গো আমি দেখব এবং এটা হচ্ছে ডাইনামিক ড্যাশবোর্ড। মানে এটা কিন্তু প্রতি মিনিটে চেঞ্জ হবে। আমি যদি এভাবে বলি যে গ্রামীণ ফোনের সিইও ড্যাশবোর্ড উনার ড্যাশবোর্ডে কিন্তু দেখাইতে পারে যে হ্যাঁ আজকে একটা কোনা দিয়ে থাকবে যে আজকে কতগুলো সিম সেল হলো। সো এটাও কিন্তু একটা কাইন্ড অফ রিকোয়ারমেন্ট যে না আমি দেখতে চাই যে আজকে কতগুলো সিম সেল হলো। ওটা কিন্তু একটা ড্যাশবোর্ডের মধ্যে পড়ে। সো এভাবেই কিন্তু আমাদের এই জিনিসগুলো আসে। সুতরাং আমাদের প্রথম কথা হচ্ছে যে আমাদের এখানে ভিজুয়ালাইজেশন থাকতে হবে। যেটা হচ্ছে গিয়ে পাওয়ার বিআই এটাতে মাস্টার। মানে পাওয়ার বিআই বলছি যে আমরা এটা এটাতে খুব ভালোভাবে কাজ করি। এখন হচ্ছে গিয়ে পাওয়ার বিআই এর ব্যাক এন্ডে পাওয়ার বিআই এর যে ব্যাক এন্ডে একটা ডাটা সেট থাকবে এবং ডাটা সেটগুলো কানেক্টেড হইতে হবে। সেই ডাটা সেটগুলো দেখার জন্য অনেকগুলো ওদের ভিজুয়ালাইজেশন পয়েন্ট আছে। এখানে যেমন এক্সেলে দেখাচ্ছে এক্সেল ওয়ার্কবুক থেকে তারা ডাটা সেট দেখতে পাচ্ছে। মেইনলি হচ্ছে যে ডাটা সেট এখানে কয়েকটা জিনিস আমরা বলতে পারি যে ডাটা সেট কিন্তু কাইন্ড অফ একটা সোর্স থেকে আসবে না। এটা কিন্তু মাল্টিপল সোর্স থেকে আসতে পারে। এবং আমরা যেহেতু ডাটা সেট নিয়ে কাজ করি আমরা দেখি যে বিভিন্ন ধরনের ডাটা সেটকে কিন্তু কানেক্ট করতে হয়। একটা ডাটা সেটে হয় না। দুইটা তিনটা চারটা 10টা 12টা মানে ডাটা সেটগুলোকে কানেক্ট করে ওখান থেকে একটা ধারণা পাইতে হয়। সো এই যে ফিল্টারিং করা ডাটার মধ্যে এবং এটার মধ্যে বিভিন্ন ডাটাগুলোকে কানেক্ট করা সেটা কিন্তু একটা বড় একটা পয়েন্ট এবং সেখানে কিন্তু পাওয়ার বিআই বলছে যে আসলে যে এই যে ডাটার যে ফিল্টার করবে সেটা কিন্তু তাদের বিশেষ করে এই ফিল্টারটা হচ্ছে গিয়ে যারা হচ্ছে গিয়ে কানেক্ট করবে। এখন অনেক সময় আমরা ভাবি যে এটা সিঙ্গেল ডাটাবেজে কানেক্ট করবে। কিন্তু মোস্টলি আমি এই এখানে কাজ করতে যেটা দেখেছি যে এনেবলিং পার্ট পাওয়ার বিআই যেটা ট্যবলুর জন্য প্রযোজ্য যে ওদের আসলে অনেকগুলো মানে অনেকগুলো ডেটা কানেক্টর কানেক্টেড মানে ডেটা কানেক্টর আছে। অনেকগুলো ডেটা কানেক্টর মানে বিভিন্ন ধরনের ডেটা কানেক্টর আছে। মাইক্রোসফট সিকুয়েল সার্ভার, ওরাকল, পোস্টগ্রে এসকিউএল, এক্সেল মানে হোয়াট এভার ইজ দা ডেটা মানে দে ক্যান কানেক্ট। সো এখানে এই জিনিসগুলো অবশ্যই এখানে কানেক্ট করতে হবে এবং এখানে মনে করেন যে ফেসবুক, সেলসফোর্স বা মেইলচিম বা বিভিন্ন ধরনের ডাটা কানেক্টর কিন্তু এখানে কাজ করা যায় বিশেষ করে আজুর বা ওরাকলের উপর দিয়ে। সো পয়েন্ট অফ ভিউ হচ্ছে যে অনেকে ভাবেন যে ডেটা সেট খুব বেশি হলে কি হবে কম হলে কি হবে আসলে এই ধরনের ডেটা অ্যানালাইসিস টুলগুলো দি আর সো স্মার্ট এবং এতই বিকজ এটা তো টাকা দিয়ে কিনতে হয়। সো এগুলো মানে হ্যানো ডাটাবেসকে কানেক্ট করতে পারে না এবং ডাটাবেজের কোন ধরনের রো বা কলাম বা কোন রেকর্ডের কোন ধরনের লিমিটেশন নাই আরকি। কারণ তারা সেইভাবে এটাকে অপটিমাইজ করছে। এবং ফাইনালি সবকিছু কিন্তু একটা রিপোর্ট। আপনার যেকোনো জিনিস আমি ভিজুয়ালাইজ ভালো কথা কিন্তু আপনার তো দিনশেষে একটা রিপোর্ট তৈরি করতে হবে। একটা রিপোর্ট না তৈরি করলে কিন্তু এটা আসলে আমার মানে কাজ হবে না। কারণ আমার বসকে তো একটা রিপোর্ট দেখাইতে হবে। সুতরাং এই রিপোর্ট কিন্তু এখানে আমি মনে করি যে তৈরি করা যায় খুব সহজে। যে আমরা আসলে এই বিভিন্ন ধরনের রিপোর্ট যেটা হচ্ছে ড্যাশবোর্ডের মতোই কিন্তু ড্যাশবোর্ডের একেকটা সিঙ্গেল পারসপেক্টিভে আমরা নিয়ে আসতে পারি রিপোর্টে এবং রিপোর্টটা কিন্তু আসলে হ্যাঁ অবশ্যই ডাটা সেট থেকে আমি যদি কানেক্টরটা কানেক্টের সোর্স আছে কানেক্টের সোর্স থেকে আমি কিন্তু অমিট করতে পারি। আমি কোনটাকে আমি ওই অবস্থায় মানে ওই কানেক্টরটা ইউজ করলাম না। কোন সমস্যা সমস্যা নাই। আমরা ঐভাবে কানেক্টরটা আমরা অমিট করতে পারি। মানে জিনিসটা হচ্ছে যে আমরা এ ধরনের ড্যাশবোর্ড থেকে আবার রিপোর্ট। বিকজ একেকজন ম্যানেজারের একেকটা ম্যানেজারের জন্য আমরা মানে এখানে কাজ করি। পাওয়ার বিআই একাউন্ট খোলার তো দরকার নেই আপনার। পাওয়ার বিআই খোলার জন্য আপনার একাউন্ট দরকার নেই। আপনি একাউন্ট ছাড়াই কিন্তু আপনি পাওয়ার বিআই ব্যবহার করতে পারেন। সো সঞ্জিত সরকার পাওয়ার বিআই আপনি একাউন্ট ছাড়াই তৈরি ব্যবহার করতে পারেন। সো কিছু লিমিট থাকবে কিন্তু যেহেতু আমরা পয়সা দিয়ে ব্যবহার করতেছি না সো ওইটা একটা ইস্যু। আর একাউন্ট ইমেইল যদি করতে হয় তাহলে আপনাকে একটা কর্পোরেট ইমেইল ব্যবহার করতে হবে। ওইটার জন্য সেটা ফ্রি পিরিয়ড দেয় আরকি। সো এখন মনে করেন যে এভাবে কিন্তু আমরা দেখতেছি আস্তে আস্তে যে সবকিছু যে এর আগে কি দেখলাম যে আমাদের এখানে ভিজুয়ালাইজেশনটা দেখলাম। ভিজুয়ালাইজেশনের পরে ডাটা সেট কে কানেক্ট করলাম। ডাটা সেটের পরে আমরা রিপোর্ট মানে সেপারেট সেপারেট রিপোর্ট। একেকটা ডিপার্টমেন্টের জন্য একেকটা রিপোর্ট হবে এবং ফাইনালি ড্যাশবোর্ড মানে অল রিপোর্ট ক্যান বি কানেক্টেড টু এ ড্যাশবোর্ড এবং ড্যাশবোর্ডটা হচ্ছে গিয়ে আমার বসদের জন্য যিনি যিনি চাচ্ছেন যে এই ড্যাশবোর্ডটা হোক। আর টাইল হচ্ছে গিয়ে ওই যে সেপারেট সেপারেট গুলো যেগুলো আমরা আলাদাভাবে কাজ করতেছি সেটা হচ্ছে গিয়ে টাইল। সো ফাইনালি সবকিছু যদি এক জায়গায় নিয়ে আসি সেটাকে আমরা যদি বলি যে এটাকে ওরা যেটা বলছে যে এটা একটা কালেকশন অফ সার্ভিস। মানে আপনার কিন্তু সব কানেক্টর সার্ভিস সবকিছু কিন্তু কানেক্ট করে এবং সেটাকে এক জায়গায় নিয়ে আসা এবং সেটা ইউ ক্যান শেয়ার। ফাইনালি কিন্তু এটা কিন্তু শেয়ার করা যায়। আপনি আপনি দেখেন পাওয়ার বিআই তে গেলেই কিন্তু আপনি যখন রিপোর্ট সাবমিট করবেন ওটার জন্য কিন্তু আলাদা একটা মানে ফরম্যাট আছে। যে ফরম্যাট ছাড়া আপনি শেয়ার করতে পারবেন না। এন্ড দ্যাট ইজ দা নেটিভ ফরম্যাট। আপনি নেটিভ ফরম্যাটে ট্যবলো আর পাওয়ার বিআই এর মধ্যে পার্থক্য হচ্ছে কি ট্যবলো আপনাকে সরাসরি ডাউনলোড সরাসরি নিজের পিসিতে শেয়ার করা যায় না বা সেভ করা যায় না। কিন্তু আপনি পাওয়ার বিআই তে সেভ করতে পারেন আরকি। সো এখানে আপনি যদি একটা এক্সেল টেবিল ব্যবহার করেন এবং সেই টেবিলটা কিন্তু ওই এক্সেলের সাথে থাকবে। আমরা যখন ওটার সাথে কানেক্ট করব তখন ওটার সাথে থাকবে। আর সবচেয়ে বড় জিনিস কি যে আমাদের পাওয়ার বিআই কিন্তু এই কমপ্লেক্স ডাটা সেটের জন্য কিন্তু খুব ভালো। সামান্য এই আমরা যে এক্সেলের কথা বলি বা সামান্য ওইটা থেকে কিন্তু আমি মনে করি যে পাওয়ার বিআই ইজ ভেরি স্মার্ট হ্যান্ডলিং দা কমপ্লেক্স ডেটা সেট। এবং আরেকটা জিনিস আমি দেখলাম যে যেহেতু মাইক্রোসফট এর প্রোডাক্ট হচ্ছে পাওয়ার বিআই সুতরাং মাইক্রোসফট এর যে এন্টারপ্রাইজ রেডি যে যে ধরনের ডাটা সেটগুলো আছে সেটার সাথে ওর কানেকশন সিমলেস এবং সেইভাবে কিন্তু আমরা আমরা ওভাবে দেখতে পারি। আর পাওয়ার বিআই সার্ভিস নিয়ে আমি কথা বলছি না। বিকজ পাওয়ার বিআই সার্ভিস দ্যাটস দ্যাটস নট ফ্রি। বাট আমরা এতক্ষণ যে আলাপ করছি সেগুলো আমরা ফ্রি দিয়ে একটা পাওয়ার বিআই তে আমরা ব্যবহার করতে পারি। এর আগে আমি পাওয়ার বিআই তে আপনাদেরকে দেখিয়েছিলাম যে পাওয়ার বিআই আসলে কিভাবে কাজ করে। সো আজকে আমরা যদি বলি যে বিল্ডিং ব্লক এটা হচ্ছে গিয়ে এই পারসপেক্টিভে। আর তারপরে যদি আমরা যদি একটু আসি যে আসলে পাওয়ার বিআই এর যে সার্ভিসগুলো সেই সার্ভিসগুলো আমরা দেখতে পারি। কিন্তু সার্ভিসগুলোর আসলে আমাদের এই মুহূর্তে দেখার দরকার নেই। কারণ আসলে পাওয়ার বিআই বলেন আর অন্যান্য জিনিস বলেন যেহেতু এটা ফ্রি না মানে ফ্রি মানে হচ্ছে কি আমরা জাস্ট শেখার জন্য ফ্রি। কিন্তু আমরা যখন এটা আমাদের নিজের জন্য ব্যবহার করব তখন কিন্তু এটা আর আর ফ্রি থাকবে না। মানে আমার কোম্পানির জন্য তখন আর এটা ফ্রি থাকবে না। বিকজ এটা আপনাকে অনেক ধরনের হ্যাসল থেকে আপনাকে বাঁচাবে। সো আমরা যদি আবার পাওয়ার বিআই তে যদি ফিরে যাই তখন আমরা পাওয়ার বিআই তে যদি দেখি এখানে যে আসলে আমরা এখানে সার্ভিসের কথা বলছি, সামারির কথা বলছি এবং চেকিং নলেজ। চেকিং নলেজগুলো হচ্ছে সব আপনার মানে ওইখানে এগুলো বোঝা। সো আমরা এতক্ষণ আলাপ করছি পাওয়ার বিআই ডেস্কটপ। বিকজ পাওয়ার বিআই সার্ভিস নিয়ে আমার আলাপ করছি না। বিকজ পাওয়ার বিআই সার্ভিস দিস ইজ পেইড জিনিস এবং তার সাথে পাওয়ার বিআই মোবাইলটাও আমরা দেখতে পারি। সো লার্নিং পাথের যে জিনিসটা হচ্ছে যে পাওয়ার বিআই বিশেষ করে পাওয়ার বিআই আমরা ডেস্কটপটাই আমরা আপাতত শিখবো এবং ডেস্কটপটা পরে আমরা সার্ভিসে নিতে পারি। সো আজকে আমার ক্লাস এই পর্যন্তই শেষ যে বিশেষ করে আমি আসলে পাওয়ার বিআই এর একটা বেসিক আন্ডারস্ট্যান্ডিং যে পাওয়ার বিআই খুব ডিফিকাল্ট কিছু না এবং পাওয়ার বিআই যদি আমি দেখাই আমার এখানে পাওয়ার বিআই অলরেডি এখানে ইনস্টল করা আছে। সুতরাং পাওয়ার বিআই কিন্তু খুব একটা ডিফিকাল্ট কিছু না। বাট এটা ট্যবলো থেকে পাওয়ার বিআই রিসোর্স বেশি লাগে। এটা হচ্ছে গিয়ে যেমন আমি পাওয়ার বিআই অলরেডি আমি চালু করেছি। বাট এই পাওয়ার বিআই টা চালু হয়ে একদম পুরোপুরি ফুল লোড আসতে বেশ সময় নিবে। কারণ পাওয়ার বিআই বেশ রিসোর্স হাঙ্গরি। ট্যবলো এই থেকে আবার খুব লাইট। আমি ট্যবলো এজন্য ট্যবলো ব্যবহার করা খুব ইজি। বাট পাওয়ার বিআই একটু রিসোর্স হাঙ্গরি। বাট পাওয়ার বিআই এর আবার খরচ কম। মানে আমি ট্যবলো থেকে পাওয়ার বিআই এর খরচ কম। এজন্য তাদের মার্কেটের ইয়েটা বেশি। সো আপনারা দেখতে পাচ্ছেন যে অলরেডি মাইক্রোসফট এর লোগো চলে এসছে। তার মানে পাওয়ার বিআই চালু হচ্ছে। সো আমরা পাওয়ার বিআই এর ব্যাপারটা এরকম যে পাওয়ার বিআই টা ভালো কিন্তু রিসোর্স হাঙ্গরি। আপনার খুব ফাস্ট মেশিন হলে হয়তোবা এটা মাইক্রোসফট এর অন্যান্য মেশিনের অন্যান্য জিনিসের মতো যেখানে রিসোর্স খুব বেশি দিতে হয়। সো পাওয়ার বিআই চালু হচ্ছে। দেখা যাক। আমি এর আগে আপনাদেরকে পাওয়ার বিআই কে বিভিন্ন কানেক্টর বা বিভিন্ন জায়গায় আমি কানেক্ট করে দেখিয়েছি যে পাওয়ার বিআই আসলে মানে ভালো। এক্সেল বা অন্যান্য জায়গা থেকে পাওয়ার বিআই অনেক পাওয়ারফুল। মানে এক্সেলের কাজ এক ধরনের পাওয়ার বিআই এর কাজ আরেক ধরনের। বাট পাওয়ার বিআই দিয়ে ইউ ক্যান ডু ওয়ান্ডারস। সো পাওয়ার বিআই চালু হয়ে গেছে। যেহেতু আমার এখানে মাল্টিপল মানে স্ক্রিন। আমার এখানে যেহেতু মাল্টিপল স্ক্রিন এজন্য পাওয়ার বিআই এটা চালু হয়েছে অন্যখানে। সো আমি এটাকে নিয়ে আসি আমার মেইন স্ক্রিনে। ইট ইজ লোডিং। আমরা পাওয়ার বিআই নিয়ে আসলাম। ইট টেক্স টাইম। ইটস ট্রু ইট টেক্স টাইম। যেমন এখনো সময় নিচ্ছে এবং বেশ কিছু তারা জিনিস কানেক্ট করার চেষ্টা করতেছে আরকি। সো আমি বলব যে যখন এটা পাওয়ার বিআই আপনি যখন কিনবেন সার্ভিস তখন এই সাইন ইনের জায়গায় আপনার নাম আসবে। আপনি কর্পোরেট ইমেইল দিয়ে এখন নিতে পারেন। এক মাসের জন্য আপনি এই সার্ভিসটা ব্যবহার করতে পারেন। সো আপনি যদি দেখেন যে বিভিন্ন ধরনের ডেটা এসছে। আমরা আমরা যদি এখান থেকে গেট ডেটা আনি আমরা এক্সেল থেকে নিতে পারি। আমরা সিকুয়েল সার্ভার থেকে নিতে পারি। ইভেন আমরা যখন গেট ডেটা দিব তখন কিন্তু আমাদেরকে কমন ডেটা সোর্স বলবে যে পাওয়ার বিআই ডেটা সেট, পাওয়ার বিআই ডেটা ফ্লো, ডেটাভার্স, সিকুয়েল সার্ভার, এনালাইজ সার্ভিস, টেক্সট সিএসবি, ওয়েব তারপরে অন্যান্য যেগুলো আছে। আমরা যদি মোরে চাপ দেই তখন কিন্তু আমাদেরকে সে দেখাবে যে কোন কোন জায়গা থেকে আমরা কানেক্ট করতে পারি। সো এই জায়গাটা একটু আমাদেরকে দেখতে হবে। যে যেমন আমরা এখন দেখাচ্ছি যে আসলে মোর। মোর দেখলে সে আসলে এখন দেখাবে যে আমরা কোন কোন কানেক্টরে পাওয়ার বিআই কে কানেক্ট করতে পারি। সবচেয়ে বড় জিনিস হচ্ছে আমরা আসলে অনেক কিছুই করা সম্ভব। তবে পারসপেক্টিভ হচ্ছে আগে আমাদেরকে শিখতে হবে। এখন আমি শিখার আগে যদি আমরা এই কানেক্টর এটা দেখেন এখানে হ্যানো জিনিস নাই যার সাথে সে কানেক্ট করতে পারে না। আরকি আমি এখান থেকে যদি ডাউন ডাউন ডাউন ডাউন করি দেখেন হ্যানো ডাটা সেট নাই যেটার সাথে পাওয়ার বিআই কানেক্ট করতে পারে না বা ট্যবলো কানেক্ট করতে পারে না। সব জায়গায় কানেক্ট করতে পারে। সো এটা এটা একটা ইস্যু যে এটা একটা পয়েন্ট যে ইউ ক্যান কানেক্ট এনিথিং এন্ড এভরিথিং। সো আমরা যদি শুরুতে যাই যে আমরা একটা ডাটা সেটকে কানেক্ট করব। আমরা সিএসবি নিতে পারি। সিএসবি আমরা কানেক্ট করতে পারি। সিএসবি ডাটা সেট থেকে কিন্তু আমরা বলতে পারি যে কোন সিএসবি টাকে আমরা কানেক্ট করব। আমরা এখানে টাইটানিক ডাটাকে কানেক্ট করতে পারি বা বিভিন্ন ডাটাকে কানেক্ট করতে পারি। ধরা যাক এখানে একটা সিএসবি আছে টাইটানিক ডাটা। আমরা কিন্তু টাইটানিক ডাটাকে এখানে কানেক্ট করতে পারি। যখনই আমরা কানেক্ট করব তখন সেই ডাটা সেটটাকে কানেক্ট করতেছে এবং কানেক্ট করার পর সে আপনাকে একটা পাওয়ার কোয়েরি এডিটরে নিয়ে যাবে। পাওয়ার কোয়েরি এডিটর হচ্ছে গিয়ে মানে আপনি সরাসরি লোড করতে পারেন অথবা পাওয়ার কোয়েরি এডিটরে নিতে পারেন। পাওয়ার কোয়েরি এডিটরে ইউ ক্যান ডু ওয়ান্ডারস। যেটা আমি অন্যান্য ভিডিওতে দেখিয়েছি। যেমন এখন কিন্তু আমরা এটা দেখতে পেলাম সবকিছু। সো উই ক্যান লোড দা ডেটা ফ্রম হিয়ার স্ট্রেট অর উই ক্যান ট্রান্সফর্ম দা ডেটা। সো আমরা এখান থেকে ডেটা যদি ট্রান্সফরমেশনে যাই তাহলে কিন্তু আমরা এখান থেকে ডেটা ট্রান্সফর্ম করতে পারব। বিকজ ডেটা অ্যানালাইসিসের একটা বড় পার্ট হচ্ছে গিয়ে ডেটাকে ট্রান্সফর্ম করতে পারা। এটা ট্রান্সফর্ম করাটাই হচ্ছে গিয়ে একটা বড় পয়েন্ট। সো আমি এই ট্রান্সফরমেশনের জায়গায় আমি সবসময় থাকি। কারণ এটা একটা ওয়ান্ডারস। মানে ইউ ক্যান ইটিএল এর যে পার্টটা যে আমরা বিভিন্ন ডাটাকে এদিক থেকে ওদিক ওদিক থেকে ওদিক ওদিক থেকে ওদিক আমরা ট্রান্সফর্ম করতে পারি। আর এই ডাটাতে মজার ব্যাপার যে আমরা ডাটা দেখতে পাচ্ছি যে এখানে ভ্যালিড ডেটা কতটুকু, এরর ডেটা কতটুকু, এমটি ডেটা কতটুকু। তারপর এখানে কতগুলো ভ্যালু সারভাইভড ডায়েট। সো আমরা এখান থেকে দেখতে পাচ্ছি যে সারভাইভড এবং ডায়েট মানে একটা এরকম আরেকটা মানে বেশি। সুতরাং এখানে কিন্তু আমরা বুঝতে পারছি। তারপর হচ্ছে গিয়ে এখানে জেন্ডার। জেন্ডারে আমরা দেখতে পাচ্ছি যে মেল ফিমেলের ডিস্ট্রিবিউশন কি। তারপরে আমরা দেখতে পাচ্ছি বয়সের ডিস্ট্রিবিউশন কি। এখানে 90 ডিস্টিংক্ট অংশ। তারপর হচ্ছে গিয়ে আমরা দেখছি যে এখানে একটা বয়সের লোক খুব বেশি। মানে ইউ ক্যান গেট অল দা আন্ডারস্ট্যান্ডিং। এন্ড ফ্রম হিয়ার ইউ ক্যান ট্রান্সফর্ম। বিভিন্ন ডেটাকে আমরা কিন্তু ট্রান্সফর্ম করতে পারি এই এখান থেকে আরকি। সো ইট ইজ ভেরি ইম্পরট্যান্ট। আমার কাছে খুব ভালো লাগে এই পোরশনটা পাওয়ার বিআই এর যে এই পাওয়ার কোয়েরি এডিটর। এই পাওয়ার কোয়েরি এডিটর দিয়ে আপনি অনেক কিছু করতে পারেন আরকি। পাওয়ার বিআই এর জব অপরচুনিটি আছে কিনা সেটা তো অবশ্যই আপনি দেখতে পারেন। পাওয়ার বিআই দিয়ে অনেক জব অপরচুনিটি ওপেন হচ্ছে। অবশ্যই পাওয়ার বিআই দিয়ে প্রচুর জব ওপেনিং আছে। আপনারা জব সার্চ দেখতে পারেন এবং আপনারা কিন্তু এটা ওয়ার্ল্ডওয়াইড পাওয়ার বিআই এবং ট্যবলো এটা ভালো ভালো রিকমেন্ড আছে। সো আজকে আমার এটি এইটুকুই শেষ জাস্ট আপনাদের ধারণা দেওয়ার জন্য এবং আমরা কিন্তু এভাবে কিন্তু ডেটা লোড করতে পারি। আমি জাস্ট আপনাকে দেখালাম যে ডেটা কিভাবে লোড করা যায়। আর সবচেয়ে বড় জিনিস হচ্ছে যে পাওয়ার বিআই ভালো টুল। ডাউনলোড করে আপনারা দেখতে পারেন। চমৎকার কাজ করে পাওয়ার বিআই। পাওয়ার বিআই এবং ট্যবলো আই মাস্ট টেল ইউ যে এই দুটোকে আপনারা টেস্ট এন্ড ট্রায়াল করতে পারেন এবং সবসময় আমি যেটা বলি যে এই জিনিসগুলোর জন্য ইউটিউবে আমার যে চ্যানেলটা আছে সেই ইউটিউব বিশেষ করে যে আমার যে চ্যানেলটা আছে সেই চ্যানেলটা যদি ইউটিউব চ্যানেলটা যদি আপনাকে যাই সেই ইউটিউব চ্যানেলে কিন্তু এগুলো নিয়ে অনেক অনেক ভিডিও আমি করেছি। আমি আপনাকে ইউটিউব চ্যানেলটা আমি পাঠালাম লিংকে। সো এখানে আপনারা সাবস্ক্রাইব করতে পারেন। ইউটিউব ইউটিউব টাকে সাবস্ক্রাইব করে এবং আমি মনে করি যে এখানে প্লেলিস্টে গেলে বিশেষ করে প্লেলিস্টে আমরা যদি যাই তাহলে কিন্তু বিশেষ করে আমাদের নন প্রোগ্রামারদের জন্য এইটা। নন প্রোগ্রামারদের জন্য এই প্লেলিস্টে আমরা দেখতে পাচ্ছি টোটাল ভিডিও আছে 77 টা ভিডিও। 77 টা ভিডিও আছে এখানে। সো এই যে একটা জিনিস যে আসলে আমরা আসলে নন প্রোগ্রামারদের জন্য ডেটা অ্যানালিটিক্স মেন্টরশিপ সেখানে আমি মনে করি যে 77 টার মধ্যে ভিডিও আমি আপলোড করেছি আরকি। সো এই জিনিসগুলো আপনারা এখানে দেখতে পারবেন আরকি। সো আসলে পয়েন্ট অফ ভিউ হচ্ছে যে আমরা যদি শিখতে চাই আমরা যেকোনো সময় শিখতে পারি। এখন অনেক অনেক অনেক টুল আসছে পৃথিবীতে। শুধু ডাইরেকশনটা প্রয়োজন। এই ডাইরেকশনের জন্যই আসলে এত কিছু করা আমার আমার জন্য যে ডাটা অ্যানালিটিক্স রোডম্যাপ থেকে শুরু করে সবকিছুই মানে ডাইরেকশন গুলো সব এখানে এই যে রোডম্যাপ মেন্টরশিপ মেন্টরশিপ গেলে আপনারা বুঝতে পারবেন যে ডেটা অ্যানালিটিক্স নিয়ে যে মেন্টরশিপ নিয়ে আমি কথা বলছি আরকি। সো প্রোগ্রামিং পাবেন হচ্ছে সামনে। আমি প্রোগ্রামিংটা দেখাবো হচ্ছে গিয়ে যদি গুগল এটা এটার এটার যে গুগল ডেটা অ্যানালিটিক্স ডেটা অ্যানালিটিক্স এর মেন্টরশিপে আপনি দেখবেন যে আর প্রোগ্রামিং। আর প্রোগ্রামিংটা হচ্ছে গিয়ে ছয় সাত নাম্বার কোর্স। সাত নাম্বার কোর্সে আমরা আর প্রোগ্রামিং নিয়ে যাব। সুতরাং সাত নাম্বারে আমরা মেন্টরশিপের আমরা সাত নাম্বার কোর্সের থেকে আর প্রোগ্রামিং। আগে বেসিক ঠিক করা তারপর হচ্ছে গিয়ে আমরা আর প্রোগ্রামিং এ যাব আরকি। সো আজকে আমাদের ক্লাস শেষ। মানে আমাদের হয় কি আমাদের যাদের বয়সক্রম তাদের একটা ব্যাপার কাজ করে যে আমরা ভাবি যে কম্পিউটারের সামনে বসা মানে হচ্ছে প্রোগ্রামিং। কিন্তু আমি এটুকু বলি যে দিনের শেষে সবকিছু ফিলোসফি। আমি যদি ব্যাক এন্ডের ধারণাটা যদি না বুঝি আমি যদি ডাটা অ্যানালিটিক্স এর ব্যাপারগুলো না বুঝি মানে থিওরির পার্টগুলো যদি না বুঝি তাহলে আমি না হয় পাইথন শিখবো আর শিখবো কিন্তু আমি কোনদিন বড় প্রোগ্রামার হতে পারবো না বা বড় ইয়ে হইতে পারবো না। কারণ আমি খালি প্রোগ্রামিং জানি। আমি প্রোগ্রামিং হচ্ছে গিয়ে একটা ছোট পার্ট। প্রোগ্রামিং হচ্ছে ছোট পার্ট। কিন্তু ডাটা থেকে ধারণাটা পাওয়াটা বড় পার্ট। আমরা ভাবি যে প্রোগ্রামিং মানে সবচেয়ে বড় পার্ট। প্রোগ্রামিং সবাই পারে। কিন্তু ডাটা থেকে ধারণাটা অনেকে পারে না আরকি। এজন্য ইয়াং জেনারেশনের মধ্যে একটা জিনিস কাজ করে যে প্রোগ্রামিং কিন্তু প্রোগ্রামিং তারা শিখে প্রোগ্রামিং শিখে কিন্তু তারা দিনশেষে কিন্তু ওই প্রোগ্রামিংটা কোথায় ব্যবহার করবে সেটার পারসপেক্টিভটা পায় না। এজন্য সবসময় আমি মনে করি যে একটা মেথডিক্যাল প্রসেসে যাওয়া উচিত যেকোনো জিনিস শিখতে। তাহলে হয় কি তাহলে শুরু থেকে শেষ পর্যন্ত বুঝা যায়। পুরো হোলিস্টিক পিকচার পাওয়া যায়। এজন্য আমি গুগল ডাটা অ্যানালিটিক্স প্রোগ্রামটার কথা বলছি এই কারণে যে গুগল যারা হচ্ছে ডাটা নিয়ে কাজ করে যাদের হচ্ছে দিনরাত ডাটা নিয়ে খেলা তারা যে প্রজেক্টটা ডিজাইন করছে বা যা তারা যে কোর্সটা ডিজাইন করছে তারা বুঝে শুনে করছে এবং তারা বুঝে শুনেই কিন্তু প্রোগ্রামিং পার্টটাকে সবচেয়ে লাস্টে রাখছে। বিকজ জানে যে প্রোগ্রামিং নিয়ে সবার মাথা মাথা খারাপ হয়ে যায়। এজন্য প্রোগ্রামিংটা তারা সবচেয়ে লাস্টে রাখছে। কারণ প্রোগ্রামিং যদি আগে রাখে তাহলে থিওরি কেউ বুঝবে না। একচুয়াল ফিলোসফিটা কেউ বুঝবে না। ফিলোসফিটা এক্সাক্টলি শরিফ আজমির প্রোগ্রামিং ল্যাঙ্গুয়েজ ইজ জাস্ট এ টুল লাইক নাইফ। কিন্তু দিনশেষে আমি একটা রান্না করব একটা ভালো খাবার খাবো। কারণ খাবারের সাথে একটা ভালো খাবার রান্না করব। রান্না করার মধ্যে টুল মানে প্রোগ্রামিংটা হচ্ছে এটা একটা নাইফ একটা চাকুুর মতো। কিন্তু বাকি পুরা রেসিপি বাকি পুরা খাওয়া একটা খিচুড়ির একটা খিচুড়ি খাওয়া খিচুড়ি রান্না এই পুরা হোলিস্টিক পিকচারটা হচ্ছে গিয়ে জিনিস। কিন্তু আমরা সবাই প্রোগ্রামিং নিয়ে দৌড়াই। কারণ আমরা ভাবি যে প্রোগ্রামিংটা আমাদের সবকিছু দিবে। হ্যাঁ প্রোগ্রামিং দিয়ে আমি হয়তোবা এই মুহূর্তে একটা কাজ পাবো। কিন্তু ওই সারাজীবন আমি ওই কিউবিকেলে থাকবো। আমি কিউবিকেল থেকে আর উপরে উঠবো না। আমি ওই প্রোগ্রামিং ওই জায়গাটা থাকবো। কিন্তু আমাকে উপরে উঠতে হবে। দিনশেষে আমরা ডাটা থেকে ধারণা পাইতে চাই আরকি। সেজন্যই আসলে এত আমরা গল্প করছি। সো আমি মনে করি যে মেন্টরশিপ প্রোগ্রাম ভালোই ভালোই আমি রেসপন্স পেয়েছি। এখন মেন্টরশিপের ব্যাপারটা আমি সামনে যোগাযোগ করা শুরু করব। কারণ মেন্টরশিপের ব্যাপারে আমাকে যেটা করতে হবে যে সবার সাথে কথা বলে যারা রিয়েলি ইন্টারেস্টেড যারা রিয়েলি ইন্টারেস্টেড আমি তাদেরকে নিব। সো তাদের সাথে কথা বলব এবং দিনশেষে ওটাই যে আসলে আমরা ডেটা অ্যানালিটিক্স করি আর যাই করি না কেন আমার পুরো এন্ড টু এন্ড বুঝতে হবে যে আমি আসলে কি করতে চাই। আমার ফিলোসফিটা ক্লিয়ার করতে হবে যে আমি আসলে ডেটা অ্যানালিটিক্স থেকে কি করতে চাই। তাহলে আমাদের লাইফটা ইজি হয়ে যাবে এবং আমরা আসলে মনে করি যে আমাদের কাজটা সহজ হবে। মানে আমরা ফিলোসফিটা বুঝতে পারলে তাহলে আমাদের আমাদের সবকিছু ইজি হয়ে আসবে। সো থ্যাঙ্ক ইউ সো মাচ ফর জয়েনিং এবং আমি মনে করি যে এটার একটা ভালো একটা জিনিস হবে। বিশেষ করে আমরা আমি অন্যান্য সবগুলো সার্টিফিকেশন দেখাচ্ছি আস্তে আস্তে। যে গুগল এর পাশাপাশি অন্যান্য সার্টিফিকেশন দেখাচ্ছি এবং আমি বলব যে এই সার্টিফিকেশনটা দেখতে পারেন পাশাপাশি এটা আমার খুব প্রিয় একটা সার্টিফিকেশন। এই সার্টিফিকেশনটা দেখতে পারেন। এটা জব জন হপকিন্সের। আমি জন হপকিন্সেরটাই হচ্ছে গিয়ে সবচেয়ে বেশি আমি দেখি। বাট এটা হচ্ছে ডাটা সাইন্স। এটা অনেক বড়। মানে এটার পরিধি অনেক বড়। এখানে এটা হচ্ছে সাগরের মতো আরকি। এই সাগরে লোকজন হারায় যেতে পারে আরকি। আমি যেটা বুঝি যে এই সাগরে লোকজন হারায় যেতে পারে। এজন্য আমি ডাটা অ্যানালিটিক্স দিয়ে শুরু করছি। কারণ ডাটা অ্যানালিটিক্সটা শেষ করলে ডাটা সাইন্সে ঢোকাটা খুব ইজি হবে আরকি। সো আজকে এই পর্যন্তই। আপনারা ভালো থাকবেন। আর আমি |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | ডাটা অ্যানালাইটিক্স এবং ডাটা ভিজ্যুয়ালাইজেশন বই Data Analytics and Visualization book in Bangla.mp3 | একটু পরেই আসলে মোবাইল ওয়ার্ল্ড কংগ্রেসের ফ্লাইটে উঠে যাব। তার আগে মনে হলো যে আমার যে বইটা আসলে লিখেছি যেটা প্রিন্টারে চলে গিয়েছে। আমার ধারণা যে মেলা শেষের ঠিক একদিন আগে মানে এর আগেও আমার এরকম হয়েছে যে মেলা শেষের ঠিক একদিন আগে বইটাকে আনতে পারবো হয়তোবা মেলায়। আর এবার এই বইটা আসছে তাম্রলিপির কাভারে। সো এই বইটা আসলে প্রায় দু বছর ধরে লিখছিলাম। তো সবচেয়ে বড় ব্যাপার হচ্ছে যে আমার বইগুলোতে আসলে প্রচুর সময় দেই হচ্ছে গিয়ে পোস্ট প্রসেসিং এ কারণ বইগুলোর যে আউটকাম আর আমরা যেহেতু আজকে এই বইটা হচ্ছে গিয়ে ডেটা অ্যানালিটিক্স এবং ডেটা ভিজুয়ালাইজেশন সো আমি সেই 2016 সালে যেই ধরনের একটা পেয়েছিলাম যে 2016 সালে যদি আমি এই বইটা পেতাম হয়তোবা আমার লাইফটাই পাল্টে যেত। তো সেটাই বলছি যে 2016 অথবা 17 সালে আমি আসলে একটা বুট ক্যাম্পে গিয়েছিলাম। সেই বুট ক্যাম্পটা মানে সেই বুট ক্যাম্পে যখন গেলাম যে ওখানে টাইটানিক ডেটা সেটটাকে যখন তারা প্লট করলো অথবা তারা যে আমরা যে আইরিস ডেটা সেট আইরিস ডেটা সেটের প্রজাতিগুলোকে তারা যখন প্লট করলো ইউড নট বিলিভ যে আমি এটা বিশ্বাস করতে পারিনি যে একটা ডেটা সেটকে যখন ওরা প্লট করলো টাইটানিক ডেটা সেট ওই প্লটিং এই কিন্তু আমরা বুঝতে পারছিলাম যে কে আসলে ফাইনালি বেঁচে যাবেন অথবা মারা যাবেন। মানে আমরা প্রেডিক্ট করতে পারছিলাম। অথবা আমরা যখন আইরিস প্রজাতির ফুলগুলোকে যখন আমরা প্লট করছিলাম প্লট করে দেখলাম যে আসলে এই মাপ হলে এই প্রজাতি হবে ওই মাপ হলে ওই প্রজাতি হবে কিন্তু সেটা যখন আমরা ভিজুয়ালি আমরা যখন ভিজুয়ালি দেখতে পাচ্ছিলাম তখন ইট ওয়াজ মাইন্ড ব্লোইং। আর সেজন্যই এই বইটা আসলে আমার লেখা। এটা একটা খুব বেসিক লেভেলের বই। এখানে আমি পাওয়ার বিআই ট্যাবলু ব্যবহার করেছি তবে আমি 2016 সালে যেরকম একটা বই পেলে আমার জন্য লাইফটা ইজি হতো আমি সেই ধরনের বইটাই এখানে লেখার চেষ্টা করেছি যে এটা এডভান্স লেভেলের বই না। অনেকে এটাকে ভাববেন যে বিরক্তিকর মনে হতে পারে কারণ আমি এখানে প্রচুর গল্প দিয়েছি বিকজ স্টোরি টেলিং ম্যাটারস এবং ডেটা অ্যানালিটিক্স এবং ডেটা ভিজুয়ালাইজেশনের মধ্যে একটা বড় অংশ হচ্ছে গিয়ে স্টোরি টেলিং। আর সেটাই আসলে আমি এখানে করার চেষ্টা করেছি তবে এটার যে অংশটা আসলে আমি কাভার করেছি যেটা আসলে আমি এই বইটার শেষে দিয়েছি যে প্রবলেম সলভিং মানে হাউ ডু আই হাউ ডু উই সলভ প্রবলেম এই বইটা থেকে একটা ভালো ধারণা পাবেন যে কিভাবে আসলে একটা প্রবলেমকে সলভ করতে হয়। ক্রিটিক্যাল রিজনিংটা কি যে সবকিছুকে প্রশ্ন করতে পারা এটাই হচ্ছে ক্রিটিক্যাল রিজনিং বা ক্রিটিক্যাল থিংকিং যে সবকিছুকে প্রশ্ন করতে পারাটা ক্রিটিক্যাল রিজনিং। তারপর হচ্ছে গিয়ে ডেটা স্টোরি টেলিং ডেটা স্টোরি টেলিংটা আসলে কিভাবে আসবে। এরপরে এক্সপ্লোরেটরি ডেটা অ্যানালিটিক্স যেটাকে আমরা ইডিএ বলি। দিস ইজ দা বিউটি অফ ডেটা এক্সপ্লোরেশন মানে আমরা ডেটাকে এক্সপ্লোর করতে করতে এর ভিতর থেকে আমরা আন্ডারস্ট্যান্ডিংটা নেব। তারপর হচ্ছে গিয়ে ডেটা ভিজুয়ালাইজেশন অফকোর্স কত ধরনের ডেটা ভিজুয়ালাইজেশন আছে পৃথিবীতে কোনগুলো সবচেয়ে বেশি ব্যবহার করা হয় এবং কোনগুলোর প্রযোজ্যতা কোথায় সেটাও আসলে এখানে আসছে। আর সবচেয়ে বড় ব্যাপার হচ্ছে যে এখানে আমি ট্যাবলু এবং মাইক্রোসফট পাওয়ার বিআই কে ব্যবহার করেছি এই ডেটাগুলোকে দেখানোর জন্য। তারপরে একটা ভালো বই পেয়েছিলাম মানে এক না চার পাঁচটা বই পেয়েছিলাম তবে একটা বই আমি স্টিফেন ফিউর একটা বই পেয়েছিলাম এবং ওই বইটা থেকে আমি কিছু ধারণা নিয়েছি যে ডেটার বৈশিষ্ট্য কি হতে পারে কি কি ধরনের ডেটা হবে বা ডেটার বৈশিষ্ট্যটা কি হতে পারে। তারপরে ডেটা ডেটাকে অর্গানাইজ করার ধারণা মানে যেটাকে আমরা আসলে কিভাবে অর্গানাইজ করলে ডেটাকে আমরা ভালোভাবে দেখতে পারবো। বা ডেটা আমরা দেখি যে অনেক সময় অনেক ধরনের টেবিল বানায়। হঠাৎ করে একটা টেবিল বানায় কিন্তু আসলে এটা সাইন্টিফিকালি প্রুভেন না মানে আমরা ডেটাকে অর্গানাইজ করার জন্য সে ধরনের টেবিল বানানো যায় না। মানে আমরা এমন একটা টেবিল বানাবো যেটা আসলে ডেটা অ্যানালাইসিসে সাহায্য করবে। এর পাশাপাশি ডেটাকে অর্গানাইজ করার ধারণা তারপর ডেটার গ্র্যানুলিটি এবং ডিস্ট্রিবিউশন। মানে ডেটার গ্র্যানুলিটি কোথায় ডেটাকে কিভাবে ডিস্ট্রিবিউট করে দেখা যায় ডিস্ট্রিবিউটের সময় আমরা দেখি যে বক্স প্লটটা কিভাবে হবে বা এই যে এই যে একটা বক্স প্লট অসাধারণ একটা জিনিস এই বক্স প্লটটা আমরা আসলে দেখতে চাই যে আসলে কিভাবে এটা কাজ করে বা এর পাশাপাশি বিভিন্ন গ্রাফ গ্রাফগুলো কিভাবে কাজ করে। তারপরে এসকিউএল বা সিকুয়েল আমরা যেটা বলি না কেন স্ট্রাকচার কোয়েরি ল্যাঙ্গুয়েজ নিয়ে আমি কিছুটা ধারণা দিয়েছি গুগল বিগ কোয়েরি দিয়ে। আমি এটা নিয়ে গল্প দেইনি বাট আমি চেয়েছি যে গুগল বিগ কোয়েরি দিয়ে আপনি ছোটখাটো সিকুয়েল কমান্ড চালাতে পারেন কিনা। হুইচ ইজ অনলাইনে অনলাইনে পাওয়া যায় আপনাকে কোন কিছু ইন্সটল করতে হবে না। গুগল বিগ কোয়েরি বিগ কোয়েরির যে স্যান্ডবক্সিং দিয়েই কিন্তু আপনি অনেক কিছু করতে পারবেন। তারপরে ডেটা অ্যানালিটিক্স এর জন্য বা ডেটা ম্যানেজমেন্টের জন্য ডেটা ভিজুয়ালাইজেশনের জন্য প্রচুর ওপেন সোর্স টুল আছে যেগুলো আমি সবসময় ব্যবহার করি। লার্জ স্কেল প্রজেক্টে আমি ব্যবহার করি। কিবানা থেকে শুরু করে অনেক কিছুই আছে যেগুলো আসলে গ্রাফানা কিবানা তারপর হচ্ছে গিয়ে মাইম মানে এখন হচ্ছে গিয়ে নাইম নাইম সো এই এই এগুলো কিন্তু সবসময় চলছে র্যাপিড মাইন্ডার মানে এরকম অনেক কিছুই আছে যেগুলো আসলে আমরা ব্যবহার করি। এর পাশাপাশি গ্লোবাল সার্টিফিকেশন গুগল এবং মাইক্রোসফটের গ্লোবাল সার্টিফিকেশন গুলো কি সেটা নিয়ে কিছু আলাপ করেছি। আর ফাইনালি ডেটা সায়েন্স এবং ডেটা অ্যানালিটিক্স রোডম্যাপ সবাই যেটা চায় এই রোডম্যাপটা আমি এখানে এটা কাভার করেছি। এই বইটা আমি মনে করি যে সবার এই বইটা আমার অনলাইন অনলাইন এডিশনটা পড়েই কেনা উচিত। কারণ আমি প্রচুর বই আমি সবগুলো বই কিন্তু অনলাইনে রাখি এমআইটি যে অ্যাট্রিবিউট যেটাকে বলি যে এমআইটি লাইসেন্স হিসেবে যে আপনি আমার বইটা পড়ে ভাল লাগলে তারপর বইটা কিনুন। মানে যেহেতু বই একেকটা বই আমরা লিখি প্রচুর সময় দিয়ে দু বছর তিন বছর বাট আমরা কোন রিটার্নের জন্য বইটা লিখি না। আমরা লিখি যে যাতে নলেজটা সবার কাছে চলে যাক। আরেকটা ব্যাপার হচ্ছে যে বইয়ের একটা বড় অংশ হচ্ছে গিয়ে হাতে ধরিয়ে দেওয়া। মানে হাতে ধরিয়ে ডেটা অ্যানালিটিক্সটা একটা লেভেলে নিয়ে আসা। তারপরে কিন্তু আমাদের সেখানে সার্থকতা আসে যে ওই বইটা আসলে গিয়েছে। তো আমার আন এডিটেড বইগুলো সবগুলোই অনলাইনে থাকে এবং সেটার লিংক আপনারা জানেন যে আমার আন এডিটেড সবগুলো বই অনলাইনে আছে। হয়তোবা আমি যে আন এডিটেড বইটা যখন অনলাইনে থাকে সেটা পাবলিশার সেটাকে উনারা উনার মতো কম্পাইল করেন। তারপরে পাবলিশার আমার ঘাড়ে ধরে এবং ঘাড়ে ধরে বা পাবলিশার বলেন যে এই এই চ্যাপ্টারটা আরেকটু বড় করেন এই চ্যাপ্টারটাকে আরেকটু ঠিক করেন বা এই চ্যাপ্টারটা প্রয়োজন আছে কিনা। সেখান থেকে 65% আমি দেখি যে 65% বইয়ের অনলাইন কন্টেন্টের পরেও আরো 35% এর মতো আমাকে আলাদাভাবে লিখতে হয়। সেটা আর অনলাইনে দিতে পারি না কারণ সে সেটা আসলে দেওয়াটা খুব ডিফিকাল্ট। বিকজ আমি তখন রাইটারের আমি তখন পাবলিশারের একটা পাবলিশিং এডিটোরিয়াল বোর্ডের মধ্যে যাই। এডিটোরিয়াল বোর্ড তখন আমাকে আমাকে দিয়ে অনেক কিছু উনারা এক্সট্রা লেখান। তো সেজন্য বলছি যে আন এডিটেড 60% আছে ওয়েবসাইটে সেটা দেখে আপনারা অনলাইনে বা বইমেলাতে গিয়ে কিনতে পারেন। বাট পয়েন্ট বিং সেটা হচ্ছে যে আপনার কি এই বইটা আসলে আপনার পছন্দ হয়েছে কিনা। কারণ দিনশেষে এখন কাগজের দাম অনেক বেশি এবং এটা আসলে আপনার কতটুকু কাজে দেবে সেটা অনলাইনে দেখে আপনারা নিতে পারেন। আর এর পাশাপাশি আমি বার্সেলোনাতে যাওয়ার পরে এটা নিয়ে আমি কনস্ট্যান্ট কিছু ফিডব্যাক দেওয়ার আশা করছি। আজকে এ পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | 'নন-টেকনিক্যাল' মেশিন লার্নিং এবং লিনিয়ার 'অ্যালজেব্রা' লাইভ.mp3 | আজকের একটা বড় আলাপ হচ্ছে কিভাবে মেশিন লার্নিং বা ডিপ লার্নিং মানে আমরা যেটা বলছি এই যে মেশিন লার্নিং বা ডিপ লার্নিং এটাতে আসলে এর সাথে অংকের সম্পর্ক কি বা এই অংকের ব্যাপারটা আসলে আমরা কিভাবে বুঝতে পারি অংককে নিয়ে আমরা কিভাবে কাজ করব সেভাবে যদি আমরা কাজ করতে চাই তাহলে আমরা বলব যে আমাদের এই অংক নিয়ে বিশেষ করে মেশিন লার্নিং বা ডিপ লার্নিং নিয়ে আমরা যখন কাজ করেছি আমরা কিন্তু একটা কথা কিন্তু প্রায় বলি যে আমাদের ধরা যাক শূন্য থেকে পাইথন মেশিন লার্নিং যে বইটা ছিল তারপরে কিন্তু আমি আরেকটা বই লিখেছিলাম যেটাকে আমরা বলছি যে হাতে কলমে পাইথন ডিপ লার্নিং এই যে হাতে কলমে পাইথন ডিপ লার্নিং যে বইটা আমি লিখলাম মানে ওখানে ওই ব্যাপারটা কিন্তু আমরা বারবার বলি যে আমরা আসলে এটার সাথে অংক সম্পর্কটা আমরা বের করতে চাই যে আসলে ফাইনালি আমরা আসলে এই যে আমরা এত কাজ করছি এটার পেছনে অংকটা কি বা আমরা এই যে পাইথন ডিপ লার্নিং বলছি বা এটা নিয়ে কাজ করছি এটার পেছনে আমরা আসলে কিভাবে এটা নিয়ে বুঝতে পারবো তো এটার সবচেয়ে বড় ব্যাকগ্রাউন্ড হচ্ছে যে কম্পিউটার মানে বিশেষ করে আমরা যখন বলি যে কম্পিউটার আসলে ও তো কোন ধরনের ল্যাঙ্গুয়েজ বোঝে না বা কম্পিউটার কোন ধরনের অন্যান্য কিছু বোঝে না কম্পিউটার বা মেশিন ওরা শুধুমাত্র নাম্বার বোঝে মানে আমাদের এখানে যে নাম্বারটা বলছি যে আমাদের যে ভ্যালুগুলো আছে ইন্টেজার ভ্যালু বা ওয়ান টু থ্রি মানে আমরা যে বিভিন্ন ভ্যালু বলি ফ্লোট বা বিভিন্ন নাম্বার আছে সেই নাম্বার গুলোকে তারা বোঝে তার মানে হচ্ছে গিয়ে মেশিন আসলে নাম্বার ছাড়া কিছু বোঝে না এখন আমরা যদি এই মেশিনের ব্যাপারটা যদি আসি যে মেশিনটা আসলে কিভাবে নাম্বার বোঝে এবং সেই ব্যাপারটা নিয়ে কিভাবে কাজ করে সেটা নিয়ে আমরা যদি কিছু ধারণা নেই যে আমাদের এই অংক মানে কেন আমরা আসলে অংক নিয়ে কাজ করব সেটা নিয়ে কিন্তু আমরা এর আগেও বলেছি যে অংকটা আসলে কেন দরকার আমরা সরাসরি যদি চলে যাই যে আমাদের যে নিউরাল নেটওয়ার্কের ডেটা কিভাবে থাকে এই ব্যাপারটা যদি আমি আপনাদেরকে একটু ক্লিয়ার করি যে নিউরাল নেটওয়ার্কে আসলে ডেটাটা কিভাবে থাকে এটাই কিন্তু আমরা বলব যে এটার সাথে আমাদের একটা অংকের একটা সম্পর্ক আছে যে এই অংকটা আসলে কিভাবে আমরা এখানে দেখব তো সেইজন্য আমরা বলছি যে আমাদের এই স্পেসিফিক এজেন্ডা যেটা নিয়ে আমরা কাজ করছি যে আমাদের এই মেশিন লার্নিং বা ডিপ লার্নিং এ আমরা যেগুলো নিয়ে কাজ করছি তার পেছনে আসলে এই অংক এটা আসলে মেশিন লার্নিং বা নিউরাল নেটওয়ার্কে এটা অংকটা কিভাবে থাকে বা এই সংখ্যাগুলোকে কিভাবে প্রসেস করা হয় এটা নিয়ে যদি আমরা একটু দেখি যে ধরা যাক আমরা যদি এখানে দেখি যে আমাদের এখানে যে কাজটা হয়েছে আমাদের 88 পেজে চলে যাই আমরা যদি এখানে যদি আমরা বলি যে আমাদের নিউরাল নেটওয়ার্কে ডেটা কিভাবে থাকে মানে আমার ফাইনালি তো এটাই দরকার যে অংকটা আসলে কোথায় কানেক্টেড হবে তো সেইটার ব্যাপারটা কিন্তু আমি আপনাদেরকে একটা ক্লিয়ার বলে রাখি যে আমরা সবসময় কিন্তু ডেটা রিপ্রেজেন্টেশন মানে এই বারবার একটা কথা বলি যে ডেটা রিপ্রেজেন্টেশনটা কিন্তু আমাদের জন্য খুব ইম্পর্টেন্ট যে ডেটা রিপ্রেজেন্টেশনটা কেন তো সেখানে আমরা যদি এভাবে বলি যে আমাদের ডেটা রিপ্রেজেন্টেশনের ব্যাপারটা কিন্তু আমাদেরকে সবসময় মাথায় রাখতে হবে যে আমরা যখন মেশিন লার্নিং বা ডিপ লার্নিং নিয়ে কাজ করছি সেখানে ডেটা রিপ্রেজেন্টেশনটা কেন কারণ এই ডেটাকে ঠিকমতো মেশিন রিপ্রেজেন্ট করতে পারছে কিনা মানে আমরা যখন মেশিন লার্নিং বা ডিপ লার্নিং নিয়ে কাজ করছি এই ডেটা রিপ্রেজেন্টেশনটা একটা বড় ইস্যু ডেটা রিপ্রেজেন্টেশনের পাশাপাশি আরেকটা জিনিস আমরা বলি সেটাকে হচ্ছে গিয়ে আমাদের যে কমন যে কাজ সেটাকে আমরা বলছি যে ওয়ার্ড এম্বেডিং তার মানে আমরা আমরা যদি সরাসরি যদি এভাবে যাই যে আমাদের কাজের জন্য আমরা একটু দেখি যে আমাদের শুরুতে কি দরকার আমাদের শুরুতে আমি এভাবে বলি যে শুরুতে আমাদের যদি নিয়ে আসি আমাদের প্রথম কাজ হচ্ছে গিয়ে ডেটা রিপ্রেজেন্টেশন মানে আমরা যদি এটা এটাকে একটু যদি এভাবে নিয়ে আসি যে আমাদের যে এই মুহূর্তে যে ডেটা আছে সেটাকে আমি যদি একটু আপনাকে দেখাই যে এই অংশে এখানে একটা জিনিস দেখছেন যে আমরা এখানে কিন্তু দেখাচ্ছি যেটাকে আমি একটু পরে আপনাকে দেখাবো যে এটাকে একটু বড় করে আপনাকে দেখাই তাহলে আপনাদের সুবিধা হবে সেটা হচ্ছে যে আমরা যখন কাজ করব বিশেষ করে এই পয়েন্টে কিন্তু সবচেয়ে বড় ইনপুট যে আমাদের এখানে যেই কাজ নিয়ে কাজ আমাদের যেটা নিয়ে কাজ করছি সেটা হচ্ছে গিয়ে এই যে ডেটা আছে সেই ডেটাকে কিভাবে রিপ্রেজেন্ট করতে হচ্ছে কি আমাদের মেশিন লার্নিং এ বা আমাদের নিউরাল নেটওয়ার্কে এই ডেটা গুলোকে কিভাবে রিপ্রেজেন্ট করতে হচ্ছে তার মধ্যে একটা বড় পয়েন্ট আমরা সবসময় বলি যে আসলে আমাদের এখানে এই যে একটা কথা আছে যে ভেক্টর এই ভেক্টর কি বা এই যে ম্যাট্রিসিসটা কি এই ব্যাপারটা কিন্তু একটা ইস্যু তার পাশাপাশি আমরা যেহেতু টেনসর নিয়ে এর আগে কথা বলছি যে হোয়াট ইজ টেনসর মানে এটাও কিন্তু আমাকে বুঝতে হবে যে টেনসরটা কি এই যে জিনিসগুলো আমাদের যেটা সবচেয়ে বড় ধারণা হচ্ছে গিয়ে রিপ্রেজেন্টেশন অফ ডেটা মানে আমাদেরকে ডেটাকে রিপ্রেজেন্ট করতে হবে এখন ডেটাকে যদি ঠিকমত রিপ্রেজেন্ট করতে চাই তাহলে আমাদের এই ভেক্টর ম্যাট্রিসিস অথবা টেনসর বা স্কেলার ভ্যালু হিসেবে যেগুলো আছে সেগুলো কিন্তু আমাদের দরকার তার মানে এখানে আমাদের প্রথম কাজ হচ্ছে গিয়ে ডেটা রিপ্রেজেন্টেশন এবং এটার সাথে কিন্তু আমাদের ম্যাথের সম্পর্ক ম্যাথ মানে হচ্ছে গিয়ে আমরা বলছি যে লিনিয়ার অ্যালজেব্রার সম্পর্ক লিনিয়ার অ্যালজেব্রার এই অংশটা যদি আমরা বুঝি যে ডেটা যে রিপ্রেজেন্টেশনটা সেটার মধ্যে ভেক্টর ম্যাট্রিসিস বা টেনসর গুলো কিভাবে থাকে সেটা নিয়ে কিন্তু আমি এর আগে আমার বইতে বলেছি যে এটা আসলে কিভাবে থাকে তো সেইটা যদি আমরা এখানে দেখাই যে এই ব্যাপারে যে টেনসর ফ্লোতে যে বা আমরা যেভাবে আমরা মেশিন লার্নিং বা ডিপ লার্নিং আমরা যদি মেশিন লার্নিং ডিপ লার্নিং এর কথা বাদ দেই আমাদের শুরুতে হচ্ছে গিয়ে একটা বেসিক একটা কন্টেইনার যেখানে আসলে ডাটাটা থাকবে বেসিক কন্টেইনারটা কি বেসিক কন্টেইনার হচ্ছে গিয়ে একটা জিরো ডাইমেনশনের টেনসর যেটাকে আমরা বলছি স্কেলার এখন যদি আমরা বলি জিরো ডাইমেনশন টেনসর সেটাকে আমরা যদি এভাবে নেই যে স্কেলারের কথা আমরা বারবার বলছি যে একটা শূন্য মানে ডাইমেনশন যার আসলে এদিক ওদিক কিছু নেই তো সেটাকে আমরা যদি বলি যে ধরা যাক এখানে আমরা দেখছি যে আমরা নাম পাইতে দেখছি যে নাম পাই আরেতে ক ব্যাপারটা আসলে কি এই ক ব্যাপারটার ডাইমেনশন কত আমরা শুধুমাত্র একটা সংখ্যা সংখ্যা দিচ্ছি তো এই সংখ্যার যে অংশটা সেটার ডাইমেনশন কত সে ডাইমেনশনটাকে আমাকে দেখাচ্ছে যে এটা জিরো ডাইমেনশন এই যে ব্যাপারটা যে জিরো ডাইমেনশন এটা একটা বড় জিনিস যে আমরা আসলে বুঝতেছি যে এটা এটা কিভাবে থাকে তারপরে আমরা যখন বলছি যে ভেক্টর মানে এখন এক ডাইমেনশনের যে ভেক্টর মানে যেটাকে আমরা বলছি টেনসর এক ডাইমেনশনের সেটা আসলে কিভাবে কাজ করে এবং সেটা কিভাবে এখানে আছে সেটাও কিন্তু আমাদের জানা জরুরি কারণ এখানে যে জিনিসটা আমরা বারবার বলি যে আমাদের একটা এরেতে ধরা যাক এখানে চারটা সংখ্যা আছে এই এরেটার ডাইমেনশন মানে যেহেতু এটা একদিকে এটার ডাইমেনশন কিন্তু এক তার মানে হচ্ছে কি আমরা একটা এক ডাইমেনশন জিনিস আমরা দেখছি এটাই হচ্ছে গিয়ে আমাদের একটা বড় পারসপেক্টিভ যে আমরা শুরুতে ডেটা রিপ্রেজেন্টেশনটা ঠিকমত বুঝতে হবে ডেটাকে আমি ঠিকমত বুঝতে পারছি কিনা তারপরে আমরা যদি এভাবে দেখি যে না আমরা আসলে এটার পেছনে দেখতে চাই যে আমাদের ম্যাট্রিক্স কি ম্যাট্রিক্স হচ্ছে গিয়ে দুই ডাইমেনশনের যে টেনসরটা আছে সেই দুই ডাইমেনশনের টেনসরটা নিয়ে আমরা আলাপ করব যে আমাদের এই মুহূর্তে আমাদের যে ডেটাটা আছে ধরা যাক আমাদের এখানে ডেটাটা আছে যেটা সেটা হচ্ছে গিয়ে এখানে আমাদের যে দুইটা ডাইমেনশন দুইটা ডাইমেনশনটা কি একটা হচ্ছে গিয়ে এদিকে আরেকটা হচ্ছে গিয়ে এদিকে মানে আমার দুইটা ডাইমেনশন আমাদের এখানে কিন্তু এদিকে হচ্ছে গিয়ে এরে আবার এদিকে মানে টু ডাইমেনশন মানে এখানে একটা ডাইমেনশন এখানে একটা ডাইমেনশন তার মানে হচ্ছে কি আমাদের এরে এদিকে এরে আর এদিকে কিন্তু আরেকটা আমাদের অংশ এইজন্য কিন্তু এটা দুই ডাইমেনশন দুই ডাইমেনশন বলেই কিন্তু এর এটাকে বলা হচ্ছে ম্যাট্রিক্স তো মানে আমাদের অংকগুলো মানে বারবার বলছি আমাদের সংখ্যাগুলো কিভাবে থাকে সেটা আসলে আমাদের জানা জরুরি আমাদের সংখ্যা যদি ঠিকমত না থাকে তাহলে আমরা আসলে এটা ঠিকমত বুঝতে পারবো না এখানে যে জিনিসটা আমরা বারবার বলি যে আমাদের এখানে যে কাজগুলো হচ্ছে সেই কাজগুলোর মধ্যে আসলে কিভাবে এই ব্যাপারটা নিয়ে আমাদের ইনপুট হয় তো সেইজন্য আমরা যদি আবার ফেরত যাই এখানে যে আমাদের এখানে যে জিনিসগুলো আমরা আমরা বলি যে ধরা যাক এরপরে আমরা আসছি হচ্ছে গিয়ে যে পাশাপাশি কিভাবে এগুলো নিয়ে কাজ করে কারণ আমরা কিন্তু এভাবে কিন্তু বিভিন্ন ডাইমেনশন দেখছি তো এই ডাইমেনশনের পাশাপাশি কিন্তু আবার থার্ড ডাইমেনশন আমরা যদি বলি সেটাও কিন্তু আমরা দেখতে পারি এখন ইস্যুটা হচ্ছে যে আমরা ডাইমেনশন কিন্তু আমরা দেখতে পারি এবং সেইভাবে কিন্তু আমরা দেখতে পারি যে ধরা যাক এখানে কিন্তু আমরা বলছি যে তিন বা তিনের অধিক ডাইমেনশন মানে আবার তিন তিনের ডাইমেনশনের বেশি কেন লাগবে বা তিন ডাইমেনশন কেন লাগবে সেটাও কিন্তু আমরা এখানে দেখতে পারি যে আমরা এভাবে দেখলাম এভাবে দেখলাম কিন্তু আমাদের তো ডাইমেনশন কিন্তু আরেকটা হতে পারে যে আমাদের পাশাপাশি যে ডাইমেনশন যেটাকে আমি যদি এভাবে দেখাই যে আমি যদি আপনাকে ছবিটা দেখাই তাহলে আপনাদের সুবিধা হবে বুঝতে যে আপনার কোথায় কোথায় ডাইমেনশন মানে এখানে যদি আমি আপনাদের দেখাই যে এই মুহূর্তে আমাদের ধরা যাক এরে কি ছিল এদিকে একটা ছিল একটা ইয়ে এখানে হচ্ছে গিয়ে একটা দুইটা একটা দুইটা তিনটা চারটা পাঁচটা ছয়টা আমার এখানে সংখ্যা আর এখানে উচ্চতা এখানেও কিন্তু আমার এখানে একটা সংখ্যা আমি দিচ্ছি এটা একটা ডাইমেনশন এখন তার মানে হচ্ছে গিয়ে এটার দৈর্ঘ্য প্রস্থ উচ্চতা কিন্তু তার সাথে কিন্তু আমার এদিকে যদি আরেকটা যদি ডাইমেনশন হয় তার মানে আমার হচ্ছে তিনটা ডাইমেনশন এক ডাইমেনশন দুই ডাইমেনশন এবং তিন ডাইমেনশন এন্ড এই তিন ডাইমেনশন কিন্তু আমরা কোথায় কাজ করি বা চার ডাইমেনশন কোথায় কাজ করি আমরা বিশেষ করে আমরা যখন ইমেজ একটা ছবি ছবি যখন সেট করি তখন কিন্তু আমরা ছবিতে কি করি আমরা হচ্ছে গিয়ে ধরা যাক 128 টা ব্যাচের মধ্যে আমরা 28 বাই 28 পিক্সেলের একটা ছবি আমরা সেট করব তার মানে হচ্ছে কি একটা ছবি যখন আমি আঁকি এই ছবিতে এখানে কিন্তু এক দুই তিন চার পাঁচ ছয় সাত আট নয় 10 এভাবে আমাদের 28 টা পিক্সেল আর এদিকেও 28 টা পিক্সেল তার মানে হচ্ছে গিয়ে এই যে 28 টা পিক্সেল বাই 28 টা পিক্সেল এটা কিন্তু হচ্ছে গিয়ে দুই ডাইমেনশন সো এখানে তিন ডাইমেনশন কি হতে পারে যে এখানে ধরা যাক এখন এই মুহূর্তে এটা হচ্ছে একটা গ্রে স্কেল মানে হচ্ছে গিয়ে কালারলেস আমরা হচ্ছে গিয়ে গ্রে স্কেল বলি কাকে সেটা হচ্ছে গিয়ে যখন আমার এটার মধ্যে কালারস ইনফরমেশন থাকে না তো সেখানে আমাদের জন্য যে নরমাল ভাবে যদি করি তাহলে এখানে হচ্ছে গিয়ে আমার কালার স্যাম্পল আমার যদি আরজিবি হয় মানে আমরা যেটাকে বলি আর জি বি আরজিবি হলে তখন কিন্তু এখানে কিন্তু আমার তিনটা কালার স্যাম্পল আসবে মানে আমার এখানে থার্ড ডাইমেনশন যোগ হবে তার মানে থার্ড ডাইমেনশন হওয়ার পেছনে আমার আইডিয়াটা হচ্ছে এরকম যে আমার এখানে শুধুমাত্র 28 পিক্সেল বাই 28 পিক্সেল হলে হবে না এর পাশাপাশি আমার কালার স্যাম্পলিং লাগবে আমরা অনেক সময় চিন্তা করি কি যে আমরা মনে করি যে না আমাদের যে গ্রে স্কেল কারণ আমরা তো আমাদের যে ক্যামেরাতে ছবি তুলি সেই ক্যামেরাতে ছবি তোলার সময় কিন্তু আমার কিন্তু শুধুমাত্র এই এটা তো হবে না যে আমরা যখন ভিডিও করি ভিডিওর জন্য কিন্তু আবার আরো আরো কিছু ডেটা আসবে তার মানে আমরা বলছি যে আমাদের যে ডেটা আছে সেই ডেটার যে শেপ সেই ডেটার শেপের মধ্যে কিন্তু আসলে আমাদের আরো এক্সট্রা স্যাম্পলিং থাকবে তাহলে আমার পয়েন্ট অফ ভিউ হচ্ছে ওটাই যে আমরা যাই করি না কেন কাজ সেটার মধ্যে ডাটা কোথায় বা কিভাবে থাকবে সেটা কিন্তু আমাকে এখানে বুঝতে হবে বা জানতে হবে সেজন্য আমার শুরুতেই আমার এটা আলাপ করা যে আমরা লিনিয়ার অ্যালজেব্রা বলেন আর আমার সংখ্যা বলেন মানে নিউরাল নেটওয়ার্ক বা মেশিন লার্নিং এর ডাটা কিভাবে থাকে সেটা যদি আমরা ঠিকমত বুঝতে পারি তাহলে আমাদের সেই পারসপেক্টিভটা আমরা পাবো যে আমাদের পারসপেক্টিভটা কি আমাদের আমরা কি বলতে চাচ্ছিলাম যে আমাদের এখানে সেখানে একটা বড় অংশ ছিল যে আমরা আমাদের এই অংশে বিশেষ করে আমাদের যে ডেটা রিপ্রেজেন্টেশন অংশ ছিল সেখানে কিন্তু আমরা বলছি যে কিভাবে ভেক্টর বা ম্যাট্রিসিস হিসেবে এই সংখ্যাগুলোকে আমরা রাখতে পারি কারণ এই সংখ্যাগুলো একটা বড় ইস্যু এটা হচ্ছে কি ডেটা রিপ্রেজেন্টেশনটা তারপরে আসছে হচ্ছে গিয়ে ওয়ার্ড এম্বেডিং এই ওয়ার্ড এম্বেডিংটা নিয়ে আমি এখন খুব একটা বেশি আলাপ করতে চাচ্ছি না একটাই কারণ সেটা হচ্ছে যে এটা আমরা কিন্তু ভালোমতো কাভার করেছিলাম আমাদের হাতে কলমে পাইথন মেশিন লার্নিং বইটাতে আমরা যদি এখানে যাই যে আমাদের হাতে কলমে এটাতে আমরা যদি শুরুতে যাই একদম শুরুতে যাই সেখানে আমরা দেখব যে আমাদের এখানে বিশেষ করে আমরা এখানে দেখছি ওয়ার্ড এম্বেডিং আমরা শুরু করলাম কোত্থেকে ওয়ার্ড এম্বেডিংটা মোস্টলি আমরা ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং এ আমরা কিন্তু ওয়ার্ড এম্বেডিংটা শুরু করি আমরা যদি এখানে আসি যে আমরা ডেটা রিপ্রেজেন্টেশনটা আমরা শুরু করলাম এখানে যে ডেটা রিপ্রেজেন্টেশনটা এখানে শুরু করেছি এবং সেখানে কিন্তু আমরা দেখাচ্ছি যে ডেটা আসলে কিভাবে থাকে ডেটা কিভাবে আমাদের ম্যাট্রিক্সে আমাদের যোগ হয় এবং সেখানে আমরা কিন্তু একটা জিনিস দেখি যে আমাদের ডেটাকে রিপ্রেজেন্টেশনটা কিভাবে আসছে এখন যদি এই ওয়ার্ড এম্বেডিং নিয়ে আমরা যদি কথা বলতে চাই তাহলে আমরা বলব যে ওয়ার্ড এম্বেডিং এর সবচেয়ে বড় অংশ হচ্ছে যে আমরা যদি এখানে যাই ওয়ার্ড এম্বেডিং এ তাহলে আমরা দেখতে পারবো যে ওয়ার্ড এম্বেডিংটা আসলে কিভাবে কাজ করছে এবং সেখানে আমরা এই জিনিসটা নিয়ে কিভাবে কাজ করতে পারি কারণ ওয়ার্ড এম্বেডিংটা একটা খুব ইম্পর্টেন্ট ইস্যু যে কিভাবে একই জিনিস এটাকে এম্বেড করে মানে কিভাবে এম্বেড করে এটাকে নিয়ে সামনে আগানো যায় তো আমরা যদি এখানে আসি যে ধরা যাক আমরা এখানে ওয়ার্ড এম্বেডিং ব্যাপারটা নিয়ে আসতেছি আমরা 315 নাম্বার পেজে আমরা যদি যাই ওয়ার্ড এম্বেডিং তো এখানে ওয়ার্ড এম্বেডিং এর ব্যাপারটা এরকম যে আমরা কেন ওয়ার্ড এম্বেডিং ইউজ করতে চাই বা আমরা কেন এই ব্যাপারটা নিয়ে আরো আলাপ করব সেটা হচ্ছে যে আমাদের যদি এখানে দেখি যে যেকোনো মেশিনের ইনপুট বা আউটপুট যেটা হচ্ছে কিনা সেটা কিন্তু আমরা সবসময় সংখ্যা হিসেবে দিয়েছি এখন মানুষের ভাষা কিন্তু অনেক কমপ্লেক্স এখন সেই কমপ্লেক্স ভাষাটা আসলে আমরা কিভাবে বুঝবো মানে ওয়ার্ড এম্বেডিং এর একটা বড় ইস্যু হচ্ছে যে আসলে আমরা এটাকে ঠিকমত বুঝতে পারছি কিনা বা আমরা এটার এটার মধ্যে কারণ সংখ্যা তো সংখ্যার মধ্যে কোন সংখ্যার মধ্যে সিমিলারিটি আছে সেটা তো আমরা আসলে অনেক সময় বুঝতে পারি না তো সেজন্য আমরা বলব যে আমাদের যত জিনিস আছে তার মধ্যে ওয়ার্ড এম্বেডিংটা ততই ইম্পর্টেন্ট যখন আমরা বলি যে এখানে আমরা যদি এখানে আসি যে আমাদের এই মুহূর্তে যে এম্বেডিং যে ভেক্টরটা আছে মানে ওয়ার্ডগুলোকে বিশেষ করে ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং এ আমরা এই সংখ্যাগুলোকে বিশেষ করে আমরা যখন সংখ্যাগুলোকে যদি নিয়ে কাজ করি তখন কিন্তু আমাদের একটা বড় জিনিস আসবে যে এম্বেডিং ভেক্টর কিভাবে এই ভেক্টর গুলোকে এম্বেড করা যাবে এটা আমাদের একটা জানার বিষয় আছে এবং তার পাশাপাশি হচ্ছে কি এটাকে কিভাবে এফিশিয়েন্টলি রিপ্রেজেন্ট করা যাবে তো এই যে ব্যাপারগুলো যে এই জিনিসগুলো আসলে কিভাবে কাজ করে এবং এই ওয়ার্ড কে ঠিকমত রিপ্রেজেন্ট করা যাচ্ছে কিনা বিকজ ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং এ কিন্তু আমরা একটা জিনিস বারবার বলি যে আমরা পাশাপাশি সিমিলার শব্দগুলোকে আমরা দেখতে পেতে চাই সেখানে আমরা যদি এখানে ওয়ার্ড এম্বেডিং এ যদি এখানে ফিরে আসি যে পাশাপাশি মানে আমরা যদি এখানে দেখাই যে ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং এ হচ্ছে গিয়ে ওয়ার্ড ভেক্টরটা কি যে আমরা যদি ভেক্টর আমরা এর আগেও বলেছি যে কিভাবে আসলে আমাদের এখানে জিনিস নিয়ে কাজ করে যে আমরা পাশাপাশি আমরা এখানে দেখছি যে আমরা একটা এরেতে আমাদের সংখ্যা আছে এখন এটার একটা ভ্যালু পজিশন নিয়ে আমাদের এখানে কাজ হয় কিন্তু এর পাশাপাশি আমরা যখন এই জিনিসগুলো নিয়ে একটু সামনাসামনি দেখি তখন একটা বড় ইস্যু হচ্ছে যে আমাদের এই এম্বেডিং যে আমাদের এখানে যদি আপনারা দেখেন যে আমরা এখানে কি বলেছি যে মেশিনের ভাষায় এম্বেডিং হচ্ছে যে আমাদের যে হাই ডাইমেনশনাল যে স্পেস আছে সেটা আসলে কন্টিনিউয়াস ভেক্টর যেটা সেটা হচ্ছে ডিসক্রিট ভেরিয়েবল আমরা রিপ্রেজেন্ট করতে পারব এখন সেটা হচ্ছে গিয়ে যে আমরা আমাদের যে লার্ন স্পেসটা আছে সেই লার্ন স্পেসের মধ্যে সিমিলারিটি মানে আমি একটা কথা যদি বলি যে ধরা যাক আমরা যখন বলি যে গাছ তার মানে হচ্ছে গাছের সাথে কিন্তু আপনার ফুলের একটা সিমিলারিটি আছে কিন্তু গাছের সাথে যদি আমরা বলি যেমন গাছ এবং মাছ মানে এই দুটো কিন্তু সিমিলারিটি নাই কারণ একটা হচ্ছে গিয়ে মানে গাছ একটা আলাদা জিনিস এবং মাছ কিন্তু আরেকটা আলাদা জিনিস তো সেই জন্য কিন্তু আমরা এই এই ব্যাপারটা বুঝি যে রাজার সাথে রানীর শব্দটা কিন্তু সম্পর্ক যুক্ত এখন রাজার মধ্যে রাজার যে আছে রাজাকে ধরা যাক রাজাকে যে শব্দ দিয়ে বা যে সংখ্যা দিয়ে ধরা যাক রাজাকে সংখ্যা দিয়ে দেখানো হচ্ছে 18 তে এখন রানীর সংখ্যাটা যদি ধরা যাক 20 না হয় তাহলে কিন্তু এর কাছাকাছি এর যে সম্পর্ক এই সম্পর্কটা কিন্তু ঠিকমত বোঝা যাবে না তো এই যে সম্পর্কটা আমরা বের করতে চাই যে মায়ের সাথে বাবার সম্পর্ক বা বাংলাদেশ শব্দের সাথে ঢাকা শব্দ সম্পর্ক যুক্ত তো এই জিনিসটা কিন্তু আমাদেরকে বুঝতে হবে আর সবচেয়ে বড় যে জিনিসটা হচ্ছে যে আমাদের এখানে এই এম্বেডিং কিন্তু আমরা অনেক সময় অনেক ধরনের কথা বলি যে এম্বেডিংটা আসলে আমরা কিভাবে কাজ করব না কাজ করব সেখানে আমরা কিন্তু ওয়ান হট এনকোডিং এর কথা বলি বা অন্যান্য জায়গায় বলি কিন্তু এখানে যে জিনিসটা আসলে হয় যে আমরা যখনই কোন কিছু নিয়ে কাজ করি তখন কিন্তু এই ওয়ার্ড এম্বেডিংটা এইজন্যই ইম্পর্টেন্ট যে আমাদের এখানে যে অন্যান্য যে সংখ্যাগুলো আছে সেই সংখ্যাগুলোর মধ্যে কিন্তু আমাকে একটা সম্পর্ক টানতে হবে সেজন্য কিন্তু ওয়ার্ড এম্বেডিং এটা কিন্তু ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং এর একটা বড় পার্ট এবং সেই জন্য কিন্তু এই আমরা মেশিন লার্নিং এ লিনিয়ার অ্যালজেব্রা বা এই ব্যাপারটা নিয়ে বলছি তো আমার পয়েন্ট অফ ভিউ হচ্ছে ওটাই যে কেন আমাদের এইখানে আমরা এত কিছু দেখাতে চাচ্ছি যে অংক কেন দরকার সেটা একটা বড় পার্ট আর এর পাশাপাশি আমরা যদি এখানে আসি যে এই জিনিসটা আমরা একটু অন্যভাবে দেখি যে এটাকে আমরা একটু ছোট করে নিয়ে আসি এবং এটাকে আমি আরেকটু উপরে নিয়ে যাই ধরা যাক এই এই জিনিসটাকে আমরা উপরে নিয়ে যাচ্ছি এখন আমার দরকার অন্যান্য জিনিস যে এই জিনিসটা আমরা আপাতত ডিলিট করে দিচ্ছি এবং আমরা এখানে ডেটা রিপ্রেজেন্টেশনের ব্যাপারে কিছু বলছি এবং ওয়ার্ড এম্বেডিং এর ব্যাপারে আরেকটা জিনিস আমি আপনাদেরকে এর আগেও দেখিয়েছিলাম বাট তবুও আমি আপনাদেরকে বলি যে ওয়ার্ড এম্বেডিংটা আসলে কিভাবে কাজ করে সেখানে এখানে যদি আমি একটা ছোট জিনিস নিয়ে আসি ওয়ার্ড এম্বেডিংটা কিভাবে কাজ করে এখানে একটা জিনিস আপনাকে দেখাই আমরা যদি টেনসর ফ্লোর এম্বেডিং প্রজেক্টরে যাই তাহলে কিন্তু আমরা একটা ভালো ওয়ার্ড এম্বেডিং এর একটা আন্ডারস্ট্যান্ডিং পাবো কারণ যে আমরা যে ওয়ার্ড এম্বেডিং এর কথা বলছি সেখানে কিন্তু ওয়ার্ড টু ভেক্টর বলে একটা জিনিস আমরা দেখি যে ওয়ার্ড টু ভেক্টরটা আসলে কি সেখানে যদি আমাদের সংখ্যা কিভাবে আমাদের শব্দ বিভিন্ন ব্যাপারে কানেক্টেড হচ্ছে সেটা যদি আমরা এভাবে দেখি তাহলে আমরা একটা ওয়ার্ড এম্বেডিং দেখতে পারবো আপনারা এখানে দেখতে পাচ্ছেন যেখানে কিন্তু একটা ওয়ার্ড এম্বেডিং আমার এই যে বিভিন্ন শব্দ এটা কিন্তু ইংরেজি শব্দ সুতরাং ইংরেজি শব্দগুলো বিভিন্ন শব্দগুলো কিন্তু আমরা দেখছি এটা কিন্তু বিভিন্ন এম্বেডিং মানে একটা লার্ন স্পেসে একটা লার্ন স্পেসে আপনারা দেখছেন যেখানে একটা থ্রি ডাইমেনশন স্পেসে সে কিন্তু বিভিন্ন শব্দ এবং আমরা কিন্তু এখানে সার্চ করতে পারি যে কোন কোন শব্দগুলো এখানে আছে ধরা যাক এখানে আমরা যদি বলি যে টেস্ট টেস্ট শব্দটা সেই টেস্ট শব্দের পাশাপাশি নিয়ারেস্ট মানে কি কি শব্দ হতে পারে এগুলো হচ্ছে গিয়ে টেস্ট টেস্টের পাশাপাশি টেস্ট গ্রেটেস্ট টেস্টমেন্ট প্রটেস্ট্যান্ট টেস্টিং টেস্ট কন্টেস্ট লেটেস্ট প্রটেস্ট তার মানে হচ্ছে কি এটা হচ্ছে গিয়ে আমার এম্বেডিং ওয়ার্ড এম্বেডিং এ মানে আমার এই এই জিনিসগুলো কেন কাছাকাছি কেন এই ফাস্ট টেস্ট আর এটা কাছাকাছি বা এই টেস্টেড এবং টেস্ট কাছাকাছি মানে এটা কিন্তু আমাদের এটাই বুঝতে হবে যে কেন আসলে আমাদের এই ওয়ার্ড এম্বেডিং দরকার মানে কেন আমাদের এই সংখ্যা বা আমাদের মেশিন লার্নিং এর মধ্যে আমাদের অংক দরকার আমরা যদি আজকে শুধুমাত্র আমি বেসিক কিছু জিনিস নিয়ে আলাপ করছি আর এর পাশাপাশি আমি আরেকটা জিনিস আপনাদেরকে বলব যে আমরা ওয়ার্ড এম্বেডিং এর পাশাপাশি আমরা যদি এভাবে দেখি যে ডেটাটা আসলে কিভাবে কাজ করে এবং সেটার ভেক্টরটা কি সেটাও আমরা একটু আমরা যদি ওভাবে বলি যে এখানে যদি আমি আপনাকে একটা ছবি দেখাই যে ধরা যাক এই ছবিটাই আমি আপনাদেরকে দেখালাম সেখানে কিন্তু আমরা দেখাচ্ছি যে একটা ভেক্টর মানে ভেক্টরের মধ্যে কি আছে এবং সেই ভেক্টরের মধ্যে আমরা ওয়ান ডাইমেনশন এরে মধ্যে আসলে কি আছে সেটা যদি আমাদের এখানে বুঝতে হয় এবং সেটা কিন্তু একটা অংশ যেখানে আমরা একটা ভেক্টর আমরা বলছি ভেক্টরটা কি সেটা হচ্ছে এই অংশের এটার মধ্যে কিন্তু আমরা দেখাচ্ছি যে এই এই জিনিসটা আমরা যেটা হচ্ছে এটা একটা ভেক্টর মানে একটা ওয়ান ডাইমেনশনাল ভেক্টর এন্ড এই ওয়ান ডাইমেনশনাল ভেক্টরের মধ্যে কিন্তু আমাদের একটা ম্যাগনিচিউড আছে ম্যাগনিচিউড এবং একটা ডিরেকশন আছে মানে নরমালি একটা ভেক্টরে কি হয় ভেক্টরের মধ্যে একটা ম্যাগনিচিউড মানে হচ্ছে গিয়ে এটার ডেটাটা আছে তার পাশাপাশি একটা আমাদের ডিরেকশন আছে এই এটা কিন্তু আমাদের একটু ব্যাপারটা বুঝতে হবে যে আমাদের আসলে এখানে কেন লিনিয়ার অ্যালজেব্রা জানা প্রয়োজন এই এই ভেক্টরের ব্যাপারটা কিন্তু এভাবে কাজ করছে আর তার পাশাপাশি আমাদের যখন ডেটা রিপ্রেজেন্টেশন হয় আমি আমি যদি এটাকে ক্লোজ করে দেই আমি এটাকে ডিলিট করে দিচ্ছি আমি যদি এখানে ডেটা রিপ্রেজেন্টেশনের ব্যাপারে যদি এভাবে দেখি যে আমাদের ডেটাটা রিপ্রেজেন্টেশন কিভাবে হয় সেটা যদি একটু আপনাদের দেখাই তাহলে আপনারা বুঝবেন যে এই ডেটা রিপ্রেজেন্টেশনটা আসলে কিছু না যে আমাদের যে ডেটাগুলো আছে সেই ডেটাগুলো বিশেষ করে আমাদের যে টেবুলার যে ডেটা থাকে সেই টেবুলার ডেটার মধ্যে কিন্তু আমাদের এখানে কি থাকে আমাদের এখানে হাইট এইজ ওয়েট এগুলো থাকে এখন আমাদের যে ডেটাগুলো আছে সেই ডেটা গুলোকে তো আমাকে তো কোথাও ফেলতে হবে হাউ ডু আই মানে ফিল ইট আপ তো সেই জন্য আমাদের এখানে যেটা বুঝতে হবে যে আমাদের এখানে ডেটা নিয়ে যখন আমি কাজ করছি তখন কিন্তু আমার এই ডেটাগুলো এই ডেটা গুলোকে আমাকে একটা ভেক্টরে ফেলতে হবে সেই ভেক্টরটা কিভাবে সেটা হচ্ছে এখানে এখন আমরা যদি একই জিনিস যদি আমাদের এখানে ফেলতে হয় সেখানে এখানে আমরা বলছি যে এখানে হাইট এখানে ওয়েট এখানে এইজ মানে আমরা হচ্ছে তিনটা ডাইমেনশনে আমরা এই একই ডেটা ফেলতে পারি এটা হচ্ছে এটা ডেটা রিপ্রেজেন্টেশন পার্ট যে কিভাবে আমরা এই জিনিসটা নিয়ে কাজ করতে পারি সবচেয়ে বড় যে জিনিসটা আমরা বুঝতে পারি যে আমাদের ডেটা রিপ্রেজেন্টেশনটা আমরা কিভাবে ডেটা গুলোকে কানেক্ট করব সেটা হচ্ছে গিয়ে আমাদের সবচেয়ে বড় ইস্যু তো আজকে আমার মনে হয় আপনারা বুঝতে পারছেন যে কিভাবে এই ডেটা রিপ্রেজেন্টেশন বা এই জিনিসটা কিভাবে কাজ করে এটা একটু আমাদের আমরা মানে এটা যদি ঠিকমত আমরা বুঝতে পারি তাহলে আমরা সামনে বুঝতে পারবো যে আসলে আমরা কিভাবে অংকটা আমরা এখানে কাজ করব কারণ আমরা সামনে কিন্তু আস্তে আস্তে অংকে ঢুকবো আজকে আমরা জাস্ট বেসিক একটা আইডিয়া দেওয়ার জন্য যে কিভাবে অংকের মধ্যে এগুলো কাজ করে আর এই ভেক্টর স্পেস ফাইনালি কিন্তু আরেকটা কথা আমরা বলেছিলাম যে ডাইমেনশনাল স্পেসে আমাদের এখানে কিভাবে ডাইমেনশন রিডাকশন হয় আমি যদি শুরুর এটা বলি যে শুরুরটা হচ্ছে গিয়ে আমাদের ডাইমেনশনাল স্পেসটা কিভাবে হয় সেটাও আমাদের সামনে আমি আপনাদেরকে দেখাবো যে কিভাবে ভেক্টর স্পেসে ডাইমেনশনালটা রিডাকশন হয় যে আমার ধরা যাক এখানে এই মুহূর্তে আমার এখানে কিছু ডেটা আছে সেই ডেটা গুলোকে আমি যদি এভাবে দেখাই যে আমার কাছে এখন হচ্ছে গিয়ে ডেটা আছে সেটাকে আমি কমিয়ে নিয়ে এলাম তার মানে হচ্ছে অনেক জায়গায় কিন্তু আমাদের অনেক জায়গায় একই জিনিস বারবার থাকার দরকার নেই আমি যদি আমার বইটাতে ফেরত আসি বইটাতে কিন্তু আমরা এই জায়গাটা একটা ভালোভাবে দেখিয়েছিলাম যে ধরা যাক আমরা যখন এম্বেডিং এ যাব তখন কিন্তু একটা এনকোডিং আমরা জানি ওয়ান হট এনকোডিং ওয়ান ওয়ান হট এনকোডিং এর বড় সুবিধা হচ্ছে যে আমাদের কাছে ধরা যাক আমরা এই মুহূর্তে বলছি যে আমাদের আমি এখন বই পড়ি এটা আমি আসলে জানতে চাই এখন আমি এখন বই পড়ি এটা আসলে কম্পিউটার কিভাবে বুঝবে বিকজ কম্পিউটার তো এভাবে জানে না ও কম্পিউটার ডাটাটা কিভাবে রাখবে ও একটা স্পেসে যেটাকে আমরা বলি ডামি ভেরিয়েবল মানে আমি আমি যদি ব্যাপারটা বুঝতে চাই তাহলে আমার এখানে ওয়ান বসাতে হবে বাকিগুলো সব জিরো তার মানে আমার ডাইমেনশন রিডাকশনে এই বাকি জিরো জিরো দিয়ে তো আমি আমি একটা জায়গা নষ্ট করতে পারি না সেজন্য আমার ডাইমেনশন রিডাকশন করতে হবে যে আমার এখানে এখানে ওয়ান আর বাকিগুলো কিন্তু সব জিরো সুতরাং আমার এইসব জায়গায় কিন্তু আমাকে রিপ্রেজেন্ট করার দরকার নেই আমার এটা হলে হবে তো কিন্তু আমার এটাও এটা জানার জরুরি এটা আসলে কোন জায়গাটা আছে সেটা হলেও জরুরি বাকিগুলো আমরা এখানে কিন্তু রাখবো না আমাদের পয়েন্ট অফ ভিউতে ওটাই যে আমাদের আসলে যেকোনো জিনিস আমাদের ওয়ার্ড এম্বেডিং বলেন আমাদের অন্যান্য জিনিস বলেন ডেটা রিপ্রেজেন্টেশন বলেন আর ডাইমেনশন রিডাকশন বলেন সবকিছুর পেছনে অংক লাগবে কিন্তু অংক লাগার আগে আজকে আমরা আলাপ করলাম যে সংখ্যা কিভাবে ব্যবহার হচ্ছে আমরা সংখ্যা যদি ঠিকমত দেখাতে পারি তাহলে এরপরে আমরা এই অংকে চলে যেতে পারব তো আজকে এই পর্যন্তই আমরা সামনে আরো ভেতরে ঢুকবো আল্লাহ হাফেজ। |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | মাইক্রোসফট পাওয়ার বিআই রিয়েল ওয়ার্ল্ড ডাটাসেটের ধারণা Microsoft Power BI and Insurance Dataset.mp3 | পেছনের ব্যাকগ্রাউন্ডটা কেমন মনে হচ্ছে? এটা কাইন্ড অফ লাইক একটা সাউন্ড প্রুফিং। মানে আমি আসলে যেহেতু অডিও রেকর্ড করি তো আমার কাছে মাঝে মাঝে মনে হয় যে আমি অফকোর্স আমি এআই ব্যবহার করব নয়েজকে ফিল্টার করার জন্য কিন্তু বেজলাইনে কিছু কিছু সাউন্ড প্রুফিং দরকার। এজন্য আমার পেছনে জাস্ট কিছু ম্যাটেরিয়াল যেটা কাইন্ড অফ লাইক আমাকে সাউন্ড প্রুফিং এ হেল্প করবে। সো আজকে ফিরে আসি অফকোর্স আমাদের সেই বই হাতে কলমে ডেটা অ্যানালিটিক্স এবং হাতে কলমে ডেটা অ্যানালিটিক্স শেখার সবচেয়ে বড় শর্ত হচ্ছে গিয়ে আমাদেরকে হাতে কলমে করা। আর এই হাতে কলমে করার জন্য আমার কাছে মনে হয় যে ট্যাবলু ইজ ওয়ান অফ দা গুড গুড ওয়ান এন্ড অলসো মাইক্রোসফট পাওয়ার বিআই। তো যেহেতু এখন কাইন্ড অফ লাইক বাংলাদেশে বিশেষ করে মাইক্রোসফট পাওয়ার বিআইতে অনেকে সুইচ করছেন এজন্য আমি বলব যে এটা একটা কাইন্ড অফ লাইক সময়োপযোগী বই যেখানে আমরা যেটাকে দেখিয়েছি যে মাইক্রোসফট পাওয়ার বিআই দিয়ে একটা ডেটা সেট আপনারা দেখতে পাচ্ছেন যে মাইক্রোসফট পাওয়ার বিআই দিয়ে একটা ডেটা সেটকে আমরা ওয়ার্ক আউট করেছি যে কিভাবে এটাকে কাজ করানো যায়। আসলে শেখার জন্য আমি দেখেছি যে শেখার জন্য একটা রাইট ডেটা সেট খুঁজে পাওয়া কিন্তু খুব ডিফিকাল্ট। আমাদের ক্যাগুলে প্রচুর ডেটা সেট প্রচুর ডেটা সেট আছে। কিন্তু বাস্তবের সাথে কতটুকু মিল এবং এটা রিয়েল ওয়ার্ল্ড এক্সাম্পল হিসেবে যদি আমরা কোন ডেটা সেটকে খুঁজে পেতে চাই তাহলে কিন্তু এটা একটা কাইন্ড অফ অনেক সময় ডিফিকাল্ট হয়। বাট স্টিল আমি মনে করি যে এই ট্রাভেল ইন্স্যুরেন্স ডেটা সেটটা কিন্তু অসাধারণ একটা ডেটা সেট। এই কারণে যে এটা একটা রিয়েল ওয়ার্ল্ড সিনারিও। যে একটা ট্রাভেল এজেন্ট ও আসলে দিনশেষে ও চিন্তা করছে যে আমার কাছ থেকে যারা ইন্স্যুরেন্স কিনল তারা কি ফাইনালি ক্লেইম করবে কিনা? মানে অফকোর্স আমার কাছে যদি কেউ ইন্স্যুরেন্স কেনে আমি চাইবো যে সেই ইন্স্যুরেন্সটা যাতে ক্লেইম না হয়। বিকজ দিনশেষে দ্যাটস মাই বিজনেস যে ইন্স্যুরেন্সটা যদি ক্লেইম হয় তাহলে আমি বলছি না যে এটা ইজ ব্যাড ফর বিজনেস বাট দেন অফকোর্স আমি আগে থেকে প্রেডিক্ট করতে পারি কিনা যে আমার ইন্স্যুরেন্সটা ক্লেইম হবে কিনা আর সেটা নিয়েই কিন্তু এই মাইক্রোসফট পাওয়ার বিআই এবং এই ট্রাভেল ইন্স্যুরেন্সের ডেটা সেটের কে এবং কেন প্রশ্নের উত্তর। মানে কে মানে হচ্ছে কে আমাদের এই ইন্স্যুরেন্সটাকে সে ক্লেইম করবে এবং কেন করবে সেটারই আসলে প্রশ্নের উত্তর। সো এখানে অনেকগুলো আমি গল্প দিয়েছি। অফকোর্স আই এম এ ভেরি ভিজুয়াল গাই। সো আমি যখন একটা বই লিখি আই আই ওয়ান্ট যে মানুষের যারা পড়ছেন তারা যাতে এখানে একটা ভালো আন্ডারস্ট্যান্ডিংটা পান যে কিভাবে এই জিনিসগুলো নিয়ে কাজ করা যায়। সো অফকোর্স ট্রাভেল ইন্স্যুরেন্স নিয়ে যে ভিজুয়ালাইজেশন সেই ভিজুয়ালাইজেশন নিয়ে অনেকগুলো আমি দেখিয়েছি। এটার ইউটিউব ভিডিও আছে। বাট এর পাশাপাশি আমি যেটা মনে করি যে আমাদেরকে হাতে কলমে করতে হবে। এখানে আমি দেখছি যে ইন্ডাস্ট্রিতে একটা ব্যাপার চলছে ইদানিং যে সবাই ভাবছে যে এটা আমি দেখলেই হবে। সবাই ভাবছে যে ইউটিউব ভিডিও দেখলেই হবে। না আসলে এটা দেখলে হবে না। ইউটিউব ভিডিও এটা দেখলে হবে না। কারণ আমি মনে করি যে ইউটিউব ভিডিও দেখে কিন্তু আসলে শেখা যায় না। আই হ্যাভ টু ডু ইট লাইক উই হ্যাভ টু ডু ইট। আমরা আসলে এটাকে করতে হবে। আমরা যদি এটাকে না করি তাহলে কিন্তু এটা আসলে ঠিকমতো শেখা হবে না। এজন্য আমি বারবার বলি যে আমরা যেকোনো জিনিস শিখতে গেলে উই হ্যাভ টু লার্ন হাউ টু ডু ইট। আমি নিজে হাতে করব। নিজে হাতে যদি না করি তাহলে আসলে এটার ডিফিকাল্ট হবে। আর এর পাশাপাশি অফকোর্স এই বইটা আমার বেশ প্রিয় বই বিকজ যারা ডেটা নিয়ে যাদের জার্নি শুরু করতে চান তাদের জন্য এই বইটা একটা ভালো একটা ধারণা হতে পারে যেখানে আমি আসলে বলেছি যে আপনি দেখতে পাচ্ছেন যে প্রবলেম সলভিং ডেটা স্টোরি টেলিং এক্সপ্লোরেটরি ডেটা অ্যানালিটিক্স যেটাকে আমরা ইডিএ বলছি ডেটা ভিজুয়ালাইজেশন অফকোর্স এখানে ট্যাবলুর ব্যবহার আমরা দেখাই দেখিয়েছি। মাইক্রোসফট পাওয়ার বিআই অফকোর্স এখানে দেখিয়েছি। ডেটার বৈশিষ্ট্য ডেটাকে অর্গানাইজ করার ধারণা ডেটার গ্রানুলিটি এবং ডেটার ডিস্ট্রিবিউশন অফকোর্স ইট ইজ দা বেসিক থিং। তারপর হচ্ছে গিয়ে আমরা এসকিউএল নিয়ে এখানে আলাপ করেছি। এর পাশাপাশি বেশ কিছু ওপেন সোর্স টুল নিয়ে এখানে আলাপ করেছি। তারপর হচ্ছে গিয়ে গ্লোবাল সার্টিফিকেশন আসলে কিভাবে নেওয়া যায় সেটা নিয়ে কথা বলেছি। এবং ফাইনালি যারা ডেটা সাইন্স এবং ডেটা অ্যানালিটিক্স নিয়ে যারা আগাতে চান তাদের জন্য একটা রোডম্যাপ। সো অফকোর্স দিনশেষে আমরা যাই করি না কেন তার শুরুতে আমাদেরকে বুঝতে হবে যে আমরা আসলে কেন শিখতে চাই? মানে কেন আমি ডেটা অ্যানালিটিক্স শিখতে চাই বা কেন আমি ডেটা সাইন্স শিখতে চাই? মানে কেন আমি শিখতে চাই? আমি যদি বের করতে পারি যে আমি কেন শিখতে চাই তাহলে আমি কিন্তু এখান থেকে বের হবো না। কারণ আমি দেখেছি যে অনেকে শিট স্যান্ডউইচ বলে অনেকে যে না বুঝে আমি একটা জিনিস শেখা শুরু করলাম। না বুঝে তারপরে কি হয়? তিন মাস ছয় মাস পরে কিন্তু আমি ব্যাপারটা ছেড়ে দেই। আমি তিন মাস বা ছয় মাস পরে ব্যাপারটা যদি ছেড়েই দেই তাহলে আমি কেন শুরু করলাম? সো এজন্য যে আমার আমার প্রতিটা বইয়ে কিন্তু এই একটা জিনিসই আমি সবসময় কাভার করার চেষ্টা করি যে কেন? কেন? কেন আমি ডেটা অ্যানালিটিক্স বা ডেটা ভিজুয়ালাইজেশন শিখতে চাই? এই কেনটা যদি আমি ঠিকমতো আমার মনকে বুঝাতে পারি যে আমি কেন শিখতে চাই দেন আই এম গুড টু গো ফর দা রেস্ট অফ মাই লাইফ। রিয়েলি। আমি যদি বের করতে পারি যে কেন আমি এই জিনিসটা শিখতে চাই উই আর গুড টু গো উই আর গুড টু গো ফর দা রেস্ট অফ আওয়ার লাইফ। আই এম টেলিং ইউ বিকজ দিস ইজ হাউ আই লার্ন। বিফোর আই গেট ইনটু এনিথিং আমি আগে এটার উপযোগিতা খুঁজি যে এটা আসলে কেন লাগবে? এটা কেন প্রয়োজন? এই উপযোগিতা যদি আমি ঠিকমতো বের করতে পারি আই এম ফাইন উইথ দ্যাট। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | ডাটার কেন বেসিক জ্ঞান দরকার ইউটিউবে চাকরিযোগ্য জ্ঞান First Principles Building True Knowledge.mp3 | এই প্রশ্নটা প্রায় পাই যে আমরা যারা বেসিক জিনিসটা শিখছি ধরা যাক আমরা এই ধরনের একটা বই থেকে বিশেষ করে হাতে কলমে ডেটা অ্যানালিটিক্স এবং ভিজুয়ালাইজেশন এই ধরনের বই থেকে আমরা বেসিক জিনিসপত্র শিখতে পারছি হুইচ ইজ ট্রু বাট এই বেসিক জিনিসপত্র শিখে আসলে আমি কোন চাকরি পাচ্ছি না বা এই বেসিক জিনিসপত্র শিখে আমি কোন জায়গায় আমার এক্সপোজার পাচ্ছি না পাশাপাশি আমি রিমোট জবে কিন্তু এখানে এটা নিয়ে কাজ করতে পারছি না। এটা আসলে চিকেন এন্ড এগ প্রবলেম মানে মুরগি আসছে না ডিম আসছে বাট ফর মি আই নো হোয়াট হ্যাজ কাম। সো ব্যাপারটা হচ্ছে যে এই চিকেন এন্ড এগ প্রবলেমের মতো যে জিনিসটা কাজ করে যে আসলে আমি বেসিক জিনিস না শিখে আমরা অনেক সময় ইন্টারমিডিয়েট লেভেলে যেতে চাই। আমি প্রচুর স্টুডেন্ট পেয়েছি যারা আসলে বেসিক জিনিসটাকে ইগনোর করে যখন তারা ইন্টারমিডিয়েটে চলে গিয়েছে বা ইন্টারমিডিয়েটে তারা একটা ডিপ লার্নিং একটা একটা প্রবলেম সলভিং এ গিয়েছে শুরুতে হয়তোবা তারা পেরেছে কিন্তু যেহেতু তাদের বেসিক নলেজটা অত ভালোভাবে ছিল না আর সে কারণেই কিন্তু এই এই প্রবলেমটা ঘটে যে আমাদের বেসিক নলেজ না থাকার ফলে আমরা অনেক সময় আমরা সেকেন্ড লেভেলে যেতে পারি না। ব্যাপার হচ্ছে গিয়ে লার্নিং ইজ অলওয়েজ কাইন্ড অফ লাইক এ ডিফিকাল্ট জব। সো আমরা ভাবছি বেসিক জিনিস শিখছি কিন্তু বেসিক জিনিসটা শিখে তখনই কিন্তু আমরা ইন্টারমিডিয়েট লেভেলে যাওয়া যাবে এবং এখানে আমি অ্যারিস্টোটলের কথা বলবো বা আমি পাশাপাশি আমি এলন মাস্কের কথা বলবো। দা ফার্স্ট প্রিন্সিপাল থিংকিং দা ফার্স্ট প্রিন্সিপাল থিংকিং ইট সেইজ যে যেকোনো জিনিস শেখার জন্য তার বেইজ যেই মৌলিক ভিত্তির উপর সেই নলেজটা দাঁড়িয়ে আছে সেই মৌলিক ভিত্তির উপর যে নলেজটা দাঁড়িয়ে আছে সেটা যদি আমি ঠিকমতো যদি না জানি সেটা যদি আমি যদি ঠিকমতো না কাজ করতে হয় তাহলে কিন্তু আমি সেকেন্ড লেভেলে আমি আসলে ভালো করতে পারবো না। আমি আসলে অনেক সময় আই উইল মিস ইট আউট। সো ব্যাপারটা এরকম যে এমএল এর জন্য আমরা আমি যদি টুল হিসেবে ব্যবহার করি কারণ সবাই টুলেই খুব কানেক্টেড রাদার দেন ডেটা স্ট্রাকচার আমি ওই জায়গায় গেলে আসলে দেখা যাবে যে আমাকে আবার পেছনে যেতে হচ্ছে বাট স্টিল আমি বলবো যে মেশিন লার্নিং শুরুর জন্য নাম পাই পান্ডাজ মানে এগুলো কিন্তু একদম বেসিক এবং এটাতে আমাদের সিদ্ধহস্ত হতে হবে। এখন আমরা যদি নাম পাই পান্ডাজ এগুলো না ব্যবহার করে আমি যদি সরাসরি যদি চলে যাই ধরা যাক সাইকিট লার্নে বা আমি যদি সরাসরি চলে যাই টেন্সর ফ্লোতেই অফকোর্স উইথ টেন্সর ফ্লো উই উইল বি এবল টু ডু দা থিংস হুইচ সাইকিট লার্ন হ্যাজ ডান। বাট আমার যদি নাম পাই পান্ডাজ এই ধরনের লাইব্রেরিগুলোতে যদি আমার প্রপার আইডিয়া না থাকে এগুলো হচ্ছে মৌলিক ভিত্তি। এই মৌলিক ভিত্তি না থাকলে আসলে আমাদের সামনে এগুলো আমাদের ডিফিকাল্ট। বাট এর পাশাপাশি আমি একটা জিনিস দ্বিমত করবো যে ইউটিউবে বা ইন্টারনেটে শুধু বেসিক জিনিস পাওয়া যায়। হুইচ ইজ কাইন্ড অফ রং হুইচ ইজ কাইন্ড অফ রং। আমি আমি বলতে চাই যে ক্যাগলের কাছে প্রতিনিয়ত প্রচুর ইন্ডাস্ট্রি আসছেন যে ইন্ডাস্ট্রিগুলো তাদের মেশিন লার্নিং প্রবলেমগুলো নিয়ে কিন্তু আসছেন এবং মেশিন লার্নিং প্রবলেমগুলো নিয়ে যেহেতু আসছেন দে অফার মানি ইভেন সলভ দেয়ার প্রবলেম। লাইক আমি একটা সার্ভিস ইন্ডাস্ট্রিতে আছি। সো আমারও কিছু প্রবলেম আছে সেই প্রবলেমগুলো নিয়ে আমি সামনে হয়তোবা আমি ক্যাগলে যাবো বাট পয়েন্ট বিং যে আমরা শুধুমাত্র বেসিক জিনিস ইন্টারনেটে পাই ফ্রিতে শুধুমাত্র বেসিক জিনিস পাই হুইচ ইজ কাইন্ড অফ রং কারণ আমরা যদি ক্যাগলের যে প্রবলেমগুলো আছে আমি বলছি না যে ক্যাগলের প্রবলেমগুলো আই উইল সলভ ইট নো। আমরা ক্যাগলের প্রবলেমগুলো যদি যারা সলভ করেছে সেগুলো যদি আমি ফলো করি যে ধরা যাক একটা প্রবলেম যেটা ক্যাগলে সলভ হয়েছে ছয় মাস আগে বা এক বছর আগে এবং তারা যারা প্রাইজ পেয়েছে প্রাইজ মানি পেয়েছে তাদের নোটবুকগুলো দেখলে এবং তাদের নোটবুকগুলো আমি যদি প্র্যাকটিস করি তাহলে আই এম কাইন্ড অফ লাইক ক্লোজার টু ইন্ডাস্ট্রি। এর পাশাপাশি ডেটা সায়েন্সের জন্য আস্তে আস্তে আমরা কিন্তু দেখছি ডেটা সায়েন্সের জন্য প্রচুর ইন্টার্নশিপ আসছে। আমরা সেই ইন্টার্নশিপ নিতে পারি। আর এর পাশাপাশি আরেকটা প্রশ্ন প্রায় আসে যে আমরা রিমোট জবের ব্যাপারে। তো রিমোট জবের ব্যাপারে আমি দেখছি একটা জিনিস যে ডিপ লার্নিং এ কাজ বেশি। এখন ডিপ লার্নিং যদি আমি কাজ করতে চাই তাহলে আগে আমাকে মেশিন লার্নিং খুব ভালোভাবে শিখতে হবে। সেটা কিন্তু বেসিক কাজ। তার মানে হচ্ছে কি আমাকে বেসিক কাজটা ঠিকমতো জানতে হবে। তারপর আমরা ডিপ লার্নিং নিয়ে কাজ করবো এন্ড রিমোট জবে আমরা আমরা দেখছি যে আসলে রিমোট জবে একটা বড় পার্ট হচ্ছে কম্পিউটার ভিশন। কম্পিউটার ভিশন মানে হচ্ছে ইমেজ। এখন ইমেজের জন্য আমরা শুধুমাত্র ধরা যাক অপটিক্যাল ক্যারেক্টার রিকগনিশন ব্যাপারগুলো আমরা দেখতে পারি। বাট তার পাশাপাশি আমরা আসলে ইমেজ ডিটেকশনগুলো দেখতে পারি। এর পাশাপাশি আমরা মানে ইমেজ ডিটেকশনের পাশাপাশি আমরা আসলে ইমেজের উপর ভিত্তি করে আরো অনেক রিমোট জব আছে। মানে বিকজ এর মধ্যে একটা বড় পার্ট হচ্ছে লেবেলিং। মানে আসলে হিউম্যান হিউম্যান দিয়ে আসলে লেবেলিং করা এবং লেবেলিং করাগুলো কিন্তু খুবই ইজি। বাট আমার কাছে মনে হচ্ছে যে কম্পিউটার ভিশন কম্পিউটার ভিশনের পাশাপাশি কিন্তু এনএলপির বেশ কাজ আছে এই এই ধরনের ফ্রিল্যান্সিং মার্কেটে। বাট দিনশেষে আমরা দেখছি যে বেসিক মেশিন লার্নিংটা না জানার ফলে অনেক সময় আমরা ডিপ লার্নিং এ যেয়ে খেই হারিয়ে ফেলছি। বিকজ ডিপ লার্নিং অফকোর্স আমরা মেশিন লার্নিং এবং ডিপ লার্নিং এ আমরা যদি এক মাসের একটা প্রপার ট্রেনিং হয় এক মাসের একটা যদি প্রপার ট্রেনিং দেওয়া যায় তাহলে কিন্তু যে কেউ একটা রিমোট জবের জন্য প্রস্তুত। বাট আমরা বেসিক জিনিসটা না শিখে আমরা যেতে চাই না। এইজন্যই কিন্তু আমি বারবার বেসিক জিনিসটার উপর খুব খুব আমি প্রায়োরিটি দেই যে বেসিক জিনিস যদি আমি না শিখি বেসিক ডেটা অ্যানালিটিক্সটা যদি না শিখি বেসিক ডেটা ভিজুয়ালাইজেশন যদি না শিখি মানে বেসিকভাবে যদি আমরা ডেটা অ্যানালাইসিস না করতে জানি বা ডেটা কি আমাকে বলতে চাইছে সেটা যদি আমি না বুঝি যেটা ডেটা ভিজুয়ালাইজেশন বলছে তাহলে কি আমি আমার বেসিক স্তরটা কখনো পার হতে পারবো বা বেসিক জিনিসটা শিখে আমি কি ইন্টারমিডিয়েট লেভেলে যেতে পারবো? দিস ইজ দিস ইজ দা কোয়েশ্চেন। সো আমার মনে হয় আই কুড অ্যানসার সাম অফ দা থিংস লাইক পার্শিয়ালি বাট অবভিয়াসলি আই উড ওয়ান্ট টু কাম ব্যাক উইথ ইউ যে আমরা কিভাবে বেসিক থেকে আস্তে আস্তে ইন্টারমিডিয়েটে হাঁটবো। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | নন-প্রোগ্রামারদের জন্য কম্প্যুটেশনাল থিংকিং ধারণা Computational Thinking for Problem Solving.mp3 | আসলে একটা বাসা শিফটিং এর ঝক্কি অনেক আর সে কারণে বাসা মানে বিশেষ করে আমার যে রুমটা সেই রুমটা কিছুটা গোডাউন মানে এখনো মাটিতে প্রচুর বই পড়ে আছে কারণ আমি বলেছি যে আমার বাসার প্রায় এক তৃতীয়াংশ হচ্ছে গিয়ে আমার বই। সো তবুও আমার যে রুমটা ছিল সেই রুমটার মধ্যে বেশ ইকো হচ্ছিল আগে। আর এর পাশাপাশি আমি দেখছিলাম যে আমার রুমে পেছনে বিশাল এরিয়া। তো এরিয়ার কারণে আসলে শব্দটা ইকো প্লাস হচ্ছে গিয়ে আমাকে কিছুটা ট্রানজিশনাল কিছুটা সাউন্ড রেকর্ডিং এ কিছু সমস্যা হচ্ছিল। তো আজকে আমার ওয়াইফ সাথী ও পেছনে আপনি দেখতে পাচ্ছেন যে পেছনে একটা পর্দা লাগিয়ে দিয়েছে। পর্দাটা হচ্ছে গিয়ে কাইন্ড অফ লাইক কাইন্ড অফ রুম ট্রিটমেন্ট মানে অডিও রেকর্ডিং এর জন্য এ ধরনের পর্দা এটা ভালো একস্টিক প্যানেলে কাজ করে কারণ যেকোনো রেকর্ডিং এ রুমের যে রিভার্ব বা রুম থেকে যে শব্দ সেই শব্দটা আসলে ইকো হয় এবং ইকোটা আসলে রেকর্ডিংটা অনেকটাই নষ্ট করে দেয়। সো আই এম গুড টু গো। আজকে আমি এসছি আলাপ করতে কম্পিউটেশনাল থিংকিং। মানে অনেকে আমাকে জিজ্ঞেস করেন যে এমন কিছু করা যায় কিনা যেটা কম্পিউটার সাইন্স লাগে না। তবে কম্পিউটার সাইন্সের মত করে চিন্তা করে প্রবলেম সলভ করা যায় কিনা। কারণ ফিউচার ইজ অল অ্যাবাউট প্রবলেম সলভিং। কারণ আমরা দেখছি যে আজকে চ্যাট জিপিটি যেভাবে আমাদের কাজগুলো দেখিয়ে দিচ্ছে। আমি বলছি যে চ্যাট জিপিটি কিন্তু এখনো সেভাবে কাজ শুরু হয় নাই। বাট ওর এপিআই যখন আসলে ছেড়ে দেবে বা এপিআই এর পাশাপাশি গুগল তার কিছু কিছু প্রোডাক্ট নিয়ে আসছে সেগুলোকে ছেড়ে দেবে তখন কিন্তু মার্কেটে যেগুলো হচ্ছে গিয়ে লো হ্যাংগিং ফ্রুট মানে যেসব রিপিটেটিভ কাজ সে রিপিটেটিভ কাজ চলে যাবে হচ্ছে গিয়ে অটোমেশনের কাছে। আর সে কারণে বেসিক প্রোগ্রামিং জানা লোকজনের আসলে খুব একটা প্রয়োজন পড়বে না। কারণ ওগুলো টেকওভার করবে হচ্ছে গিয়ে এই ধরনের এআই টুল। তো সেইজন্য আমার অনেকদিন ধরে চিন্তা ছিল যে কিভাবে কম্পিউটিং যে আন্ডারস্ট্যান্ডিংটা আছে সেটা অন্যান্য সব সব জায়গায় কাজ করানো যায় যে যে এডুকেশনাল আছে, যে হেলথ কেয়ার আছে, যে ধরা যাক গভমেন্ট সার্ভিসে আছে, গভমেন্ট সেক্টরে আছে বা যারা হচ্ছে গিয়ে আমি মনে করি যে এগ্রিকালচারে আছে বা যারা আসলে সাধারণ মার্কেটিং এ আছেন। তো তাদের জন্য কম্পিউটেশনাল থিংকিং। মানে ব্যাপারটা হচ্ছে যে কম্পিউটার ব্যবহার করছি আমরা যেহেতু এখন কম্পিউটার হচ্ছে একটা কমোডিটি। তো কম্পিউটার যদি একটা কমোডিটি হয় তাহলে কম্পিউটার কিভাবে কাজ করে সেটার একটা আন্ডারস্ট্যান্ডিং যদি কম্পিউটেশনাল থিংকিং এই আন্ডারস্ট্যান্ডিং যদি আমাদের সবাই বিজনেসের লোকজন পেয়ে যায় বা মার্কেটিং এর লোকজন যদি পেয়ে যায় তাহলে কিন্তু এই জিনিসটা অনেক সহজ হয়ে যায়। আর সে কারণেই আমি আসলে আজকে এসেছি যে কম্পিউটেশনাল থিংকিং নিয়ে আলাপ করার জন্য যে কম্পিউটেশনাল থিংকিংটা আসলে কিভাবে সবার মধ্যে ছড়িয়ে দেওয়া যায়। কারণ এটাই আসলে আমাদের নেক্সট বিগ থিং যে কিভাবে সবাই কম্পিউটার ব্যবহার করছে কিন্তু সেটার পেছনে কিভাবে কম্পিউটেশনাল থিংকিং, কম্পিউটেশনাল আন্ডারস্ট্যান্ডিং, কম্পিউটেশনাল আন্ডারস্ট্যান্ডিং অফ সলভিং প্রবলেম এটা যদি আমরা ঠিকমতো না বুঝি তাহলে আমাদের জন্য সামনে হয়তোবা এই যুগে এই এআই এর যুগে আমাদেরকে টিকে থাকা একটু ডিফিকাল্ট হবে। কারণ উই হ্যাভ টু আন্ডারস্ট্যান্ড হাউ উই সলভ প্রবলেম ইউজিং কম্পিউটেশনাল থিংকিং। তো সেইজন্যই একটা জিনিস বলি যে মানে কম্পিউটেশনাল থিংকিং ব্যাপারটা যদি আমি একটু বলি যে কম্পিউটেশনাল থিংকিং ইজ অ্যান অ্যাপ্রোচ টু সলভিং প্রবলেম ইউজিং কনসেপ্ট এন্ড আইডিয়াস ফ্রম কম্পিউটার সাইন্স। মানে আমাদের কম্পিউটার সাইন্স যে পড়তে হবে সেরকম না। নো আমরা বলছি যে কম্পিউটার সাইন্সের যে আন্ডারস্ট্যান্ডিং গুলো আছে সেই আন্ডারস্ট্যান্ডিং গুলো কিভাবে আসলে আমরা এখানে দেখাতে পারি। সেটা হচ্ছে গিয়ে ওই আইডিয়াটা যে কম্পিউটেশনাল থিংকিং ইজ অ্যান অ্যাপ্রোচ টু সলভিং প্রবলেম ইউজিং কনসেপ্ট এন্ড আইডিয়াস ফ্রম কম্পিউটার সাইন্স এন্ড এক্সপ্রেসিং সলিউশন টু দোস প্রবলেম সো দ্যাট দে ক্যান বি রান অন এ কম্পিউটার। মানে আমরা যেহেতু সবসময় কম্পিউটার নিয়ে কাজ করছি। আমরা যেহেতু আমাদের বিজনেসে, আমাদের মার্কেটিং এ, আমাদের সব জায়গায় এগ্রিকালচার, এডুকেশন সব জায়গায় যেহেতু আমাদের কম্পিউটার ব্যবহার করছে ব্যবহার হচ্ছে তো আমরা কম্পিউটারকে কম্পিউটেশনাল থিংকিং প্রসেসটা যদি আরো ভালোভাবে ব্যবহার করা যায় তাহলে কিন্তু আমাদের জন্য এটা কাজে আরো সুবিধা দেবে। সো এখানে যে জিনিসটা আমরা বলতে পারি যে কম্পিউটেশনাল থিংকিং ইনভলভস ব্রেকিং ডাউন এ প্রবলেম ইন স্মলার পার্ট। মানে এটা কিন্তু সহজ যে কম্পিউটেশনাল থিংকিং আসলে বড় প্রবলেমগুলোকে সলভ করছে বাই ব্রেকিং ডাউন বাই বাই আসলে ওটাকে ছোট করে নিয়ে আসছে ইন স্মলার প্রবলেমস। বিকজ সামটাইমস ওই যেটা বলে যে ইট দ্যাট ফ্রগ মানে আমরা আসলে বড় কোন কিছু বা আমরা যদি একটা হাতি খেতে চাই তাহলে আমরা ইফ উই ওয়ান্ট টু ইট অ্যান এলিফ্যান্ট উই হ্যাভ টু ইট দ্যাট এলিফ্যান্ট পিস বাই পিস বা অথবা ওয়ান বাইট অ্যাট এ টাইম। আমরা তো আসলে একসাথে দুই বাইট খেতে পারবো না। দুই ইয়ে দিয়ে খেতে পারবো না। সো কম্পিউটেশনাল থিংকিং ইনভলভস ব্রেকিং ডাউন এ প্রবলেম ইন স্মলার পার্ট লুকিং ফর প্যাটার্নস ইন দোস সাব প্রবলেমস। বিকজ আমরা যখন ওই কম্পিউটেশনাল থিংকিং এর যে আন্ডারস্ট্যান্ডিং যে আমরা যখন একটা বড় প্রবলেমকে ছোট ভাগে ভাগ করব তখন ওই ছোট ভাগগুলো ওটাকে আমরা বলছি সাব প্রবলেমস মানে ছোট ছোট প্রবলেম। সো উই হ্যাভ টু অলসো আন্ডারস্ট্যান্ড লুকিং ফর প্যাটার্নস ইন দোস সাব প্রবলেমস। মানে ওই সাব প্রবলেমের মধ্যে কি কি প্যাটার্ন আছে। বিকজ একেকটা সাব প্রবলেমের মধ্যে একেক ধরনের প্যাটার্ন পাওয়া যাবে। সো আমরা যদি একটা বড় সমস্যাকে সমাধান করতে চাই তাহলে বড় সমস্যার সমাধান করতে গেলে সবচেয়ে প্রথমে যেটা দরকার সেটা হচ্ছে ওটাকে আমাকে ভেঙে ফেলা। ছোট ছোট সাব প্রবলেমে ভেঙে ফেলা। আমরা যখন ছোট ছোট সাব প্রবলেমে ওটা ভেঙে ফেলবো তখনও কিন্তু আমাদের এই ব্যাপারটা একটা ভালো একটা আন্ডারস্ট্যান্ডিং আসবে যে এই ছোট ছোট প্রবলেমগুলো আসলে বিভিন্ন প্যাটার্নের মধ্যে আছে। সো আমরা যদি সেই প্যাটার্নগুলো নিয়ে যে আলাপ করি যে মানে লুকিং ফর প্যাটার্নস ইন দোস সাব প্রবলেমস দেন ফিগারিং আউট হোয়াট ইনফরমেশন ইজ নিডেড। মানে আমরা যখন একেকটা প্রবলেমের সাব প্রবলেমের মধ্যে ঢুকবো ঢুকে যখন ওর ভেতরে প্যাটার্ন খোঁজার চেষ্টা করব এবং সেই প্যাটার্নের মধ্যে উই উইল বি ফিগারিং আউট কি কি ইনফরমেশন এখানে প্রয়োজন। এন্ড ডেভেলপিং এ স্টেপ বাই স্টেপ সলিউশন। কারণ আমরা আসলে একেকটা যে সাব প্রবলেম সেই একেকটা সাব প্রবলেমের জন্য কিন্তু আমার একটা স্টেপ বাই স্টেপ সলিউশন লাগবে। কারণ ইফ উই ওয়ান্ট টু হিট দ্যাট বিগার প্রবলেম উই হ্যাভ টু ফিক্স এন্ড উই হ্যাভ টু আন্ডারস্ট্যান্ড হোয়াট দা সাব প্রবলেম ইজ এবং সেই সাব প্রবলেমের মধ্যে কি কি প্যাটার্ন আছে এবং সেই প্যাটার্নটা বের করে আমরা সেই প্যাটার্ন প্রবলেমটাকে সলভ করার জন্য কি কি ইনফরমেশন দরকার সেটা বের করতে হবে এবং সেই ইনফরমেশনটাকে আমরা আবার যখন সলভ করতে চাইবো তখন সেটাকে একটা স্টেপ বাই স্টেপ প্রসেসে যেতে হবে। যেটা আমরা মিলিটারি তে সবসময় আমরা কিন্তু অলওয়েজ উই অলওয়েজ গো থ্রু এ স্টেপ বাই স্টেপ প্রসেস বিকজ দেন ইউ ডোন্ট ইট বিকামস ইউর মাসেল লার্নিং। মানে আপনার ব্রেইনটাকে মাসেল মাসেল ইয়ে হয় যে আপনাকে এটাকে সলভ করতে হবে। সো আমরা যখন একটা ধরা যাক একটা বুলেটের শব্দ পাই তখন সঙ্গে সঙ্গে কিন্তু আমরা আমরা জানি যে বুলেট একটা শব্দ হলে আমাদেরকে কি করতে হবে। সঙ্গে সঙ্গে একটা ড্রিল। এই ড্রিলটা ইভেন ইফ আই এম নট থিংকিং ইভেন ইফ আই এম নট থিংকিং আই উইল ফলো দা ড্রিল বিকজ ইট ইজ ইট হ্যাজ বিকাম এ মাসেল মেমোরি ইন মাই ব্রেইন যে এই একটা গুলির শব্দে হোয়াট আই হ্যাভ টু ডু। হোয়াট ড্রিল আই হ্যাভ টু ফলো। সো দ্যাট ড্রিল ইজ কাইন্ড অফ স্টেপ বাই স্টেপ প্রসেস যেটা ইট হ্যাজ ইট বিকামস এ মাসেল মেমোরি। সো আমরা কম্পিউটেশনাল থিংকিং ইজ ইউজড এভরিহোয়্যার। মানে এই যে এই জিনিসটা কিন্তু কিওয়ার্ড। কম্পিউটেশনাল থিংকিং ইজ ইউজড এভরিহোয়্যার বাই মেনি ডিফারেন্ট টাইপস অফ পিপল। অফকোর্স সব জায়গায়। ইট ইজেন্ট জাস্ট দা কম্পিউটার সাইন্টিস্ট। ইট ইজেন্ট জাস্ট দা কম্পিউটার সাইন্টিস্ট এন্ড ইঞ্জিনিয়ার্স দোস হু ইউজ কম্পিউটেশনাল থিংকিং বাট অলসো বাট অলসো প্রফেশনালস ইন বিজনেস, মেডিসিন, এডুকেশন, লাইফ সাইন্স, সোশ্যাল সাইন্স অল অফ দিস ইউজেস কম্পিউটারস অল অফ দিস অল অফ দিস ইউজ কম্পিউটেশনাল থিংকিং টু সলভ রিয়েল ওয়ার্ল্ড প্রবলেম। বিকজ রিয়েল ওয়ার্ল্ড প্রবলেম কিন্তু আমাদেরকে সমাধান করতে হবে। এখানে আমাদের কোন ধরনের বাত্তি দেওয়া যাবে না বা আমার এমন কিছু বলা যাবে না যে এটা আজকে না কালকে, কালকে না পরশু। ইট ইজ রিয়েল ওয়ার্ল্ড প্রবলেম। সো উই হ্যাভ টু সলভ ইমিডিয়েটলি এন্ড হাউ শুড উই সলভ ইট ইফ উই আর ইউজিং এ কম্পিউটার। আমাদের সবার কাছে কম্পিউটার আছে। আমাদের সবার ডেস্কে আজকে মেট্রো রেলে কথা বলছি। মেট্রো রেলে রেলে তো হাজার হাজার কম্পিউটার কোটি কোটি কম্পিউটার। সো মেট্রো রেলে একটা প্রবলেম সলভ করতে হলে উই হ্যাভ টু আন্ডারস্ট্যান্ড উই হ্যাভ টু ইউজ অ্যাজ এ কম্পিউটেশনাল থিংকিং যে আমার এই প্রবলেমটাকে কিভাবে সলভ করতে হবে। বিকজ মেট্রো রেল ইজ ইটসেলফ ইজ এ বিগ বিগ ইট হ্যাজ লাইক এটার মধ্যে যদি কোন প্রবলেম হয় ইট ইটসেলফ ইজ এ বিগ প্রবলেম। সো উই হ্যাভ টু ফিগার আউট হাউ টু ব্রেক ডাউন অর চাঙ্ক ডাউন ইনটু এ স্মলার প্রবলেম এন্ড হোয়াইল উই আর মেকিং ইট এ স্মলার প্রবলেম স্মলার সাব প্রবলেম এন্ড দেন উই নিড টু ফিগার আউট ওই স্মলার সাব প্রবলেমের মধ্যে কি কি প্যাটার্ন আছে এবং প্যাটার্নটা বের করেই আমরা আসলে বুঝতে হবে যে সেই প্যাটার্নের মধ্যে কি জিনিসটা তার দরকার। কি ইনফরমেশন দরকার। সেই ইনফরমেশনটা আমরা বের করব এবং সেই ইনফরমেশনটা বের করে আমরা ফিট করার চেষ্টা করব যে কিভাবে সেটাকে স্টেপ বাই স্টেপ স্টেপ বাই স্টেপ প্রসেসে ফলো করা যায়। ইটস লাইক আমরা যখন বড় এয়ারক্রাফট চালাচ্ছি। বড় এয়ারক্রাফট এয়ারক্রাফটে কিন্তু কোন কিছু ইনজেনুইটি নেই। মানে ওখানে কিন্তু ইউ হ্যাভ টু ফলো দা বুক। এই বইয়ের মধ্যে স্টেপ বাই স্টেপ প্রসেস বলা আছে যে কি হলে কি ঘটবে, কি হলে কি করতে হবে। ইউ হ্যাভ টু ফলো দা স্টেপ বাই স্টেপ প্রসেস। বিকজ ওইখানেই কিন্তু আমাদের সমস্যা যে আমরা আসলে অনেক সময় ভাবি যে না আমরা মনে হয় এটা এভাবে মানে সামলাতে পারবো। নো। কম্পিউটেশনাল থিংকিং ইজ এ কাইন্ড অফ ডিজাইন থিংকিং হোয়্যার উই হ্যাভ টু সলভ প্রবলেমস স্টেপ বাই স্টেপ এন্ড উই হ্যাভ টু গো থ্রু এ মেথডিক্যাল প্রসেস। সো আমরা আসলে এই কম্পিউটেশনাল থিংকিং নিয়ে সামনে আসবো। তবে একটা জিনিস হচ্ছে কি এই কম্পিউটেশনাল থিংকিং নিয়ে প্রায় আমি অনেক আগেই আসলে এই কম্পিউটেশনাল থিংকিং নিয়ে পড়েছিলাম এবং এটার একটা চমৎকার বই আমি আসলে 19 90 1995 1995 এ ওই বইটা পড়েছিলাম যে কম্পিউটেশনাল থিংকিং এর ব্যাপারে। তো সেটাই আমি দেখছি কম্পিউটেশনাল থিংকিং এ পেন ইউনিভার্সিটিতে পেনসিলভেনিয়া ইউনিভার্সিটিতে আমি একটা কোর্স দেখছিলাম যে এই কম্পিউটেশনাল থিংকিং এ। সো আমি সামনে এই কম্পিউটেশনাল থিংকিং টা নিয়ে আসবো। তবে সবচেয়ে বড় জিনিসটা হচ্ছে যে উই হ্যাভ টু স্টার্ট সামহোয়্যার। আমরা শুধু ভয় পাই যে এটা কম্পিউটার শুধু আমরা জানা যাবে না। নো ইটস নট ফর দা কম্পিউটার সাইন্টিস্ট অর ইফ ইটস নট ফর দা কম্পিউটার ইঞ্জিনিয়ারিং। ইটস ফর এভরিওয়ান। ইটস ফর এভরিওয়ান। ইফ উই ক্যান ডু ইট লাইক ইফ আই ক্যান ডু ইট এভরিবডি ক্যান ডু ইট। আজকে আমি জানিনা আজকের রেকর্ডিংটা কেমন হলো। নতুন পর্দা যেটা একস্টিক প্যানেলের মতো কাজ করছে। আজকের রেকর্ডিং এ আমার ব্যাপারে জানাবেন যে রেকর্ডিংটা কেমন হলো। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | ওপেনসোর্স সফটওয়্যারে কন্ট্রিবিউশন Boost Your Career Through Opensource Contribution.mp3 | গ্লোবাল লেভেলে হাইটেক ইন্ডাস্ট্রিতে যদি আমাদের এন্ট্রি নিতে হয় তাহলে একটা ভালো সবচেয়ে সহজ পন্থা হচ্ছে গিয়ে ওপেন সোর্স কন্ট্রিবিউশন করা। আমি বা আপনি আমরা যে ওপেন সোর্স যেই ওপেন সোর্স সফটওয়্যারটা নিয়ে আমি ব্যবহার করছি বা যেই ওপেন সোর্স সফটওয়্যারটা নিয়ে আমার প্রতিদিনের কাজ হচ্ছে আমি কেন সেই ওপেন সোর্স সফটওয়্যারে কন্ট্রিবিউট করি না। আসলে আমার যেই জিনিসটা বা যেই সফটওয়্যারটা আমার প্রতিনিয়ত লাগে সেই সফটওয়্যারের কিছু ফিচার এনহ্যান্সমেন্ট বা সেই সফটওয়্যারের কিছু বাগ ট্র্যাকিং সেই সফটওয়্যারের কিছু কিছু প্রবলেম সলভিং ইভেন আমরা যদি কোডিং দিয়েও যদি না শুরু করি আমরা যদি মনে করি না আমরা কোডিং দিয়ে শুরু করতে চাই না ইভেন সেই সফটওয়্যারের ডকুমেন্টেশন কাজ করতেও কিন্তু আমরা ওপেন সোর্স কন্ট্রিবিউশন দিয়ে হাঁটতে পারি। সো আমরা যদি গ্লোবাল লেভেলে খেলতে চাই বা বিশেষ করে আমি নিজে যেহেতু প্রচুর হাইটেক ইন্ডাস্ট্রিতে আমি কাজ করেছি এবং আমি দেখেছি যে সেই হাইটেক ইন্ডাস্ট্রিতে কাজ করার জন্য বাংলাদেশ থেকে আমি সেভাবে রিসোর্স পাই না। যেহেতু ওই হাইটেক ইন্ডাস্ট্রিতে কাজ করতে গেলে বাংলাদেশ থেকে রিসোর্স পাই না তখন আমাকে কিন্তু খুঁজতে হয় গিটহাবে। গিটহাব থেকে কিন্তু আমাকে হয়তোবা ইন্টারন্যাশনাল লেভেলে যেই রিসোর্সগুলো আছে তাদেরকে আমাকে ট্যাগ করতে হয়। অফকোর্স লিঙ্কডইন ক্যান বি এ সোর্স বাট দেন আমার কাছে মনে হয় যে এখনকার রেজুমি কেউ দেখে না বিশেষ করে হাইটেক ইন্ডাস্ট্রিতে কেউ রেজুমি দেখে না। হাইটেক ইন্ডাস্ট্রিতে সবাই দেখে তার গিটহাব পোর্টফোলিও সে কোন কোন ওপেন সোর্স প্রজেক্টে কাজ করেছে বিকজ ওপেন সোর্স প্রজেক্টে কাজ করা মানে হচ্ছে গিয়ে আমরা এখানে আমাদের এক্সট্রা সময় দিচ্ছি আউট অফ আওয়ার গুডনেস বাট দা প্রাইস হোয়াট উই আর গেটিং যে ওই ওপেন সোর্স প্রজেক্ট হচ্ছে গিয়ে আমার কাইন্ড অফ লাইক একটা পোর্টফোলিও হয়ে গেল যে আমি এই ওপেন সোর্স প্রজেক্টে একটা গুরুত্বপূর্ণ কাজ করছি। সো সেই সেইজন্য আমরা যখন হাইটেক ইন্ডাস্ট্রিতে যাবার চেষ্টা করব হয়তোবা আমি বাংলাদেশের রিসোর্স পাই না তার পিছনে একটা বড় কাজ কাজ হচ্ছে গিয়ে আমাদের সমস্যা মানে ধরা যাক আমি বা আমরা ইকোসিস্টেম তৈরি করতে পারিনি। আমরা যেহেতু ইকোসিস্টেম তৈরি করে দিতে পারিনি এইজন্য কিন্তু আমাদের ছেলেপেলে এখানে সেভাবে তৈরি হচ্ছে না। এটা কিছুটা আমাদের উপরে দায়িত্ব বর্তায় আর সে কারণে যেহেতু দায়িত্বটা আমাদের কাছে আসছে আর সেজন্যই আমরা বলতে চাচ্ছি যে আমাদের আপনারা যেই ওপেন সোর্স সফটওয়্যারটা না আপনারা ব্যবহার করেন যেই ওপেন সোর্স সফটওয়্যারটা আপনার লাইফ চেঞ্জ করে দিচ্ছে ধরা যাক সাইকিট লার্ন সেটা হোক টেন্সর ফ্লো হয়তোবা পাইটর্চ। সো আমরা ওখানকার সিম্পল রিপ সিম্পল টাইপো থেকে শুরু করে অন্যান্য অনেক ইস্যুই কিন্তু আমরা রিজলভ করতে পারি। আমি দেখেছি যে প্রচুর ওপেন সোর্স সফটওয়্যার আমি যেটা ব্যবহার করি সেটাতে বাংলা যে কন্টেক্সচুয়ালাইজেশন বাংলাতে ওইটাকে কনভার্ট করা বা বাংলাতে চেঞ্জ করা কিন্তু এরকম অনেক অনেক অনেক কাজ আছে। সো ওই সফটওয়্যারটাকে কিভাবে বাংলায় চেঞ্জ করা যায় সেটার ব্যাপারেও কিন্তু আমরা কাজ করতে পারি। আর সেই জন্যই আমরা বলছি যে যদি আমরা ওপেন সোর্স প্রজেক্ট নিয়ে যদি আমাদের একটা ভালো পোর্টফোলিও নিয়ে কাজ করি দেন আই এম এ গ্লোবাল স্টার। গ্লোবাল স্টার এইজন্য বলছি যে গ্লোবালি তাহলে আমরা এটাতে খেলতে পারব। যতক্ষণ পর্যন্ত আমরা গ্লোবালি স্টার না হচ্ছি ততক্ষণ পর্যন্ত কিন্তু আমরা লোকালি স্টার হতে পারবো না। আর সে কারণে কিন্তু উই হ্যাভ টু হ্যাভ এ ভেরি গুড গিটহাব পোর্টফোলিও যেটা আসলে রেজুমির কাজ করবে আর ইদানিং রেজুমি বলেন সার্টিফিকেট বলেন রেজুমি সার্টিফিকেট ইট ডাজ নট ইট ডাজ নট কাউন্ট। আমি দেখেছি প্রচুর সার্টিফিকেশন কিন্তু ইট ডাজ নট কাউন্ট। সার্টিফিকেট নিয়ে আসলে কোন কিছু হচ্ছে না। ইটস অল এবাউট শোইং হোয়াট ইউ ক্যান ডু ইটস অল এবাউট শোইং হাউ উই ক্যান চেঞ্জ দা ওয়ার্ল্ড শোইং হাউ উই ক্যান একচুয়ালি ফিক্স দা ওয়ার্ল্ড। আজকে এ পর্যন্তই থাক কিন্তু সামনে |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | নন-প্রোগ্রামারদের জন্য ডেটা অ্যানালাইটিক্স মেন্টরশীপ ৫ ডেটা অ্যানালাইসিসের ৬ ধাপ.mp3 | আমরা যখন ডেটা সাইন্স নিয়ে কাজ শুরু করব তখন প্রথমেই আমরা দেখতে চাইবো যে আমরা ঠিকমতো প্রশ্ন করতে পারছি কিনা। কারণ আমরা একটা জিনিস বারবার দেখছি যে আমরা যখন একটা সমস্যাকে ঠিকমতো প্রশ্ন করতে পারছি তখন সেটার ভেতরে ঢুকতে পারছি আরো বেশি। আপনার ক্লায়েন্ট যখন আপনার কাছে আসবে একটা সমস্যা নিয়ে তখন আপনাকে তার সাথে ড্রাইভিং সিটে বসতে হবে তার সমস্যা বোঝার জন্য। এতক্ষণ আমরা ঠিকমতো প্রশ্ন করতে পারার জন্য যেই প্রসেসটার কথা বললাম যার মাধ্যমে আপনার একটা সমস্যাকে সমাধান করবেন আপনার স্টেকহোল্ডারের জন্য। সেখানে যে আমরা বারবার বলছি প্রশ্নের কথা সেই প্রশ্নটা কিন্তু আসছে ডেটা অ্যানালাইসিসের ছয়টা ফেজ থেকে। আমরা যখন Google ডেটা অ্যানালিটিক্স সার্টিফিকেশন কোর্সটা দেখবো সেখানে ডেটা অ্যানালিসিসের জন্য যে ছয়টা ফেজ নিয়ে কাজ করছি তার প্রথমটাই হচ্ছে ঠিকমতো প্রশ্ন করতে পারাটা। Google এর ডকুমেন্টেশন বলছে এই ছয়টা ফেজ হচ্ছে আস্ক, প্রিপেয়ার, প্রসেস, অ্যানালাইজ, শেয়ার এবং সবচেয়ে শেষে অ্যাক্ট। আমরা যখনই একটা সমস্যা নিয়ে কাজ শুরু করব তার আগে আমাকে জানতে হবে সমস্যাটা কি। আপনি ঠিক ধরেছেন সমস্যাটা জানার প্রথম স্টেপ হচ্ছে প্রশ্ন করা। আমরা যখন সেকেন্ড স্টেজে প্রিপারেশনের কথা বলছি সেখানে আমাদের জানতে হবে কি ধরনের ডেটা লাগবে। থার্ড স্টেজে আমরা যখন প্রসেসের কথা বলছি তখন আমাদের ডেটা আসলে কতটুকু ক্লিন মানে আমাদের ডেটাটা ইউজেবল কিনা সেটা জানার একটা ভালো প্রসেস হচ্ছে এই তৃতীয় ধাপে। আপনারা দেখেছেন যে আমাদের রিয়েল লাইফ সিনারিওতে আমরা কখনোই পারফেক্ট ডেটা পাবো না আর সেই কারণে এ ধরনের প্রসেসিং। চার নাম্বার স্টেজে আমরা যখন বলছি অ্যানালাইজ সেখানে আমাদেরকে বের করতে হবে যে আমাদের ডেটা কি ধরনের গল্প বলছে আমাদেরকে। আপনার মনে আছে আমরা কিন্তু এর আগে ডেটা স্টোরি টেলিং এর ব্যাপারে বলেছিলাম। সেখানে আমাকে বুঝতে হবে যে আমাদের ডেটা কিভাবে এই সমস্যার সমাধান দেবে। ছয় নম্বর স্টেপে আমরা যখন বলছি শেয়ার তার মানে আমাদের যে ধারণাটা বিশেষ করে ডেটা থেকে আমরা যে ধারণাটা পেলাম সেটা কিভাবে অন্যদেরকে শেয়ার করব বা অন্যদেরকে বোঝাবো। এই ধরনের স্টেজে আমরা সাধারণত গ্রাফিং বা ড্যাশবোর্ডিং করি যাতে সবাই আমাদের ডেটা থেকে যে ধারণাটা পেলাম সেটা বুঝতে পারে। এখানেই আমরা বিশেষ করে আমাদের স্টেকহোল্ডার মানে যার সমস্যা নিয়ে আমরা সমাধান করছি তাকে একটা রাস্তা দেখিয়ে দেওয়া যে কিভাবে আমরা এই সমস্যাটার সমাধান করতে চাচ্ছি। এখানে স্টেকহোল্ডার হিসেবে আমাদের সিনিয়র ম্যানেজমেন্টও হতে পারে। সবচেয়ে শেষের স্টেজটা হচ্ছে অ্যাক্ট। এখন আমাদের ডেটা থেকে একটা অ্যাকশনেবল পয়েন্টে যেতে হবে। আমরা এতক্ষণ যা শিখলাম এই ডেটা অ্যানালাইসিস থেকে সেটাকে এখন কাজে লাগাতে হবে। এখানে আমাদের ফাইন্ডিংস থেকে বেশ কিছু রেকমেন্ডেশন দেবো আমাদের স্টেকহোল্ডারকে যাতে উনারা একটা ডেটা ড্রিভেন সিদ্ধান্ত নিতে পারে। এখন যেহেতু আমাদের অপশনগুলো ঠিকমতো আইডেন্টিফাই করতে পেরেছি ফলে এখান থেকে আমাদের প্রবলেম সলভিং প্যারামিটার গুলো চলে আসবে। একটা সমস্যাকে এই ছয়টা ফেজে ভাগ করার কারণ হচ্ছে আমরা আসলে এই প্রবলেমটাকে ছোট ছোট ভাগে ভাগ করে ফেলছি। এটাকে আমরা অনেক সময় বলি স্ট্রাকচারড থিংকিং। সবচেয়ে মজার কথা হচ্ছে এই প্রসেসগুলো আসলে চারটা কাজ করে বেসিক লেভেলে। প্রথম কথা হচ্ছে আমাদেরকে বর্তমান সমস্যাটাকে রিকগনাইজ করতে হচ্ছে। সেকেন্ড স্টেজে এই সমস্যাটাকে নিয়ে কি ধরনের তথ্য আছে আমাদের কাছে সেটা বের করতে হবে। থার্ড স্টেজে এটার মধ্যে আসলে কোন গ্যাপ বা অপরচুনিটি আছে কিনা সেটা বের করতে হবে। ফাইনালি উই হ্যাভ টু ফিগার আউট হোয়াট আর আওয়ার অপশনস। আজকে এই পর্যন্তই থাকছেন তো সামনে। |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | নন-প্রোগ্রামারদের জন্য মেন্টরশীপ ৩২ ডেটার ট্রান্সফরমেশনের আগেই ডেটার ব্যাপারে ধারণা পাওয়া.mp3 | যেকোনো বিজনেস অ্যানালিটিক্স এর পেছনের আন্ডারলাইং যে প্রযুক্তিগত মানে আমি বলছি টেকনিক্যাল যে প্রসেসিং গুলোর আগে সেটাকে আমরা ডেটা অ্যানালিটিক্স বলতে পারি এবং এই ডেটা অ্যানালিটিক্স এর জন্য আমরা যেকোনো ধরনের ভিজুয়ালাইজেশন বা ডেটা অ্যানালিটিক্স টুল ব্যবহার করি সেটার জন্য আমি বারবার বলব যে আমরা যদি মাইক্রোসফট পাওয়ার বিআই ব্যবহার করি বা মাইক্রোসফট এক্সেল অথবা আমরা ট্যাবলু ব্যবহার করি এদের পেছনের ধারণা কিন্তু সব একই আর সেই কারণে আপনার পছন্দমত যেই ধরনের টুল আপনার মনে হয় যে আপনার কাজে লাগবে আমরা সেটাই শিখবো আর এ কারণে আমরা বারবার টাইটানিক ডেটা সেটের কথা বলি এই একটাই কারণে যে টাইটানিক ডেটা সেটে যে বিজনেস কোশ্চেনটা আছে সেটা একই জিনিস যে আমরা আসলে বের করতে চাই যে আমাদের ফরমালি যে বিজনেস কোশ্চেনটা আছে যে আমাদের একটা ভয়েজে টাইটানিক ভয়েজে যিনি আসলে এখানে ট্রাভেল করেছিলেন এই প্রতিটা মানুষ উনার নাম উনার জেন্ডার উনার বয়স উনার ফ্যামিলি মেম্বার মানে উনারা যেই ফ্যামিলি মেম্বাররা ট্রাভেল করছিলেন তারা আসলে কতজন ছিলেন সেখানে আমরা সিবলিং স্পাউস মানে তার ভাই বোন অথবা তার ওয়াইফ এবং প্যারেন্টস মানে তার প্যারেন্টস এবং চিলড্রেন তাদেরকে যোগ করলে কিন্তু একটা ফ্যামিলি মেম্বার হয় এবং সেটা আপনারা দেখছেন এখানে ফ্যামিলি মেম্বার সো আমরা একটা নতুন ফিচার তৈরি করে নিয়েছি যে ফ্যামিলি মেম্বার যেটা হচ্ছে গিয়ে সিবলিং এবং প্যারেন্টস চিলড্রেন এই দুটোকে যোগ করে আমরা ফ্যামিলি মেম্বারটাকে যোগ করে নিয়ে এসছি এখানে প্যাসেঞ্জার ক্লাস সারভাইবিলিটি উনি কি বেঁচে গিয়েছিলেন নাকি মারা গিয়েছিলেন মানে দিস ইজ দা বিজনেস কোশ্চেন এখন ধরা যাক সরকারের পক্ষ থেকে আমরা একটা বিজনেস কোশ্চেন বলতে পারি যে আমাদের মধ্যে কে আসলে দুস্থ এবং কে আসলে দুস্থ না সরকারি যা যারা সামাজিক নিরাপত্তা তহবিল পাবেন বা যারা বিভিন্ন ভাতা পাবেন তারা আসলে এলিজিবল কিনা সেটাও কিন্তু একটা বিজনেস কোশ্চেন যে আমি একটা দুস্থ ভাতা পাওয়ার জন্য এলিজিবল কিনা এই একই জিনিস কিন্তু টাইটানিকে যে আসলে উনি কি ফাইনালি মারা গিয়েছিলেন অথবা কি বেঁচে গিয়েছিলেন এটা হচ্ছে বিজনেস কোশ্চেন মানে একই বিজনেস কোশ্চেন যে আমরা যেকোনো ব্যবসায়ী আমরা বলতে পারি যে আমার এই প্রোডাক্টটা বা আমি জাস্ট উদাহরণ হিসেবে বলছি আমার এই প্রোডাক্টটা বিক্রি হবে কিনা বা বিক্রি হলে এটা কবে নাগাত বিক্রি হতে পারে বা আমার এই প্রোডাক্টটা কতদিন আমার স্টকে থাকতে পারে এটা কবে নাগাত বিক্রি হতে পারে একই জিনিস বিজনেস কোশ্চেন কিন্তু এখানে এই যে উনি বেঁচে গিয়েছিলেন না মারা গিয়েছিলেন বা একটা প্রোডাক্ট সেল হবে সেটা কবে সেল হতে পারে বা প্রোডাক্টটা প্রাইসিংটা কত হলে এটা সেল হতে পারে দিস আর দা বিজনেস কোশ্চেন সো এই সবকিছুই কিন্তু একই ধরনের জিনিসপত্র আমরা বলতে চাচ্ছি তো এখানে আমাদের যে ব্যাপারটা নিয়ে আমরা সবসময় বলি যে আমরা যখন যেকোনো জিনিস নিয়ে কাজ করি তখন এর পেছনের যে আন্ডারলাইং যে আমরা ডেটা সেটটা বলছি এই ডেটা সেটটা কিন্তু আমরা ট্রান্সফর্ম করে নেই ধরা যাক এটা কিন্তু একটা ট্রান্সফর্ম করা ডেটা সেট এখানে প্যাসেঞ্জার আইডি নেম তারপরে এখানে সিবলিং স্পাউস প্যারেন্টস চিলড্রেন এগুলো ছিল জেন্ডারটা সেক্সের জায়গায় জেন্ডারটাকে আমরা পাল্টে নিয়েছি বয়স এটাকে বয়সের ব্যান্ড যে আমরা বলতে চাচ্ছিলাম যে এই বয়সের একটা বিন আমরা সেট করে নিয়েছি তারপর হচ্ছে গিয়ে সেই বাচ্চাটা সেই যে ট্রাভেল করছিল সে কি বাচ্চা নাকি এডাল্ট তার মানে হচ্ছে গিয়ে এখানে বেশ কিছু এক্সট্রা আমরা ফিচার যোগ করেছি যাতে আমাদের জন্য ডেটা অ্যানালিটিক্স করতে সুবিধা হয় তার মানে এই সবকিছুই আমরা কিন্তু করছি পাওয়ার কোয়েরি এডিটর থেকে এবং যেটাকে আমরা দেখি এখানে ট্রান্সফর্ম ডেটা থেকে এখন আমি যদি ট্রান্সফর্ম ডেটা করতে চাই তাহলে কিন্তু আমাদের এই পাওয়ার কোয়েরি এডিটর চলে আসবে এবং আমি বলব যে আমি যেহেতু মাইক্রোসফট এক্সেল ব্যবহার করি আমি যেহেতু আরো অন্যান্য বিজনেস অ্যানালিটিক্স টুল ব্যবহার করি বাট আমার কাছে মনে হয়েছে যে এই যে প্রোডাক্টটা যেটা পাওয়ার বিআই এর কথা বলছি এটা বেশ ইন্টুইটিভ এই কারণে যে আপনি ডেটাকে ট্রান্সফর্ম করার আগেই আপনি বুঝতে পারছেন ডেটার মধ্যে কি ধরনের সমস্যা আছে বা ডেটাতে কি আছে যেমন এখানে যদি আমি প্যাসেঞ্জার আইডি বলি এখানে কিন্তু সরাসরি সে বলে দিয়েছে যে ফুল ডেটা আছে এখানে কোন ডেটা মিসিং নেই 891 ডেটা আছে এবং সেখানে কিন্তু 100% ডেটা আছে মানে আমরা কিন্তু এখান থেকে সরাসরি দেখতে পাচ্ছি আমি ডেটা ট্রান্সফর্ম করার আগে ইট ইজ এ কাইন্ড অফ লাইক ভিজুয়াল টুল ফর মি যে আমি এই ডেটার মধ্যে কোন সমস্যা আছে কিনা এবং সেখানে ভ্যালিড ডেটা কতটুকু এরর আছে কতটুকু এমটি আছে কতটুকু এভাবে কিন্তু আমরা দেখছি আমরা যদি বয়সের কথা দেখি এখানে বয়সে কিন্তু বলা হচ্ছে যে আমাদের 80% ডেটা ভ্যালিড এরর নেই কিন্তু প্রায় 20% ডেটা এমটি এখন এই ব্যাপারগুলো যে আমাদের এই ভ্যালু ডিস্ট্রিবিউশন যে টোটাল কাউন্ট কত 891 তারপর হচ্ছে এমটি কত ডিস্টিংক্ট মানে একদম ইউনিক যে ব্যাপারটা বলছে যে ইউনিকটা কতটুকু ডিস্টিংক্ট কতটুকু তারপর হচ্ছে গিয়ে এখানে মিনিমাম ম্যাক্সিমাম এভারেজ মানে এই এই জিনিসগুলো কিন্তু আমরা এখান থেকে জানতে পারছি এবং এটার স্ট্যান্ডার্ড ডেভিয়েশন কি তো আমরা যেকোনো ডেটার ভেতরে ঢোকার আগে আমরা কিন্তু এখান থেকে বুঝতে পারি যে ডেটার মধ্যে কি ধরনের প্রবলেম আছে আমরা ডেটার এভারেজ নিয়ে এর আগে কথা বলেছি এবং এখানে দেখাচ্ছি আপনাদেরকে যে এই ডেটাটা আসলে কিভাবে স্কিউড বা ডেটাটা আসলে কোন দিকে আমাদেরকে টার্ন নেওয়া আছে এবং সেখানে আমরা দেখছি যে বয়স বিশেষ করে 24 22 18 মানে এই বয়সগুলো সবচেয়ে বেশি ট্রাভেল করেছে এবং এটাও কিন্তু আমরা এর আগে দেখিয়েছি তার মানে আমরা ডেটা অ্যানালাইসিস করার আগেই এই পাওয়ার কোয়েরি এডিটর থেকে ট্রান্সফর্ম করার আগে আমরা একটা বেশ ভালো ধারণা পাচ্ছি ডেটাটা আসলে কেমন সেভাবে আমরা কিন্তু অন্যান্য ডেটা সবকিছু আমরা দেখতে পারি যে এখানে কি ধরনের সমস্যা আছে বা কিভাবে এগুলো নিয়ে কাজ করা যায় কোনটা ডিস্টিংক্ট প্যাসেঞ্জার ক্লাস এখানে প্যাসেঞ্জার ক্লাস আমরা বুঝতে পারছি যে থার্ড ক্লাসে প্যাসেঞ্জার সবচেয়ে বেশি ছিল ফার্স্ট ক্লাস প্যাসেঞ্জার ছিল সেকেন্ড ক্লাস কম ছিল সেখানে কিন্তু আমাদের কাউন্ট এবং এখানে ডিস্টিংক্টনেসটা কিন্তু এখানে বোঝা যাচ্ছে তার মানে আমরা যে জিনিসটা বলতে চাচ্ছি যে আমরা সরাসরি একটা ডেটার ভেতরে ঢোকার আগে আমাদের এই পাওয়ার কোয়েরি এডিটর দিয়ে আমরা অসাধারণ কিছু ইনসাইট পাই ডেটার ব্যাপারে এবং এই ডেটার ব্যাপারে এই ইনসাইটটা পাওয়ার ফলে আমরা কিন্তু বিজনেস কোশ্চেনে আমরা কি সলভ করব সেই সলভের একটা ভালো আন্ডারলাইং আন্ডারস্ট্যান্ডিং এখান থেকে পাওয়া যায় তার মানে আমি বারবার বলছি যে আমাদের যেকোনো ডেটা সেটে ঢোকার আগে ট্রান্সফর্ম করার আগে আমরা সবসময় পাওয়ার কোয়েরি এডিটর এই পাওয়ার কোয়েরি এডিটর থেকে কিন্তু আমরা দেখার চেষ্টা করব যে আসলে ডেটাটা কি বলতে চায় ডেটার ভেতরে কি ধরনের বিজনেস কোশ্চেন হতে পারে বা আমি ডেটার কাছে কি ধরনের প্রশ্ন জিজ্ঞাসা করতে পারি এই সবকিছুই কিন্তু আমি বলব যে আমাদের জন্য খুব ভালো একটা টুল হচ্ছে এই পাওয়ার কোয়েরি এডিটর যদি আমরা মাইক্রোসফট এক্সেল মাইক্রোসফট পাওয়ার বিআই ব্যবহার করি তো আজকে আমি এটুকু বলব যে এই জিনিসটা আমাদের জন্য খুব ইম্পর্টেন্ট যে আমরা যদি ধরা যাক এখানে এই জিনিসটা নিয়ে কাজ করি এবং সেটা থেকে আমরা যখন ফাইনালি ডেটা ভিজুয়ালাইজেশন করব সেই ভিজুয়ালাইজেশন করার আগে আমরা অবশ্যই ট্রান্সফর্ম তো করছি বা ট্রান্সফর্মের পাশাপাশি আমরা সেই পাওয়ার কোয়েরি এডিটর থেকে আমরা সেই ডেটার একটা ভেতরে যে ডেটার প্রতিটা ডেটার কিন্তু কিছু ডিস্টিংক্টনেস আছে কিছু ইউনিকনেস আছে বা ডেটাটা ভেতরে যেই সমস্যা বা অপরচুনিটি ডেটার মধ্যে কোথায় কি আছে সেটা ভালোভাবে জানার জন্য এই পাওয়ার কোয়েরি এডিটর একটা ভালো টুল এখানে প্রচুর কাজ করা যায় ট্রান্সফরমেশনের একটা বড় পার্ট এখানে আমরা দেখেছি তবে আমি আপনাকে বলব যে এই জিনিসটা যেটা আমি আপনাকে দেখাচ্ছি এই ব্যাপারটা কিন্তু পুরোপুরি আপলোড করা আছে আপনি দেখবেন যে আমি এটাকে রিনেম করেছি লন্ডন বিজনেস অ্যানালিটিক্স গ্রুপ মানে আমি এই বিজনেস গ্রুপটাকে আমি ফলো করি এবং সেখান থেকে কিছু কিছু ডেটা সেট আমি ব্যবহার করি এবং সেটা আমি আপনাদের সাথে শেয়ার করছি আপনি দেখতেই পাচ্ছেন যে আমাদের এই ডেটা অ্যানালিটিক্স যে গিটহাব পেজ আছে সেই গিটহাব পেজের মধ্যে কিন্তু এই ফাইলটা আপলোড করা আছে এখানে এক্সেল ফাইলটাও আপলোড করা আছে দেখার জন্য এখানে দুটো আসলে পাওয়ার বিআই ফাইল আপলোড করা আছে এবং সেখান থেকে আমি আপনাকে বলব যে এই দুটো ফাইল আপনারা ডাউনলোড করে আপনার পাওয়ার বিআই তে দেখতে পারেন যে কিভাবে এই জিনিসগুলো নিয়ে কাজ করা যায় আর সবচেয়ে বড় জিনিসটা হচ্ছে যে এই ফাইলগুলো আপলোড করার পিছনে একটাই কারণ সেটা হচ্ছে যে আপনারা নিজেদের পিসিতে এই ব্যাপারগুলো টেস্ট এন্ড ট্রায়াল করবেন এবং এই টেস্ট এন্ড ট্রায়াল করতে করতে কিন্তু আমরা বুঝে যাব যে আসলে কিভাবে এই জিনিসগুলো নিয়ে কাজ করা যায় আর সবচেয়ে বড় জিনিস হচ্ছে যে আমরা যাই শিখি না কেন এর পেছনে সবচেয়ে বড় জিনিসটা হচ্ছে যে আপনি এটার ব্যাপারে শিখতে চান কিনা পৃথিবীতে সবকিছুই শেখা যায় এখন আমরা আসলে কিভাবে শিখতে চাই সেটা হচ্ছে সবচেয়ে বড় ব্যাপার আর সে কারণে এই পুরো ফাইলটাই আসলে আপলোড করা আছে এই গিটহাব পেজে এবং সেখান থেকে আমি বলব ডাউনলোড করে আপনারা নিজেরা এগুলোকে টেস্ট এন্ড ট্রায়াল করতে পারেন আজকে এই পর্যন্তই থাকছেন তো সামনে |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | নন-প্রোগ্রামারদের জন্য ডেটা অ্যানালাইসিস (ট্যাবলিউ) ডেটা অ্যানালাইসিসের ডাইমেনশন এবং মেজার.mp3 | ছোটবেলায় খুব ছবি আঁকতাম। আমি যদি একটা খালি দেয়াল পেতাম অথবা একটা ব্ল্যাঙ্ক শিট অফ পেপার। মানে আঁকিবুকি করতে আমার খুব ভাল লাগতো। আর সেই একই জিনিস আমি যখন আমার যখন বয়স বাড়লো দেখা গেল যে একই জিনিস আমি করছি ডাটা নিয়ে। মানে ডাটাকে আমি বিভিন্নভাবে প্লট করতে যাচ্ছি বা ডাটাকে আমি বিভিন্ন ক্যানভাসে ফেলতে যাচ্ছি। এরকম একটা জিনিস যে আমরা যখন ট্যাবলু আমার সামনে পড়বে ট্যাবলু মানে হচ্ছে গিয়ে আমার সামনে একটা ব্ল্যাঙ্ক শিট অফ পেপার। আর এই ব্ল্যাঙ্ক শিট অফ পেপারের মধ্যে আমরা যখন ডাটা ফেলবো একই জিনিস আমরা ছোটবেলায় আমি যেভাবে আঁকিবুকি করতাম এই ডাটার বেলায় কিন্তু একই জিনিস প্রযোজ্য হচ্ছে। ধরা যাক আমরা এই মুহূর্তে একটা ডেটাকে কানেক্ট করবো যেটা হচ্ছে গিয়ে মাইক্রোসফট এক্সেল কানেক্টরের মাধ্যমে এবং সেটা হচ্ছে গিয়ে আমাদের গ্লোবাল সুপারস্টোর। এই গ্লোবাল সুপারস্টোর ডাটা সেটটাকে আমরা যখনই কানেক্ট করছি সেটার সঙ্গে সঙ্গে লোড হয়ে আসছে আমাদের গ্লোবাল সুপারস্টোর যে ডেটা এক্সপোর্ট যে টুল আছে সেখানে। এখন আমাদের সেই ডেটাতে যেহেতু তিনটা শিট আছে আমি বলছি যে অর্ডার্স, পিপল, রিটার্ন। এখন ধরা যাক আমরা শুধুমাত্র একটা শিট নিয়ে কাজ করব। সেই একটা শিট হচ্ছে অর্ডার। আমরা অর্ডারটা নিয়ে এলাম এবং সেখানে আমরা দেখছি যে আমাদের অর্ডার শিটে বিভিন্ন ইনফরমেশন চলে এসেছে। আমরা দেখতে পাচ্ছি যে আমাদের এখানে রো আইডি এটা হচ্ছে গিয়ে নিউমেরিক ভ্যালু। তার মানে হচ্ছে আমি এখানে যদি দেখি আমাদের এখানে বলা হচ্ছে যে এখানে নাম্বারস হোল নাম্বারস এটা হোল নাম্বার হিসেবে সেট করা আছে। বা আমরা যদি অর্ডার ডেট দেখি অর্ডার ডেট কিন্তু একটা ডেট ভ্যালু। মানে আমাদের এখানে ডেট ভ্যালু হিসেবে আছে। আমাদের এখানে শিপ মোড শিপ মোডটা স্ট্রিং হিসেবে আছে। তার মানে হচ্ছে গিয়ে আমাদের বিভিন্ন ডেটা কিন্তু কোন মোডে আছে না আছে সেটা কিন্তু আমরা এখানে বুঝতে পারছি। আর সবচেয়ে বড় হচ্ছে যে আমি বারবার ওই ক্যানভাসের কথা বলছি যে আমরা যদি একটা ব্ল্যাঙ্ক ক্যানভাস পাই মানে ব্ল্যাঙ্ক একটা ক্যানভাস পাচ্ছি এবং ব্ল্যাঙ্ক ক্যানভাসে আমরা কখনোই ভয় পাবো না যেকোনো ডেটাকে প্লট করার জন্য। সেই একই কারণে আমরা আমাদের ট্যাবলু বা আমাদের পাওয়ার বিআই বা যেকোনো বিজনেস অ্যানালিটিক্স টুলস এর মধ্যে আমরা যে জিনিসটা দেখি যে আমাদের ক্যাটাগরিক্যাল ভ্যালুগুলো ধরা যাক এই জিনিসগুলো হচ্ছে ক্যাটাগরিক্যাল ভ্যালু। মানে আমরা সবসময় একটা জিনিস দেখবো যে ডাইমেনশন এন্ড মেজারস। মানে আমাদের এখানে কিন্তু এই এর উপরেরটা মানে এই মেজার নেমস এর উপরের থেকে কিন্তু সবকিছু মানে এই মেজার নেমস থেকে এই জিনিসটা সবকিছুই কিন্তু ডাইমেনশন। আর এই যে নীল একটা দাগ আছে এখানে এই ডিভাইডারের নিচে যত কিছু সব হচ্ছে গিয়ে আমাদের মেজারস। এখন এই ডাইমেনশন এবং মেজারস আমি এর আগেও বলেছি যে ডাইমেনশন হচ্ছে বাক্সের মত মানে আমার একটা বাক্স আছে সেই বাক্স ধরা যাক মার্কেট। মার্কেট একটা বাক্স। সেই মার্কেটের ভেতরে বাক্স মানে এটা হচ্ছে একটা লজিক্যাল ভ্যালু। মানে এর ভিতরে কিছু কন্টেইনার থাকতে পারে। তো সেই কন্টেইনারটা কি? সেটা হচ্ছে প্রফিট, ডিসকাউন্ট, কোয়ালিটি, সেলস। সেটা মার্কেট ভিত্তিক হতে পারে। আমরা যেটা বলি যে আমাদের যে ডাইমেনশন সেই ডাইমেনশন হচ্ছে কোয়ালিটেটিভ ডেটা। মানে আমাদের কোয়ালিটেটিভ ডেটাকে এইজন্য বলছি যে যেখানে ক্যাটাগরিক্যাল ইনফরমেশন আমরা পাই এবং সেই ক্যাটাগরিক্যাল ইনফরমেশন হিসেবে কিন্তু আমরা এখানে পাচ্ছি ক্যাটাগরি। আপনি দেখেন এখানে কিন্তু ক্যাটাগরি আছে। সাবক্যাটাগরি আছে। আমাদের এখানে ক্যাটাগরি আছে। তার মানে হচ্ছে কি আমাদের ধরা যাক আমরা এখানে ক্যাটাগরি যদি আমরা এখানে প্লট করি। আমরা দেখছি যে ক্যাটাগরিতে কিন্তু ফার্নিচার, অফিস সাপ্লাইস এবং টেকনোলজি। তার মানে হচ্ছে কি এই তিনটা ক্যাটাগরি কিন্তু এটার মধ্যে আছে। আবার আমরা যদি সাবক্যাটাগরি যদি আমি ডাবল ক্লিক করি তাহলে দেখা যাবে যে সাবক্যাটাগরিতে অ্যাক্সেসরিজ, অ্যাপ্লায়েন্সেস, আর্ট, বাইন্ডারস, বুককেসেস, চেয়ারস, কপিয়ারস মানে পেপারস, ফোনস, স্টোরেজ, সাপ্লাইস, টেবিলস। তার মানে হচ্ছে কি আমাদের এগুলো সব ক্যাটাগরিক্যাল ভ্যালু এবং এই এটাই আমি বলছি যে এটা একটা ক্যানভাসে এবং এই ক্যানভাসে কিন্তু আমরা কোন ডেটা ফেলতে ভয় পাবো না। আর সবচেয়ে বড় যে জিনিসটা হচ্ছে যে আমরা যখন এই ধরনের ভ্যালুগুলো বিশেষ করে আমরা মেজারস এর কথা যদি বলি এখন আমরা আসছি এই মেজারের ব্যাপারে। এই নীল দাগটার নিচে যা আছে সবগুলো হচ্ছে মেজার। আর এর মধ্যে কিন্তু এই লঙ্গিচিউড, ল্যাটিচিউড, অর্ডারস, মেজার ভ্যালুস এগুলো কিন্তু অটো জেনারেটেড। মানে ট্যাবলু এটাকে অটো জেনারেটেড করেছে। তবে আমরা যেটাকে বলতে পারি যে এই মেজার হচ্ছে গিয়ে কোয়ান্টিটেটিভ নিউমেরিক ভ্যালু। মানে আমরা এটাকে বলতে পারি যে স্পেসিফিক নাম্বার বেসড। আমরা যদি এটাকে উদাহরণ হিসেবে দেই যে আমরা ধরা যাক আমরা সাবক্যাটাগরি একটা ডাইমেনশন মানে এটাকে সাবক্যাটাগরিকে আমরা নিলাম। এখানে আমরা দেখছি যে এখানে বিভিন্ন সাবক্যাটাগরি আমাদের আইটেম আছে। এখন এর মধ্যে আমরা যখনই প্রফিট ধরা যাক প্রফিট বা কোয়ালিটি কোয়ান্টিটি বা সেলস আমরা যদি এই সেলসটাকে যদি আমাদের এই প্লেসহোল্ডার মানে এ বি সি এগুলো হচ্ছে প্লেসহোল্ডার। এই প্লেসহোল্ডারের মধ্যে আমরা যদি ফেলে দেই তাহলে কিন্তু আমরা এই সংখ্যায় পাচ্ছি। মানে এটাই হচ্ছে মেজার। মানে আমরা এই সংখ্যায় আমাদের এই পুরো জিনিসটাকে পাচ্ছি। আর এই সাম অর্থ হচ্ছে কি আমরা যখনই এই ধরনের মেজার নিয়ে কাজ করব মানে যেটা হচ্ছে গিয়ে আমাদের এই কোয়ান্টিটেটিভ নিউমেরিক ভ্যালু সেটা কিন্তু এগ্রিগেটেড ভ্যালু হিসেবে পাচ্ছি আমরা। মানে এটা একটা এগ্রিগেটেড ভ্যালু হিসেবে পাচ্ছি বলেই কিন্তু আমরা এখানে আছে। এটাকে আমরা সাম, এভারেজ, মিডিয়াম, কাউন্ট বা ম্যাক্সিমাম, মিনিমাম বিভিন্ন পার্সেন্টাইল হিসেবে কিন্তু আমরা দেখতে পারি। তো আমরা বলছি যে এই যে ডেটাটা এই মেজারের ডেটাটা আমরা এভারেজ হিসেবে দেখতে পারি যে আসলে আমাদের এই আইটেমগুলোর এভারেজ প্রাইস কত। মানে এটা হচ্ছে গিয়ে আমাদের মেজার। মানে হচ্ছে গিয়ে এই ডাইমেনশনের নিচে এই মেজারটা আমাদেরকে দেখা। এটাই আমরা বলছি যে আমাদের এই ব্ল্যাঙ্ক আমাদের এই ব্ল্যাঙ্ক ক্যানভাসে আমাদের যেকোনো ডেটা আমাদেরকে ফেলতে পারতে হবে এবং ফেলার পেছনে আমি বলব যে ফেলার পেছনে আমরা কখনোই দ্বিধা করব না যে ডেটা কোনটা ফেলতে হবে। সবচেয়ে বড় যে জিনিসটা আমরা বলি যে এই ডাইমেনশন মানে বিশেষ করে এই ডাইমেনশন এবং এই মেজার এইগুলোকে যদি আমরা কলাম বা রোতে যদি ফেলি আমরা যেখানে যেকোনো জায়গায় ফেলতে পারি। ধরা যাক আমরা যেটা বলছি যে ক্যাটাগরি। ক্যাটাগরি যখন আমি ফেলতে চাই তখন কিন্তু আমি দেখছি যে এখানে কিন্তু কয়টা ক্যাটাগরি আছে। আর এই এ বি সি হচ্ছে গিয়ে এটার প্লেসহোল্ডার যেটা হচ্ছে গিয়ে আমরা বলছি যে এটা জেনেরিক প্লেসহোল্ডার টেক্সট। মানে আমরা ট্যাবলুতে যদি বলি এখানে যদি আমাদের যে মেজার ডেটাটা আমাকে ফেলে দেই তাহলে কিন্তু এখান থেকে আমরা একটা ধারণা পাবো যে সেলস ডেটাটাকে যদি আমরা এখানে ফেলি তখন কিন্তু আমরা এখান থেকে এর যে ডাইমেনশন ডাইমেনশন থেকে আমরা ক্যাটাগরি পাচ্ছি আর আমাদের মেজার থেকে পাচ্ছি সেলস এবং তার সামেশনটা আমরা এখানে পাচ্ছি এবং সেটাই কিন্তু আমাদের মেইন জিনিস যে আমাদের এই জিনিসগুলো জানতে হবে যে আমাদের এই ব্ল্যাঙ্ক ক্যানভাসে যখন আমরা ডেটা ফেলবো তখন এখান থেকে কিন্তু আমরা অনেক কিছু জানবো। আমরা যখন আবার কন্ট্রোল জেড জেড চাপ দেই তখন আবার এটা আবার ব্ল্যাঙ্ক হয়ে যাচ্ছে। তার মানে হচ্ছে আমরা যখন সাবক্যাটাগরি ডাবল ক্লিক করব এবং প্রফিট ডাবল ক্লিক করব তখন কিন্তু আপনা আপনি এই একই জিনিসটা হয়ে যাবে। আর আমরা যদি চাই যে না এটার ভেতরে আরো অন্যান্য অনেক কিছু করতে চাই তাও সম্ভব। আর সেই জন্যই কিন্তু আমরা এগুলো নিয়ে কাজ করছি। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | ডাটা লিটারেসি নিয়ে বই হাতেকলমে ডেটা অ্যানালাইটিক্স ও ভিজ্যুয়ালাইজেশন Book - Data Literacy Bangla.mp3 | এই প্রশ্নটা প্রায় পাই যে ডেটা লিটারেসি কেন মানে আমাদের কেন ডেটা লিটারেসি শিখতে হবে। আসলে ব্যাপারটা সেরকম না মানে ডেটা কেন শিখতে হবে বা ডেটার ব্যাপারে কেন জানতে হবে সেটার প্রথম প্রশ্ন হচ্ছে গিয়ে আমরা কিভাবে সিদ্ধান্ত নেই। ধরা যাক আমি এখন এখান থেকে আমি অফিসে যাব। তো আমি আসলে সিদ্ধান্ত নিব কিভাবে ডেটা দিয়ে কারণ আমি গুগল ম্যাপে দেখব যে আসলে আমার এখান থেকে অফিসে যাওয়ার জন্য যে আমার যে রেগুলার যে রাস্তা আছে সেটা থেকে অল্টারনেটিভ কোন রাস্তাগুলো ভালো মানে কোন রাস্তাতে আমার রেড যে অংশটা আছে যে আমার বাম্পার টু বাম্পার যে আমরা বলছি যে ট্রাফিক জ্যাম সেটাকে আমি কিভাবে বিট করে আমি অন্য রাস্তা দিয়ে হয়তোবা একটু লম্বা রাস্তা হলো বাট অন্য রাস্তা দিয়ে কি আমি স্বল্প সময়ে পৌঁছাতে পারি কিনা। এই যে পৌঁছানোটা মানে আমার কথা হচ্ছে যে আমরা ডেটা ব্যবহার করে কিন্তু প্রতিনিয়ত সিদ্ধান্ত নেই। আজকে আমি একটা জিনিস কিনতে চাচ্ছি ধরা যাক দারাজ থেকে। আমি চাইবো যে এটা আসলে অন্য কোথাও এর থেকে কম দাম আছে কিনা বা আমি মার্কেটে ফোন করে খোঁজ নিব। তার মানে হচ্ছে গিয়ে উই আর ড্রিভেন বাই ডেটা। এখন এই ডেটা থেকে ড্রিভেন হওয়া আর তার থেকে ডেটা লিটারেসি নেওয়া এটা কাছাকাছি জিনিস যে আমরা আগে অনেক সময় সিদ্ধান্ত নিতাম যে একটা রুমে সবাই মিলে যখন সিদ্ধান্ত নিচ্ছি মানে একটা সিদ্ধান্ত নিচ্ছি তখন ব্যাপারটা এরকম যে আমরা পুরনো এক্সপেরিয়েন্স থেকে সিদ্ধান্ত নিতাম যে হ্যাঁ আগেরবার এভাবে করেছি তো এভাবে আমরা আসলে সিদ্ধান্ত নিতে পারি কিন্তু হুইচ সিমস টু বি প্রুভেন রং। মানে এটা আসলে অনেক সময় এটা কাজ করেছে কারণ এই আমার পুরনো অভিজ্ঞতাও কিন্তু একটা কাইন্ড অফ ডেটা বাট দেন আমরা আসলে ওটা আরো ভেতরে ঢুকতে পারিনি। তো এখন আমি যেহেতু আইএসপি ইন্ডাস্ট্রিতে আছি আমার আইএসপি ইন্ডাস্ট্রি কিন্তু টোটালি ডেটা ড্রিভেন কারণ আমার প্রতিটা কাস্টমারের পেইন পয়েন্ট, প্রতিটা কাস্টমারের প্রবলেম কাস্টমারের পাশাপাশি আমার কোথায় কোন জায়গাটা কনজেশন হচ্ছে, কোন জায়গাটা কোন মানে ভবিষ্যতে প্রবলেম হতে পারে, কোথায় ফাইবার কেটে গেছে বা কোথায় ফাইবার কেটে যাওয়ার একটা চান্স থাকবে বা সামনে লেজারের যে আমার লাইট আছে সেটার আসলে কোথায় লস হচ্ছে বেশি বা কোথায় লস কম হচ্ছে বা কোথায় লস সামনে বেশি হতে পারে। আমাদের বিভিন্ন সময়ে শীতকালে হোক, বর্ষাকালে হোক বা গরমকালে হোক তখন বিভিন্ন সময় লেজারের যে রেডিনেসটা বা আমার যে সেই লসটা ডিবি লসটা আসলে কখন কোথায় কোন লেভেলে হবে সেইটা কিন্তু পুরোপুরি ডেটা ড্রিভেন। আর সে কারণে কিন্তু আমরা এই ডেটা মানে ডেটা লিটারেসি নিয়ে কথা বলছি। তো আমি যদি ফিরে আসি আমাদের ডেটা লিটারেসির কথা ব্যাপারে সেখানে হচ্ছে যে আমাদের মানে সনাতনভাবে যদি আমি বলি যে আমাদের দু ধরনের ডেটা ইউজার মানে যদিও এই সবগুলো আমি এই বইতে কাভার করেছি যে হাতে কলমে ডেটা অ্যানালিটিক্স ও ভিজুয়ালাইজেশন বিকজ আমরা দিনশেষে আমরা যেটা করি যে আমরা মেশিন লার্নিং বা কৃত্রিম বুদ্ধিমত্তা যেটাই আমরা শিখতে চাই না কেন তার শুরুতে ডেটাটাকে এনালাইসিস করতে পারতে হবে। আমরা যদি একটা ডেটাকে এনালাইসিস না করতে পারি তাহলে কিন্তু সেটার ভেতরে যাওয়া যাবে না। তো আমি যেটা বলছিলাম যে আমাদের দু ধরনের ইউজার আমি আসলে যদি বলি যে আমাদের বিজনেস ইউজার মানে সবকিছুই কিন্তু বিজনেস ইউজার। আমাদের সরকারও কিন্তু হি ইজ অলসো রানিং এ বিজনেস। সো গভমেন্ট ইজ অলসো রানিং এ বিজনেস সো ইট নিডস অলসো ডেটা। সো আমি বিজনেস ইউজারের কথা যদি বলি যে যারা হচ্ছে গিয়ে নন ডেটা সাইন্টিস্ট বা যারা নন ডেটা এনালিস্ট বা যারা ডেটা একদম ডেটা নিয়ে স্পেসিফিক কাজ করেন না। হয়তোবা কেউ এডমিনিস্ট্রেশনে কাজ করেন, কেউ সেলসে কাজ করেন, কেউ মার্কেটিং এ কাজ করেন। সো আমি এটাকে বলছি যে বিজনেস ইউজার। সো বিজনেস ইউজার উনি ডেটা নিয়ে কাজ করছেন। আর এদিকে কাজ করছেন হচ্ছে গিয়ে ধরা যাক ডেটা সাইন্টিস্ট বা এই যে যারা ডেটা এনালিস্ট যারা ডেটা অ্যানালিটিক্স নিয়ে কাজ করতেছেন সেই ডেটা এনালিস্ট হতে পারেন। সো যারা এই ডেটা এনালিস্ট যারা হচ্ছে গিয়ে নন প্রোগ্রামার ব্যাকগ্রাউন্ডে তাদের তারা তাদের জন্য কিন্তু এটা এটা একটা ভালো বই হতে পারে। সো আমরা যারা ডেটা এনালিস্ট না যারা বিজনেস ইউজার তারা কিন্তু ডেটা থেকে দে উড ওয়ান্ট টু মেক কন্টেক্সট বিজনেস কন্টেক্সট বিকজ আমি শুধু শুধু কেন ডেটা ব্যবহার করব? আমি তো ডেটা সাইন্টিস্ট না, আমি ডেটা এনালিস্ট না, আমি এই ডেটা নিয়ে আমি কাজ করতে চাই না। আমার ডেটা থেকে আই হ্যাভ টু মেক সেন্স অফ বিজনেস কন্টেক্সট যে আমার বিজনেস কন্টেক্সট কি বলতে চাইছে যে আমার এখানে ফাইবার কাট হয়েছে। ফাইবার কাটের সাথে আমার কি কি জিনিস কানেক্টেড এবং কোথায় কোথায় কি প্রবলেম হচ্ছে এবং ফাইবার কাটটা হওয়ার পেছনের কারণ কি এবং ফাইবার কাট এর আগে কতবার ঘটেছে এবং তার পাশাপাশি ফাইবার কাট সামনে আরো কত ঘটতে পারে বা সামনে আমাদের যেখান থেকে ফাইবারটা গিয়েছে সেখানে কি কোন এক্সট্রা কোন আমি প্রবলেম পাচ্ছি কিনা যেটাকে আমাকে বিজনেস ডিসিশনে বাধ্য করবে এটাকে আমাকে রিড আউট করার জন্য। তো আমার কথা হচ্ছে যে বিজনেস ইউজার কিন্তু আমরা এই পুরনো ডেটা থেকে সিদ্ধান্ত নিতে চাচ্ছি যে আমরা আসলে ভবিষ্যতে এই প্রবলেমটা যাতে না হয়। এই একই প্রবলেম রিপিটেটিভ প্রবলেম যাতে না হয়। মানে আমাদের ডেটা আমাদেরকে একটা বিজনেস কন্টেক্সট দিবে যাতে আমাদের এই প্রবলেমটাকে আমরা এভয়েড করতে পারি। সেদিক থেকে যারা ডেটা সাইন্টিস্ট ধরা যাক আমি একজন ডেটা সাইন্টিস্ট বা আমাদের অফিসে অনেক ডেটা এনালিস্ট আছেন। সো ডেটা সাইন্টিস্ট বা ডেটা এনালিস্ট ওই একই ডেটা উনি দেখবেন ওই একই ডেটা দেখবেন কিন্তু উনি কিন্তু বিজনেস কন্টেক্সটের ধারণা থেকে দেখবেন। বিকজ দিনশেষে দা ডেটা এনালিস্ট এবং ডেটা সাইন্টিস্ট দে আর ফর দা বিজনেস। সো আমার কথা হচ্ছে যে এই একই একই ডেটা ধরা যাক আমরা একই ডেটা নিয়ে যারা কাজ করছে সেই একই ডেটার জন্য কিন্তু আমরা ওই একই বিজনেস কন্টেক্সট মানে আমরা বলছি যে ডেটা সাইন্টিস্ট হোক আর ডেটা এনালিস্ট হোক সেই ডেটা সাইন্টিস্ট এবং ডেটা এনালিস্ট পাশাপাশি কিন্তু তারা ওই একই বিজনেস কন্টেক্সট নিয়ে চিন্তা করবেন কিন্তু তারা ডেটা লিটারেসি পার্ট থেকে কাজ করবেন এবং ডেটা লিটারেসির জন্যই কিন্তু আমরা এত কথা বলছি যে যারা বিজনেস ইউজার তারা তো অবশ্যই ডেটা লিটারেসি মানে ডেটা থেকে ডেটা এওয়ার হওয়া ডেটা থেকে ধারণা পাওয়া। যারা বিজনেস ইউজার তারা আসলে এটা অন্য লেভেলে তারা ধারণাটা পাবেন যেটা একটু উপরে হাই লেভেলে। বাট যারা হচ্ছে ডেটা সাইন্টিস্ট তারা আসলে কোরে যাবেন যে আসলে এর সমস্যার উৎপত্তি কোথায়, সমস্যাটা কিভাবে হচ্ছে এবং সমস্যাটা কিভাবে আমরা প্রবলেম সলভ করতে পারি। সো সেখানে ডেটা সাইন্টিস্ট এবং বিজনেস ইউজার তাদের কিন্তু কমন গোল একটাই যে বিজনেস ইউজার কিন্তু উনি কিন্তু উনার ডোমেইন এক্সপার্ট। হি ইজ দা ডোমেইন এক্সপার্ট। ডেটা সাইন্টিস্টকেও এইজন্য কিন্তু বলা হয় যে হি হ্যাজ টু বি এ ডোমেইন এক্সপার্ট টু আন্ডারস্ট্যান্ড দা বিজনেস কন্টেক্সট। বিকজ দিনশেষে আমরা শুধুমাত্র একজন ডেটা সাইন্টিস্ট যার বিজনেস কন্টেক্সট বোঝেন না বা যিনি ডোমেইন এক্সপার্ট না ধরা যাক আমি এখন আইএসপি ডোমেইনে আছি সুতরাং আমার আইএসপি ডোমেইন এক্সপার্ট কিন্তু ডেটা সাইন্টিস্ট যিনি আছেন তাকেও কিন্তু ওই আইএসপি ডোমেইন এক্সপার্ট হতে হবে। আদারওয়াইজ কিন্তু এই ব্যাপারটা একটু তাদের জন্য ডিফিকাল্ট হবে। তো সেজন্য বলছি যে আমাদের ডেটা লিটারেসি একটাই কারণ সেটা হচ্ছে যে আমি ডেটা এওয়ার হবো এবং ডেটা থেকে আমি ধারণা পাবো এবং ডেটা থেকে ধারণা পেয়ে আমি আসলে কি বিজনেস ডিসিশন নিব যেটা আসলে আমার ভবিষ্যতে সময় এবং আমার টাকা কম নষ্ট হবে। মানে দিনশেষে আমরা কিন্তু একটা সিদ্ধান্ত নিলাম। সিদ্ধান্ত নেবার ফলে কিন্তু আমার অনেক সময় যেটা হয় যে আমার ওই সিদ্ধান্ত নেবার ফলে আমি একটা ইনভেস্টমেন্ট করি এবং সেই ইনভেস্টমেন্টের কারণে কিন্তু আমাকে একটা বড় টাকা ওখানে ব্লক করতে হচ্ছে। এর পাশাপাশি আমার যদি সেই সিদ্ধান্তটা যদি ভুল হয় তাহলে কিন্তু আমার সেই টাকাটাও নষ্ট হলো এক নাম্বার আর দুই নাম্বার হচ্ছে যে আমি সেই ইনভেস্টমেন্ট এবং ইনভেস্টমেন্টের পরে কিন্তু আমার সেটা থেকে প্রবলেমটা বের করে আমাকে আবার যখন আমি পুরোপুরি নতুন করে দেখলাম যে আমার যে ইনভেস্টমেন্ট হয়েছে সেই ইনভেস্টমেন্টের আমার প্রবলেমটা কি সলভ করতে পারছি কিনা। যদি প্রবলেম সলভ না করতে পারে তার মানে হচ্ছে কি আমার ধরা যাক এখানে ওয়ান মিলিয়ন ডলার আমার ইনভেস্ট ছিল। আমার ওয়ান মিলিয়ন ডলার ইনভেস্টমেন্ট লস, অপরচুনিটি লস্ট প্লাস আমার সময়টা নষ্ট হলো। আমি যে ছয় মাস যে সময় দিলাম ছয় মাস কিন্তু আমি পিছিয়ে পড়লাম ফ্রম মাই কম্পিটিশন। তো এইজন্যই কিন্তু আমাদের এই ডাটা এওয়ারনেস ব্যাপারটা জরুরি। সো আসলে এজন্যই যারা একদম নন প্রোগ্রামার যারা ডাটা নিয়ে একদমই কাজ করেননি, যারা ডাটা নিয়ে যাদের সেরকম ধারণা নেই তাদের জন্য এই হাতে কলমে ডেটা অ্যানালিটিক্স এবং ডেটা ভিজুয়ালাইজেশনটা একটা ভালো বই হতে পারে। কারণ দিনশেষে এই বইটা আসলে আমি লিখেছি জাস্ট সাধারণ ব্যবহারকারীদের জন্য চিন্তা করে যারা আসলে বুঝতে চাচ্ছেন যে ডেটা কি ধরনের ইনসাইট দিতে চাচ্ছে বা ডেটা কি বলতে চাইছে বা ডেটা আসলে আমাকে কেন সিদ্ধান্ত পাল্টাতে বাধ্য করবে বা কেন আমি ডেটা ড্রিভেন সিদ্ধান্ত নিব, কেন আমি ইনফর্ম ডিসিশন নিব বিকজ দিনশেষে ইনফর্ম ডিসিশন ইজ দা বেস্ট ডিসিশন বিকজ আই ডোন্ট ওয়ান্ট টু লুজ মানি। |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | নন-প্রোগ্রামারদের জন্য ডেটা অ্যানালাইটিক্স মেন্টরশীপ ৬ অ্যানালিস্টদের কী ধরনের স্কিল দরকার.mp3 | আমাকে অনেকে জিজ্ঞাসা করেন যে ডেটা অ্যানালিটিক্স স্কিলটা কি তার আছে কি নেই। আমি এখানে বলতে চাইছি যে প্রতিটা মানুষেরই ডেটা অ্যানালাইসিস স্কিল আছে সেটা আমরা ভাবি যে আমাদের কাছে কোন ডেটা অ্যানালাইসিস স্কিল নেই তবে আমি একটুকু বলতে পারি যে আমরা যখন বড় হচ্ছি তখন আমাদের আশেপাশে প্রচুর ডেটা থেকে আমরা প্রতিনিয়ত সিদ্ধান্ত নিচ্ছি এবং সেই সিদ্ধান্ত নেবার সময় আমরা অনেক সময় ভুল করি আবার অনেক সময় ঠিক কাজটা করি। এর অর্থ হচ্ছে আমাদের আশেপাশে ডেটা থেকে আমাদের ডেটা অ্যানালাইসিস স্কিল অলরেডি আছে আমাদের মাথায়। এখন এটার ব্যাপারে আমরা যদি একটা ডেফিনেশন দেখি যেটা আমি দেখছি কোর্সের আর গুগল সার্টিফিকেশন বিশেষ করে গুগল ডেটা অ্যানালিটিক্স সার্টিফিকেশন কোর্সে অ্যানালিটিক্যাল স্কিল কোয়ালিটিস এন্ড ক্যারেক্টারিস্টিকস অ্যাসোসিয়েটেড উইথ সলভিং প্রবলেমস ইউজিং ফ্যাক্টস। এখানে অনেকগুলো কিওয়ার্ডস আছে আমি বলছি কোয়ালিটিস ক্যারেক্টারিস্টিকস এর অর্থ হচ্ছে আমরা একটা প্রবলেমকে সলভ করছি উইথ দা ক্যারেক্টারিস্টিকস এন্ড কোয়ালিটিস এবং আমরা এটা কিভাবে করছি ইউজিং ফ্যাক্টস মানে আমাদের সত্যিকারের ডেটা থেকে। এটা ঠিক যে আমাদের অ্যানালিটিক্যাল স্কিলের মধ্যে অনেকগুলো আসপেক্ট থাকবে যেগুলোকে আমরা যদি আলাদাভাবে আপনার সাথে আলাপ না করি তাহলে এর ভেতরে আমাদের ঢোকা বেশ কষ্টকর হয়ে পড়তে পারে। গুগল এর ট্রেনিং কন্টেন্ট এ ব্যাপারে পাঁচটা পয়েন্টের কথা বলেছেন। এই পাঁচটা পয়েন্টের মধ্যে কিউরিসিটি হচ্ছে প্রথম আন্ডারস্ট্যান্ডিং কন্টেক্সট তিন নম্বর পয়েন্ট হচ্ছে হ্যাভিং টেকনিক্যাল মাইন্ডসেট। এরপরে আসছে ডেটা ডিজাইন আর সবশেষে আছে ডেটা স্ট্র্যাটেজি। আমি বুঝতে পারছি আপনি এই মুহূর্তে বলতে পারেন যে আমাদের এই ধরনের স্কিল সেট নেই অথবা এর মধ্যে কয়েকটা জানেন অথবা এটার একটা মিক্স হিসেবে কিছুটা জানা আছে। প্রথম কথা হচ্ছে ফরগেট এবাউট কম্পিউটার সাইন্স বা আপনি কোন ব্যাকগ্রাউন্ড থেকে এসেছেন তা সবচেয়ে শুরুতে যে জিনিসটা আমাদের দরকার সেটা হচ্ছে উৎসুক অর্থাৎ আপনি এই ব্যাপারটাকে জানতে চাচ্ছেন আপনি এই ব্যাপারটা শিখতে চাচ্ছেন আপনার ব্যাকগ্রাউন্ড যাই হোক না কেন। আমার 52 বছরে আমি যেটা দেখেছি যারা একটা জিনিস শিখতে চাচ্ছেন এবং সেটা যদি উনি মনে প্রাণে শিখতে চান সেটা অবশ্যই উনি শিখে ছাড়বেন। যারা কিউরিয়াস তারা সবসময় নতুন চ্যালেঞ্জ খুঁজতে চান এবং সেই চ্যালেঞ্জটা খুঁজতে যেয়ে তারা প্রবলেম সলভ করেন। এই রাস্তায় হাঁটতে গিয়ে উনি একটি এক্সপেরিয়েন্স গ্যাদার করেন যেই এক্সপেরিয়েন্সটা শেষে লার্নিং হয়ে দাঁড়ায় আর সেটাই নলেজ। ঠিক না? আপনি যদি এই ভিডিওটা এই পর্যন্ত দেখে থাকেন তার মানে আপনার মধ্যেও কিন্তু কিউরিসিটি আছে এবং এই কারণেই এই শুধুমাত্র এই একটা কারণে আপনি এই কোর্স শেষ করতে পারবেন। এরপরের পয়েন্টটা হচ্ছে কন্টেক্সট মানে আন্ডারস্ট্যান্ডিং কন্টেক্সট। আমাদের ভাষায় কন্টেক্সট হচ্ছে একটা কন্ডিশন যে কন্ডিশনের মধ্যে আমাদের কোন কিছু এই মুহূর্তে আছে বা একটা ঘটছে জিনিস। যেমন আমি এই মুহূর্তে ডেটা অ্যানালিটিক্স কোর্স নিয়ে আলাপ করার সময় যদি ফিজিক্স কেমিস্ট্রি নিয়ে আলাপ করতাম তাহলে সেটাকে আউট অফ কন্টেক্সট বলা যেত। আমরা যে জিনিসটার উপরে ডেটা অ্যানালিটিক্স করতে যাচ্ছি সেটার সাথে সেই আউটকাম বা ডেটার সাথে সেটার আউটকামের কন্টেক্সটে কিরকম মিল আছে। ডেটা অ্যানালিটিক্স এর মধ্যে কন্টেক্সটটা খুবই ইম্পর্টেন্ট এ কারণে আমাদের কাজের ফুল পিকচারের মধ্যে এটা আসলে কোথায় আছে কেমনভাবে আছে কেমনভাবে একটার সাথে আরেকটা সম্পর্কিত। এরপরের স্কিলটা খুবই সোজা যেটাকে আমরা বলছি টেকনিক্যাল মাইন্ডসেট। টেকনিক্যাল মাইন্ডসেট আসলে কিছুই না আমরা যেকোনো একটা জিনিসকে ছোট ছোট ভাগে কিভাবে ভাগ করে সেই জিনিসটাকে লজিক্যালি সলভ করব। শুরুতে যেকোনো সমস্যা অনেক বড় থাকে এবং সেটাকে আস্তে আস্তে আমরা কিভাবে ছোট করে ভাগ করে লজিক্যালি আইসোলেট করে কিভাবে প্রবলেমটাকে সলভ করব সেটাই হচ্ছে আমাদের টেকনিক্যাল মাইন্ডসেট। আমরা যখন একটা প্রোগ্রামিং করি সেই প্রোগ্রামিং এ একটা বড় সমস্যাটাকে আস্তে আস্তে ছোট মডিউলে ভাগ করে সেটাকে লজিক্যাল প্রসেসে এবং সেটার একটা অর্ডারলি ফ্যাশনে কাজটাকে শেষ পর্যন্ত সলভ করার অর্থই হচ্ছে আমরা একটা টেকনিক্যাল মাইন্ডসেট নিয়ে কাজ করলাম। চার নাম্বার স্কিল সেটটা হচ্ছে ডেটা ডিজাইন যার মাধ্যমে আমরা আমাদের যে তথ্যগুলো আছে সেই তথ্যগুলোকে ঠিকমতো অর্গানাইজ করতে পারছি কিনা সেটা একটা বড় স্কিল। আমাদের আশেপাশের তথ্যগুলোকে কিভাবে ডেটাবেজে রাখবো অথবা আমাদের ডেটাবেজে কিভাবে সেটা রাখলে আমাদের কাজগুলো আরো সহজ হয়ে যাবে সেটার একটা ভালো ডিজাইন কনসেপ্ট দরকার। আমার ফোন বুকে আমি কন্টাক্টস গুলো যেভাবে রাখি সেটা একটা আমার কনসেপ্ট যে আমি যার নামটা রাখবো তাকে আমি শুরু করব তার অর্গানাইজেশন নাম দিয়ে তারপরে তার ফার্স্ট নেম তারপরে তার লাস্ট নেম সেভাবে আমি ডেটাবেজে সেভ করতে চাই। অনেকে হয়তোবা শুরু করবেন তার ফার্স্ট নেম দিয়ে তারপর লাস্ট নেম অথবা অর্গানাইজেশন নেম। এটা যে যেভাবে ডেটাটাকে ডিজাইন করে এটা তার কনসেপ্টের উপর এই পুরো জিনিসটা নির্ভর করছে। আর সবশেষে যেটাকে আমরা বলছি একটি খুবই ইম্পর্টেন্ট স্কিল ডেটা স্ট্র্যাটেজি। গুগল এর ডকুমেন্টেশন বলছে ডেটা স্ট্র্যাটেজি ইজ দা ম্যানেজমেন্ট অফ দা পিপল প্রসেসেস এন্ড টুলস ইউজড ইন দা ডেটা অ্যানালাইসিস। আমরা যখন মানুষের ম্যানেজমেন্টের কথা বলছি তার মানে এখানে একজন ডেটা এনালিস্ট উনি কিভাবে একটা ডেটা ঠিকমতো ইউজ করবেন যাতে উনি শেষ পর্যন্ত তাদের রাইট সলিউশনটা পান। আমরা যখন প্রসেসের ম্যানেজমেন্টের কথা বলব তখন আমাদের এই সলিউশনে যাবার পথে যে রাস্তাটা আছে সেটা ঠিকমতো এক্সেসেবল কিনা। সেখানে কোন বাধাবন্ধক থাকলে সেটাকে সরিয়ে ফেলা। আর সবশেষে টুলসের কথা বলেছে যে আমরা চাইবো যে আমাদের এই প্রবলেম সলভিং এর সবচেয়ে ভালো টুলটাকে ব্যবহার করতে এবং সেটা আসলে রাইট টুল কিনা। আমরা এ ব্যাপারে সামনে আরো বড় উদাহরণ নিয়ে কথা বলব। আজকে এই পর্যন্তই থাকছেন তো সামনে। |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | ডাটা নিয়ে শুরু করবো কোথায় How to start with Data Data Roadmap.mp3 | একটা প্রশ্ন প্রায় পাই যে আসলে ডেটা নিয়ে কাজ করতে পারব কিনা কারণ যারা বিবিএ বা এমবিএ বা যারা মাত্র ইন্টারমিডিয়েট পরীক্ষা পাশ করেছেন বা যারা এইচএসসি দিয়েছেন তারা অনেকে বলেন যে আমরা কি ডাটা নিয়ে কাজ করতে পারব কিনা অফকোর্স আসলে ব্যাপারটা এরকম যে মানুষ মানে আমরা যারা মানুষ মানুষই কিন্তু মানুষের লিমিট সেট করে দেয় আজকে যদি আমরা মনে করি যে না আমরা এটা পারবো যদি আমরা যদি চিন্তা করি মানে সবকিছুই কিন্তু মাথায় মানে আমরা যে জিনিসটা করার দরকার বা যে জিনিসটা আমি পারসিভ করতে পারি মানে মানুষ যদি পারসিভ করতে পারে যে এই জিনিসটা সে করতে পারবে দেন হি উইল বি এবল টু ডু ইট আর আমরা যদি মনে করি যে না এটা আমরা করতে পারবো না দেন আই উইল নট বি এবল টু ডু ইট মানে আমি যদি করতে চাই তাহলে আমি পারবো আর আমি যদি মনে করি না আমি এটা করতে চাই না বা আমি এটা পারবো না আমি যদি নিজের থেকে যদি লিমিট সেট করে দেই যে আমি এটা পারবো না দেন আমি হয়তোবা এটা পারবো না সো ব্যাপারটা কিন্তু ওইখানেই দাঁড়িয়ে যায় যে ডেটা নিয়ে কাজ করার ব্যাপারটা কিন্তু সেরকম যে অফকোর্স ডেটা নিয়ে কাজ করার একটা ব্যাপার হচ্ছে যে হ্যাঁ ডেটা স্ট্রাকচার বা এই জিনিস বিকজ ডেটা সাইন্স নিয়ে যখন আমরা কাজ করব তখন কিন্তু ওটার ব্যাকগ্রাউন্ডের কিছু কিছু ব্যাপার আমরা আস্তে আস্তে শিখে যাব কিন্তু আমি প্রচুর মানুষ জানি আমার প্রচুর বন্ধুবান্ধব আছে এবং আমার অনেকেই আমি বিদেশে তার সাথে যোগাযোগ আছে আমার বিদেশে আমার যাওয়ার পরে ওখানে আমার সাথে কথা হয় প্রচুর ডেটা সাইন্টিস্ট আমি দেখেছি যারা আসলে কম্পিউটার সাইন্স না হয়ে অন্য ব্যাকগ্রাউন্ড থেকে এসেছেন হয়তোবা শুরুতে একটু সমস্যা হয়েছে তো আমি ডেটা সাইন্সের কথা বাদ আমি বলছি শুধু ডেটা অ্যানালিটিক্স আমি বলছি শুধুমাত্র ডেটাকে এনালাইসিস করতে পারা আর আমার আমার প্রশ্নটা আপনি বোঝেন যে আমি শুধু ডেটা নিয়ে কাজ করতে চাই আমি ডেটাকে ঠিকমতো এনালাইসিস করতে চাই আমি ডেটাকে এনালাইসিস করতে চাই সেই ডেটাকে এনালাইসিস করার জন্য কিন্তু আমার প্রোগ্রামিং লাগবে না শুরুতে শুরুতে আমি বলছি যে না ডেটা নিয়ে যদি আমি ধরা যাক ডেটা নিয়ে কাজ করতে চাই কারণ আমার অফিসে হোক এখন প্রাইভেট সেক্টর পাবলিক সেক্টর সব জায়গায় দেখছি যে প্রচুর ডেটা নিয়ে কাজ হচ্ছে এবং সেই ডেটা নিয়ে কাজ করার পেছনে যারা ডেটা নিয়ে কাজ করছেন তারা কিন্তু সবাই ডেটা সাইন্টিস্ট না তারা আসলে ওই ওই জায়গায় তারা কখনো যাননি কিন্তু দা আইডিয়া ইজ ইফ উই স্টার্ট একচুয়ালি টকিং টু ডেটা মানে আমরা ডেটা নিয়ে যদি এনালাইসিস করা শুরু করি দেন সামডে উইল বি এবল টু বিকাম লাইক দা কোভেটেড ডেটা সাইন্টিস্ট আর অনেকেই কিন্তু এখন ডেটা নিয়ে কাজ করছেন এবং ডেটা সাইন্টিস্ট হচ্ছেন অনেক সময় প্রি রিকুইজিট ছাড়াই হচ্ছেন কিন্তু যেটা হচ্ছে যে ব্যাকগ্রাউন্ডটা একসময় লাগবে কিন্তু আমি বলছি যে না আই এম নট টকিং এবাউট ডেটা সাইন্টিস্ট আই এম টকিং এবাউট ডেটা এনালিস্ট এজন্যই দেখেন যে আমরা বলছি ডেটা অ্যানালিটিক্স এবং ডেটা সাইন্সের রোডম্যাপ আমি বলছি ডেটা অ্যানালিটিক্স এর রোডম্যাপ মানে আপনি যদি শুধুমাত্র ডেটা অ্যানালিটিক্স দিয়ে শুরু করতে চান তার জন্য রোডম্যাপ কিন্তু খুবই সহজ এবং সেই সহজ রোডম্যাপটা হচ্ছে গিয়ে আপনাকে ডেটাকে এনালাইসিস করতে পারার জন্য কিছু টুল শিখতে হবে হুইচ ইজ হুইচ ইজ লাইক মেবি ফোর অর ফাইভ ডেজের আইডিয়া যে আমি আসলে যদি শুরু করতে চাই ধরা যাক কেউ যদি ডেটা এনালাইসিস শুরু করতে চান কেউ যদি ডেটা নিয়ে কাজ করতে চান কেউ যদি ডেটা নিয়ে তার ধারণা শুরু করতে চান এভরিবডি শুড স্টার্ট উইথ এক্সেল অর এভরিবডি শুড স্টার্ট উইথ মাইক্রোসফট অর আই উড সে গুগল শিট আপনার যদি এক্সেল লাইসেন্স থেকে ভালো আর যদি আপনার পিসিতে এক্সেল যদি ইনস্টল করা না থাকে নো প্রবলেম জাস্ট গো টু ইন্টারনেট গো টু দা ব্রাউজার এন্ড জাস্ট রান গুগল শিট বিকজ গুগল শিটে আমরা অনেক কিছু আপলোড করে আমরা কাজ করতে পারি সো আমরা আসলে ব্যাপারটা বলছি যে গুগল শিট গুগল শিট ক্যান বি ইউর প্রাইমার গুগল শিট ক্যান বি ইউর প্রাইমার বিকজ ইউ নিড টু প্রাইম ইউ নিড টু প্রাইম টু ডেটা সাইন্টিস্ট রোডম্যাপ সো আমরা যেটা বলছি যে ডেটা সাইন্স নিয়ে যখন আমরা কাজ করব তার শুরুতে ডেটা অ্যানালিটিক্স মানে আমরা ডেটা সাইন্সের আগে ডেটা অ্যানালিটিক্স দিয়ে শুরু করতে হবে এবং সেই ডেটা অ্যানালিটিক্স শুরু করার জন্য কিন্তু আপনার কিছুই লাগবে না এবং কিছু না লাগার জন্যই আসলে কিছু না এই বইটা কিনতে হবে না আমি বলছি যে এই বইটা না এই বইটা আমরা অনলাইনে আছে এই বইটা অনলাইনে পড়া যায় পয়েন্ট বিং যে আমি যে জিনিসটা বলছি যে ডেটা নিয়ে কাজ করার জন্য ডেটা নিয়ে কাজ করার জন্য আপনার মাইন্ডসেটটাই যথেষ্ট মানে আপনার মাইন্ডসেটটাকে খুলতে হবে যে না আপনি ডেটা নিয়ে কাজ করতে পারবেন এন্ড হুইচ ইজ ইনভিটাবলি ট্রু যে যে কেউ ডেটা নিয়ে কাজ শুরু করতে পারবেন সো আসলে আমরা বই লিখি অন্য একটা কারণে যে বই লিখি দায়বদ্ধতা থেকে যে একটা বয়স হয়ে গিয়েছে এখন আমরা একটু বই লিখি কারণ আমার যে আইডিয়া সে আইডিয়াটা কিভাবে মানুষের কাছে ছড়িয়ে দেওয়া যায় একেকটা বই আমরা লিখতে হয়তোবা ছ মাস সময় নেই ছ মাসে হয়তোবা বইটা থেকে আমি রয়ালটি ফি বাবদ হয়তোবা দু লাখ টাকা পাই ছয় মাস ইনভেস্ট করে দু লাখ টাকা পাওয়া আর সেখানে আমাদের মত অনেকেই যারা ছয় মাস কাজ করলে কিন্তু 20 লাখ টাকা আয় করতে পারেন সো আমি যে বলছি যে আমরা আসলে বইগুলো লিখি একটা দায়বদ্ধতা থেকে দায়বদ্ধতা থেকে এই কারণে যে যাতে আমাদের নতুন প্রজন্ম ডেটার দিকে হাঁটতে পারেন কারণ দিনশেষে আজকে যে ছেলেটা স্বপ্নতে জয়েন করছেন বা যে ছেলেটা আজকে ফুডপান্ডাতে জয়েন করছেন বা যে ছেলেটা আসলে বিভিন্ন সার্ভিস সেক্টরে কাজ করছেন বিকজ আমি নিজেও একটা সার্ভিস সেক্টরে আছি যে কোন সার্ভিস সেক্টরে ডেটা ড্রিভেন সার্ভিস সেক্টর হ্যাজ টু বি ডেটা ড্রিভেন সো এখানে আমাদের ডেটা নিয়ে কাজ করতে পারতে হবে আর সেজন্য আমি বলছি যে যখন অনেকে বলেন যে তারা ডেটা নিয়ে কাজ করতে পারবেন কিনা বা অনেকে বলেন যে তারা আসলে ডেটা নিয়ে তাদের ভয় আছে বিকজ তাদের কোন ব্যাকগ্রাউন্ড নেই কম্পিউটার সাইন্সের ব্যাকগ্রাউন্ড নেই আই উড সে নো প্রবলেম জাস্ট স্টার্ট বিকজ ডেটা অ্যানালিটিক্স শেখার জন্য ডেটা এনালাইসিস শেখার জন্য আপনার আসলে ও ধরনের ব্যাকগ্রাউন্ড প্রয়োজন নেই যিনি এইচএসসি পরীক্ষা পাশ করেছেন হি উইল বি এবল টু ডু ইট আজকে এ পর্যন্তই থাকছেন তো সামনে |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | মেন্টরশীপ ৩৮ নন-প্রোগ্রামারদের ৭ লাইনের মেশিন লার্নিং কে কে বেঁচে গিয়েছিলেন (আর প্রোগ্রামিং).mp3 | নন প্রোগ্রামারদের জন্য মেশিন লার্নিং এবং ডেটা অ্যানালিটিক্স এই দুটোই সম্ভব আর সে কারণে কিন্তু আমি নিয়ে এসেছি যে কিভাবে আপনারা যারা নন প্রোগ্রামার আছেন তাদেরকে প্রোগ্রামিং এনভাইরনমেন্টে নিয়ে আসা যায় আর সে কারণে আমরা আজকে কিভাবে অল্প কোডে আমি বলছি শুধুমাত্র সামান্য মানে আপনি প্রোগ্রামিং এ কিছুই জানেন না তবুও আমি আপনাকে সামান্য কয়েক লাইনের কোডে আমরা বলছি সাত লাইনের কোড দিয়ে আমি আপনাদেরকে একটা মেশিন লার্নিং একটা মেশিন লার্নিং এর উদাহরণ দেব যে কিভাবে মেশিন লার্নিং করা সম্ভব যদিও আপনার এটার পেছনে কোন ধরনের আইডিয়া না থাকে নন প্রোগ্রামারদের জন্য ডেটা অ্যানালিটিক্স এবং মেশিন লার্নিং শেখার জন্য আমি সবসময় প্রজেক্ট টাইটানিক কে বেছে নেই কেন কারণ প্রজেক্ট টাইটানিক ডেটা সেটটা খুবই ছোট আমি বলব মাত্র 60 কিলোবাইট আর এর সাথে আমি বলছি যে আমরা যারা বিজনেস ওয়ার্ল্ডে কাজ করছি বা বিজনেস ওয়ার্ল্ডে দেখছি তাদেরকে বলতে পারি যে আমাদের কাস্টমার ডেটা সেট যেভাবে কাজ করে আমরা কিন্তু এই টাইটানিক ডেটা সেটের এই পুরো জিনিসটা কিন্তু কাস্টমার ডেটা সেটের প্রক্সি হিসেবে দেখতে পারি আর সবচেয়ে বড় যে ব্যাপারটা আমরা বলছি যে আমাদের এই টাইটানিক ডেটা সেটের বিজনেস কোশ্চেন ছিল যে আমাদের টাইটানিক ভয়েজে কারা কারা বেঁচে গিয়েছিলেন বা কারা কারা মারা গিয়েছিলেন সেটা কি প্রেডিক্ট করা আর সেই প্রেডিকশনের জন্য আমাদেরকে পেছনের গল্পটা জানতে হবে যেটা সত্যি ঘটনা যে আটলান্টিক পাড়ি দেওয়ার সময় আমাদের টাইটানিকে টোটাল যাত্রী ছিল 2200 জনের মতো আর যখন এটা ডুবে যায় তখন সেখানে মারা যান প্রায় 1500 জনের মতো আর সেই মারা যাওয়ার পেছনে কি কি জিনিস কাজ করেছে এবং এনভাইরনমেন্টে কোন কোন ব্যাপারগুলো কাজ করতে পারে যে কে কে বেঁচে গিয়েছিলেন এবং কারা কারা মারা গিয়েছিলেন তাদের ডেটা আমরা এনালাইসিস করে এবং কোথায় কোথায় লাইভ বোর্ড আছে এবং লাইভ বোর্ডের পাশাপাশি একটা টাইটানিকের বিভিন্ন ক্রস সেকশনে আমরা দেখতে পাচ্ছি যে টিকিট নাম্বার এবং টিকিট নাম্বারের পাশাপাশি আমরা কেবিন নাম্বার গুলো দেখছি এবং কোথায় কোথায় কোন জিনিসটা আছে সেটাও নিয়েও কিন্তু আমরা এখানে আলাপ করেছি তবে যে জিনিসটা আমরা বারবার বলতে চাচ্ছি যে একজন যাত্রী মারা যাওয়া বা বেঁচে যাওয়ার যে সম্ভাব্যতা যে হাইপোথেসিস আমরা তৈরি করেছিলাম সেটার পেছনে কিন্তু আমরা বেশ কিছু আইডিয়া নিয়ে এসেছি তবে এই সবকিছুর পেছনে যেহেতু আছে ডেটা আর সেই ডেটা থেকে কিন্তু আমরা আসলে বের করার চেষ্টা করব যে কে কে ভবিষ্যতে আমরা বলছি যে দুটো ডেটা আছে একটা হচ্ছে ট্রেনিং ডেটা যেটার মধ্যে আমরা জানি যে কোন কোন যাত্রী মারা গিয়েছিলেন এবং বেঁচে গিয়েছিলেন এবং তার সঙ্গে অন্যান্য ডেটা আর এর পাশাপাশি টেস্ট ডেটাটা আমরা বলছি টেস্ট ডেটাতে কিন্তু সব তথ্যই আছে শুধুমাত্র একটা তথ্য নেই যে উনি আসলে বেঁচে গিয়েছিলেন নাকি মারা গিয়েছিলেন এই তথ্যটাকে যখন আমরা এনালাইসিস করব সেই এনালাইসিসে আমরা দেখব যে আসলে ডেটার মধ্যে কোন কোন ফিচার গুলো আমাদের একজন মানুষকে বা একজন যাত্রীকে বেঁচে যাওয়া বা মরে যাওয়ার মারা যাওয়ার ব্যাপারে একটা ইনফ্লুয়েন্স করেছে এবং সেই জন্যই কিন্তু আমাদের এই ডেটাতে প্যাসেঞ্জার আইডি প্যাসেঞ্জার ক্লাস নেম জেন্ডার বয়স সিবলিং স্পাউস প্যারেন্টস চিলড্রেন এই টোটাল ডেটাতে কিন্তু এটা যেহেতু টেস্ট ডেটা এই টেস্ট ডেটার মধ্যে কোন ধরনের সারভাইভ কলাম নেই মানে ফাইনাল আউটকামটা দেওয়া নেই সো আমাদের যেটা করতে হবে এই ফাইনাল আউটকামটা বের করার জন্য আমাদের ট্রেন ডেটা থেকে আমরা সবকিছু কাজ করব আর আমাদের টাইটানিক চ্যালেঞ্জটা আমি আবারও বলছি যে আমাদের টাইটানিক চ্যালেঞ্জটা হচ্ছে গিয়ে এই ডেটা সেট থেকে প্রেডিক্ট করতে হবে যে কারা কারা বেঁচে গিয়েছিলেন বা মারা গিয়েছিলেন আর সেই কারণে আমরা এখানে ব্যবহার করব মেশিন লার্নিং আর এখানে যে জিনিসটা আমরা বারবার বলছি যে ডেটা ডিকশনারিটা জানা আমাদের জরুরি যে আমাদের ভেরিয়েবলটা আসলে কি ছিল এবং সেই ভেরিয়েবল গুলোর মানে কি এবং সেটার সাথে সাথে তার ভ্যালুগুলো কি হতে পারে সেটাও কিন্তু আমরা এখানে দেখিয়েছি এবং এই ভেরিয়েবল ব্যাপারগুলো যেহেতু আমি অন্যান্য আরো অন্য অনেক ডেটা নিয়ে কথা বলেছি এই ভেরিয়েবল গুলো কিন্তু আমরা জানি এবং সেই ডেটা ভেরিয়েবল গুলো নিয়ে কিন্তু আমরা কাজ করেছি আমাদের এখনকার উদ্দেশ্য হচ্ছে আমাদের যে টোটাল ডেটাটা আছে সেই ডেটাটাকে আমরা এমনভাবে কাজ করব যেটাকে আমি বারবার বলছি যে আমাদের মেশিন লার্নিং ট্রেনিং যে গিটবুকটা আছে সেই গিটবুকে আমরা গিয়ে আমাদের যে এমএল ওয়ার্কবুকটা আছে সেই এমএল ওয়ার্কবুকের মধ্যে আমরা এই test.r.cloud এই ফাইলটাকে আমরা চালানোর চেষ্টা করব তো তার মানে হচ্ছে কি আমাদের শুরুতে চলে যেতে হবে আমাদের এমএল ট্রেনিং এ এবং যেহেতু আমরা গিটবুকে আমি ভুল বলছি আমি যেহেতু আমরা গিটহাবে অলরেডি লগড ইন অবস্থায় আছি মানে আপনি যেহেতু আপনার গিটহাবে লগড ইন অবস্থায় আছেন এইভাবে আপনি এখান থেকে ফর্ক করুন বিশেষ করে রাকিব স্ এমএল ট্রেনিং এটাকে আমাদেরকে ফর্ক করতে হবে এটাকে যখন আমরা ফর্ক করব এটাকে ফর্ক করলেই কিন্তু এটা সরাসরি আপনার একাউন্টে চলে যাবে আমরা এখানে ফর্ক চাপ দেই ফর্ক চাপ দিলে কিন্তু এই পুরো জিনিসটাকে আপনার আপনার একাউন্টে ধরা যাক এটা হচ্ছে আপনার একাউন্ট আর হাসান এই একাউন্টে এই এমএল ট্রেনিংটা ফর্ক হয়ে চলে যাবে ফর্ক হয়ে যখন চলে গেল তখন কিন্তু আমাদের এই ডেটাটা আমরা আমাদের লিংকটা আমরা এখানে পাবো যে আমাদের টোটাল ডেটাটা আছে github.com/ এখানে হচ্ছে আপনার ইউজারনেম মানে আপনার গিটহাবের ইউজারনেম এবং স্ এমএল ট্রেনিং এটা হচ্ছে আপনার লিংক মনে থাকবে তো এখন আমাদের প্রশ্ন হতে পারে যে আমাদের মেশিন লার্নিং সেটা কোথায় করব অবশ্যই আর স্টুডিও এবং এই আর স্টুডিও আমি আজকে দেখাবো আর স্টুডিও ক্লাউডে যেখানে আপনাদের কোন ধরনের আর স্টুডিও আপনার পিসিতে ইনস্টল করতে হবে না আর সে কারণে আমরা চলে যাচ্ছি rstudio.cloud এ এটা হচ্ছে আমাদের ওয়েব এড্রেস এবং এই ওয়েব এড্রেসে গিয়ে আমরা সবসময় যেটা করব যে আমরা প্রথমে আমরা সাইন আপ করে নেব এবং সাইন আপ করলে আমরা সবসময় আমরা ক্লাউড ফ্রি মানে আমরা ফ্রি যে টায়ারটা আছে সেই ফ্রি টায়ারটা নেব এবং সেই হিসাবে কিন্তু আমরা এখানে সাইন আপ করব এবং সাইন আপ করতে গেলে সবচেয়ে সহজ পদ্ধতি হচ্ছে আমরা গুগল অথবা গিটহাব দিয়ে আমরা সাইন আপ করতে পারি এই পর্যায়ে আমরা যেটা দেখাবো আপনাকে সেটা হচ্ছে যে আমি অলরেডি যেহেতু এখানে সাইন আপ করা আছে এ অবস্থায় আমরা কিন্তু যদি আমরা আর স্টুডিও ক্লাউডে ঢুকি তখন কিন্তু আমার এই ধরনের একটা ইন্টারফেস আসবে এবং সেই ইন্টারফেসটাই আমরা এখানে কাজ কাজ করে দেখছি যে আমাদের ইন্টারফেসটা কি হতে পারে আর সবচেয়ে বড় যে জিনিসটা আমি বলতে চাইবো যে আমাদের ইন্টারফেসে আমরা এখানে কি করব আমরা নিউ প্রজেক্ট নিব আর নিউ প্রজেক্ট করতে গেলে আমাকে কি করতে হবে আমি নিউ প্রজেক্ট নিতে পারি সরাসরি অথবা আমরা একটা প্রজেক্ট ফ্রম গিট রিপোজিটরি নিতে পারি আর এই গিট রিপোজিট নেওয়ার জন্য কিন্তু আমি আপনাকে এর আগে দেখিয়েছিলাম যে এই ডেটাটা বিশেষ করে আপনি যখন আপনার এখানে ফর্ক করে নিয়ে আসলেন এই পুরো ডেটাটাকে আপনার আমার দরকার এই লিংক এই লিংকটা হয়ে গেলে আমাদের এখানে গিটে আমরা পুরো জিনিসটাকে করে নিয়ে আসতে পারবো আমরা এটাকে ক্লোজ করে দিলাম আমরা নিউ প্রজেক্ট থেকে আমরা গিট রিপোজিটরি নতুন প্রজেক্ট নিলাম এবং সেখানে আপনার লিংকটা আমরা নিলাম এখানে হচ্ছে github.com/ আপনার ইউজারনেম/ml ট্রেনিং এর মাধ্যমে সবচেয়ে বড় যে সুবিধা হচ্ছে যে আপনি আপনার সবকিছু আপনার মত করে এডিট করে রাখতে পারবেন এবং সেখানে কিন্তু আমরা দেখছি যে পুরো জিনিসটাকে ডেপ্লয় হচ্ছে এবং এটা পুরোপুরি ক্লাউডে ডেপ্লয় হচ্ছে এবং ক্লাউডে ডেপ্লয় হওয়ার কারণে যেটা সুবিধা হচ্ছে যে কোন কিছুই আপনার পিসিতে করতে হচ্ছে না এবং সবচেয়ে ভালো জিনিসটা হচ্ছে যে আমরা ক্লাউডেই সবকিছু করে আমরা এডিট করে আমরা পুরো জিনিসটাকে আমরা ফেলে দিতে পারি অথবা আমাদের মত করে কাজ করে নিতে পারি আমাদের আর স্টুডিও ক্লাউড চালু হয়ে যাচ্ছে এবং সেখানে দেখুন যে আমাদের এখানে বিভিন্ন ডেটা মানে আমরা যে ক্লাউড স্টুডিও ক্লাউডে যেই ডেটাগুলো আমরা সেই গিটহাব থেকে চাচ্ছিলাম সেই গিটহাবে কিন্তু এটা লোড হচ্ছে এবং আমি বলব যে এটা একটা অসাধারণ কাজ ইভেন এটা ফ্রি টায়ার বাট ফ্রি টায়ার হলেও কিন্তু এটা একটা চমৎকারভাবে কাজ করে আমরা এ অবস্থায় আমরা টার্মিনাল কনসোল এবং অন্যান্য সবকিছু আমরা দেখতে পাচ্ছি তো এটা একদম পুরোপুরি আর স্টুডিও ক্লাউড এর মতই আর স্টুডিওর মতই একটা ক্লাউড সার্ভিস আমরা এখান থেকে এমএল ওয়ার্কবুকে চলে যাই এবং চলে যাওয়ার পর আমরা কি করব আমরা এখান থেকে test.r.cloud মানে এই ফাইলটাকে আমরা চালু করব এবং এই ফাইলটা যখন চালু করব তখন কিন্তু আমাদের এই পুরো জিনিসটা আমরা বুঝতে পারব একটা জিনিস আপনাদেরকে বলে রাখা ভালো এখানে যা জিনিস লেখা আছে আপনারা এইটা বোঝার এই মুহূর্তে এটার বোঝার আসলে ওরকম দরকার নেই এবং এই জিনিসটা নিয়ে আমাদের এই মুহূর্তে কাজ করার জন্য আমাদেরকে শুধুমাত্র বুঝলেই হবে আর সেটার জন্য আমি এটুকু বলব যে এই ব্যাপারগুলো যখন আসবে তখন আমরা ভেতরে বোঝার চেষ্টা করব যে আসলে কিভাবে ভেতরের ঘটনাগুলো ঘটছে আমরা লাইন বাই লাইন এটার পেছনে যে ধারণা সেটা আমাদের এই মুহূর্তে বুঝলে না বুঝলেও চলবে আমি প্রথমেই বলে নেব যে আপনি প্রোগ্রামিং সম্বন্ধে কোন ধারণা না থাকলেও আপনার জন্য কোন সমস্যা হবে না কারণ এই পুরো জিনিসটা একদম বাংলার মতো আমি আপনাকে বুঝিয়ে দিতে পারব আর সবচেয়ে বড় জিনিসটা হচ্ছে যে আমরা যে train.csv এবং test.csv এই দুটো কিন্তু আমরা ভালোভাবে ভালোভাবে বইয়ে লিখেছি যে এই দুটো ফাইলে কি আছে তবুও আমরা এই দুটো ফাইলকে আমরা এক্সেলে ওপেন করতে পারতাম তবে আমি মনে করেছি যে যেহেতু আমরা আর স্টুডিও ক্লাউডে আমরা চলে এসেছি এখান থেকেও আমরা সবকিছু আপনাদেরকে দেখাতে পারব আর যেহেতু আমরা ক্লাউডে কাজ করছি আমরা এই train.csv ফাইলটা এবং test.csv ফাইলটা এই দুটো সরাসরি আমরা গিটহাব থেকে লোড করে নেব যাতে আমরা আমাদের এই পিসিতে ডাউনলোড করতে না হয় এইজন্য আমরা সরাসরি কিন্তু সেই গিটহাব থেকে আমরা এখান থেকে লোড করেছি একটা জিনিস আপনারা দেখেন যে আমাদের এখানে কিছু লাইব্রেরি দরকার হেল্পার লাইব্রেরি দরকার আছে যেমন আমাদের ডিসিশন ট্রি কাজ করতে হলে আমাকে আর পার্ট লাইব্রেরিটা এখানে চালাতে হবে আমাদের আর পার্ট প্লট টাকে আমরা চালাতে হবে তার মানে এর আগে আমরা আর স্টুডিওতে যেভাবে কাজ করেছিলাম সেই আর স্টুডিওতে একইভাবে আপনার কিছু কিছু প্যাকেজ ইনস্টল করতে হতে পারে সেখানে কিন্তু এই প্যাকেজের ব্যাপারে বলা আছে যে এই প্যাকেজটা ইনস্টল নেই আমরা এখান থেকে ইনস্টল করে নিতে পারি এবং সেই প্যাকেজটা ইনস্টল হয়ে যাচ্ছে এবং ইনস্টল হয়ে গেলে আমাদের জন্য কিন্তু এই পুরো জিনিসটা খুব সহজ হয়ে গেল যে জিনিসটা আমি বারবার বলতে চাচ্ছি যে আমাদের এই ট্রেন যে ডাটা ফ্রেম এটাকে আমরা বলি ডাটা ফ্রেম মানে এটা একটা ভেরিয়েবল আমাদের রিড সিএসভি বলে একটা ফাংশন এই সিএসভি একটা ফাংশন যে আসলে আমাদের এই train.csv এই train.csv ফাইলটাকে সে রিড করে সে ট্রেন বলে একটা ভেরিয়েবলে সেটাকে স্টোর করছে যেটাকে আমরা বলি ডাটা ফ্রেম এই ডাটা ফ্রেমে সে এটা লোড করছে ধরা যাক আমি এটাকে চালু করলাম কিভাবে আমি এটাকে দিলাম রান তার মানে হচ্ছে কি এটা রান হয়ে গেল এবং রান হওয়ার ফলে যেটা হচ্ছে যে আমাদের ট্রেন বলে একটা ডাটা ফ্রেম অলরেডি তৈরি হয়ে গেল এবং ট্রেন ডাটা ফ্রেমে 891 টা অবজারভেশন আছে এবং তার সাথে 12 টা ভেরিয়েবল আছে আমরা যদি এই ট্রেনটাকে যদি চালু করতে চাই তাহলে কিন্তু আমরা ট্রেনটাকে দেখতে পারছি যে এর আগে আমি আপনাদেরকে দেখিয়েছিলাম যে ট্রেনটা মানে এর মধ্যে সারভাইভ কলামটা আছে তার মানে হচ্ছে প্যাসেঞ্জার আইডি সারভাইভ কলাম প্যাসেঞ্জার ক্লাস নেম এই জেন্ডার এইজ এ সবকিছু কিন্তু এখানে আছে তার মানে হচ্ছে কি এখানে যে ডেটাটা আমি আপনাকে ম্যাক্স এক্সেলে দেখাতে পারতাম সেটাও কিন্তু এখানে আমরা আর স্টুডিও ক্লাউড থেকে সরাসরি দেখতে পাচ্ছি কারণ এটা একটা ডাটা ফ্রেম এবং ডাটা ফ্রেমটা একদম এক্সেলের মতো আমরা এখানে সবকিছু দেখতে পাচ্ছি আমরা এটাকে ক্লোজ করে দিলাম আমাদের এই টেস্ট ডেটা সেটটাকে আমরা লোড করতে চাচ্ছি তা আমরা সেই টেস্ট বলে একটা ডেটা ফ্রেম মানে আমি বলতে চাচ্ছি টেস্ট ভেরিয়েবলে আমরা ডেটা ফ্রেম হিসেবে লোড করছি এবং সেটাকে আমরা এখান থেকে চালু করছি এবং সেখান থেকে আমাকে দেখাচ্ছে যে এটা আসলে নীল মানে হচ্ছে কি ঠিকমত এক্সিকিউট হয়েছে এবং সেখানে আমাদের এই টেস্ট এবং ট্রেন এবং ট্রেনে এবং টেস্ট এই দুটো জায়গায় আছে এখানে আমরা টেস্ট ডেটাতে আমাদের একটা জিনিসই নেই সেটা হচ্ছে কি আমাদের সারভাইভ কলামটা নেই আপনি দেখেন এখানে সারভাইভ কলামটা নেই এখানে বাকি সব ডেটা আছে বাকি সব ফিচার আছে কিন্তু সারভাইভ কলাম নেই এবং সেখানে 418 টা রেকর্ড 418 টা রেকর্ড এবং 12 টা ভেরিয়েবলের জায়গায় 11 টা ভেরিয়েবল আমি এইজন্য বলছি যে এই টেস্ট ডেটা সেট যেটা হচ্ছে কি আমি যার যেটার উপরে আমি টেস্ট করব আমার সিস্টেমটা ঠিকমত কাজ করছে কিনা আমাদের প্রেডিকশন ঠিকমত কাজ করছে কিনা এইজন্য আমাদের এখানে একটা ভেরিয়েবল কম মানে আমাদের উত্তরটা নেই এখন আমরা এটাকে ক্লোজ করে দিলাম এরপরে আমি আপনাদেরকে বলতে চাচ্ছি যে ডিসিশন ট্রি যেটা আমি আপনাকে একটু ছবিতে একটু পরে দেখিয়ে দিব যে আসলে এই ডিসিশন ট্রি লাইব্রেরিটা আমরা যদি লোড করে নেই তাহলে আমাদের জন্য এই মডেলটা তৈরি করতে সুবিধা হবে আর এই ডিসিশন ট্রি লাইব্রেরিটার কাজ হচ্ছে গিয়ে যেটাকে আমরা বলছি আর পার্ট আর পার্ট হচ্ছে রিকার্সিভ পার্টিশন এন্ড রিগ্রেশন ট্রিজ এটা একটা লাইব্রেরি যেটাকে আমরা এখানে মডেলে ব্যবহার করব আমরা এটাকে লোড করে নিচ্ছি এবং এরপরে আমরা এই মডেল প্রেডিকশন মানে যেহেতু এটা একটা ক্লাসিফিকেশন মডেল ক্লাসিফিকেশন এ কারণে যে আমার এখানে আউটকাম মানে আমরা যদি এখানে দেখি যে আমার ফাইনাল যেটা ট্রেনের মধ্যে আমার আউটকাম হচ্ছে গিয়ে সারভাইভ মানে আমি সে বেঁচে গিয়েছিলেন নাকি মারা গিয়েছিলেন সারভাইভ জিরো এন্ড ওয়ান জিরো এন্ড ওয়ান মানে হচ্ছে ক্লাসিফিকেশন মানে এটার মধ্যে দুটো মাত্র ভ্যালু আছে এবং সেটাই হচ্ছে ক্লাসিফিকেশন আমরা এখানে যদি আমাদের ক্লাসিফিকেশন মডেলে যদি যেতে চাই তাহলে আমাদের এই মডেলটা হচ্ছে মডেল অবজেক্ট আমরা মডেল অবজেক্টটা আমরা এখানে সিলেক্ট করতে পারি আর এটা হচ্ছে একটা অ্যাসাইনমেন্ট অপারেটর আপনি এটা বুঝতেই পারছেন যে এই আর পার্ট এই আর পার্ট সে আমাদের ফাইনাল আউটকাম মানে আমাদের প্রেডিক্টর মানে আমাদের আমরা কি বের করতে চাচ্ছি যে ওয়েদার হি হ্যাজ সারভাইভড অর নট মানে আমরা বের করতে চাচ্ছি ওই যাত্রী উনি কি মারা গিয়েছিলেন নাকি উনি বেঁচে গিয়েছিলেন আমরা এটাকে বের করতে চাচ্ছি এবং তারপরে কিন্তু আমরা টাইলি দিয়ে আমরা কিন্তু বলতে চাচ্ছি যে এইটা হচ্ছে গিয়ে ফিচার মানে এইটা হচ্ছে গিয়ে সেপারেট করতে পারে মানে এটা সেপারেট করছে টাইলি অপারেটর যে দিস ইজ আওয়ার ফাইনাল আউটকাম মানে এটা আমরা বের করব আর এই টাইলির পরে হচ্ছে গিয়ে বাকি ফিচার গুলো যেগুলো আমরা আসলে ফিচার হিসেবে আপনি দেখেছেন যে এখানে ফিচার হিসেবে এই এগুলো হচ্ছে ফিচার এগুলো হচ্ছে ফিচার সেই ফিচার গুলোকে আমরা এখানে দেখিয়েছি আমরা এখানে সবগুলো ফিচার এভাবে বলতে পারতাম অথবা আমরা যদি এভাবে মডেল আর পার্ট সারভাইভ টাইলি এবং ডট এই ডট মানে হচ্ছে সব ফিচার আমি হিসাব ওভাবে না করে আমি সরাসরি এখানে ডট দিলে আমার এখানে সব ফিচার গুলোকে সে ক্যালকুলেট করবে এবং ডাটা ইকুয়ালস টু ট্রেন মানে আমরা কি বলছি যে আমাদের ডাটাটা কোত্থেকে আসবে মানে আমাদের ডেটাটা কোত্থেকে আসবে ডেটাটা আসবে ট্রেন এখানে যে ট্রেন যেটা আছে ট্রেন যে ডেটা ফ্রেম সেই ট্রেন ডেটা ফ্রেম থেকে এই ডেটাটা আসবে আর সেই কারণে কিন্তু আমরা বলছি যে ডেটা ইকুয়ালস টু ট্রেন মানে ডেটা ইকুয়ালস টু ট্রেন এই ডেটাটা আসছে ট্রেন ডেটা ফ্রেম থেকে এবং ফাইনালি আমরা বলছি মেথড মানে আমাদের মেথডটা কি ক্লাসিফিকেশন কারণ আমাদের এই পুরো জিনিসটা আমরা আউটকাম চাচ্ছি ক্লাসিফিকেশনে যে জিরো এন্ড ওয়ান মানে সারভাইভড অর নন নট সারভাইভড তো এখানে মেথড ক্লাসিফিকেশন দেওয়ার ফলে এটাকে আমরা ফাইনালি আউটকামটা পাঠিয়ে দিচ্ছি অ্যাসাইনমেন্ট অপারেটর দিয়ে আমরা একটা মডেল অবজেক্টে এই মডেল অবজেক্ট কিন্তু এই পুরো ডিসিশন ট্রি সারভাইভড সারভাইভড আমরা বলছি যে এই সারভাইভড এই সারভাইভড এর আউটকামের সাথে আমরা বাকি সব ফিচার গুলোকে আমরা রিলেট করছি মানে বাকি ফিচার গুলো কিন্তু মানে সারভাইভ মানে এই জিরো এন্ড ওয়ান ফাইনাল আউটকামটা বোঝার জন্য এই অন্যান্য ফিচার গুলো আসলে কিভাবে ইনফ্লুয়েন্স করছে মানে অন্যান্য ফিচার গুলো কিভাবে এই সারভাইভড কলামের উপরে ইনফ্লুয়েন্স করছে সেটাই কিন্তু আমরা এখান থেকে আমরা বের করার চেষ্টা করছি তা আমরা এখানে টোটাল জিনিসটাকে আমরা সিলেক্ট করে আমরা রান করলাম এবং আমাদের মডেলটা চালু হয়ে গেল এবং মডেলটা কিন্তু মডেল অবজেক্টে সেভ হয়ে গেল মডেল অবজেক্টটা সেভ হওয়ার পরে আমরা এটাকে একটা প্রেডিকশন করব কারণ এটা হচ্ছে গিয়ে মডেলে কিন্তু এখন রিলেশনশিপটা আছে রিলেশনশিপটা কিসের ডাটা ট্রেন মানে ট্রেন ডেটা ফ্রেমের রিলেশনশিপটা সে মডেল অবজেক্টে সে নিয়ে গেছে এখন আমরা যদি একটা প্রেডিকশন করি ধরা যাক প্রেডিকশন মাই প্রেডিকশন বলে একটা আমরা বলছি এটা ভেরিয়েবল আমরা তৈরি করলাম যেখানে অ্যাসাইনমেন্ট করে আমরা প্রেডিক্ট করে বলছি যে প্রেডিক্ট এবং আমরা বলছি কোন জিনিসটাকে প্রেডিক্ট করব হোয়াট ইজ দা মডেল আমার মডেলের নামও রেখেছি মডেল মানে আমরা মডেলের নাম এখানে মডেলের জায়গায় আমরা এ বি সি দিতে পারতাম আমরা মডেলের জায়গায় মডেল মানে আমরা এখানে মডেলটা এখানে মডেল নাম দিলাম একই জিনিস এখানে এ বি সি থাকতে পারতো এবং এখন আমরা বলছি ডেটাটা কিন্তু নট ট্রেন ডেটাটা ট্রেন না বরং ডেটাটা হচ্ছে টেস্ট আমরা কোন টেস্ট এই টেস্ট ডেটা ফ্রেমে এবং এই টেস্ট ডেটা ফ্রেমে কিন্তু আমরা দেখতে পাচ্ছি যে এখানে সারভাইভ কলামটা নেই আর সারভাইভ কলামটা না থাকার ফলে যেটা হচ্ছে যে আমরা আসলে এখানে রিলেশনশিপটা বের করতে চাচ্ছি যে এখানে যে রিলেশনশিপটা বিল্ড হয়ে গেছে অলরেডি সেই রিলেশনশিপটাকে সে পাস কর হচ্ছে প্রেডিকশনে এখানে মডেল এবং ডেটা সেট হচ্ছে গিয়ে ডেটা ফ্রেম হচ্ছে গিয়ে টেস্ট এবং টাইপ হচ্ছে ক্লাসিফিকেশন আমাদের আগের মত করে ক্লাসিফিকেশন করে আমরা এটাকে প্রেডিক্ট করতে পারি এবং প্রেডিক্ট করে আমরা এটাকে রান করে দিলাম যে আমাদের প্রেডিকশন কাজ করেছে ঠিকমতো এখন আমরা তো এই পুরো জিনিসটাকে মাই প্রেডিক্ট হিসেবে নিলাম কিন্তু আমরা তো মানুষ আমরা তো হিউম্যান বিং আমরা তো ওভাবে যন্ত্রের ভিতরে ঢুকে আমরা বুঝতে পারি না যে ভিতরে কি আছে কারণ এখানে কিন্তু অলরেডি মাই প্রেডিক্টের ভ্যালু কিন্তু জিরো এন্ড ওয়ান এর মধ্যে কিন্তু বের করে দিয়েছে আমাদের এই এই প্রেডিকশনের মধ্যে সো এখানে আমার এই জিনিসগুলো যেটা বের হয়েছে সেটাকে আমি হিউম্যান রিডেবল হিসেবে দেখতে চাই মানে এক্সেল এক্সেলের মত করে দেখতে চাই তাহলে আমরা কি করব আমরা ডাটা ফ্রেম তৈরি করব ডাটা ফ্রেম তৈরি করে আমরা কি বলছি যে প্যাসেঞ্জার আইডি যেই প্যাসেঞ্জার আইডিটা ছিল হচ্ছে ট্রেনে এবং সেই ট্রেনের প্যাসেঞ্জার আইডিটা আমরা যেটা দেখছি সেখানে আমরা নতুন করে একটা প্যাসেঞ্জার আইডি তৈরি করছি টেস্ট ডেটা সেট থেকে মানে আমরা বলছি টেস্ট ডেটা ফ্রেমের মধ্যে তুমি প্যাসেঞ্জার আইডি বলে একটা নতুন আইডি তৈরি করো যেই আইডিতে হচ্ছে টেস্টের যত আইডি আছে সেই আইডিটা নিয়ে যাবে এবং আমরা যেহেতু হিউম্যান আমরা এখানে নেম হিসেবে এখানে নেম টেস্টের ডেটা ফ্রেম থেকে নেমটা যোগ করছি যাতে আমরা একটা টেবিলের মত করে দেখতে পারি যে প্যাসেঞ্জার আইডি নেম এবং ফাইনালি উনি কি সারভাইভড হয়েছেন কি হননি এবং এই মাই প্রেডিক্ট এখানে মাই প্রেডিক্ট যে জিনিসটা এটা আসছে এখান থেকে তার মানে আমাদের এই মাই প্রেডিকশনটা এই যে মাই প্রেডিক্টটা এটা আউটকামটা এসে জমা হচ্ছে মাই প্রেডিক্টে মানে এই যে মাই প্রেডিক্টটাকে আমরা এই সারভাইভড যে ভেরিয়েবল আছে সেই সারভাইভ ভেরিয়েবলে আমরা এটাকে কপি করছি এবং এই মাই প্রেডিক্টটা কিন্তু ফাইনাল আউটকামটা কিন্তু এখানে দেখাচ্ছে তা আমরা একটা হিউম্যান রিডেবল ফরমেটে দেখতে চাই কারণ আমরা বলছি যে মাই প্রেডিক্ট আন্ডারস্কোর ডিএফ মানে এটা একটা ডেটা ফ্রেম হিসেবে আমরা সেভ করছি এবং আমরা ডেটা ফ্রেম একটা ফাংশন কল করছি এবং ফাংশনের মধ্যে বলে দিচ্ছি প্যাসেঞ্জার আইডি হচ্ছে কি টেস্টের মধ্যে যে ডেটাটা আছে সেটার একটা প্যাসেঞ্জার আইডি হবে এবং নেম হবে টেস্টের মধ্যে যেই নেমগুলো আছে সেই নেমগুলো হবে বিকজ আমরা এখানে ডলার সাইন দিয়ে সেই কলামটাকে এক্সেস করছি যেখানে আমরা আপনাকে দেখিয়েছিলাম যে টেস্টের মধ্যে আমাদের নেম আছে এই নেম আমার এই নেম কলামকে এক্সেস করতে হলে আমি ডলার সাইন দিয়ে এক্সেস করছি আমার প্যাসেঞ্জার আইডিকে এক্সেস করার জন্য আমার এখানে টেস্ট ডলার সাইন প্যাসেঞ্জার আইডি দিলেই কিন্তু আমার এই এই ভেতরের ডেটাগুলো চলে আসবে তার মানে হচ্ছে কি আমাদের এই পুরো জিনিসটাকে মাই প্রেডিক্ট আন্ডারস্কোর ডিএফ বলে একটা ডেটা ফ্রেমে সে লোড হবে এবং সারভাইভডে ফাইনালি এই মাই প্রেডিক্ট থেকে যে ডেটাটা আছে সেটাকে হিউম্যানলি রিডেবল ফরমেটে আমাদের দেখাবে আমি এটাকে রান করলাম এবং রান করলে আমার এখানে মাই প্রেডিক্ট যে ডিএফটা আছে সেখানে কিন্তু আমাদের রেজাল্টটা চলে এসেছে আমি এখানে মাই প্রেডিক্ট ডিএফটা যদি আমি এখান থেকে রান করি যে আমরা রান করলাম রান করলে আমার এখানে টোটাল মাই প্রেডিক্ট আন্ডারস্কোর ডিএফ এখানে এই জিনিসটাকে কপি হয়ে চলে এলো তার মানে মাই প্রেডিক্ট আন্ডারস্কোর ডিএফ মানে আমরা দেখতে পাচ্ছি যে মাই প্রেডিক্ট আন্ডারস্কোর ডিএফ টেস্টের মত 418 টা অবজারভেশন তিনটা ভেরিয়েবল কারণ তিনটা ভেরিয়েবল কারণ কি প্যাসেঞ্জার আইডি একটা ভেরিয়েবল নেম আরেকটা ভেরিয়েবল সারভাইভড আরেকটা ভেরিয়েবল এই তিনটা ভেরিয়েবল দিয়ে কিন্তু আমাদের ফাইনাল রেজাল্ট অলরেডি দিয়ে দিয়েছে আমরা যদি এখানে মাই প্রেডিক্ট আন্ডারস্কোর ডিএফ টাকে যদি সরাসরি দেখি আমরা দেখব টেস্টের মধ্যে আমাদের যে ডেটা ছিল প্যাসেঞ্জার আইডি 892 থেকে শুরু সেই প্যাসেঞ্জার আইডি 892 থেকে কিন্তু এখানে শুরু হয়েছে তার মানে হচ্ছে কি আমাদের কাজটা ছিল যে প্যাসেঞ্জার আইডি পি ক্লাস কিন্তু এখানে কিন্তু সারভাইভ না এখন আমরা প্রেডিক্ট করেছি সারভাইভ তার মানে আমাদের একটা শুধুমাত্র তিনটা ইনফরমেশন পেলেই যথেষ্ট যেহেতু আমরা হিউম্যানলি জানতে চাচ্ছি আমরা যদি ক্যালকুলেট লোড করতাম তাহলে আমাদের নেমটা দরকার ছিল না আমাদের শুধু প্যাসেঞ্জার আইডি আর সারভাইভ বাট যেহেতু আমরা হিউম্যানলি জানতে চাচ্ছি যে আসলে মানুষের নাম কি ছিল এবং সেটার ব্যাপারে আমরা আরেকটু ভিতরে ঢুকবো তো সেখানে আমার মাই প্রেডিক্টের ভিতরে গেলে প্যাসেঞ্জার আইডি কেলি মিস্টার জেমস এবং আমরা যদি টেস্টে দেখি যে 892 কেলি মিস্টার জেমস মানে ফাইনালি সারভাইভ কলামটা নেই তা আমাদের উত্তরে আমাদের মাই প্রেডিক্ট আন্ডারস্কোর ডিএফ এ কিন্তু আমরা প্যাসেঞ্জার আইডি আমাদের নেম এবং সারভাইভ কলামে আমরা কিন্তু দেখছি যে উনি আসলে মারা গিয়েছেন মানে জিরো মানে হচ্ছে উনি মারা গিয়েছেন এখন আমরা দেখতে চাইবো জানতে চাইবো যে কেলি মিস্টার জেমস ধরা যাক কেলি মিস্টার জেমস আমি উনার নামটা কপি করলাম কপি করার পর আমি সরাসরি চলে গেলাম গুগলে এবং গুগলে আমরা বললাম কেলি মিস্টার জেমস এখন এটা যদি আমি সার্চ করি সরাসরি কিন্তু আমাকে নিয়ে যাচ্ছে যে জেমস কেলি হি ইজ এ টাইটানিক ভিক্টিম মানে উনি মারা গেছেন মানে ভিক্টিম উনি আসলে বাঁচেননি তার মানে হচ্ছে গিয়ে আমরা এখানে দেখতে পাচ্ছি যে জেমস কেলি টাইটানিক আসলে টাইটানিক যে জাহাজ ডুবিতে যারা বেঁচে গিয়েছে মারা গিয়েছেন সেখানে আমরা দেখছি যে এখানে উনি ফাইনালি মানে উনার ডায়েড ইন মানে আমরা দেখতে পাচ্ছি যে উনি আসলে টাইটানিক ডিজাস্টারে মানে টাইটানিক ডিজাস্টারে উনি মারা গিয়েছেন মানে উনি উনি 1912 সালে মারা গেছেন মানে এখানে আমরা বুঝতে পারছি যে সরাসরি যে উনি আসলে মারা গেছেন সো এই ব্যাপারটা হচ্ছে এরকম যে আসলে আমরা সত্যিকারে দেখতে পাচ্ছি যে কেলি মিস্টার জেমস উনি মারা গেছেন মানে এটা আসলে এনসাইক্লোপিডিয়া বলছে যে জিরো মানে হচ্ছে কি আমাদের প্রেডিকশন ঠিক আছে মানে আমাদের যে ডেটাটা যেটার মধ্যে টেস্ট ডেটার মধ্যে কিন্তু কোন ধরনের উত্তর ছিল না সেই উত্তরটা কিন্তু আমরা মেশিন লার্নিং মডেল থেকে আগের যে ট্রেন ডেটা সেট আছে সেই ট্রেন ডেটা সেটের মধ্যে কিন্তু কেলি মিস্টার জেমস কিন্তু নেই সো আমরা বলতে চাচ্ছি যে ওইখানে ওই ডেটা সেটটা না থাকা সত্ত্বেও আমরা ট্রেন ডেটা সেটের এই রিলেশনশিপটা মানে সারভাইভড সারভাইভড এর সাথে বাকি তথ্যগুলোর রিলেশনশিপটা থেকে আমরা ধারণা নিয়ে আমাদের মেশিন লার্নিং মডেল টেস্ট ডেটা সেটের মধ্যে যেই ধরনের ডেটাগুলো আছে যেই ডেটা ডেটাগুলো টেস্ট ডেটা সেটে যে ডেটাগুলো আছে সেগুলো কিন্তু ট্রেন ডেটা সেটে নেই শুধু এই ডেটা থেকে কিন্তু সে ফাইনালি সে প্রেডিক্ট করেছে যে এখানে সে মারা গেছেন তো নেক্সট ম্যান যিনি নেক্সট যিনি ছিলেন উনিও মারা গেছেন এভাবে আমরা দেখছি যে প্রথম চারজন মারা গেছেন আমরা এখন একটু টেস্ট করি যে পঞ্চম রেকর্ড মানে 896 এখানে দেখা যাচ্ছে যে উনি বেঁচে গিয়েছিলেন সারভাইভড এখন আমি উনার নামটাকে আমি কপি করি এবং কপি করার পর আমি এটাকে নতুন করে সার্চ করি এবং সেখানে আমরা দেখি যে উনি আসলে বেঁচে গিয়েছিলেন নাকি মারা গিয়েছিলেন এখানে আমরা দেখছি যে উনি টাইটানিক সারভাইভার মানে উনি দেখছেন যে টাইটানিক সারভাইভার মানে উনি বেঁচে গিয়েছেন টাইটানিক জাহাজ ডুবিতে উনি বেঁচে গিয়েছিলেন এই টাইটানিক সারভাইভারে আমরা যখন যাচ্ছি তখন কিন্তু আমরা দেখছি যে এই টাইটানিক সারভাইভারের এখানে যে ডেটাটা আছে সেই ডেটাতে আমরা দেখছি যে আমাদের ডায়েড মানে ডায়েড উনি 71 বছর বয়সে মারা গেছেন মানে উনি 1961 সালে মারা গেছেন এর অর্থ হচ্ছে উনি এবং উনি আসলে কখন থেকে উঠেছিলেন সব জায়গায় তার মানে হচ্ছে কি উনি টাইটানিক সারভাইভার উনি পরে অনেক পরে মারা গেছেন 1961 সালে উনি মারা গেছেন তো ব্যাপারটা হচ্ছে এরকম যে আমাদের টাইটানিক ডেটা সেট কিন্তু আমাকে বলছে যে কেলি মানে মিস্টার জেমস কেলি উনি বেঁচে গিয়েছিলেন আর মিসেস আলেকজান্ডার আমি ভুল বললাম মিস জেমস কেলি উনি মারা গিয়েছেন জিরো এবং মিসেস আলেকজান্ডার উনি আসলে ওয়ান মানে হচ্ছে উনি বেঁচে গিয়েছেন আমার মনে হয় এই পুরো ধারণাটা আপনাকে দেওয়ার জন্য যে এখানে মেশিন লার্নিং মডেল কিন্তু খুব একটা ডিফিকাল্ট কিছু না এবং যারা নন প্রোগ্রামার তারাও কিন্তু এই পুরো জিনিসটা করতে পারবেন আমাদের এই প্রজেক্টটা যেহেতু আমরা হাতে কলমে মেশিন লার্নিং বইটা থেকে আমরা করেছি আমি ধারণা করছি যে আপনারা হাতে কলমে মেশিন লার্নিং বইটা থেকে অনেক কিছুই ধারণা পেয়ে গেছেন এবং সেখানে যে ক্লাসিফিকেশন মডেলটা আমরা করেছি সেখানে আমরা প্রথমে বলেছি যে এটা একটা ডিসিশন ট্রি এই ডিসিশন ট্রিটা কিভাবে কাজ করে সেটা নিয়ে কিন্তু আমরা এর আগেও বলেছি এবং আমাদের আগের ভিডিওতেও আমরা দেখিয়েছি তবে আপনাদের বোঝানোর জন্য যারা আসলে নন প্রোগ্রামিং ব্যাকগ্রাউন্ড থেকে এসেছেন তো তারা আমরা বুঝতে চাচ্ছি যে আসলে এই মডেলটা যে আমরা তৈরি করলাম সেই মডেলের মধ্যে কিভাবে সিদ্ধান্ত তারা নিতে পারলো যে আসলে কে কে বেঁচে গিয়েছিলেন বা কে মারা গিয়েছিলেন তো সেই ডিসিশন ট্রিটা আসলে যদি আমরা ভিজুয়ালি দেখতে পারি তাহলে কিন্তু আমাদের জন্য সহজ এজন্য আমরা আর পার্ট ডট প্লট আমরা লাইব্রেরিটাকে আমরা লোড করে নিলাম এবং লোড করার পরে আমরা এই আর পার্ট প্লটটাকে আমরা এখানে যে মডেলটা আছে এই যে আমরা এখানে দেখিয়েছি যে মডেলটা সেই মডেলটাকে আমরা আর পার্ট ডট প্লট এর মধ্যে আমরা নিয়ে এলাম এবং সেইখানে আমরা বলেছি যে এটা আমাদের মডেলটাকে তুমি প্লট করো এবং সেই আর প্লট আর পার্ট ডট প্লট এই মডেলটাকে সে প্লট করলাম আর এখানে আমি এক্সট্রা 101 বা 106 আমাদের এটা না দিলেও চলবে এই মডেলটাকে আমরা যদি চালু করি তাহলে কিন্তু একটা সে ভিজুয়াল জেনারেট করবে এবং এই ভিজুয়ালটা আমাদের এখানে আমরা দেখছি এবং সেই ভিজুয়ালটা যদি আমরা একটু বড় করে দেখি তাহলে আমরা এখানে দেখতে পারব যে আসলে আমাদের ডিসিশন ট্রি মানে আমাদের এই মডেলটা আসলে কিভাবে কাজ করেছে এর পেছনের আন্ডারস্ট্যান্ডিংটা কি ছিল এখানে আমরা যেটা দেখেছি যে জিরো মানে হচ্ছে গিয়ে উনি মারা গেছে তার মানে হচ্ছে ওরা শুরু করেছে যেহেতু ভোটিং এ ও দেখেছে যে 100% মানে 100% যাত্রীর মধ্যে সে শূন্য যখন হিসাব করেছে দেখেছে যে 100% যাত্রীর মধ্যে মাত্র 38% বেঁচে গিয়েছিলেন মানে 38% বেঁচে গিয়েছিলেন আর জিরো বেশি তো সেই হিসাবে কিন্তু সে ডিসিশন ট্রি তে সে চলে এসছে যদি তারপরে সে সিলেক্ট করেছে যে যদি জেন্ডার যদি মেল হয় জেন্ডার যদি মেল হয় এবং সেটা যদি ইয়েস হয় তাহলে কিন্তু সে এখান থেকে কিন্তু ডিসিশন ট্রি তে কিন্তু চলে যাচ্ছে যে এরপরে জেন্ডার যদি মেল হয় এবং ইয়েস হয় তাহলে দেখা যাচ্ছে যে মাত্র 19 শতাংশ মানে 19 শতাংশ আসলে বেঁচে ছিলেন 19 শতাংশ বেঁচে ছিলেন 19 শতাংশর মধ্যে 65% বেঁচেছেন তার মানে হচ্ছে কি 19 শতাংশের 65% বেঁচেছেন আর এখানে কিন্তু ম্যাক্সিমামই কিন্তু জিরো এবং যদি জেন্ডার যদি মেল না হয় তাহলে কিন্তু দেখা যাচ্ছে যে এখানে 74% 74% বেঁচে গিয়েছিলেন যদি জেন্ডার মেল না হয় ওয়ান ওয়ান মানে হচ্ছে বেঁচে গিয়েছেন 74% বেঁচে গিয়েছেন সেই হিসাবে কিন্তু আমরা তারপরে প্যাসেঞ্জার ক্লাস যদি থ্রি এর বেশি হয় এবং ইকুয়াস হয় তার জন্য কিন্তু একটা সার্টেন পার্সেন্টেজ কিন্তু মারা গেছেন বা এখানে যদি এর অপোজিটটা হয় মানে এখানে ইয়েস এবং নো আমরা যদি এখানে যদি ইয়েস চিন্তা করি এখানে নো চিন্তা করি তাহলে কিন্তু এই ধরনের সিদ্ধান্তগুলো সে নিয়েছে ফেয়ার যদি 23 ডলারের বেশি হয় তাহলে একটা সিদ্ধান্ত এখানে বয়স যদি 6.5 এর বেশি হয় তার জন্য কিন্তু একটা সিদ্ধান্ত সিবলিং এন্ড স্পাউস যদি সংখ্যায় তিনের বেশি হয় এবং ইকুয়াস হয় তার জন্য এক সিদ্ধান্ত মানে এভাবে কিন্তু এই সিদ্ধান্তগুলো তারা নিয়েছে ফেয়ার কত হলে হবে ফেয়ারের এই ইকুয়াস গুলো কিন্তু তারা এখানে একটা ডিসিশন ট্রি তে ফেলেছে আমার ধারণা যে আপনারা যদি হাতে কলমে মেশিন লার্নিং বইটা পড়েন তাহলে কিন্তু এই ব্যাপারে আপনারা আরো ভালো বুঝতে পারবেন এবং সবকিছুই নন প্রোগ্রামারদের জন্য আজকে এই পর্যন্তই থাকছেন তো সামনে |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | নন-প্রোগ্রামারদের জন্য ডেটা অ্যানালাইটিক্স মেন্টরশীপ ৪ ডেটা স্টোরি-টেলিং.mp3 | ডেটা স্টোরি টেলিং এর জন্য তিনটা জিনিস খুবই ইম্পর্টেন্ট। প্রথমটা হচ্ছে ডেটা। অবশ্যই আমাদের স্ট্যাটিস্টিকস জানতে হবে। সেই ডেটার সাথে আমাদের ন্যারেটিভ প্রয়োজন। আমরা যেটাকে বারবার বলছি যে ডেটাকে ঠিকমতো এক্সপ্লেইন করতে আমাদের দরকার ন্যারেটিভ। সবচেয়ে মজার ব্যাপার হচ্ছে আমরা যখন ন্যারেটিভ ব্যবহার করব ভিজুয়ালের সাথে সেটা আমাদের ইন্টেন্ডেড অডিয়েন্সকে এংগেজ করবে। আমরা যখন বলি ডেটা এবং ভিজুয়ালস যেটাকে আমরা অনেক সময় বলি ডেটা ভিজুয়ালাইজেশন সেটা আমাদের ইন্টেন্ডেড অডিয়েন্সকে এনলাইট করে। এর অর্থ হচ্ছে পৃথিবীতে শুধুমাত্র ডেটা দিয়ে আমাদের কাজ হয় না। এর পাশাপাশি ন্যারেটিভ লাগে এবং সেই ডেটা থেকে আবার ভিজুয়ালাইজেশন লাগে। ফলে একই ডেটা ন্যারেটিভ এবং ভিজুয়াল থেকে আপনার পুরো ডেটার এক্সপ্লেনেশন, এনগেজমেন্ট টু দা অডিয়েন্স এবং এনলাইটমেন্ট হয়ে যায়। স্ট্যানফোর্ড প্রফেসর চিপ হিত উনার একটা বই আছে মেড টু স্টিক। সেখানে উনি বলেছেন যে 63% গল্প মনে রাখে আর সেখানে মাত্র 5% একটা সিঙ্গেল স্ট্যাটিস্টিকস মনে রাখে। একটা বইয়ে ব্রেন্ড ডায়াক্স বলেছিলেন তার বইটার নাম হচ্ছে ইফেক্টিভ ডেটা স্টোরি টেলিং হাউ টু ড্রাইভ চেঞ্জ উইথ ডেটা ন্যারেটিভ এন্ড ভিজুয়ালস। সেখানে উনি বলেছেন দা স্কিল অফ ডেটা স্টোরি টেলিং ইজ রিমুভিং দা নয়েজ এন্ড ফোকাসিং পিপলস এটেনশন অন দা কি ইনসাইটস। সবচেয়ে বড় জিনিসটা যিনি উনি বারবার বলছেন পার্ট অফ দা স্কিল ইজ বিল্ডিং ন্যারেটিভ এন্ড রিভিলিং ডেটা ইন দা প্রপার অর্ডার এন্ড সিকুয়েন্স এন্ড দেন দেয়ার ইজ দা ভিজুয়ালাইজেশন পিস। ন্যারেটিভ তৈরির ব্যাপারে তারা বারবার বলছেন যে ডেটার প্রপার অর্ডার এবং সিকুয়েন্স খুবই ইম্পর্টেন্ট। ডেটা এনালিস্টের সবচেয়ে বড় কাজ হচ্ছে বিজনেসে একটা গ্যাপ ম্যানেজ করা। যেখানে সিনিয়র ম্যানেজমেন্ট এই ডেটাকে ঠিকমতো বোঝেন না যেহেতু ডেটা খটমটে আর সেটাকে ঠিকমতো ট্রান্সলেট করা একটা খুব ইম্পর্টেন্ট ইস্যু। ডেটা এনালিস্টের কাজে যেটাকে বারবার উনারা বলছেন যে ইটস নট গোইং টু বি এ ব্ল্যাক এন্ড হোয়াইট অ্যানসার ইজ ভেরি মাচ এ ট্রান্সলেশন টাস্ক। আপনার কাছে নিরস ডেটা আছে আর সেই নিরস ডেটাকে ঠিকমতো ট্রান্সলেশন করতে পারতে হবে আপনাদের সিনিয়র ম্যানেজমেন্টের কাছে। আরেকটা জায়গায় পড়লাম যে বিং লিটারেট উইথ ডেটা এন্ড এবল টু এক্সপ্লেইন দা স্টোরিজ ইট রিভিলস ইজ এজ ইম্পর্টেন্ট এ ফর্ম অফ লিটারেসি এজ বিং এবল টু রিড রাইট এন্ড স্পিক ক্লিয়ারলি। ডেটা লিটারেসিতে শুধুমাত্র একটা গল্পকে ঠিকমতো এক্সপ্লেইন করতে পারতে হবে সেটা নয়। বরং ডেটার ব্যাপারে বলা হচ্ছে যে এটার ব্যাপারে ঠিকমতো কমিউনিকেশন করতে পারাটা একটা জরুরি ব্যাপার। তবে আমার ভালো লেগেছে এই কথাটা যেটা বলেছেন মিরো কাজাকাফ। ইফ ইউ ওয়ান্ট পিপল টু মেক দা রাইট ডিসিশনস উইথ ডেটা ইউ হ্যাভ টু গেট ইন দেয়ার হেড ইন এ ওয়ে দে আন্ডারস্ট্যান্ড। আপনি যদি কাউকে এম্পাওয়ার করতে চান ডেটা থেকে সঠিক সিদ্ধান্ত নেবার ব্যাপারে তাহলে আপনাকে তার মাথার ভেতরে ঢুকে বুঝতে হবে উনারা কিভাবে চিন্তা করেন। শেষে আমি বলতে চাই এই ডেটা স্টোরি টেলিং এর ব্যাপারে আপনাদের মতামত জানাতে ভুলবেন না কিন্তু। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | নন-প্রোগ্রামারদের জন্য ডেটা অ্যানালাইটিক্স মেন্টরশীপ ৮ কোডিং ছাড়া ডেটা ভিজ্যুয়ালাইজেশন.mp3 | আমি যখন হাতে কলমে মেশিন লার্নিং নিয়ে কাজ শুরু করি তখন আমাদের হাতের কাছে খুব বেশি টুল ছিল না। হয়তোবা কিছু টুল ছিল তবে আমরা সবকিছুই জানতাম না কারণ এই মেশিন লার্নিং ব্যাপারটাই ছিল নতুন। আর এই মেশিন লার্নিং নিয়ে যখন কাজ শুরু করতে গেলাম তখন একটা জিনিস বোঝা গেল যে মেশিন লার্নিং শেখার আগে আমাদের সেই ডেটাটার ব্যাপারে ব্যাপক ধারণা থাকা প্রয়োজন। সত্যি কথা বলতে সেই ডেটার ভেতরের প্যাটার্নটাই বলে দেবে যে আমরা সেই ডেটা থেকে আসলে কি চাচ্ছি। মেশিন লার্নিং এ এই ডেটা সেন্ট্রিক অ্যাপ্লিকেশনের জন্য আমরা শুরুতে যেটা করতাম যেটাকে আমরা বলছি এক্সপ্লোরেটরি ডেটা এনালাইসিস। অর্থাৎ আমরা ডেটাটাকে ঠিকমতো এক্সপ্লোর করে দেখবো যে ডেটার ভিতরে কি আছে। এটা ঠিক যে আমি শুরুতে আর দিয়ে শিখেছিলাম কারণ আর দিয়ে মেশিন লার্নিং এর বড় পার্ট যেটাকে আমরা বলছি এক্সপ্লোরেটরি ডেটা এনালাইসিস সেটা আর দিয়ে আসলেই অসাধারণ। আর এর সঙ্গে এর ভিজুয়ালাইজেশন টুল অসাধারণ। মানে আমি জিজি প্লটের কথা বলছি। তবে এটা ঠিক যে আমারও বয়স বাড়ছে এবং এর পাশাপাশি আগের মতো যে ধরনের কনসেন্ট্রেশন দিতে পারতাম সে ধরনের কনসেন্ট্রেশনও আসলে কমে যাচ্ছে। তবে গত কয়েক বছর ধরে দেখছি যে যে ধরনের ভিজুয়ালাইজেশন টুল এসছে বিশেষ করে অ্যানালিটিক্স টুল শুধুমাত্র ক্লিক বা ড্র্যাগ এন্ড ড্রপ দিয়েই কিন্তু আগের মতো সবকিছুই করা সম্ভব। এর অর্থ হচ্ছে আমাদের সাথে যে মেশিন লার্নিং বা অন্যান্য অ্যানালিটিক্স টুল এগুলোও বুদ্ধিমান হচ্ছে দিনে দিনে। আমাদের হাতে যেই ডেটাটা আছে সেই ডেটার প্রপার কমিউনিকেশন হচ্ছে তার ভিজুয়াল রিপ্রেজেন্টেশন। কারণ আমাদের যারা স্টেকহোল্ডার বিশেষ করে সিনিয়র ম্যানেজমেন্ট উনারা ডেটা থেকে ভিজুয়াল কমিউনিকেশন অনেক পছন্দ করেন এবং এটা অনেক সোজা। একজন সাধারণ মানুষ যিনি ডেটা সায়েন্স জানেন না অথবা ডেটা অ্যানালিস্ট নন তারাও এ ধরনের ডেটা রিপ্রেজেন্টেশন দেখলে সহজেই বুঝতে পারেন যে ডেটার মধ্যে কি ধরনের ট্রেন্ড বা প্যাটার্ন আছে। এখন আপনি আমাকে জিজ্ঞাসা করতে পারেন যে কেন ডেটা ভিজুয়ালাইজেশন দরকার পড়ছে। আমার ধারণা যখন আমরা ডেটা নিয়ে কাজ করি তার মধ্যে টাইম সিরিজ অর্থাৎ সময়ের সাথে যখন ডেটার বিভিন্ন প্যাটার্ন বা ট্রেন্ড দেখতে পাওয়া যায় সেটা একটা অসাধারণ ইনসাইট দেয় যেকোনো বিজনেসে। এর পাশাপাশি একই ঘটনা কয়বার ঘটলো এবং কখন কখন ঘটলো সেটাও কিন্তু এই ডেটা ভিজুয়ালাইজেশনে পাওয়া যাচ্ছে। কারণ আগেই বলেছি যখন সময়ের সাথে সবকিছু কানেক্টেড তখন সেই সময়ের সাথে একই জিনিস বার বার কখন ঘটছে সেই ফ্রিকোয়েন্সিটা কত সেটাও জানার প্রয়োজন। তবে আমার মনে হয় যে আমরা যখন ডেটা নিয়ে কাজ করি এবং সেই ডেটার মধ্যে অনেকগুলো ভেরিয়েবল যখন থাকছে তখন একেকটা ভেরিয়েবলের সাথে আরেকটা ভেরিয়েবলের আপেক্ষিক বা অ্যাবসলিউট ভাবে কতটুকু রিলেটেড অর্থাৎ কোরিলেটেড নাকি এবং কোরিলেটেড হলে এগুলো একে অপরের সাথে কতটুকু সম্পর্কিত সেটাও জানানোর প্রয়োজন। ধরা যাক আপনি একটা কোম্পানি হয়ে মার্কেট রিসার্চ করছেন তখন কিন্তু আপনার প্রয়োজন সেই নেটওয়ার্কটা জানার। আপনার সাথে যিনি আছেন স্টেকহোল্ডার সেই স্টেকহোল্ডারের মার্কেট এবং মার্কেটের নেটওয়ার্ক অবশ্যই জানার প্রয়োজন এই ভিজুয়ালাইজেশন থেকে। তবে সবচেয়ে যেই মজার জিনিসটা আমি দেখেছি যে একই ডেটাতে কিভাবে অপরচুনিটি এবং রিস্ক পাশাপাশি দেখা যায়। সাধারণ স্প্রেডশিটে চোখে পড়েনি কিন্তু আমরা যখনই এটা ভিজুয়ালাইজ করলাম তখন এই মার্কেট রিস্ক এবং অপরচুনিটি চোখে পড়ে গেল। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | রোড টু হাইটেক ইন্ডাস্ট্রি Google Data Analytics Courses ডাটা নিয়ে শুরু করবো কোথায়.mp3 | আমি বেশ রিকোয়েস্ট পাই বিশেষ করে চাকরির ব্যাপারে। সবার একই কথা যে কোথায় শুরু করবেন বিশেষ করে ডেটার ফিল্ডে যদি আমাদেরকে ঢুকতে হয় ডেটার ফিল্ডে আমরা কোথায় শুরু করবো এটা একটা বড় পয়েন্ট থাকে এবং সেখানে আসলে আমি বলি যে আসলে ডেটা নিয়ে কাজ করার সবচেয়ে সোজা সবচেয়ে সোজা অল ইউ নিড ইজ এ পিসি অর অর ইফ ইউ ডোন্ট হ্যাভ এ পিসি নো প্রবলেম এখন অনেক মোবাইল ফোনকে আসলে একটা ইউএসবি সি টু এইচডিএমএ কনভার্টার দিয়ে কিন্তু সরাসরি সেই মোবাইল ফোনকে কিন্তু পিসি বানানো যায়। বিকজ মোস্ট অফ দা থিংস হোয়াট ইউ ডু অর হোয়াট উই ডু অন দা ওয়েব মানে হচ্ছে কি সবই আমরা ক্লাউডে কাজ করি সো আই ডোন্ট নিড এ হাই কনফিগারেশন পিসি অল আই নিড এ মোবাইল ফোন দ্যাট ক্যান বি কানেক্টেড টু এ কাইন্ড অফ লাইক মেবি এ মনিটর এন্ড দেন ইউ আর গুড টু গো। সো এখানে আসলে আমরা যেই ব্যাপারটা নিয়ে শুরু করেছিলাম যে ডেটা অ্যানালিটিক্সে আমি আসলে কিভাবে শুরু করবো ডেটা নিয়ে কাজ করার শুরুটা কোথায় অফকোর্স আমি তো আমার বইয়ের কথা বলতেই পারি যদিও এই বইটা পুরোপুরি অনলাইনে আছে সো এই বইটা দিয়ে শুরু করা যেতে পারে যেখানে আমাদের কোন অভিজ্ঞতার দরকার নেই নাথিং ইজ রিকোয়ার্ড মানে অভিজ্ঞতা আসলে কোন ব্যাপার নেই। বাট যে জিনিসটা আমরা বারবার বলছি যে গুগল যেভাবে ডেটা অ্যানালিটিক্স নিয়ে আসলে সাপোর্ট দিচ্ছে বা গুগল যেভাবে ডেটা নিয়ে কাজ করছে সেখানে আমি দেখছি যে গুগল এর যেই ক্যারিয়ার সার্টিফিকেশন গুলো আপনি যদি দেখেন যে গুগল বারবার বলছে যে আসলে জব রেডি মানে আমাদেরকে কিভাবে জব রেডি করা যায় মানে হোয়াট এবাউট লাইক আমরা আসলে জব রেডি কিভাবে হব তো এই জব রেডি হবার ব্যাপারে কিন্তু আসলে বারবার কথা হচ্ছে যে আমরা কি অনলাইনে শিখে জব রেডিতে যেতে পারি কিনা আমরা আসলে অনলাইন থেকে জব রেডি হবার চান্স কিরকম তো সেখানে আমি আসলে বলব যে গুগল কিন্তু এই সার্টিফিকেশন বিশেষ করে গুগল সার্টিফিকেশনে তারা আসলে একটা অন্যান্য লেভেলে চলে গেছে এবং আমি গুগল কে এ ব্যাপারে সাপোর্ট দেই একটাই কারণে যে গুগল বুঝতে পেরেছে যে তাদের প্রোডাক্ট তাদের প্রোডাক্ট ব্যবহার করার জন্য কিন্তু একটা আপস্কিল লাগবে মানে গুগল এর প্রোডাক্ট যদি আমি ব্যবহার করতে চাই সেটার জন্য কিন্তু একটা আপস্কিল লাগবে সেই আপস্কিলের জন্যই কিন্তু তারা আসলে এই শেখানোর রাস্তায় নেমেছে যে গুগল এর যে প্রোডাক্ট গুলো ব্যবহার করব তার মধ্যে যে ডেটা বা বিজনেস ইন্টেলিজেন্সের কথা বারবার বলা হচ্ছে যে বিজনেস ইন্টেলিজেন্স বিজনেস ইন্টেলিজেন্সটা আসলে কিভাবে কাজ করবে সেটাও একটা অংশ হতে পারে। তবে আমার যে আলাপটা আমার আলাপটা হচ্ছে গিয়ে ডেটা অ্যানালিটিক্স ঘিরে ডেটা অ্যানালিটিক্স এবং অ্যাডভান্স ডেটা অ্যানালিটিক্স এই যে ডেটা অ্যানালিটিক্স এবং অ্যাডভান্স ডেটা অ্যানালিটিক্স এটাই কিন্তু আসলে একটা বড় ব্যাপার যে এটা কিন্তু আমরা ফ্রি একদম ফ্রিতে শিখতে পারি এবং সেখানে আমরা দেখছি যে গুগল ডেটা অ্যানালিটিক্স আপনি দেখছেন যে এখানে কিন্তু এনরোল করা যায় এনরোল করা যায় এন্ড দেন ইউ হ্যাভ ফিনান্সিয়াল এইড এভেলেবেল। আমরা যদি ধরা যাক আমরা যদি ইভেন এই ফিনান্সিয়াল এইড যদি আমরা এপ্লাই করি প্রপারলি তাহলে কিন্তু ফিনান্সিয়াল এইড আমি অবশ্যই পাবো এবং সবচেয়ে বড় হচ্ছে এখানে দেখেন এখানে কত মানুষ অলরেডি এনরোলড কত সবাই অনেকে এখানে এনরোলড মানে আমরা যদি এখানে দেখি যে এখানে প্রায় এক লাখ লোক অলরেডি কিন্তু এখানে এনরোল সরি 17 লাখ অলরেডি কিন্তু এনরোল করেছে গ্লোবালি এবং এর পাশাপাশি যে গুগল ডেটা অ্যানালিটিক্স সার্টিফিকেশনের পাশাপাশি গুগল এর যে অ্যাডভান্স ডেটা অ্যানালিটিক্স প্রফেশনাল সার্টিফিকেট এখানে কিন্তু অলরেডি 40000 মানুষ কিন্তু অলরেডি এনরোলড এন্ড দে হ্যাভ ফিনান্সিয়াল এইড এভেলেবেল দ্যাট মিন্স ইউ ক্যান ডু ইট ফর ফ্রি ইউ ক্যান ডু ইট ফর ফ্রি। সো এই যে ব্যাপারটা যে গুগল ডেটা অ্যানালিটিক্স প্রফেশনাল সার্টিফিকেট এবং গুগল অ্যাডভান্স ডেটা অ্যানালিটিক্স প্রফেশনাল সার্টিফিকেট দে আর রিয়েলি লাইক আমার কাছে যেটা মনে হচ্ছে যে দে নো হোয়াট দে আর ডুইং। আমি যে জিনিসটা বারবার বলি যে ইফ ইউ নো হোয়াট ইউ আর ডুইং ইউ আর আনস্টপেবল ইউ আর ইনভিন্সিবল মানে আমি যেটাকে সবসময় বলি যে আপনি যদি জানেন আপনি কি জানেন দেন ইউ আর ইনভিন্সিবল সো আমার কাছে মনে হয় যে এই গুগল অ্যাডভান্স ডেটা অ্যানালিটিক্স প্রফেশনাল সার্টিফিকেট এবং গুগল ডেটা অ্যানালিটিক্স এই যে ব্যাপারটা এটা কিন্তু অন্য লেভেলের জিনিস। আসলে আমরা বারবার যেটাকে বলি যে হাউ ডু ইউ সিকিউর এ জব ইন ডেটা অ্যানালিটিক্স। আমি বলছি না যে ইউ স্টার্ট উইথ এ হাই স্যালারি বাট এই গুগল ডেটা অ্যানালিটিক্স দিয়ে শুরু আমরা কিন্তু শুরু করতে পারি এবং সেই সেই জায়গাটা কিন্তু আমরা এখানে ওয়ার্ক আউট করতে পারি যে আসলে আমরা কি করতে পারি যে এখানে বারবার বলছি যে গুগল ক্যারিয়ার সার্টিফিকেট যারা পাচ্ছে তাদের একটা পজিটিভ ক্যারিয়ার আউটকাম হচ্ছে যে নতুন জব পাচ্ছে প্রমোশন পাচ্ছে রেইজ পাচ্ছে সিক্স মান্থের মধ্যে। সো এটা কিন্তু বিকজ আমাদের পার্শ্ববর্তী দেশে এটাকে কিন্তু ক্যাশিং করছে এবং সেটাই কিন্তু ওখানে বারবার বলছে যে কিভাবে আসলে ইন ডিমান্ড জবগুলোকে আসলে আমাদের এখানে লেভেলে একটা লেভেলে আনা যায়। সো ব্যাপারটা হচ্ছে যে দেয়ার আর মেনি মেনি আদার থিংস আদার আদার সার্টিফিকেট বাট আমার কথা হচ্ছে যে এই সার্টিফিকেটের সবচেয়ে বড় যে জিনিসটা আমি বারবার বলি যে হোয়াট এভার উই ডু উই হ্যাভ টু আন্ডারস্ট্যান্ড হোয়াট উই ওয়ান্ট টু লার্ন হোয়াট উই ওয়ান্ট টু এচিভ আউট অফ ইট হোয়াট এন্ড হাউ ডু ইউ ওয়ান্ট টু গো এবাউট ইট এন্ড ইফ ইউ ওয়ান্ট টু রিয়েলি স্টার্ট ইন বাংলা ইফ ইউ রিয়েলি ওয়ান্ট টু স্টার্ট উইথ বাংলা দেন হাতে কলমে ডেটা অ্যানালিটিক্স এবং ভিজুয়ালাইজেশন বইটা এটা একটা আমি মনে করি যে এটা একটা ভালো বই এটাকে আপনাকে যে কিনতে হবে সেটা না বাট আমি বলছি যে এটা অনলাইনে পড়া যায় সো ইউ কুড ইউ কুড সি যে আসলে এটা আসলে আপনাকে কিভাবে হেল্প করছে এর পাশাপাশি আমি তো দেখালাম যে গুগল এর যেই ডেটা অ্যানালিটিক্স বা গুগল এর যে ইয়েগুলো সার্টিফিকেট গুলো আছে যে অ্যাডভান্স ডেটা অ্যানালিটিক্স এবং ডেটা অ্যানালিটিক্স এই দুটো কিন্তু আসলেই আসলেই অন্য লেভেলে আমাদেরকে সাহায্য করছে। আজকে এই পর্যন্তই দেখছেন তো সামনে |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | মেন্টরশীপ ৩৯ দুটো ডোমেইনের মধ্যে 'মেনি-টু মেনি' রিলেশন ম্যাপিং ভিজ্যুয়ালাইজেশন, স্যানকে চার্ট.mp3 | যতদিন যাচ্ছে তত ডেটার পরিমাণ বাড়ছে আর এই ডেটার পরিমাণ যতই বাড়ছে ততই আমাদের এই ভিজুয়ালাইজেশন কমপ্লেক্স হচ্ছে। আমি এটুকু বলতে পারি যে আমাদের যে ডেটা আছে সেই ডেটার ফ্লো বিশেষ করে একটা সেট থেকে আরেকটা সেটে অথবা আমাদের বিভিন্ন নোডে যে কানেকশন বা কানেকশনের সাথে আমাদের যে লিংক সেই লিংকগুলো ঠিকমতো রিপ্রেজেন্ট করার জন্য স্যাংকি চার্ট কিন্তু অসাধারণ। এই স্যাংকি চার্ট কিন্তু ওয়ান টু মেনি আমি বলছি যে মেনি টু মেনি যে ম্যাপিংগুলো আছে বিভিন্ন ডোমেইনের মধ্যে সেই জায়গাগুলো কিন্তু এখানে করা খুবই ইজি। আর এই কারণে কিন্তু আমরা এই স্যাংকি চার্ট ইউজ করি এবং এটা তৈরি করেছিলেন ক্যাপ্টেন স্যাংকি প্রায় 1800 সালে। আর এই জিনিসটা নিয়ে আমরা যখন বিভিন্ন উদাহরণ দেব বিশেষ করে আমাদের যে রিয়েল ডেটা সেট আছে সেই রিয়েল ডেটা সেট থেকে আমি আপনাদেরকে বেশ কিছু উদাহরণ দেওয়ার চেষ্টা করব। তবে আমরা এটুকু বলব যে আমাদের যে ডেটা ভিজুয়ালাইজেশন সেই ডেটা ভিজুয়ালাইজেশনে আমাদের যে রিয়ালিস্টিক ডেটা আছে সেই রিয়ালিস্টিক ডেটার মধ্যে কিভাবে কানেকশনগুলো করা যায় সেটার ব্যাপারে আমি আপনাদেরকে বেশ কিছু ধারণা দেব। তবে এটুকু আমরা বলতে পারি যে আমাদের পাওয়ার বিআই অথবা ট্যাবলু অথবা আমরা যদি এক্সেলের কথা বলি সেখানে এই স্যাংকি চার্ট করা সম্ভব তবে আমরা দেখছি যে এই ধরনের চার্ট করার জন্য পাওয়ার বিআই বা ট্যাবলু এটা বিশাল বলব যে এটার লেভেল যেটা আছে সেই লেভেলে কিন্তু এদের কাজ অনেক ভালো। আমরা এখন চলে যাই একটা রিয়ালিস্টিক ডেটা সেটে। আমরা আপনাকে এখন দেখানোর চেষ্টা করছি একটা পাওয়ার বিআই স্পেসিফিক এক্সাম্পল যেখানে আমরা একটা স্যাংকি চার্ট ব্যবহার করছি। তবে এ ধরনের স্যাংকি চার্ট যদি আমরা পাওয়ার বিআইতে নিয়ে আসতে চাই বা আরো অন্যান্য ভিজুয়ালাইজেশন যদি দরকার হয় সেগুলোর জন্য আমরা মার্কেটপ্লেস যেতে পারি যেগুলো এখানে আমরা ফ্রি হিসেবে পাচ্ছি। বিশেষ করে যে ভিজুয়ালাইজেশন যে অংশটা আছে সেখানে বাই ডিফল্ট যে ভিজুয়ালগুলো আছে এর পাশাপাশি কিন্তু আমরা আরো অন্যান্য ভিজুয়াল পেতে পারি। এখানে গেট মোর ভিজুয়াল বলে আমাদের এখানে অন্যান্য ভিজুয়ালগুলো মার্কেটপ্লেস থেকে আমরা দেখতে পারি। তবে একটা জিনিস আমি আপনাকে বলব যে এই মার্কেটপ্লেস পাওয়ার জন্য আপনার একটা একাউন্ট থাকতে হবে যে একাউন্টটা আপনার অর্গানাইজেশনাল একাউন্ট হতে পারে অথবা আপনার ইউনিভার্সিটির একাউন্ট হতে পারে যেই একাউন্টের মাধ্যমে আপনি আসলে লগইন করতে পারবেন এবং আপনি এই ধরনের মার্কেটপ্লেস থেকে বিভিন্ন জিনিস ডাউনলোড করতে পারবেন। আমরা যদি স্যাংকি চার্টটা যদি দেখি তাহলে আমরা এখানে আসলে স্যাংকি চার্টটা দেখতে পাবো এবং সবচেয়ে বড় যে জিনিসটা হচ্ছে যে এই স্পেসিফিক এক্সাম্পলগুলো যখন আমরা নিয়ে আসতে চাইবো তখন আমরা এখান থেকে অ্যাড করে বিশেষ করে এই এক্সাম্পলগুলোকে আমরা অ্যাড করে আমাদের এখানে নিয়ে আসতে পারি এবং এই অ্যাডের ব্যাপারটা আপনি দেখেন যে এখানে অলরেডি স্যাংকি চার্টটা আমরা অ্যাড করে নিয়েছি। আর এই অ্যাড করার ফলে আসলে এই ধরনের একটা কাজ করা সম্ভব। আমরা যদি ধরা যাক এই চার্টটা যদি তৈরি করতে চাই তাহলে আমাদেরকে যেটা করতে হবে যে আপনাকে একটা এক্সাম্পল হিসেবে আমরা ধরা যাক আমরা যে এক্সাম্পলটা এর আগে নিয়ে আসছিলাম যে সুপার স্টোর ডেটা সেট। আমাদের সুপার স্টোর ডেটা সেটে আমরা দেখছি যে আমাদের যে প্রোডাক্ট ধরা যাক আমাদের যে প্রোডাক্ট সেই প্রোডাক্টগুলোর বিভিন্ন ক্যাটাগরি মানে ক্যাটাগরি আছে আমরা দেখছি প্রোডাক্ট ক্যাটাগরি আছে প্রোডাক্ট সাবক্যাটাগরি আছে প্রোডাক্টগুলো কিভাবে রিজিয়ন ওয়াইজ সেল হচ্ছে প্রভিন্স ওয়াইজ সেল হচ্ছে তার মানে হচ্ছে কি আমরা কিন্তু এই জিনিসগুলো মেনি টু মেনি মানে মেনি টু মেনি রিলেশনশিপগুলো কিন্তু আমরা দেখতে পারি। আর এই মেনি টু মেনি রিলেশনশিপগুলো দেখার জন্য আমাদের জন্য আমাদের এগুলো করা খুব ইজি এবং এখানে আমাদের যে রিলেশনশিপগুলো আছে সেই রিলেশনশিপের পাশাপাশি আমি বলতে চাচ্ছি যে এখানে যে প্রোডাক্ট ক্যাটাগরি প্রভিন্স বা আমরা বলছি বিভিন্ন রিজিয়ন সেটা আমরা এখানে একটা এক্সাম্পল হিসেবে নিতে পারি। তো এখানে আমরা সরাসরি যেটা করব প্রথমেই আমাদের ডেটা ভিজুয়ালাইজেশনের জন্য আমরা এখানে স্যাংকি চার্টটাকে আমরা সিলেক্ট করব এবং এখানে আমরা স্যাংকি চার্টটা এখানে চলে এলো। আমরা এটাকে বড় করে নিতে পারি এবং বড় করার পরে আমি এখানে আমরা সিলেকশন করতে পারি যে ডেটা সোর্স কি হবে। তা আমরা এখান থেকে যদি অর্ডার টেবিলে যাই এবং অর্ডার টেবিলে আমরা যদি দেখি যে প্রোডাক্ট ক্যাটাগরি প্রোডাক্ট প্রভিন্স ওয়াইজ বা এ ধরনের যদি আমরা কাজ করার চেষ্টা করি ধরা যাক আমরা প্রোডাক্ট ক্যাটাগরিটাকে আমরা নিয়ে নিলাম সোর্সে। সোর্সে আমরা প্রোডাক্ট ক্যাটাগরি হিসেবে নিলাম এবং তারপরে আমরা এটাকে রিজিয়ন ওয়াইজ দেখতে চাই যে রিজিয়ন ওয়াইজ এই প্রোডাক্টগুলো কেমনভাবে সেল হয়েছে। তার মানে হচ্ছে এটা মেনি টু মেনি একটা রিলেশনশিপ আমরা এখান থেকে দেখতে পাচ্ছি এবং সেখানে কিন্তু আমরা দেখছি যে প্রোডাক্টগুলো বিশেষ করে আমরা দেখতে পাচ্ছি যে যেমন আমাদের প্রোডাক্ট ক্যাটাগরি ছিল টেকনোলজি অফিস সাপ্লাই ফার্নিচার এখন আমরা দেখছি যে এই টেকনোলজি এই টেকনোলজিগুলো আসলে কিভাবে বিভিন্ন ক্যাটাগরিতে তাদের সেল হয়েছে। আর সেখানে যদি আমরা ওয়েটেজ দেখতে চাই ধরা যাক আমরা দেখতে চাই যে সেলসটা আসলে ওয়েটেজ হিসেবে রাখতে চাই সুতরাং আমরা এটাকে সেলসটাকে আমরা নিয়ে এলাম ওয়েটেজে। আর ওয়েটে দেওয়ার ফলে আমাদেরকে যেটা হচ্ছে যে এখানে যে কানেকশন ধরা যাক এখানে পুরোটাই টেকনোলজি এবং এই পুরোটা টেকনোলজি সবচেয়ে বেশি সেল হয়েছে ওয়েস্ট। মানে আমাদের এই পুরো টেকনোলজি সবচেয়ে বেশি সেল হয়েছে রিজিয়ন ওয়েস্টে। আমরা এখানে দেখতে পাচ্ছি। তারপরে আমাদের সেল হয়েছে আমরা দেখতে পাচ্ছি যে এখানে সেল হয়েছে প্রেইরিতে। প্রেইরিতে সবচেয়ে বেশি সেল হয়েছে। এভাবে কিন্তু আমরা দেখছি আমাদের যে ফার্নিচার ফার্নিচারের মধ্যে কিন্তু আমরা দেখছি যে সবচেয়ে বেশি সেল হয়েছে রিজিয়ন ওয়েস্টে। তার মানে আমরা একটা ধারণা পাচ্ছি যে আমরা যেকোনো প্রোডাক্ট ধরা যাক আমরা অফিস সাপ্লাই অফিস সাপ্লাইতে যদি যাই সেখানে কিন্তু অফিস সাপ্লাইতে সবচেয়ে বেশি সেল হয়েছে আমরা দেখছি অন্টারিওতে। অন্টারিওতে সবচেয়ে বেশি সেল। তার মানে আমরা এ ধরনের একটা ম্যাপিং পাচ্ছি। আমরা যদি এই ম্যাপিংটা রিজিয়ন ওয়াইজ স্পেসিফিক না ব্যবহার করে আমরা যদি এখানে ধরে নেই যে প্রোডাক্ট সাবক্যাটাগরি হিসেবে আমরা যদি সিলেক্ট করতে চাই ডেস্টিনেশন হচ্ছে কি প্রোডাক্ট সাবক্যাটাগরি। তখন কিন্তু আমরা দেখতে পাচ্ছি যে প্রোডাক্ট সাবক্যাটাগরি হিসেবে কিন্তু টেকনোলজি সবচেয়ে বেশি সেল হয়েছে। টেকনোলজি সবচেয়ে বেশি সেল হয়েছে টেলিফোন এন্ড কমিউনিকেশন। মানে টেলিফোন এবং কমিউনিকেশন সবচেয়ে বেশি সেল হয়েছে। আর এখানে আমরা যদি একটু দেখি যে লিংকিংটা আমাদের ডেটা লিংকিং যদি আমরা চালু করে দেই তাহলে আমরা দেখব যে এই লিংকিং এর মধ্যে আসলে বিভিন্ন ডেটার লিংকিংগুলো আমরা দেখতে পাচ্ছি। সবচেয়ে বড় যে জিনিসটা আমরা দেখতে পাচ্ছি যে আমাদের যে ডেটাগুলো আছে ধরা যাক আমরা এই ডেটাগুলোকে আমরা যখন বিভিন্ন লেভেলে ম্যাপিং করব সেই ম্যাপিং এর পর্যায়ে কিন্তু আমরা এখানে একটা ভালো ধারণা পাই যে কোনটার সাথে কোনটা সম্পর্ক আছে। এই যে প্রোডাক্টগুলো আমরা দেখছি সেই প্রোডাক্টগুলোর মধ্যে টেকনোলজি যে জিনিসগুলো সেল হয়েছে বা আমরা বলতে চাচ্ছি যে এখানে প্রোডাক্ট ক্যাটাগরি সাবক্যাটাগরি হিসেবে যেভাবে সেল হয়েছে সেইভাবে কিন্তু আমরা এখানে দেখতে পারি। আর সবচেয়ে বড় যে জিনিসটা হচ্ছে যে এটা একটা ভালো ধারণা দেয় যে আমাদের মেনি টু মেনি রিলেশনশিপ। মানে এই ফার্নিচারের মধ্যে যে ক্যাটাগরিগুলো ভাগ করা আছে সেটা কিন্তু আমরা একদম স্পেসিফিকলি বুঝতে পারছি যে কোন রিজিয়নে বা কোন সাবক্যাটাগরিতে আমরা এটাকে ভাগ করতে পারি এবং সেটাতে আমরা ওয়েটেজ আমরা ঠিক করতে পারি। সো এইজন্য আমরা বলছি যে ডেটা ভিজুয়ালাইজেশনের জন্য আমরা আরো অন্যান্য চার্ট এক্সপ্লোর করব এবং সেই এক্সপ্লোর করার জন্য আমাদের একটা অর্গানাইজেশনাল অথবা একটা একাডেমিক একাউন্ট লাগতে পারে। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | প্রোগ্রামিং ডাটা অ্যানালাইসিসে পাইথন পাইথন শুরু করবো কোথায় কিভাবে The high-tech industry.mp3 | আমাকে অনেকেই প্রশ্ন করেন যে কিভাবে হাইটেক ইন্ডাস্ট্রিতে এন্ট্রি নেওয়া যায় মানে হাইটেক ইন্ডাস্ট্রি আমি বলছি যে গ্লোবাল গ্লোবাল স্কেলে হাইটেক ইন্ডাস্ট্রিতে এন্ট্রি নেওয়া যায়। অফকোর্স এখন যেহেতু হাইটেক ইন্ডাস্ট্রিটা মোর অফ এ কাইন্ড অফ লাইক আমরা দেখছি ডেটা ড্রিভেন। মানে আমরা যদি ইভেন মেশিন লার্নিং ইঞ্জিনিয়ারের কথা বলি বা আমরা যদি ডেটা ইঞ্জিনিয়ারের কথা বলি এটা শুরুতে যদি আমার ডেটা সাইন্স মানে ডেটা সাইন্স কাইন্ড অফ লাইক একটা বাজওয়ার্ড হয়ে গেছে। তবে আমার কাছে মনে হয় যে ডেটা এনালাইসিসটা যদি আমি ঠিকমত বুঝি এবং ডেটা এনালাইসিসের জন্য আমার কোন প্রোগ্রামিং স্কিল লাগবে না কিছুই লাগবে না বাট আমার কিছু টুল যেটা হচ্ছে গিয়ে পাওয়ার বিআই বা ট্যাবলু বা এ ধরনের কিছু টুল বা আমরা সিকুয়েল সিকুয়েলটা কিছু শিখতে পারি। তার মানে হচ্ছে গিয়ে ডেটা অ্যানালিটিক্স ডেটা অ্যানালিটিক্সটা শেখার জন্য আমার একটা বেজলাইন টুল যেটা ট্যাবলু হতে পারে আমাদের এক্সেল হতে পারে সেটা হচ্ছে পাওয়ার বিআই হতে পারে। মানে এটা হচ্ছে গিয়ে বেজলাইন। এই বেজলাইনটাই হচ্ছে গিয়ে এখন মেইন আন্ডারস্ট্যান্ডিং যে আসলে বেজলাইনটা আমরা কিভাবে শুরু করতে পারি। তবে যেটা আমি বলব যে এটা আমি বারবার বলি যে আপনি যদি হাইটেক ইন্ডাস্ট্রিতে এন্ট্রি নিতে চান এবং আপনার বয়স অনেক কম এবং আপনি এখন মাত্র স্কুলে পড়ছেন বা কলেজে পড়ছেন সো ইউ ওয়ান্ট টু হ্যাভ এ এন্ট্রি টু দা হাইটেক ইন্ডাস্ট্রি মানে ট্রু ট্রু ট্রু হাইটেক ইন্ডাস্ট্রি। সো দেয়ার আই উড সে স্টার্ট উইথ পাইথন স্টার্ট উইথ পাইথন। জাস্ট স্টার্ট উইথ পাইথন। আমি বলব যে এই মুহূর্তে আপনি ধরা যাক আমার ডেস্কটপ বা অনেকেরই ডেস্কটপ দেখবেন যে খুবই ক্লাটার। সো হোয়াই ডোন্ট উই হোয়াই ডোন্ট উই রাইট এ প্রোগ্রাম যে প্রোগ্রামের কারণে আমার ডেস্কটপে কোন কিছু থাকবে না। মানে হচ্ছে গিয়ে এনি টাইম আই ডাউনলোড এনিথিং ইন দা ডেস্কটপ অর এনিহোয়ার এটা একটা টাইম পরে কিন্তু এটা চলে যাবে নির্দিষ্ট কিছু ফোল্ডারে। যে ফোল্ডারে হয়তোবা ইমেজ একদিকে ভিডিও একদিকে অথবা ডকুমেন্ট একদিকে অথবা আপনি বলতে পারেন যে পিডিএফ হলে এদিকে যাবে ডক হলে ওদিকে যাবে। সো এটা আমার বা আপনার উপর নির্ভর করবে যে আপনি কিভাবে আপনার ডেস্কটপটা ক্লিন রাখতে পারেন। সো উই ক্যান ক্রিয়েট এ অটোমেশন স্ক্রিপ্ট এন্ড ইট ডাজেন্ট টেক দ্যাট লং। তারপরে আমরা ইমেইল অর্গানাইজার তৈরি করতে পারি যে আমার জিমেইলে বা আমার ইয়াহু মেইলে অথবা আমার বিভিন্ন মেইলে যদি কোন টাইম স্ট্যাম্পিং থাকে যে কোন সময় থাকে বা কোন ধরা যাক সানডে বা মানডে বা 28 তারিখ বলা হলো এটা যদি থাকে দেন এটা আমার গুগল ক্যালেন্ডারে বা আমার অন্যান্য ক্যালেন্ডারে একটা এন্ট্রি পড়বে। মানে যেকোনো ইমেইলে যদি কোন ডেট স্ট্যাম্প থাকে টাইম স্ট্যাম্প থাকে সেটার ভিত্তি করে একটা ক্যালেন্ড এন্ট্রি ক্যালেন্ডার এন্ট্রি পড়বে যেটার সাবজেক্ট হতে পারে সেই সাবজেক্ট অফ দ্যাট ইমেইল হেডিং। সো এটা একটা হতে পারে। আরেকটা হতে পারে যে আমরা যে আমাদের মানে কম্পিউটারে প্রচুর জিনিস আমরা সেভ করে রাখি কিন্তু এটা সার্চ করার জন্য অনেক সময় আমরা উইন্ডোজের সার্চ ঠিকমতো কাজ করে না। সো আমরা এই সার্চটাকে আরো অ্যাডভান্স সার্চ করার জন্য আমরা আসলে একটা সার্চ টুল বের করতে পারি। একটা ইন্ডেক্সিং একটা টুল বের করতে পারি যেটা পাইথন দিয়ে লেখা যেতে পারে। সো বেজলাইন হচ্ছে গিয়ে আমরা যাই করি না কেন আমরা যাই করি না কেন উই শুড বি এবল টু ডু এনিথিং এন্ড এভরিথিং উইথ পাইথন। যদি আমরা সেটা যদি একবার ওয়ার্ক আউট করতে পারি যে উই ক্যান ডু এনিথিং এন্ড এভরিথিং উইথ পাইথন দেন আই আই থিংক আই থিংক উই আর গুড টু গো। আর সেজন্যই আমরা অনেক কিছুই আমরা আসলে দেখেছি যেমন আমার বেশ কয়েকটা বইয়ের মধ্যে আমি কিভাবে পাইথন দিয়ে প্রবলেম সলভিং করতে হয় সেটা হচ্ছে গিয়ে একটা বড় পারস্পেক্টিভ থাকে। সবচেয়ে বড় হচ্ছে গিয়ে আই ডোন্ট আই এম নট আস্কিং ইউ টু বি এ প্রোগ্রামার। আই এম নট। আই এম নট আস্কিং ইউ টু বি এ প্রোগ্রামার। রাদার হোয়াট আই এম আস্কিং যে আপনার মধ্যে একটা প্রবলেম সলভিং স্কিল ডেভেলপ করুক এবং প্রবলেম সলভিং স্কিলটা ডেভেলপ করলে কিন্তু আপনি বুঝে যাবেন যে আপনি আস্তে আস্তে পাইথনটাও শিখে গেছেন যে আমরা অনেক সময় শেখার জন্য শিখতে চাই না। রাদার আমি বলব যে একটা পারপাসফুল একটা কাজের জন্য আমি শিখতে চাই। তখন কিন্তু আমি একটা পারপাস নিয়ে কাজ করছি দেন আই উড নো যে আমি আসলে এটা শিখছি না রাদার আই এম সলভিং এ প্রবলেম। সো আমি যদি একটা প্রবলেমকে সলভ করতে পারি দেন আই উইল বি এবল টু ইভেন আই ডোন্ট নো আমরা প্রোগ্রামার হতে চাই কিনা বাট আই উইল বি এবল টু সলভ এনি এনি প্রবলেম ইন দা ওয়ার্ল্ড। সেইজন্য বলছি যে বিং এ প্রোগ্রামার হ্যাজ হ্যাজ মেনি বেনিফিটস। তার মধ্যে একটা বড় বেনিফিট হচ্ছে বড় বেনিফিট হচ্ছে গিয়ে উই নো হাউ টু সলভ প্রবলেম। উই নো হাউ টু ব্রেক ডাউন এ বিগ প্রবলেম ইন এ স্মলার প্রবলেম এন্ড উই নো হাউ টু সলভ দা প্রবলেম ফর গুড। আজকে এ পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | ডাটা অ্যানালাইটিক্স Asking the Right Questions A Guide to Critical Thinking Data Literacy matter.mp3 | সকালে ঘুম থেকে উঠেই কিছু লেখালেখি করি আর সেই লেখালেখির জন্য যদি আপনারা আমাকে বলেন যে আমি কি ধরনের কলম ব্যবহার করি তার কিছুটা কিছুটা ধারণা আপনারা এখানে পাবেন যে আমি আসলে কি ধরনের কলম ব্যবহার করি তার মধ্যে গিয়ে প্লাটিনাম প্রেপি এবং আমার কাছে মনে হয় যে প্রিফন্টে এবং দুটো জিনহাও ইটস এ গুড কাইন্ড অফ লাইক টু রাইট বিকজ হোয়েন ইউ রাইট ইট হেল্পস টু থিংক প্রপারলি। হোয়েন ইউ রাইট ইট হেল্পস টু থিংক প্রপারলি। সো ওকে কামিং ব্যাক টু দা পয়েন্ট এখন যেহেতু সবকিছুই আমরা ডেটা দিয়ে ড্রাইভ করছি মানে এভরিথিং উই ডু রাইট নাউ অর দিস ডেইজ উই ড্রাইভ থ্রু ডেটা এন্ড দ্যাটস হোয়াই উই কল ইট লাইক আমরা সব জায়গায় ডেটাকে এনালাইসিস করতে পারতে হবে। আমরা যদি ডেটাকে প্রপারলি এনালাইসিস করতে পারি অনলি দেন উই উইল বি এবল টু সর্ট আউট যে আমাদের পৃথিবীতে যে ধরনের প্রবলেমগুলো আছে সেই প্রবলেমগুলোকে তত তাড়াতাড়ি আমরা আইডেন্টিফাই করতে পারবো বিকজ আমরা যদি প্রবলেমকেই যদি আইডেন্টিফাই না করতে পারি তাহলে তো আসলে আমাদের এই ডেটা নিয়ে কাজ করার কোন অর্থ হয় না। বিকজ উই হ্যাভ টু বি এবল টু সলভ আওয়ার প্রবলেম আস্কিং দা ডেটা রাইট কোশ্চেন এবং সেজন্যই আসলে আমি সবসময় এই কথাটা বলি যে এই বইটা আমি আসলে আমার আমি বেশ সময় দিয়েছি প্রায় দু বছর সময় লেগেছে এই বইটা লেখার জন্য। সো ইট গিভস দা আন্ডারস্ট্যান্ডিং হোয়াট টু হোয়াট টু টক এবাউট ডেটা এন্ড হাউ টু ডিল উইথ ডেটা। আর সেখানে আসলে কেন কেনই বা এই কথাটা আমি মাঝে মাঝে বলি যে কেন শুরুতে ডেটা অ্যানালিটিক্স স্কিলটা প্রয়োজন মানে এই জিনিসটা কেন প্রয়োজন? কেন শুরুতে ডেটা অ্যানালিটিক্স স্কিল প্রয়োজন এবং আরেকটা জিনিস আমি সবসময় বলতে চাই যে ডেটা লিটারেসি মানে ডেটাকে আমরা ঠিকমতো পড়তে পারছি কিনা ডেটাকে মানে ডেটা লিটারেসি এরকম যে ডেটা জিনিসটা কি এবং ডেটা আমাদেরকে কিভাবে হেল্প করছে বা ডেটা আমাদেরকে কোথায় কাজে হেল্প করছে সেখানে কিন্তু এখানে এই ডেটা লিটারেসির কথা বারবার বলা হচ্ছে যে হোয়াট ইজ ডেটা লিটারেসি এবং ডেটা লিটারেসি আসলে আমাদেরকে কিভাবে হেল্প করছে সো সেটাই আসলে আমাদের একটা বড় পারসপেক্টিভ যে ডেটা লিটারেসি এবং কেন প্রশ্ন হোয়াই হোয়াই উই শুড বি আস্কিং কোশ্চেন এবং হোয়াই শুড উই বি আস্কিং কোশ্চেন দ্যাট ইজ দা রাইট কোশ্চেন যে আসলে ঠিক প্রশ্ন করতে পারাটা। না আমরা যদি বলি যে ঠিক প্রশ্ন করতে পারাটা মানে আমরা কি ঠিক প্রশ্ন করতে পারি কিনা? বিকজ আমরা যদি আমাদের রাইট কোশ্চেনটা যদি আমরা আসলে বের করতে পারি যে দেন ইজ ইজিয়ার বিকজ অফকোর্স আইনস্টাইন কিন্তু অনেক আগে বলেছিলেন যে ইফ ইউ গিভ মি এ প্রবলেম এন্ড মেবি ওয়ান আওয়ার দেন আই উইল ট্রাই টু ফিগার আউট হোয়াট ইজ দা প্রবলেম মেবি ফর 50 50 মিনিটস এন্ড রেস্ট 10 মিনিটস ফর সলভিং দা প্রবলেম। সো আন্ডারস্ট্যান্ডিং দা প্রবলেম ইজ ইজ দা বিগার পার্ট। সো দ্যাটস হোয়াই আমাদেরকে উই শুড বি এবল টু আস্ক দা রাইট কোশ্চেন এবং সেজন্যই কিন্তু এখানে মানে এই বইটাতে আমি একটা কাজ করেছি সেটা হচ্ছে গিয়ে এখানে একটা উদাহরণ দিয়েছি যে কিভাবে আসলে আমরা এই একটা প্রবলেমকে আমরা সলভ করবো এবং সেই প্রবলেমটাকে সলভ করার জন্য কিন্তু আমরা আসলে বিভিন্ন শুধু প্রশ্ন না প্রশ্নের পাশাপাশি উদাহরণ দিয়ে দেখিয়েছি যে কিভাবে একটা সুপারস্টোর আসলে একটা স্টেজে পৌঁছে যায় বিকজ দিনশেষে সুপারস্টোর একটা ডেটা পয়েন্ট থেকে কিভাবে আসলে আমরা সুপারস্টোরের ডেটাগুলো আসলে একটা নেক্সট লেভেলে নিতে পারি। সো এইজন্যই আসলে আমাদের পয়েন্ট যে সুপারস্টোর কেন মানে আমরা আসলে যেকোনো জায়গায় যে হোয়াই হোয়াই হোয়াই মানে এইজন্যই কিন্তু এখানে প্রচুর প্রশ্ন করা হয়েছে প্রচুর প্রশ্ন করা হয়েছে এবং বারবার বলা হয়েছে যে আবারও প্রশ্ন করা হয়েছে যে কেন হোয়াই? মানে আমি যদি একটা প্রবলেমকে যদি আইডেন্টিফাই করতে চাই তাহলে আই শুড বি এবল টু আন্ডারস্ট্যান্ড যে আমি কেন একই প্রশ্ন করছি বারবার একই প্রশ্ন বারবার করছি একই সলিউশন আমি আনতে চাচ্ছি এবং সেই প্রবলেমগুলো আসলে এখানে কিভাবে মিটিগেট করছে এবং মিটিগেট করার জন্য কিন্তু এত আইডিয়া। তো দিনশেষে আমরা যাই করি না কেন আমাদের কথা হচ্ছে যে আমরা কি আমাদের রাইট প্রশ্নটা করার জন্য আগে আমার পারসপেক্টিভটা কন্টেক্সটটা আগে আমি বুঝতে পারি কিনা? বিকজ অনেক সময় যেটা হয় যে আমরা যদি আমাদের রাইট কন্টেক্সট না বুঝতে পারি রাইট কন্টেক্সটটা যদি না আসলে আমরা জানি দেন আমাদের জন্য কিন্তু সঠিক প্রশ্নটা বের করারও কিন্তু ডিফিকাল্ট। সো এইজন্য বলছি যে সঠিক প্রশ্নটা কিন্তু আসবে যদি আমি আমার কন্টেক্সটটা ঠিকমতো জানি। ইদানিং আমি দেখেছি যে বিভিন্ন জায়গায় যে আমি অনেককে প্রশ্ন করি যে এটা এটা কি? আমি যখন তাদেরকে প্রশ্ন করি যে এটা কেন এটা কোথায়? সো আই সি দেয়ার ইজ এ গ্যাপ বিকজ পিপল ডোন্ট নো দা কন্টেক্সট। পিপল ডোন্ট ওয়ান্ট টু রিড এবাউট ইট। পিপল ডোন্ট ওয়ান্ট টু ইভেন গো ইন ডেপথ এবাউট ইট। সো আসলে আমরা যতই কিছু বলি না কেন ডেটা অ্যানালিটিক্স ইজ অল অ্যাবাউট আমি সবসময় যেটাকে বলি যে ইটস অল অ্যাবাউট প্রবলেম সলভিং ডেটা স্টোরিটেলিং এক্সপ্লোরেটরি ডেটা অ্যানালিটিক্স ডেটা ভিজুয়ালাইজেশন ট্যাবলু মাইক্রোসফট পাওয়ার বিআই ব্যবহার করছি ডেটা কি ডেটার বৈশিষ্ট্য কি সেটা আমরা একটু বের করার চেষ্টা করি ডেটাকে অর্গানাইজ করার ধারণা ডেটার গ্র্যানুলিটি ডিস্ট্রিবিউশন এন্ড দেন হোয়াট ইজ এসকিউএল ওপেন সোর্স টুল এখানে কি কি ব্যবহার করা যাচ্ছে গ্লোবাল সার্টিফিকেশন কিভাবে পাওয়া যায় ডেটা সাইন্স এবং ডেটা অ্যানালিটিক্স এর রোডম্যাপ। সো দিস আর দা পয়েন্ট আমি সবসময় বলি যে দিস ক্যান হেল্প আস টু গেট ইনটু দা আন্ডারস্ট্যান্ডিং হোয়াই উই আর আস্কিং দা কোশ্চেন এন্ড হোয়াই শুড ইউ ইভেন আস্ক দা রাইট কোশ্চেন এন্ড হাউ টু আস্ক দা রাইট কোশ্চেন এবং রাইট প্রশ্নটা পাওয়ার জন্য আসলে আমরা কি তৈরি কিনা? আমরা কি যথেষ্ট কন্টেক্সট আমরা পেয়েছি কিনা? সেই কন্টেক্সটগুলো আমরা কি ঠিকমতো বুঝতে পেরেছি কিনা? সেটা কিন্তু একটা বড় জিনিস। এইজন্যই আমি বারবার বলি যে ডেটাকে বুঝতে চাইলে ডেটাকে এনালাইসিস করতে পারতে হবে। ডেটাকে এনালাইসিস করতে পারার আগে আমাকে রাইট প্রশ্নটা বের করতে হবে। রাইট প্রশ্নটা বের করার আগে আমাকে কন্টেক্সচুয়ালাইজটা কন্টেক্সটটা বুঝতে হবে যে আমি কোন কন্টেক্সটে এই জিনিসটা নিয়ে আমি কাজ করতে পারবো। বিকজ দিনশেষে হোয়াটেভার উই ডু উই হ্যাভ টু আন্ডারস্ট্যান্ড দা প্রবলেম ডিফাইনিং দা প্রবলেম। উই হ্যাভ টু উই হ্যাভ টু বি এবল টু ডিফাইন্ড দা প্রবলেম বিকজ ইফ উই ডোন্ট ডিফাইন্ড দা প্রবলেম দেন উই আর গোইং ব্যাক টু স্কয়ার ওয়ান। সো উই নিড টু আন্ডারস্ট্যান্ড হোয়াট আর দা প্রবলেম আই শুড বি এবল টু ডিফাইন্ড এন্ড হাউ টু একচুয়ালি আইডেন্টিফাই দা প্রবলেম। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | ডাটা ভিজ্যুয়ালাইজেশন ৩ মাল্টিপল সিরিজে ভার্টিকাল বার চার্ট Vertical Bar Chart multiple series.mp3 | আমরা অভিজ্ঞতার জন্য অনেক সময় বয়স্ক মানুষের কাছে যাই। যেমন অনেকে কিন্তু আমার কাছে আসে যে এটা আসলে কিভাবে হতে পারে বা এটার ব্যাপারে আপনার অভিজ্ঞতা কি? আসলে একটা মানুষের কাছে অভিজ্ঞতা হচ্ছে তার পেছনের ডেটা। মানে আমরা যদি বলি যে একটা মানুষ যে 40 বছর বয়সে একটা কাজ করেছে তার মানে হচ্ছে গিয়ে উনি 40 বছর আগে মানে ওই সময়ে কিন্তু তার ডেটা গ্যাদার করেছে। এভাবে বলি যে আমরা অনেক সময় আমাদের বেশি অভিজ্ঞতা সম্পন্ন আমরা ডক্টরের কাছে যেতে চাই। কারণ ডাক্তারের কাছে যিনি ধরা যাক যিনি একটা এমআরআই কে দেখছে গত 40 বছর ধরে তার অভিজ্ঞতা যিনি 10 বছর ধরে একটা এমআরআই দেখছেন তার থেকে অবশ্যই বেশি হবে। একই জিনিস কিন্তু ঘটে মেশিনের ক্ষেত্রে বা যন্ত্রের ক্ষেত্রে। আমরা চাই যে পিছনের বা পুরনো ডেটা থেকে আমাদের অভিজ্ঞতা নেওয়ার জন্য। মেশিনের জন্য হচ্ছে গিয়ে এটা ডেটা মানে যেটা ডেটা হচ্ছে তার অভিজ্ঞতা আর মানুষের অভিজ্ঞতা হচ্ছে গিয়ে তার পেছনের যে সময়গুলো যে সময়গুলো দিচ্ছে সেটা হচ্ছে গিয়ে তার জন্য অভিজ্ঞতা বা মানুষের জন্য ডেটা। আর সেজন্যই আমরা যদি অনেক সময় ডেটা যদি ঠিকমত প্লট করতে না পারি বা ডেটাকে যদি আমি ঠিকমত না দেখতে পারি তখন কিন্তু আমাদের এই প্রবলেমটা আরো বাড়ে। তার মানে হচ্ছে গিয়ে আমাদেরকে ডেটাকে ঠিকমত দেখার জন্য সেরকম ভিজুয়াল প্লটিং কিছু আন্ডারস্ট্যান্ডিং থাকতে হবে। আর সে কারণে আমি সিরিজ আকারে এটা থেকে কিছু কিছু ধারণা আপনাদেরকে দিচ্ছি যে আমাদের হাতে কলমে ডেটা অ্যানালিটিক্স এবং ভিজুয়ালাইজেশন। হাতে কলমে ডেটা অ্যানালিটিক্স এবং ভিজুয়ালাইজেশন মানে ডেটা থেকে কিভাবে আমরা এনালাইসিস করতে পারছি এবং এর পাশাপাশি এটাকে প্রপারলি ভিজুয়ালাইজ করতে পারছি। আজকে আমি নিয়ে এলাম এখানে আজকে আমি নিয়ে এলাম হচ্ছে গিয়ে ভার্টিকাল বার চার্ট। ভার্টিকাল বার চার্টে আমরা আলাপ করছি যে ভার্টিকাল বার চার্টটা আসলে কিভাবে আমাদের জন্য কাজ করে। কারণ দিনশেষে আমরা যতই কথা বলি না কেন সেটাকে কিন্তু একটা ডেটাতে একটা ডেটাকে ঠিকমত প্লট করতে পারলে কিন্তু আমাদের জন্য এটার একটা ভালো ধারণা হয়। সো আমরা যদি এখানে ভার্টিকাল বার চার্টের কথা বলি যে আসলে ভার্টিকাল বার চার্ট কিন্তু খুবই খুবই জনপ্রিয় একটা লেভেল যেখানে আমরা মনে করি যে মাল্টিপল সিরিজ লাগানো যায়। আপনি দেখেন যে এখানে প্রথমে একটা ডেটা পয়েন্ট তারপর হচ্ছে গিয়ে দুটো ডেটা পয়েন্ট তারপর তিনটা ডেটা পয়েন্ট এখানে দেওয়া আছে। তার মানে হচ্ছে গিয়ে আমরা যখনই একটা ভার্টিকাল ডেটা পয়েন্ট আমরা যখন প্লট করার চেষ্টা করব তখন হয়তোবা আমরা প্ল্যান করছি যে আমার কাছে শুধু চাল চালের একটা একটা ধারণা আছে যে আমি গত এক বছর কত মন চাল বিক্রি করেছি। আবার আমি বলতে পারি যে ঠিক আছে আমি চালের পাশাপাশি কত মন আমি গম বিক্রি করেছি বা গমের পাশাপাশি আমি কত মন অন্যান্য ফ্রুট গ্রেইন ফুড গ্রেইন আমি সেল করেছি। তার মানে হচ্ছে গিয়ে একটা সিরিজ হতে পারে ডুয়েল সিরিজ হতে পারে অথবা মাল্টিপল সিরিজ হতে পারে। তবে আমার কাছে মনে হয় যে তিনের বেশি মাল্টিপল সিরিজ করা উচিত না এবং সেইজন্যই এর পাশাপাশি আরো কিছু ভার্টিকাল চার্ট আছে কি স্টেক ভার্টিকাল চার্ট। আর আপনারা যদি দেখেন যে এখানে স্টেক ভার্টিকাল চার্টটা আছে। যেই স্টেক ভার্টিকাল চার্টটা আমার কাছে যেটা মনে হয় যে স্টেক ভার্টিকাল চার্টটা অতটা ইউজার ফ্রেন্ডলি না। আমরা অনেক সময় ভাবি যে স্টেক ভার্টিকাল চার্ট আমাদের জন্য ভালো ইনসাইট দিয়ে আসে কিন্তু স্টেক ভার্টিকাল চার্টে কিন্তু ওইভাবে আমরা কিছুটা মিসলিডিং হই। এজন্য আমি নিজের নিজেও কিন্তু স্টেক ভার্টিকাল চার্টটা সেভাবে ব্যবহার করি না। কিন্তু অনেকে ব্যবহার করেন ইন্ডাস্ট্রিতে দেখেছি অনেকে ব্যবহার করেন ইট লুকস নাইস। বাট ফর ইন্টেলিজিবিলিটি ফর আন্ডারস্ট্যান্ডিং দা ভিজিবিলিটি ফর আন্ডারস্ট্যান্ডিং হোয়াট ইজ হোয়াট ইট মিনস ফর মি দেন ভার্টিকাল বার চার্ট ইজ ইজ ওয়ে বেটার। আর সেজন্যই আমরা এই ভার্টিকাল বার চার্ট নিয়ে যখন আমরা আলাপ করি এই ভার্টিকাল বার চার্টে কিন্তু এখানে মাল্টিপল সিরিজগুলো মানে তিনের অধিক নয় তিনের অধিক নয় এরকম মাল্টিপল সিরিজ নিয়ে আসলে আমরা আলাপ করতে পারি। তবে যাই হোক না কেন আমরা বিশেষ করে এই ধরনের কাজগুলো যখন আমরা এখানে ব্যবহার করি তখন এখানে ভার্টিকাল বার চার্টে আমরা তিনের বেশি আসলে আমরা সিরিজ এখানে যোগ করব না। কারণ তিনের বেশি হলেই কিন্তু এটার কমপ্লেক্সিটি বাড়ে। আর স্টেক ভার্টিকাল চার্ট আমি যদিও রিকমেন্ড করি না বাট আপনি ইউজ করতে পারেন যদি এটা আপনার কাছে মনে হয় যে এটা একটা ভালো মানে ভালো ইন্টেলিজিবিলিটি দিবে আপনাকে। সো আমি মনে করি যে আমরা উই ক্যান স্টার্ট উইথ দিস ডেটা অ্যানালিটিক্স এন্ড ভিজুয়ালাইজেশন এন্ড দিস ইজ এ কাইন্ড অফ এ বেজলাইন ডকুমেন্ট। একটা বেজলাইন ডকুমেন্ট হাউ ইউ ক্যান স্টার্ট উইথ ইউর ডেটা। আজকে এ পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | ডেটা অ্যানালাইটিক্স ও ভিজ্যুয়ালাইজেশন বই থেকে Predict whether a Customer buys Travel Insurance.mp3 | যেকোনো বইকে চমৎপ্রদ করার জন্য দরকার একটা ভালো ডেটা সেট আর সেই ভালো ডেটা সেট অনেক সময় সার্চ করতে করতে আমাদের সময় লেগে যায়। তবে এই হাতে কলমে ডেটা অ্যানালিটিক্স অথবা ডেটা ভিজুয়ালাইজেশন এই বইটাতে আসলে একটা পারফেক্ট ডেটা সেট খোঁজার জন্য আমি বেশ সময় নিয়েছিলাম। তো পারফেক্ট ডেটা সেট আসলে কেন প্রয়োজন? কারণ আমরা যখন ডেটা অ্যানালিটিক্স বা ডেটা সাইন্স বা এগুলো শিখতে চাই তখন সব যে প্রথম যে ব্যাপারটা হচ্ছে যে আসলে আমরা ডেটা থেকে কোন ভ্যালু পাচ্ছি কিনা বা ডেটা আসলে আমাদেরকে ঠিকমত ইনসাইট দিতে পারছে কিনা। আর সেজন্য একটা ছোট ডেটা সেট তবে যেই ডেটা সেটের মধ্যে ভালো ইনসাইট আছে সেটা কিভাবে বের করা যায় সেটার জন্য আসলে অনেক সময় উই হান্ট ফর প্রপার ডেটা সেট এবং হোয়াইল উই হান্ট ফর প্রপার ডেটা সেট উই ট্রাই টু ফিগার যে আসলে একটা ডেটা সেট কিভাবে একটা আমাদের যারা রিডার আছেন তারা আসলে এই ডেটা সেটের সাথে ডেটা সেটের সাথে একটা কানেকশন কিভাবে তৈরি করতে পারেন। আর সেজন্যই এই হাতে কলমে ডেটা অ্যানালিটিক্স এবং ভিজুয়ালাইজেশন এই বইটাতে একটা পারফেক্ট ডেটা সেট নিয়ে আসছি যেটাকে আমরা বলছি যে বিশেষ করে আমরা এটাকে পাওয়ার বিআই মাইক্রোসফটের পাওয়ার বিআই আমরা চেষ্টা করেছি যে মাইক্রোসফটের পাওয়ার বিআই দিয়ে একটা ভালো ডেটা সেট আনার জন্য এবং সেই ডেটা সেটটা হচ্ছে গিয়ে ইন্স্যুরেন্স ক্লেইম। মানে হচ্ছে গিয়ে ট্রাভেল ইন্স্যুরেন্স ক্লেইমের ব্যাপারে যে আসলে যখন আমরা ট্রাভেল করি তখন একটা ইন্স্যুরেন্স কিনতে হয় যে ট্রাভেল ইন্স্যুরেন্স। সো আমরা ধারণা করতে পারি যে একটা ট্রাভেল ইন্স্যুরেন্স যে কিনছে সেটা কোন এজেন্সির থেকে কিনছে? সেটা কি একটা ট্রাভেল এজেন্টের মাধ্যমে কিনছে নাকি সরাসরি এয়ারলাইন্স থেকে কিনছে? অথবা ট্রাভেল ইন্স্যুরেন্স যে কোম্পানিগুলো আছে তাদের একটা বড় চিন্তা থাকে যে আমার যে ডেটা মানে আমি যে ডেটাটা ব্যবহার করছি আমার সেই ক্লায়েন্ট যিনি ট্রাভেল ইন্স্যুরেন্স আমার থেকে কিনলেন উনি কি ফাইনালি এখান থেকে ক্লেইম করবেন কিনা? কারণ এটাই তো আসলে সবচেয়ে বড় বিজনেস যে আমি একটা ইন্স্যুরেন্স একটা কিনলাম। এখন যিনি ইন্স্যুরেন্স আসলে সেল করেন বা যারা ইন্স্যুরেন্স প্রোডাক্টটা বানান তাদের একটা বড় ধারণা থাকে যে ট্রাভেল ইন্স্যুরেন্স ক্লেইম করলেই তো আসলে উনাদের লস। সো সেখানে তারা চিন্তা করেন যে একটা মেশিন লার্নিং বা তারা ডেটা ভিজুয়ালাইজেশন বা ডেটা অ্যানালিটিক্স ব্যবহার করে তারা বুঝতে চান যে আসলে কোন কোন কোন কোন সাবস্ক্রাইবার বা কোন কোন ট্রাভেলার যারা আসলে ট্রাভেলের যারা হচ্ছে গিয়ে এই ট্রাভেলিং ইন্স্যুরেন্স কিনছেন তাদের মধ্যে কারা কারা আসলে ফাইনালি ট্রাভেল ইন্স্যুরেন্সটা ক্লেইম করতে পারেন বিফোর ইভেন ইস্যুইং দা ট্রাভেল ট্রাভেল ইন্স্যুরেন্স। সো এখানে এই ট্রাভেল ইন্স্যুরেন্স ডেটা সেটটা আসলে আমি ক্যাগল থেকে পেয়েছি এবং তার জন্য আমি আবার কৃতজ্ঞ হচ্ছে গিয়ে প্রগতি জৈন যিনি হচ্ছে গিয়ে লন্ডন পাওয়ার বিআই গ্রুপ থেকে আসলে উনার সাথে আমার কন্টাক্ট হয়েছিল। সো লন্ডন পাওয়ার গ্রুপ পাওয়ার পাওয়ার বিআই যে ইউজার গ্রুপটা আছে সেই ইউজার গ্রুপে আসলে আমি কানেক্টেড তো ওখান থেকে আসলে এই ডেটা সেটের সংযোগ পাওয়া। সো এটা আসলে আমরা আমি বের করার চেষ্টা করছিলাম যে এজন্য আমরা যদি দেখি যে ট্রাভেল ইন্স্যুরেন্স ডেটা সেট কে এবং কেনর উত্তর এবং এই কে বা কেনর উত্তর দিয়েই কিন্তু আসলে আমরা এগিয়েছি। তার মধ্যে যে ডেটা ডিকশনারি আমরা যদি ডেটা ডিকশনারির কথা বলি যে ট্রাভেল ইন্স্যুরেন্সের ডেটা ডিকশনারিতে বলা আছে কি এজেন্সি যে কোন এজেন্সির মাধ্যমে ইন্স্যুরেন্সটা বিক্রি হচ্ছে তার কোড। এটা তো আমরা বুঝতেই পারছি যে ট্রাভেল ইন্স্যুরেন্স ডেটা সেটে অফকোর্স এজেন্সির কোড থাকবে যেই এজেন্সির মাধ্যমে ইন্স্যুরেন্সটা সেল হচ্ছে। তারপর হচ্ছে গিয়ে এজেন্সি টাইপ মানে কার মাধ্যমে সেল হচ্ছে? সেটা হচ্ছে গিয়ে কি ধরনের এজেন্সি? ট্রাভেল এজেন্ট নাকি এয়ারলাইন? মানে কাদের মাধ্যমে আসলে আমি এই ইন্স্যুরেন্সটা আমি কিনছি। তারপর হচ্ছে গিয়ে ডিস্ট্রিবিউশন চ্যানেল। ডিস্ট্রিবিউশন চ্যানেলটা কি অনলাইন নাকি অফলাইন? এটা একটা হতে পারে। তারপর হচ্ছে ইন্স্যুরেন্স প্রোডাক্ট নেম। মানে কোন প্রোডাক্টটা কিনছি? আমি কি 12 দিনের জন্য কিনছি নাকি 14 দিনের জন্য কিনছি নাকি তিন দিনের জন্য কিনছি নাকি আমি এক্সক্লুসিভ কিছু কিনছি? তারপর হচ্ছে গিয়ে ইন্স্যুরেন্স ক্লেইম। মানে আসলে ফাইনালি ইন্স্যুরেন্সটা কি ক্লেইম করা হয়েছে কিনা? কারণ দিনশেষে দিস ইজ দা বিজনেস যে আসলে আমার ইন্স্যুরেন্সটা কি আসলে ক্লেইম করা হয়েছে কিনা। সো এই ক্লেইম হচ্ছে গিয়ে আরেকটা অংশ যে ইন্স্যুরেন্সটা ক্লেইম করা হয়েছে কিনা সেটার স্ট্যাটাস। তারপর হচ্ছে ডিউরেশন। কতদিনের জন্য এই ট্রাভেল ইন্স্যুরেন্সটা কাভার করবে? তারপর হচ্ছে গিয়ে ডেস্টিনেশন। মানে কোন গন্তব্যের জন্য এই ইন্স্যুরেন্সটা কেনা হচ্ছে? নেট সেলস ইন্স্যুরেন্সটার নেট বিক্রির হিসেব। তারপর হচ্ছে গিয়ে কমিশন। মানে এই ইন্স্যুরেন্সের জন্য কত কমিশন পাওয়া গেছে? সেটা ট্রাভেল এজেন্ট যদি হয় সে কত কমিশন পাচ্ছে? এয়ারলাইন্স কত কমিশন ছাড়ছে? এটা একটা দেখতে হবে। জেন্ডার মানে ভ্রমণকারী মহিলা না পুরুষ। তারপর হচ্ছে গিয়ে এইজ মানে হচ্ছে গিয়ে ইন্স্যুরেন্স ক্রেতার বয়স। সো আসলে আমরা যেকোনো একটা ডেটা সেট যখন সিলেক্ট করি তার পেছনে কিছু কিছু ধারণা থাকে। কিছু ফিলোসফি আমরা চিন্তা করি যে এটা আসলে আমাদের যারা রিডার যারা পড়ছেন তাদেরকে এটা টানছে কিনা। কারণ আর সে কারণে মাইক্রোসফট পাওয়ার বিআই ইজ ওয়ান অফ দা বেস্ট ভিজুয়ালাইজেশন টুল। ট্যাবলু, মাইক্রোসফট পাওয়ার বিআই ইটস নট অনলি ডেটা অ্যানালিটিক্স টুল ইটস এ ডেটা ভিজুয়ালাইজেশন টুল অলসো ইট প্রোভাইডস দা ইনসাইট হোয়াট ইজ ইন ইন দা ডেটা। সো এখানে আসলে আমরা একটা ভালো ধারণা পাই। আর সবচেয়ে বড় জিনিস হচ্ছে গিয়ে এ ধরনের হাতে কলমে ডেটা অ্যানালিটিক্স এবং ডেটা ভিজুয়ালাইজেশন বইটা সত্যিকার অর্থে এটা সবচেয়ে আগে আমার লেখা উচিত ছিল। বাট আই রোট দা বুক অন মেশিন লার্নিং বিকজ আই থট যে মেশিন লার্নিং ইজ সামথিং হোয়াট উড এট্রাক্ট পিপল মোস্ট এন্ড দেন আই উড গো ইনটু দিস। বাট দেন একটা জায়গায় আমি গেলাম যে না মেশিন লার্নিং মডেল মাইট নট বি ইউজড ইন এভরি সেক্টর। বাট দেন ডেটা অ্যানালিটিক্স ইট শুড বি ইউজড ইন ইন এভরি সেক্টর। সো হোয়েদার আই নো কোড অর নট নট নট মানে আমি আসলে একটা কোড জানি কোড করতে জানি কি জানিনা তার থেকে বড় ব্যাপার হচ্ছে যে আমি কিন্তু কোড ছাড়াই ডেটা ভিজুয়ালাইজেশন ব্যবহার করতে পারি। আই ক্যান ইউজ মাইক্রোসফট এক্সেল, আই ক্যান ইউজ গুগল শীট টু আন্ডারস্ট্যান্ড হোয়াট ইট হোয়াট ইজ ইট ইন দা ডেটা। ডেটাতে আসলে কি আছে? ডেটা সেটটা কি বলতে চাইছে? সো মাইক্রোসফট এক্সেল বলেন, গুগল শীট বলেন এন্ড দেন আই থট অফ ইউজিং মাইক্রোসফট পাওয়ার বিআই যদিও ওটা একটা ওভারকিল। এ ধরনের ডেটা সেটের জন্য ইটস ওভারকিল। বাট স্টিল আমি বলব যে ইন্স্যুরেন্স ট্রাভেল ইন্স্যুরেন্স ক্লেইমটা খুবই ছোট ছোট ডেটা সেট। বাট এটা পাওয়ার বিআইতে আমরা যখন দেখব তখন এটা আসলে দেখার চেষ্টা করব যে কারা সবচেয়ে বেশি ইন্স্যুরেন্স সেল করার চেষ্টা করছে? এটাকে ট্রাভেল এজেন্ট সেল করতে পারছে নাকি সরাসরি এয়ারলাইন্স থেকে কিনতে পারছে এবং কারা কমিশন দিচ্ছে? কাদেরটা সেল হওয়ার পেছনের কারণ কি? ইন্স্যুরেন্স ক্লেইমটা আসলে কোথা থেকে হচ্ছে? ইন্স্যুরেন্স ক্লেইমের পাশাপাশি আমরা আবার দেখতে চাইবো যে কোন ডেস্টিনেশনে যাচ্ছে। আবার তার পাশাপাশি আমরা অন্য একটা ডেটা সেটকে এটার সাথে কানেক্ট করার চেষ্টা করব। সো দিনশেষে আন্ডারস্ট্যান্ডিং হোয়াট ইনসাইট আই এম গেটিং ফ্রম এ ডেটা সেট ইজ ভেরি ইম্পর্টেন্ট এন্ড হোয়াট ইজ দা ডিসিশন আই ওয়ান্ট টু মেক লাইক একটা ট্রাভেল ইন্স্যুরেন্স কোম্পানি কিভাবে সে সিদ্ধান্ত নিবে যে আসলে কারা কারা একটা ট্রাভেল ক্লেইম করবে? ট্রাভেল ইন্স্যুরেন্স ক্লেইম করবে না? কারা কারা করবে না? এর ভিত্তিতে তারা ভবিষ্যৎ তাদের স্ট্র্যাটেজি ঠিক করবে। সো এইজন্য একটা ভালো ডেটা সেট আমাদের দরকার আর সেটাই আসলে এই বইটাতে কাভার করা কাভার করা হয়েছে। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | আমি কি ডাটা নিয়ে কাজ করতে পারবো Can I start a data science career with a non-tech background.mp3 | একটা প্রশ্ন প্রায় পাই যে আসলে ডেটা নিয়ে কাজ করতে পারবো কিনা কারণ যারা বিবিএ বা এমবিএ বা যারা মাত্র ইন্টারমিডিয়েট পরীক্ষা পাশ করেছেন বা যারা এইচএসসি দিয়েছেন তারা অনেকে বলেন যে আমরা কি ডাটা নিয়ে কাজ করতে পারবো কিনা অফকোর্স আসলে ব্যাপারটা এরকম যে মানুষ মানে আমরা যারা মানুষ মানুষে কিন্তু মানুষের লিমিট সেট করে দেয় আজকে যদি আমরা মনে করি যে না আমরা এটা পারবো যদি আমরা যদি চিন্তা করি মানে সবকিছুই কিন্তু মাথায় মানে আমরা যে জিনিসটা করার দরকার বা যে জিনিসটা আমি পারসিভ করতে পারি মানে মানুষ যদি পারসিভ করতে পারে যে এই জিনিসটা সে করতে পারবে দেন হি উইল বি এবল টু ডু ইট আর আমরা যদি মনে করি যে না এটা আমরা করতে পারবো না দেন আই উইল নট বি এবল টু ডু ইট মানে আমি যদি করতে চাই তাহলে আমি পারবো আর আমি যদি মনে করি না আমি এটা করতে চাই না বা আমি এটা পারবো না আমি যদি নিজের থেকে যদি লিমিট সেট করে দেই যে আমি এটা পারবো না দেন আমি হয়তোবা এটা পারবো না সো ব্যাপারটা কিন্তু ওইখানেই দাঁড়িয়ে যায় যে ডেটা নিয়ে কাজ করার ব্যাপারটা কিন্তু সেরকম যে অফকোর্স ডেটা নিয়ে কাজ করার একটা ব্যাপার হচ্ছে যে হ্যাঁ ডেটা স্ট্রাকচার বা এই জিনিস বিকজ ডেটা সাইন্স নিয়ে যখন আমরা কাজ করব তখন কিন্তু ওটার ব্যাকগ্রাউন্ডের কিছু কিছু ব্যাপার আমরা আস্তে আস্তে শিখে যাব কিন্তু আমি প্রচুর মানুষ জানি আমার প্রচুর বন্ধুবান্ধব আছে এবং আমার অনেকেই আমি বিদেশে তার সাথে যোগাযোগ আছে আমার বিদেশে আমার যাওয়া পরে ওখানে আমার সাথে কথা হয় প্রচুর ডেটা সাইন্টিস্ট আমি দেখেছি যারা আসলে কম্পিউটার সাইন্স না হয়ে অন্য ব্যাকগ্রাউন্ড থেকে এসেছেন হয়তোবা শুরুতে একটু সমস্যা হয়েছে তো আমি ডেটা সাইন্সের কথা বাদ আমি বলছি শুধু ডেটা অ্যানালিটিক্স আমি বলছি শুধুমাত্র ডেটাকে এনালাইসিস করতে পারা আমার আমার প্রশ্নটা আপনি বুঝেন যে আমি শুধু ডেটা নিয়ে কাজ করতে চাই আমি ডেটাকে ঠিকমতো এনালাইসিস করতে চাই আমি ডেটাকে এনালাইসিস করতে চাই সেই ডেটাকে এনালাইসিস করার জন্য কিন্তু আমার প্রোগ্রামিং লাগবে না শুরুতে শুরুতে আমি বলছি যে না ডেটা নিয়ে যদি আমি ধরা যাক ডেটা নিয়ে কাজ করতে চাই কারণ আমার অফিসে হোক এখন প্রাইভেট সেক্টর পাবলিক সেক্টর সব জায়গায় দেখছি যে প্রচুর ডেটা নিয়ে কাজ হচ্ছে এবং সেই ডেটা নিয়ে কাজ করার পেছনে যারা ডেটা নিয়ে কাজ করছেন তারা কিন্তু সবাই ডেটা সাইন্টিস্ট না তারা আসলে ওই ওই জায়গায় তারা কখনো যাননি কিন্তু দা আইডিয়া ইজ ইফ উই স্টার্ট একচুয়ালি টকিং টু ডেটা মানে আমরা ডেটা নিয়ে যদি এনালাইসিস করা শুরু করি দেন সামডে উইল বি এবল টু বিকাম লাইক দা কোভেটেড ডেটা সাইন্টিস্ট আর অনেকেই কিন্তু এখন ডেটা নিয়ে কাজ করছেন এবং ডেটা সাইন্টিস্ট হচ্ছেন অনেক সময় প্রি রিকুইজিট ছাড়াই হচ্ছেন কিন্তু যেটা হচ্ছে যে ব্যাকগ্রাউন্ডটা একসময় লাগবে কিন্তু আমি বলছি যে না আই এম নট টকিং এবাউট ডেটা সাইন্টিস্ট আই এম টকিং এবাউট ডেটা এনালিস্ট এজন্যই দেখেন যে আমরা বলছি ডেটা অ্যানালিটিক্স এবং ডেটা সাইন্সের রোডম্যাপ আমি বলছি ডেটা অ্যানালিটিক্স এর রোডম্যাপ আপনি যদি শুধুমাত্র ডেটা অ্যানালিটিক্স দিয়ে শুরু করতে চান তার জন্য রোডম্যাপ কিন্তু খুবই সহজ এবং সেই সহজ রোডম্যাপটা হচ্ছে গিয়ে আপনাকে ডেটাকে এনালাইসিস করতে পারার জন্য কিছু টুল শিখতে হবে হুইচ ইজ হুইচ ইজ লাইক মেবি ফোর অর ফাইভ ডেজের আইডিয়া যে আমি আসলে যদি শুরু করতে চাই ধরা যাক কেউ যদি ডেটা এনালাইসিস শুরু করতে চান কেউ যদি ডেটা নিয়ে কাজ করতে চান কেউ যদি ডেটা নিয়ে তার ধারণা শুরু করতে চান এভরিবডি শুড স্টার্ট উইথ এক্সেল অর এভরিবডি শুড স্টার্ট উইথ মাইক্রোসফট অর আই উড সে গুগল শিট আপনার যদি এক্সেল লাইসেন্স থাকে ভালো আর যদি আপনার পিসিতে এক্সেল যদি ইনস্টল করা না থাকে নো প্রবলেম জাস্ট গো টু ইন্টারনেট গো টু দা ব্রাউজার এন্ড জাস্ট রান গুগল শিট বিকজ গুগল শিটে আমরা অনেক কিছু আপলোড করে আমরা কাজ করতে পারি সো আমরা আসলে ব্যাপারটা বলছি যে গুগল শিট গুগল শিট ক্যান বি ইউর প্রাইমার গুগল শিট ক্যান বি ইউর প্রাইমার বিকজ ইউ নিড টু প্রাইম ইউ নিড টু প্রাইম টু ডেটা সাইন্টিস্ট রোডম্যাপ সো আমরা যেটা বলছি যে ডেটা সাইন্স নিয়ে যখন আমরা কাজ করব তার শুরুতে ডেটা অ্যানালিটিক্স মানে আমরা ডেটা সাইন্সের আগে ডেটা অ্যানালিটিক্স দিয়ে শুরু করতে হবে এবং সেই ডেটা অ্যানালিটিক্স শুরু করার জন্য কিন্তু আপনার কিছুই লাগবে না এবং কিছু না লাগার জন্যই আসলে কিছু না এই বইটা কিনতে হবে না আমি বলছি যে এই বইটা এই বইটা আমরা অনলাইনে আছে এই বইটা অনলাইনে পড়া যায় পয়েন্ট বিং যে আমি যে জিনিসটা বলছি যে ডেটা নিয়ে কাজ করার জন্য ডেটা নিয়ে কাজ করার জন্য আপনার মাইন্ডসেটটাই যথেষ্ট মানে আপনার মাইন্ডসেটটাকে খুলতে হবে যে না আপনি ডেটা নিয়ে কাজ করতে পারবেন এন্ড হুইচ ইজ ইনভিটেবলি ট্রু যে যে কেউ ডেটা নিয়ে কাজ শুরু করতে পারবেন সো আসলে আমরা বই লিখি অন্য একটা কারণে যে বই লিখি দায়বদ্ধতা থেকে যে একটা বয়স হয়ে গিয়েছে এখন আমরা একটা বই লিখি কারণ আমার যে আইডিয়া সে আইডিয়াটা কিভাবে মানুষের কাছে ছড়িয়ে দেওয়া যায় একেকটা বই আমরা লিখতে হয়তোবা ছ মাস সময় নেই ছ মাসে হয়তোবা বইটা থেকে আমি রয়ালটি ফি বাবদ হয়তোবা দু লাখ টাকা পাই ছ মাস ইনভেস্ট করে দু লাখ টাকা পাওয়া আর সেখানে আমাদের মত অনেকেই যারা ছ মাস কাজ করলে কিন্তু 20 লাখ টাকা আয় করতে পারেন সো আমি যে বলছি যে আমরা আসলে বইগুলো লিখি একটা দায়বদ্ধতা থেকে দায়বদ্ধতা থেকে এই কারণে যে যাতে আমাদের নতুন প্রজন্ম ডেটার দিকে হাঁটতে পারেন কারণ দিনশেষে আজকে যে ছেলেটা স্বপ্নতে জয়েন করছেন বা যে ছেলেটা আজকে ফুড পান্ডাতে জয়েন করছেন বা যে ছেলেটা আসলে বিভিন্ন সার্ভিস সেক্টরে কাজ করছেন বিকজ আমি নিজেও একটা সার্ভিস সেক্টরে আছি যে কোন সার্ভিস সেক্টরে ডেটা ড্রিভেন সার্ভিস সেক্টর হ্যাজ টু বি ডেটা ড্রিভেন সো এখানে আমাদের ডেটা নিয়ে কাজ করতে পারতে হবে আর সেজন্য আমি বলছি যে যখন অনেকে বলেন যে তারা ডেটা নিয়ে কাজ করতে পারবেন কিনা বা অনেকে বলেন যে তারা আসলে ডেটা নিয়ে তাদের ভয় আছে বিকজ তাদের কোন ব্যাকগ্রাউন্ড নেই কম্পিউটার সাইন্সের ব্যাকগ্রাউন্ড নেই আই উড সে নো প্রবলেম জাস্ট স্টার্ট বিকজ ডেটা অ্যানালিটিক্স শেখার জন্য ডেটা এনালাইসিস শেখার জন্য আপনার আসলে ও ধরনের ব্যাকগ্রাউন্ড প্রয়োজন নেই যিনি এইচএসসি পরীক্ষা পাশ করেছেন হি উইল বি এবল টু ডু ইট আজকে এই পর্যন্তই থাকছেন তো সামনে |
নন-প্রোগ্রামারদের ডেটা অ্যানালাইটিক্স মেন্টরশীপ | নন-প্রোগ্রামারদের জন্য ডেটা-অ্যানালাইটিক্স ৪৫ খালি চোখে প্যাটার্ন দেখে ডেটা এনালাইসিস.mp3 | ডেটা অ্যানালিটিক্স শিখার পূর্বশর্ত হচ্ছে সেটাকে হাতে কলমে দেখা। আর সে কারণে আমরা চলে যাচ্ছি টাবলো পাবলিক ওয়েব ভার্সন দিয়ে আজকের আইরিশ ডেটা সেটটা আমরা দেখবো। আর আমরা এখানে যে বিজনেস কোয়েশ্চেনটা আছে সেই বিজনেস কোয়েশ্চেনে আমরা বলতে পারি যে আমরা খালি চোখে আমি বলতে চাচ্ছি আমরা খালি চোখে আইরিশ প্রজাতির ফুলগুলো আলাদা করতে পারবো কিনা। আমার মনে হয় সেটা আমরা নিজেরাই দেখবো। আর দ্বিতীয় বিজনেস কোয়েশ্চেন হচ্ছে যে আপনাকে যদি একটা নতুন ফুলের ডেটা দেওয়া হয়। একটা নতুন প্রজাতির ফুল সেটা আমি জানিনা সেটা আসলে কোন প্রজাতি। সেটাকে প্লট করলে সেটা আসলে কোন প্রজাতি মানে আমাদের যে বিজনেস কোয়েশ্চেন কোন প্রজাতি সেটা বের করা সম্ভব কিনা। চলুন আমরা চলে যাই আমাদের public.tableau.com এ এবং সেখানে যদি আমরা চলে যাই আমরা এখানে public.tableau.com এখানে যে জিনিসটা হচ্ছে যে আপনাদের এখানে প্রথমে প্রোফাইল তৈরি করে নিতে হবে কারণ এখানে গেলে আপনাকে প্রথমে আপনার একটা অথেন্টিকেশন চাইবে। আমার মনে হয় Google এর মাধ্যমে অথেন্টিকেশন করে গেলে ভালো। তবে আমি এটুকু বলছি যে আপনারা যখন এই লিংকটাকে ক্লিক করবেন ক্লিক করলেই কিন্তু আপনাকে এই সাইটটাতে নিয়ে যাবে যেটা হচ্ছে tableau.public এবং সেখান থেকে আপনি এই আপনার ইমেইল এড্রেস দিয়ে আপনি আপনার অ্যাপটা ডাউনলোড করতে পারেন। আর আপনি যদি আপনার অ্যাপ ডাউনলোড করতে না চান আপনি ওয়েব ভার্সন দিয়ে কাজ করতে চান তাও সই মানে এটাতেও সম্ভব। আমরা চলে যাচ্ছি আমাদের প্রোফাইলে। প্রোফাইলে যখন চলে গেলাম তখন কিন্তু সরাসরি আমাদের যে যে ভিজুয়ালাইজেশনগুলো আমরা এই পর্যন্ত তৈরি করেছি সেটা আমরা এখানে করতে পারবো। এই মুহূর্তে আমরা ওয়েব ভার্সন ক্রিয়েট এ ভিজ মানে এটা একটা বেটার ভার্সনে আছে। আমরা এখান থেকে চলে গেলাম আপনার নতুন একটা ডেটা সেট এখানে আপলোড করবো। আমরা যখনই এখানে চলে গেলাম আমাদেরকে বলা হচ্ছে ড্রাগ এন্ড ড্রপে ফাইল মানে আমাদের আইরিশ ডেটা সেটটাকে আমরা এখানে আপলোড করবো। আমরা সরাসরি চলে যাই আপলোডে এবং সেখান থেকে আমরা এখানে দেখছি যে আমাদের ডেটা সোর্স। আমাদের ডেটা সোর্সে আমরা যখন চলে গেলাম তখন এখান থেকে আমাদের iris.csv মানে এই ফাইলটাকে আমরা আপলোড করছি। এটা খুবই ছোট একটা ফাইল কয়েক কিলোবাইটের একটা ফাইল বলতে গেলে 5 কিলোবাইট। সেটা সেটাকে আমরা আপলোড করছি। আমরা এখান থেকে যখনই আপলোড করলাম তখন এই iris.csv ফাইলটা এখানে চলে গেল এবং আমরা যদিও আমরা ওয়ার্কশিটে আছি বাট আমরা যদি আমাদের ডেটাটা দেখতে চাই আমাদের ডেটাটা দেখতে চাইতে হবে। কারণ ডেটা অ্যানালিটিক্সের একটা বড় শর্ত হচ্ছে কি আসলে ডেটাটা কি সেটা সেটার ব্যাপারে আমাদের আমাদের একটু ভিতরে জানতে হবে। আমরা ডেটা সোর্সে গেলাম এবং ডেটা সোর্সে যাওয়ার পর আমরা যেই তথ্যটা পাচ্ছি সেখানে যে জিনিসটা আমরা দেখছি যে iris.csv তে প্রথমে আইডি মানে এখানে টোটাল 150 টা ফিল্ড আছে এবং 150 টা ফিল্ডে এখানে কিন্তু দেখাচ্ছে। প্রথম ফিচার, দ্বিতীয় ফিচার, তৃতীয় ফিচার, চতুর্থ ফিচার। মানে আমাদের সিপাল লেন্থ, সিপাল উইডথ, পিটাল লেন্থ, পিটাল উইডথ এবং ফাইনালি স্পিসিস। তা আমাদের যেহেতু এটা মেশিন লার্নিং মডেল আমরা এটা ভিজুয়ালাইজেশন করতে চাচ্ছি আমাদের যেকোনো দুটো ফিচার যেমন আমরা এখানে বলতে পারি পিটাল লেন্থ সেন্টিমিটারে পিটাল লেন্থ সেন্টি পিটাল উইডথ সেন্টিমিটারে। এটা হচ্ছে 1.4 সেন্টিমিটার। এটা হচ্ছে গিয়ে .2 সেন্টিমিটার। এটা 1.3 সেন্টিমিটার এটা .2 সেন্টিমিটার। এভাবে কিন্তু বিভিন্ন ফিচারের লেন্থ দেওয়া আছে। আমরা এখানে যদি বলি লেন্থ এবং উইডথ এই দুটোকে আমরা দেখে তারপরে সেটার উপর ভিত্তি করে এটা আইরিস সেটোসা নাকি সেটা আইরিস ভার্সিকালার সেটা আমরা এখানে দেখতে পারি যে এখানে যেমন আইরিস সেটোসা তারপরে এখানে হচ্ছে আইরিস ভার্সিকালার। তারপর শেষের দিকে আমরা পাবো আইরিস ভার্জিনিকা। মানে আমাদের প্রথমে এই ডেটাটা দেখতে হবে যে এই চারটা ফিচার থেকে কোরিলেশন করেই কিন্তু আমাদের এই স্পিসিসটা বের করেছে। আর সেজন্য আমরা চলে যাচ্ছি আমাদের প্রথম ওয়ার্কশিটে। এখন যে জিনিসটা আমরা দেখতে চাইবো যে আমাদের এখানে কলাম এবং রোতে দুটো ফিচার আমরা ফেলতে পারি। যেহেতু আমাদের টু ডাইমেনশন আমরা এখানে একেবারে চারটা ফিচারকে ফেলতে পারবো না। এখানে আমাদের চারটা ফিচার আছে। চারটা ফিচারকে কিন্তু আমরা একেবারে ফেলতে পারবো না। আমরা হয় দুটো ফিচার মানে যেহেতু আমাদের টু ডাইমেনশন। আমাদের এখানে কি দরকার? আমরা বলেছিলাম যে আমরা কোনটা কোনটা এখানে দেখাবো। আমরা বলেছিলাম যে পিটাল লেন্থ এবং পিটাল উইডথ। আমরা ওয়ার্কশিটে চলে যাচ্ছি এবং আমরা এখানে পিটাল লেন্থ আমরা যেটা করবো পিটাল লেন্থ ডাবল ক্লিক করবো। পিটাল লেন্থ ডাবল ক্লিক এবং আমরা পিটাল উইডথ ডাবল ক্লিক। আপনি দেখুন যে এটা রোতে চলে এসছে। পিটাল উইডথটা আমরা যখন ডাবল ক্লিক করছি এটা কিন্তু কলামে চলে গেল। কিন্তু আমাদের এখানে ডেটাটা প্লট হয়নি। কেন প্লট হয়নি? কারণ বাই ডিফল্ট টাবলো হোক মাইক্রোসফট পাওয়ার বিআই হোক সবাই কিন্তু শুরুতেই এগ্রিগেট করছে মানে ওর সামারাইজেশনটাকে এগ্রিগেট করে। আমরা অ্যানালাইসিসে গেলে দেখবো যে এগ্রিগেট মেজারস আছে। আমরা এই মেজারসটাকে এগ্রিগেট যেটা আছে সেটাকে আমরা আনচেক করে দিলাম যাতে এটা এগ্রিগেট না করতে পারে মানে সামারাইজেশন না করতে পারে। সামারাইজেশন হচ্ছে কি পুরোটাকে একটা জায়গায় নিয়ে আসে। আমরা এটাকে বন্ধ করে দিলাম। বন্ধ করে দেওয়ার পর দেখা যাচ্ছে যে এখানে আমাদের পুরো ডেটাটা প্লট হয়ে গেছে মানে 150 টা ডেটা আমাদের এখানে প্লট হয়ে গেছে। আমরা এটাকে একটু যদি বড় করে দেখতে চাই যে আমাদের ফুল এন্টার ভিউতে যদি দেখি তাহলে আমরা যদি এটাকে আলাদা করতে চাই। ধরা যাক আমাদের বিজনেস কোয়েশ্চেনটা কি ছিল? আমাদের বিজনেস কোয়েশ্চেন ছিল আমরা কি খালি চোখে আইরিশ প্রজাতির ফুলগুলোকে আলাদা করতে পারবো কিনা? তো এখন যদি এইটা আমাদের ডেটাটা যদি প্লট করা থাকে কলামে বা রোতে আমরা কিন্তু এটা সিলেক্ট করিনি। আমরা এখানে শুধু ডাবল ক্লিক করেছি। এই দুটোকে ডাবল ক্লিক করেছি। সরাসরি এটা ইন্টেলিজেন্ট ভাবে কিন্তু সেটাকে কলামে এবং রোতে ফেলে দিয়েছে এবং আপনি দেখবেন যে এই এখানে ওয়াই অ্যাক্সিসে ওয়াই অ্যাক্সিসে পিটাল লেন্থ এখানে আপনি দেখতে পাচ্ছেন যে ওয়াই অ্যাক্সিসে রোতে পিটাল লেন্থ চলে এসছে। আর এক্স অ্যাক্সিসে যদি আমরা দেখি এক্স অ্যাক্সিসে চলে এসছে পিটাল উইডথ। তো পিটাল উইডথ এবং পিটাল লেন্থ আমরা এখানে এর আগে যেটা দেখেছি আমাদের ডেটাতে সেই ডেটাতে কিন্তু আমাদের যে মাপ সেই মাপে ধরা যাক এখানে আমরা বলছি 1.4 আর .20 এটাকে যদি ঠিকমতো প্লট করা হয় সেন্টিমিটারে 1.4 এন্ড .2 আমাদের ডেটা সোর্স থেকে আমরা দুটো প্লটিং ইনফরমেশন পেয়েছিলাম। সেটা হচ্ছে গিয়ে আমাদের এক্স এবং ওয়াই অ্যাক্সিসে আমাদের যেটা দরকার ছিল হচ্ছে গিয়ে পিটাল লেন্থ সেন্টিমিটারে 1.4 এবং পিটাল উইডথ .2 সেন্টিমিটারে। তার মানে হচ্ছে গিয়ে আমরা এক্স এবং ওয়াই অ্যাক্সিসে আমরা যেটাকে প্লট করলাম এখানে আমরা দেখতে পাচ্ছি যে আমাদের এই প্লটিং এ একদম আমরা বুঝতে পারছি যে এই প্লটিং এ এটা একটা ক্লাস্টার। আমরা বলতে পারছি যে এটা একটা ক্লাস্টার এবং এই ক্লাস্টার হবার কারণে কিন্তু আমরা বুঝতে পারছি যে এখানে একই প্রজাতির সব ফুল আছে। এটা সাধারণ চোখে মানে আমাদের হিউম্যান ব্রেইন মানে আমাদের নিউরাল নেটওয়ার্কটা এত স্মার্ট যে আমরা প্যাটার্ন স্পটিং এ এক্সপার্ট। এজন্য আমরা দেখতে পাচ্ছি যে এটা একটা আলাদা ক্লাস্টার। আর আমরা যদি এটাকে যদি একটা অন্য কালারে দেই যে এইখানে এই পুরো জায়গাটাতে আমার কাছে মনে হচ্ছে যে এখানে একটা আলাদা ক্লাস্টার করা যেতে পারে। তার মানে হচ্ছে গিয়ে এটা একটা ক্লাস্টার। আপনি আপনি দেখুন যে খালি চোখে কিন্তু এটা একটা ক্লাস্টার হতে পারে এবং এটাকে যদি আমরা যদি আরেকটা কালারে দেই তাহলে এখানে এটা একটা ক্লাস্টার হতে পারে। আমরা যেটা বলছি যে আমাদের খালি চোখে মানে আমাদের হিউম্যান ব্রেইন যেহেতু প্যাটার্নে এক্সপার্ট এটাই ডেটা অ্যানালিটিস যে আমরা ডেটা অ্যানালাইসিস করছি আমাদের এখানে কিন্তু আমরা সরাসরি ডেটাটা প্লট করলাম। ডেটাকে প্লট করার পর পরই কিন্তু আমরা দেখতে পাচ্ছি যে এখানে এটা একটা ক্লাস্টার এটা এক নাম্বার ক্লাস্টার হতে পারে। এটা দুই নাম্বার ক্লাস্টার হতে পারে আর এটা তিন নাম্বার ক্লাস্টার হতে পারে। তার মানে হচ্ছে কি আমাদের এই ডেটা অ্যানালাইসিস বলছে যে আমরা যতগুলো ডেটা প্লট করলাম সবগুলো ডেটাকে হিউম্যানলি মানে আমাদের খালি চোখে আমরা কিন্তু কোন মেশিন লার্নিং মডেল চালাইনি। আমরা কোন ধরনের আসল ডেটাকে আমরা এখনো প্লট করিনি। আমরা যেটা করেছি যে আমাদের সম্পূর্ণ ডেটাকে আমরা প্লট করেছি কোন লিজেন্ড ছাড়া মানে আমরা কোন ধরনের লিজেন্ড দিতে চাইনি যে না এখানে এই ডেটা আছে সেই ডেটা আছে। তো আমাদের এটাই বিজনেস কোয়েশ্চেন ছিল যে এখানে আসলে ডেটাটা যদি আমরা ঠিকমতো খালি চোখে প্লট করি আমাদের অ্যানালাইসিসে আমরা এখানে কি আলাদা করতে পারছি কিনা। আমরা দেখতে পাচ্ছি যে এখানে আমরা কিন্তু আলাদা করতে পারছি মানে এটা একটা ক্লাস্টার এটা একটা ক্লাস্টার মানে আমরা দুটো ক্লাস্টারকে আমরা ঠিকমতো ভাগ করতে পারছি। এটা গেল। তার মানে হচ্ছে কি আমরা এই মুহূর্তে কিন্তু আমাদের এই সেগমেন্টে আমাদের যে প্রথম বিজনেস কোয়েশ্চেন আমাদের প্রথম বিজনেস কোয়েশ্চেনের কথা যদি আমরা বলি সেখানে আমাদের যেটা ছিল আমরা ফিরে আসি যে আমরা এটাকে ডিলিট করে নেই। আমাদের যেটা হচ্ছে যে আমাদের খালি চোখে আইরিশ প্রজাতির ফুলগুলো আলাদা করতে পারছি কিনা? আমি তো বলছি আমরা পারছি। আর দ্বিতীয় কন্টেক্সটে যদি আমরা বলি যে আপনাকে একটা নতুন ডেটার নতুন ডেটা দেওয়া হলো নতুন ফুলের ডেটা দেওয়া হলো। ধরা যাক আমরা যদি ফিরে আসি আমাদের টাবলো ওয়ার্কশিটে সেখানে যদি একটা নতুন ডেটা দেওয়া দেওয়া হয়। ধরা যাক আমরা এখানে নতুন একটা ডেটা দিতে চাচ্ছি এবং সেই ডেটাটা হচ্ছে আপনাকে ধরা যাক আমি এখানে একটা ডেটা দিতে চাচ্ছি। এখানে একটা নতুন ডেটা। ইট ইজ এ নিউ ডেটা পয়েন্ট। এখন আপনি আমাকে বলুন যে এটা যদি নতুন ডেটা পয়েন্ট হয় যেটা হচ্ছে গিয়ে এখান থেকে যদি আমরা যদি পুরোটাকে কানেক্ট করি এক্স এবং ওয়াই অ্যাক্সিসে এই দুটোকে আমরা যদি ক্রস সেকশন করি যে এই দুটোকে আমরা একটা ক্রস সেকশন করলাম মানে এটা হচ্ছে আমাদের পয়েন্ট। আমাদের এখানে পিটাল লেন্থ হচ্ছে গিয়ে 3.8 ধরা যাক এটা 3.8 আর পিটাল উইডথ পিটাল উইডথ হচ্ছে গিয়ে .8 মানে এটা যদি একটা নতুন ডেটা পয়েন্ট হয় আমরা যেটা বলছি 3.8 এবং .8 সেন্টিমিটারে এটা যদি নতুন ডেটা পয়েন্ট হয় আপনি আমাকে বলুন যে এটা কোন ক্লাস্টার হতে পারে? অবশ্যই আমি মনে করবো যে এটা কিন্তু এই ক্লাস্টারে পড়বে। যেহেতু এটার প্রক্সিমিটি কাছে মানে এই ক্লাস্টারের মধ্যে কিন্তু সেটা পড়বে। তো আমরা সেটাই বলছি যে আমরা যেকোনো ডেটা ধরা যাক আমরা একটা ডেটা দেখলাম এখানে। আমরা এখানে যদি একটু কালারটা চেঞ্জ করে নেই। আমরা বলছি যে আমাদের নতুন ডেটা পয়েন্টটা এখানে। অবশ্যই নতুন ডেটা পয়েন্ট যদি এখানে হয় তাহলে অবশ্যই এটা এই ক্লাস্টারে পড়বে। কারণ আমরা ডেটা অ্যানালাইসিস করে বুঝতে পারছি যে এই নতুন ডেটা পয়েন্ট কিন্তু এই প্রথম ক্লাস্টারে এবং এখানে পড়লে এটা দ্বিতীয় ক্লাস্টারে। আর এখানে যদি একটা নতুন ডেটা পয়েন্ট পড়ে ধরা যাক এখানে একটা নতুন ডেটা পয়েন্ট পড়লো তাহলে আমরা বলবো যে এটা কিন্তু এই ক্লাস্টারে পড়বে। এটাই স্বাভাবিক। কারণ আমাদের ব্রেইন হিউম্যান ব্রেইন কিন্তু অসাধারণ এই প্যাটার্ন স্পটিং। এইজন্যই মানুষ কিন্তু জন্ম থেকেই ডেটা অ্যানালিস্ট। আমি বারবার বলি যে আমাদের প্রোগ্রামার বা নন প্রোগ্রামার থেকে আমাদের যে জিনিসটা জানতে হবে যে আমরা জন্ম থেকেই ডেটা অ্যানালিস্ট এবং আমরা কিন্তু একটা ডেটাকে যতক্ষণ পর্যন্ত না আমরা না প্লট করছি ডেটাকে আমরা যতক্ষণ পর্যন্ত না প্লট করছি ততক্ষণ পর্যন্ত কিন্তু আমরা বুঝতে পারছি না যে এটা আসলে কি হতে পারে। আর একইভাবে কিন্তু আমাদের বিজনেস কোয়েশ্চেন যখন হয় ধরা যাক আমাদের বিজনেস কোয়েশ্চেনে আমরা মাঝে মাঝে বলি যে আমাদের যারা কাস্টমার আছে ধরা যাক আমাদের কাস্টমার ওরা যেসব প্রোডাক্ট রিটার্ন করছে বা কোন প্রোডাক্টগুলো রিটার্ন হচ্ছে বা আমাদের মধ্যে মানে আমাদের ক্রেতাদের মধ্যে কারা কারা রিটার্নিং কাস্টমার আমরা যদি সেগুলোকে যদি প্লট করি ধরা যাক কোন প্রোডাক্টগুলো আমাদের রিটার্ন হচ্ছে আর কোন কোন কাস্টমার আমাদের রিটার্নিং কাস্টমার সেগুলোকে প্লট করলে কিন্তু আমরা এভাবে একটা ক্লাস্টারে ফেলতে পারবো এবং সেই ক্লাস্টার থেকে বুঝতে পারবো যে কেন আমরা খারাপ রেটিং পাচ্ছি কেন আমাদের প্রোডাক্ট রিটার্ন হচ্ছে এই সবকিছুই কিন্তু এই ডেটা থেকে আমরা বুঝতে পারবো। আর এই পার্সপেক্টিভে আমি বলতে চাই যে এটা তো আমরা বললাম যে আমরা আমাদের খালি চোখে। এখন আমরা রিয়ালিস্টিক ডেটা থেকে বলি যে আমাদের ডেটা যেটা আমাদেরকে বলতে চাইছে আমাদের ডেটাকে যদি এখন আমরা ঠিকমতো প্লট করি ধরা যাক আমাদের এই যে ডেটাটা আছে আমাদের ক্লাস্টার করলাম আমাদের খালি চোখে আর সে কারণে আমরা যদি এখন রিয়েল ডেটাটাকে প্লট করি আমরা বলছি যে আমাদের স্পিসিসে কিন্তু সব তথ্য দেওয়া আছে যে কোনটা কোন স্পিসিস মানে কোনটা কোন প্রজাতি। আমরা যদি এই স্পিসিসকে কালার লিজেন্ডে ফেলে দেই ধরা যাক আমরা এখানে কালার লিজেন্ডে ফেলে দিচ্ছি তাহলে কিন্তু এখনই আমরা দেখতে পারবো যে আমাদের এখানে তিনটা ক্লাস্টার হয়ে গেছে এবং সেখানে আমাদের আপনাদেরকে সুবিধা দেওয়ার জন্য আমি আপনাকে একটু কালার চেঞ্জ করে দিচ্ছি। যে এডিট কালারে গেলাম এবং সেখান থেকে কিন্তু আমাদের এই কালার তিনটা চুজ করা আছে। ধরা যাক আমরা এই কালারটাকে আমরা সবুজ কালার হিসেবে সিলেক্ট করলাম। এখন আমরা যদি দেখি আমাদের এই ডেটাতে যে আমরা দেখছি যে এখানে একটা কালার এখানে একটা কালার এবং এখানে একটা কালার। মানে আমরা যদি ছবিতে দেখি যে আমরা খালি চোখে যেটা বের করেছিলাম যে এখানে একটা কালার এবং সেখানে একটা প্রজাতি যেটাকে আমরা বলছি আইরিস সেটোসা। মানে আমরা এটা হচ্ছে আইরিস সেটোসা। তারপরে হচ্ছে গিয়ে এই মাঝখানে সবুজ অংশটা সেটাকে আমরা বলছি আইরিস ভার্সিকালার। তার মানে হচ্ছে গিয়ে এটা একটা কালার মানে এটা একটা ক্লাস্টার। এটা প্রথম ক্লাস্টার এটা দ্বিতীয় ক্লাস্টার এবং আমরা আইরিস ভার্জিনিকা এটা যদি বলি মানে এটা একটা রিয়েল ডেটা। রিয়েল ডেটা আমরা এখানে যখন প্লট করলাম তখন আমরা দেখছি যে এটা হচ্ছে গিয়ে আইরিস ভার্জিনিকা। তার মানে আমাদের রিয়েল ডেটা এবং আমাদের খালি চোখে যে ডেটা অ্যানালাইসিস সেখানে কিন্তু আমরা ঠিকমতোই কিন্তু আমাদের চুজ করতে পারছি যে আমাদের তিনটা ডেটা আমরা কিন্তু এখানে বের করতে পেরেছি এবং সে কারণে আমরা বলছি যে আমাদের যে তিনটা ক্লাস্টার আমরা বের করলাম এবং তিনটা ক্লাস্টারকে আমরা চুজ করে এখানে দেখালাম সেটাই হচ্ছে আমাদের সার্থকতা। আমরা ডেটা অ্যানালিটিক্স জন্ম থেকেই পারি এবং এই জন্ম থেকে পারার কারণেই কিন্তু আমরা আজকে এই ডেটা অ্যানালাইসিস নিয়ে কথা বলছি। আজকে এই পর্যন্তই থাকছেন তো সামনে। |
'হাতেকলমে পাইথন ডিপ লার্নিং' বইয়ের ভিডিও সিরিজ | মেশিন লার্নিং লিনিয়ার রিগ্রেশন নিয়ে কিছু কথা ML Linear Regression.mp3 | বই পড়তে ভালোই লাগে তবে একটা জিনিস আমরা দেখছি যে যখন হাতের কাছে বই পাই না তখন আমাকে পুরনো বই রিভিশন দিতে হয় আর সে কারণে আমি গতকালকে আবার এই বইটা ধরেছি। বইটা অনেক মোটা বাট আসলে মোটা বইয়ের মধ্যে যে জিনিসটা কাজ করে যে আমরা একটা ভালো পারসপেক্টিভ পাই কারণ একটা গল্পের বইয়ে আমরা যখন ভেতরে ঢুকতে থাকি আস্তে আস্তে যখন ভেতরে ঢুকতে থাকি তখন এটার একটা অন্য ধরনের এনলাইটেনমেন্ট চলে আসে। তবে আমি এই মোটা বইয়ের পাশাপাশি আরেকটা মোটা বই নিয়ে আজকে আলাপ করব সেটা হচ্ছে গিয়ে ঝিঝি পোকার যে থার্মোমিটার মানে এর আগে আমরা আপনাদের দেখেছিলাম যে পৃথিবীতে প্রতিটা জিনিস আমি বলছি যে প্রায় প্রতিটা জিনিস কোরিলেটেড। মানে আমরা এর আগে বলেছিলাম যে কেন আমরা লিনিয়ার রিগ্রেশন শিখবো বা আমরা কেন ধরা যাক আমরা বলছি যে আমাদের যে বাসা বাসার স্কয়ার ফিটের সাথে কিন্তু ভাড়ার একটা সম্পর্ক আছে বা বাসার রুমের সংখ্যার সাথে একটা ভাড়ার সম্পর্ক আছে বা আমরা বলছি যে আমাদের বয়সের সাথে আমাদের উচ্চতা মানে একটা লেভেল পর্যন্ত আমাদের বয়সের সাথে উচ্চতার একটা সম্পর্ক আছে বা আমাদের বিভিন্ন জিনিসের ওজনের সাথে তার দামের সম্পর্ক আছে মানে তারপর হচ্ছে গিয়ে আমাদের যে টেম্পারেচার টেম্পারেচারের সাথে আমাদের অন্যান্য অনেক কিছুর সাথে সম্পর্ক আছে। তো সেটাই আমরা দেখছিলাম যে আসলে ঝিঝি পোকা মানে ঝিঝি পোকার ডাকের সাথে তার মানে আমরা বলছি পারিপার্শ্বিক তাপমাত্রা তার সম্পর্ক আছে। তো আমরা সেইভাবে যদি দেখি যে আমাদের ঝিঝি পোকার যে প্লটিং মানে আমরা দেখছি যে ঝিঝি পোকার যে ডাক একপাশে এক্স এবং ওয়াই এক্সিসে যদি আমরা দেখি যে ঝিঝি পোকার ডাকের সাথে তাপমাত্রার যে সম্পর্কটা। আমরা যদি দেখি যে এখানে টেম্পারেচার টেম্পারেচার এবং তার সাথে আমার ডাকের সংখ্যা এটার একটা কোরিলেশন এবং কোরিলেশন যখন আমরা প্লট করলাম আমরা দেখছি যে এই প্লটিং এ এটা কাইন্ড অফ লাইক একটা সরলরেখা। তো সরলরেখা মানে কি? আমরা আসলে বলতে চাচ্ছি যে সরলরেখা যদি আমরা এটা বের করতে পারি তাহলে সরলরেখার জন্য আমার একটা y=mx+b এই যে সরলরেখার যেটা আমি বলছি যে সরলরেখার যে একটা ইকুয়েশন সেই ইকুয়েশনে আমরা চলে আসছি। আর সবচেয়ে বড় জিনিস হচ্ছে যে আমরা সরলরেখার ইকুয়েশন নিয়ে আমরা আলাপ করছি এবং সরলরেখাটা আসলে আমরা কিভাবে দেখব মানে সেটাও আমাদের একটু জানা উচিত যে সরলরেখাটা আসলে আমাদের জন্য কি মিন করে। আর লিনিয়ার রিগ্রেশনটা কি এবং লিনিয়ার রিগ্রেশনের সাথে আমরা আসলে অনেকগুলো আমরা ধারণা দিয়েছিলাম যে কেন আমরা লিনিয়ার রিগ্রেশন শিখতে চাই। আর এই সবগুলো বই সবগুলোই কিন্তু আছে আমাদের এই শূন্য থেকে পাইথন মেশিন লার্নিং বইটাতে। তবে আমি যে জিনিসটা বলছি যে শূন্য থেকে পাইথন মেশিন লার্নিং বইটার পাশাপাশি আমরা এই একই গল্প আমি টেনে এনেছি হাতে কলমে পাইথন ডিপ লার্নিং বইটাতে। এই হাতে কলমে পাইথন ডিপ লার্নিং বইটাতেও কিন্তু আমি এভাবে বলেছিলাম যে আমরা আসলে ঝিঝি পোকাকে যখন আমরা প্লটিং করছি মানে আমরা এখানে দেখছি যে টেম্পারেচার এবং ঝিঝি পোকার যে ডাক ঝিঝি পোকার ডাকের সাথে টেম্পারেচার যে কি সম্পর্ক সেই সম্পর্কটা কিন্তু আমরা এখানে দেখতে চাইছিলাম এবং সেটা কিন্তু একটা সরলরেখা। তো সেইজন্য আমরা এখানে দেখছিলাম যে এই প্লটিংটা আসলে আমরা বেস্ট ফিট লাইন মানে আসলে দিনশেষে এটা কি একটা লাইনের মতো মনে হয় কিনা? অফকোর্স এটা একটা লাইনের মতো মনে হয় আর সে কারণে আমরা কিন্তু দেখিয়েছিলাম যে এই জিনিসটা কিভাবে কাজ করে। আমরা লিনিয়ার রিগ্রেশন এইজন্যই বলছি যে ঝিঝি পোকা ডাক বাড়লে টেম্পারেচার বাড়বে। অফকোর্স বাট এটার যে ইনিশিয়াল ভ্যালুগুলো ইনিশিয়াল যে ডেটার যে ভ্যালুগুলো সেই ভ্যালুগুলো যখন আমরা প্লট করছি তখন প্লট করলে কিন্তু আমরা বুঝতে পারছি যে আসলে এটা কোথায় যাচ্ছে। আর এটার যে ডাটাবেস মানে আমি এই বইয়ের ডাটাবেস সেটা অফকোর্স এই সবগুলো বই অনলাইনে গিটবুক হিসেবে আছে। সো সেটার ডাটাবেসটাও কিন্তু আমরা এর আগে আলাপ করেছিলাম যে আসলে এই ছোট্ট ডাটাবেস একটা টয় ডাটাবেসটা আসলে কি হতে পারে এবং সেটার প্লটটা কিভাবে হতে পারে এবং সেটা আমরা দেখছি যে আমাদের যে ডাটাবেসটা আছে সেই ডাটাবেসে কিন্তু আমরা দেখছি যে এটা একটা ছোট টয় ডাটাবেস এবং এই টয় ডাটাবেস থেকে কিন্তু আমরা যাচ্ছি। আমাদের আলাপ হচ্ছে যে কোরিলেশন মানে সম্পর্ক মানে ঝিঝি পোকার ডাক বাড়লে টেম্পারেচার বাড়ে। আবার ঝিঝি পোকার ডাক কমলে টেম্পারেচার কমে। এই যে একটা হিসাব এই হিসাবটা শুধুমাত্র আমরা প্লটিং করলে হবে না। মানে ধরা যাক আমরা একটা ঝিঝি পোকার ডাক যেটা আমরা মেশিন লার্নিং প্লটে প্লট করলাম যে আমরা দেখেছি যে ধরা যাক আমার কাছে 70 টা ডেটা আছে। তো আমার কাছে মনে হচ্ছে যে ধরা যাক এখানে একটা ডেটা পয়েন্ট মনে করছি 26 ডিগ্রি সেন্টিগ্রেড বা সেলসিয়াস 26 ডিগ্রি সেলসিয়াসের কোন ডেটা নেই। তো আমি কি প্রেডিক্ট করতে পারি না? কারণ আমার কাছে অন্য ডেটা আছে। তো আমি 26 ডিগ্রি যদি বেস্ট ফিট লাইনে আমি ফেলতে পারি তাহলে কেন আমি 26 ডিগ্রি আমি বের করতে পারবো না বা আমার ডাক যদি হয় 172 টা ডাক হয় সুতরাং 172 টা ডাকের পরিপ্রেক্ষিতে টেম্পারেচার কত হতে পারে সেটা তো আমি অবশ্যই বের করতে পারি। তো আমরা আসলে সেটাই বলছি যে মেশিন লার্নিং বা আমরা ডিপ লার্নিং যেটাই পড়ি না কেন এইগুলোর পেছনে আসলে আমাদের আন্ডারলাইং প্রযুক্তিগুলো বুঝতে হবে এবং আন্ডারলাইন আন্ডারস্ট্যান্ডিংগুলো বুঝতে হবে। এইজন্যই আমরা সরলরেখার ইকুয়েশন নিয়ে আলাপ করছিলাম। আজকে এই পর্যন্তই থাকছেন তো সামনে। |
'হাতেকলমে পাইথন ডিপ লার্নিং' বইয়ের ভিডিও সিরিজ | হাতেকলমে পাইথন ডিপ লার্নিং বই সিরিজ টেন্সরফ্লো ২.x এবং ঝিঁঝিঁ পোকার থার্মোমিটার.mp3 | হাতে কলমে পাইথন ডিপ লার্নিং বইটার ট্যাগলাইন হচ্ছে ইন্টেলিজেন্ট সিস্টেমের সন্ধানে। এর অর্থ হচ্ছে সামনে যত ধরনের ইন্টেলিজেন্ট সিস্টেম থাকবে তার পেছনে ডিপ লার্নিং বা নিউরাল নেটওয়ার্ক কিন্তু কাজ করবেই। সবচেয়ে বড় কথা হচ্ছে টেন্সর ফ্লো টু ডট এক্স ইকোসিস্টেম অনেকটাই পাইথনিক আর সে কারণে এই টেন্সর ফ্লো টু ডট এক্স কিন্তু প্রোডাকশন লেভেলের জন্য অসাধারণ একটা সিস্টেম। অনেকে আমাকে বলেন যে এই মেশিন লার্নিং বা ডিপ লার্নিং ফ্রেমওয়ার্ক শিখে আমরা সেটাকে কি ধরনের অ্যাপ্লিকেশনে ব্যবহার করতে পারব আর সে কারণে কিন্তু এখানে একটা এন্ড টু এন্ড অ্যাপ্লিকেশন নিয়ে কাজ করার একটা সুযোগ দেখিয়েছি। চলুন আমরা এই সূচিটা দেখি এই বইটাতে কি কি কাভার করা আছে। আমি আপনাদেরকে একটু বলে রাখি যে আমার সবগুলো বই লেখা হয় কনসেপ্ট হেভি কোড লাইট দিয়ে। এর অর্থ হচ্ছে আমরা যখন কোন ব্যাপারে দর্শন বা এর কনসেপ্টটা ঠিকমতো ভালো বুঝে যাব তাহলে সেটার জন্য কোড লেখা খুব সোজা। যেকোনো কাজের পেছনে দর্শনটা ঠিকমতো বোঝা গেলে সেটা নিয়ে কিন্তু কাজ করা সোজা। যেহেতু আমরা টেন্সর ফ্লো ব্যবহার করছি এই টেন্সর ফ্লো ব্যবহার করার আগে আমরা যারা সাইকিট লার্ন ব্যবহার করতাম তাদের জন্য এই মাইগ্রেশনটা খুবই সহজ। যেকোনো বইয়ের মতো এই বইটা শুধুমাত্র সিনট্যাক্স নিয়ে আলাপ করেনি বরং সেই সিনট্যাক্সটা আসার আগে তার পেছনের যে দর্শনটা সেটা নিয়ে কিন্তু আলাপ করা হয়েছে বেশি। যাতে আপনারা পরবর্তীতে সেই সিনট্যাক্সটা কোথায় ব্যবহার করতে পারেন সেটার পেছনে একটা ভালো ধারণা দাঁড়িয়ে যাবে। আমাদের ডিপ লার্নিং ফ্রেমওয়ার্ক ব্যবহার করার জন্য বিশেষ করে এটার যে আইডি সেখানে জুপিটার নোটবুক অসাধারণ। তবে যাদের জিপিইউ নেই তারা অবশ্যই আমি বলব তারা অবশ্যই গুগল কোলাব ব্যবহার করতে চাইবেন। শূন্য থেকে পাইথন মেশিন লার্নিং বইটাতে আমরা একটা গল্প শুরু করেছিলাম ঝিঝি পোকার থার্মোমিটার দিয়ে। সেই ঝিঝি পোকার থার্মোমিটারকে আমরা কিভাবে ডিপ নিউরাল নেটওয়ার্ক দিয়ে কাজ করতে পারি সেটার একটা ধারণা দেওয়া হয়েছে এখানে। তবে বিশেষ করে নিউরাল নেটওয়ার্কের যে পাঁচটা স্টেপ আছে সেটার লাইফ সাইকেল আমরা সেই লাইফ সাইকেলটা কাভার করার চেষ্টা করব কেরাস দিয়ে যেটা ডিপ লার্নিং ফ্রেমওয়ার্কের জন্য একটা ভালো হাই লেভেল এপিআই। এর পাশাপাশি একটা মডেলের ধারণা এবং সেই মডেলের বিভিন্ন লেয়ারে কিভাবে ফিচার এক্সট্রাকশন হচ্ছে সেটার কিছু ধারণা দেওয়া হয়েছে এখানে। আমরা যারা হাতে কলমে ডিপ লার্নিং ফ্রেমওয়ার্কটা বোঝার চেষ্টা করছি তাদের জন্য এই ঝিঝি পোকার থার্মোমিটার চ্যাপ্টারটা অসাধারণ কাজ করবে। সবচেয়ে বড় ব্যাপার হচ্ছে আমরা যে এই থার্মোমিটার বানাবো তার জন্য প্রবলেম স্টেটমেন্টটা সেটা ভালোভাবে পড়া জরুরি। কারণ আমরা যখন একটা সমস্যার সমাধান করতে চাইবো তখন সেই সমস্যাটার ভেতরে ঢুকে সমস্যাটা কি বলতে চাইছে সেটা একটু বের করার চেষ্টা করব আগে। আমরা জানি যে এভরি প্রবলেম কন্টেইনস ইটস ওন সলিউশন আর সে কারণে এই প্রবলেম স্টেটমেন্টটা জানার জন্য আমাদের একটু ভেতরে ঢুকতে হবে। তবে ডেটা সাইন্সের একটা বড় পার্ট আমি বলব যে ডেটা সাইন্সের একটা বড় অংশ হচ্ছে ডেটা ভিজুয়ালাইজেশন। কারণ সেই ডাটাকে প্লট করলেই কিন্তু আমরা বুঝতে পারব যে সেই প্রবলেম স্টেটমেন্ট মানে প্রবলেম যেটা আছে ডাটার মধ্যে সেটা আসলে কিভাবে সমাধান করা যাবে। আমার ধারণা আমাদের যে প্রথম চ্যাপ্টার সেই ঝিঝি পোকার থার্মোমিটার নিয়ে যখন কাজ করব তখন এই ডিপ নিউরাল নেটওয়ার্কের প্রথম অর্থাৎ একটা নিউরাল দিয়ে একটা নেটওয়ার্কের ধারণা ভালোভাবে বোঝা যাবে। আজকে এই পর্যন্তই থাকছেন তো সামনে। |
'হাতেকলমে পাইথন ডিপ লার্নিং' বইয়ের ভিডিও সিরিজ | ML vs programming মেশিন লার্নিং সনাতন প্রোগ্রামিং কেন মেশিন লার্নিং প্রোগ্রামিংয়ের উল্টো.mp3 | একটা প্রশ্ন প্রায় পাই যে মেশিন লার্নিং শিখতে আবার আমাকে প্রোগ্রামিং জানতে হবে কেন। আসলে মেশিন লার্নিং শেখার জন্য মানে ইউ আর রাইট মানে আপনার প্রশ্ন ঠিক আছে কারণ মেশিন লার্নিং কিন্তু এন্টি প্রোগ্রামিং মানে আমরা বলছি যে আমরা এখন যদি এটা কোন কাজ করতে চাই সেই কাজটা করার জন্য বা আমাকে যদি পয়েন্ট এ থেকে পয়েন্ট বি পর্যন্ত যদি আমাকে একটা কোন রোবটকে পাঠাতে হয় তাহলে আমাকে কিন্তু পয়েন্ট এ থেকে পয়েন্ট বি তে যাওয়ার জন্য সেই রোবটটাকে আমাকে প্রতিটা জায়গায় মানে আমার এই পয়েন্ট থেকে 30 ডিগ্রি সামনে যাবে তারপর হচ্ছে গিয়ে বায়ে যাবে ডানে যাবে তারপর ওখান থেকে আরো 10 ফিট সামনে যাবে তারপরে আবার 60 ডিগ্রি ঘুরবে তারপরে ওখানে থেকে আবার আরেকটা জায়গায় যাবে তার মানে হচ্ছে গিয়ে আপনাকে প্রতিটা জায়গায় প্রতিটা জায়গায় আপনাকে বলে দিতে হচ্ছে প্রোগ্রামিং এর মত করে যে কোথা থেকে কোথায় যাবে। কিন্তু আমরা এটাকেই বলছি যে আমরা যদি পয়েন্ট এ থেকে পয়েন্ট বি তে যদি একটা যন্ত্রকে বা রোবটকে পাঠাতে চাই এবং সেখানে আমরা যদি ডেটা মানে ডেটা ব্যবহার করি তাহলে কিন্তু সেই ডেটা ধরেই কিন্তু সে যাবে যে আসলে এখান থেকে ওখানে যাওয়ার জন্য সিস্টেমটা কি। আমরা এভাবে বলতে পারি যে তখন সেই গাড়িটাকে আমরা ওই যেভাবে আমরা রোবটকে পয়েন্ট এ থেকে পয়েন্ট বি তে যাওয়ার জন্য 30 ডিগ্রি সামনে তারপর হচ্ছে গিয়ে ওখান থেকে 12 ফিট সামনে যাবে 12 ফিট ডানে যাবে 12 ফিট বায়ে যাবে বা 12 ফিট 120 ডিগ্রি যাবে তারপর হচ্ছে গিয়ে আবার ডানে ঘুরবে এই যে প্রতিটা জায়গা বলে দেওয়ার থেকে যদি আমরা সেই যন্ত্রটাকে একটাই যদি আমরা লার্নিং দেওয়াতে পারি যে না তুমি এক্সাক্ট রাস্তাটা তুমি ফলো করবা কিন্তু তোমার একটাই মূল উদ্দেশ্য থাকবে যে পয়েন্ট এ থেকে পয়েন্ট বি তে যাওয়ার জন্য যে তোমার দূরত্ব কমতে হবে। মানে এটা কিন্তু মেশিনকে আমরা শিখাবো না মেশিন আসলে মেশিনকে যখন আমরা অনেকগুলো ডাটা দিব যেমন আমরা যখন এরকম পয়েন্ট এ থেকে পয়েন্ট বি তে যাওয়ার জন্য অনেকগুলো ডাটা যখন আমার মেশিনকে দেব তখন মেশিন নিজে থেকে বুঝতে পারবে মানে ও আসলে ফাংশনটা বুঝতে পারবে যে আসলে সবগুলো যে রোডের ডেটা দেওয়া আছে এবং সবগুলো জায়গায় আমার পয়েন্ট এ থেকে পয়েন্ট বি তে আমরা পাঠাচ্ছি আমরা দেখছি যে সবগুলো জায়গায় হচ্ছে গিয়ে পয়েন্ট এ থেকে পয়েন্ট বি তে যাওয়ার জন্য পয়েন্ট বি তে যাওয়ার জন্য দূরত্ব কমছে। মানে দূরত্বটা কমছে মানে আমাকে যদিও আমার রাস্তা ফলো করতে হবে এখন রাস্তা ফলো করতে হলে সেহেতু রাস্তা রাস্তা থেকে বের হয়ে সে ক্রস কান্ট্রি বা আড়াআড়ি যাবে না কারণ আমাকে একটা লাইন ফলো করতে হবে। তো সেইম আমাকে যদি প্রোগ্রামিং এর কথা বলা হয় প্রোগ্রামিং এ আমাকে সবকিছুই কিন্তু আমাকে আগে থেকে বলে দিতে হচ্ছে আর মেশিন লার্নিং এর ব্যাপারটা এরকম যে আমার পূর্ব ডেটা আছে সেই পূর্ব ডেটা থেকে আমার মেশিন বুঝতে পারবে যে হোয়াট ইজ দা ফাংশন মানে এই এতগুলো ডেটার মধ্যে হোয়াট ইজ দা ইউনিক ফাংশন যার জন্য সবগুলো ডেটা কমন। আমি আবারও বলছি যে যেহেতু সবগুলো ডেটা ডেটা পয়েন্ট কমন তখন মেশিন লার্নিং মানে আমাদের মত করে মানুষের মত করে অভিজ্ঞতা কিন্তু বুঝতে পারে যে কোথা থেকে কোথায় গেলে কোন ভ্যালু প্রপোজিশনটা আসলে কমে যাচ্ছে বা বেড়ে যাচ্ছে। সো আমরা যদি এভাবে বলি যে একটা সেলফ ড্রাইভিং কারকে আমি যখন রাস্তায় নামাচ্ছি আমি যখন তাকে প্রোগ্রামিং করব তখন তাকে আমি কিন্তু পয়েন্ট এ থেকে পয়েন্ট বি পর্যন্ত প্রতিটা ঘরে ঘরে ঘরে ঘরে করে আমাকে বলতে হচ্ছে যে এভাবে যাবে এভাবে যাবে। কিন্তু হোয়াট ইফ তাকে আমি সেলফ ড্রাইভিং কারকে আমি বলছি যে পয়েন্ট এ থেকে পয়েন্ট বি তে যেতে যেখানে সে রাস্তাটা সে চিনেই না। আমরা যদি আজকে আমি আমার পজিশন থেকে আরেকটা জায়গায় যেই রাস্তাটা যে আননোন ডেটা আমি বলছি যে যেই আননোন ডেটাটাকে আমাকে পয়েন্ট এ থেকে পয়েন্ট বি তে পাঠাতে হবে সেই আননোন ডেটা পয়েন্টে আমাকে কিন্তু অন্য অভিজ্ঞতা মানে আমি আর যে হিউম্যান মানে আমি যদি মানুষ হিসেবে যেভাবে নেভিগেট করতাম মেশিন লার্নিং কিন্তু সেই যন্ত্রকে একইভাবে নেভিগেট করতে দিবে। যে আমি ধরা যাক পয়েন্ট বি চিনি না এন্ড হাউ ডু আই গো আমি এটার জন্য রেফারেন্স নিব যে আমাকে পয়েন্ট বি তে যেতে হবে পয়েন্ট বি তে যেতে হলে আমাকে আসলে দূরত্ব কমতে হবে। মানে আমার ওখান থেকে ওখানে আমি হয়তোবা এখান থেকে একবার এদিকে গেলাম একবার ওদিকে গেলাম। তার মানে হচ্ছে গিয়ে আমি যেভাবে মানুষজনকে চিনে চিনে চিনে মানুষকে জিজ্ঞেস করে তারপর তারপর এক জায়গা থেকে আরেক জায়গায় যাব মেশিন তো আর ওই জিজ্ঞাসা করবে না। মেশিন জিজ্ঞাসা করার পরিবর্তে ও দেখবে যে তার আসলে পয়েন্ট বি থেকে পয়েন্ট এ থেকে পয়েন্ট বি তে যাওয়ার জন্য তার দূরত্বটা কমছে কিনা। অনেক সময় যেটা হবে যে ও যখন রাস্তায় নামবে তখন দূরত্বটা কমাটাই হচ্ছে তার মেইন পয়েন্ট। সো সে কি করবে একটা জায়গায় যাবে তারপরে দেখা যাচ্ছে যে আবার এভাবে যাবে কারণ রাস্তাটা ঐ দিক দিয়ে। সেহেতু রাস্তা ভায়োলেট করতে পারবে না। তাকে রাস্তা দিয়েই যেতে হবে। সো দে হ্যাভ ইট হ্যাজ এ ম্যাপ তারপর রাস্তার লেন তাকে মার্ক করতে হবে। সে লেন ধরে যখন যাবে তখন কোন কোন সময় কিন্তু তার দূরত্ব একটু বাড়বে। কিন্তু সে জানবে যে ফাইনাল আমার ডেস্টিনেশন পৌঁছানোর জন্য আমার কোন কোন জায়গায় দূরত্ব বাড়তে পারে বিকজ অফ দা লেন বিকজ অফ দা রোড যে রোডের মধ্যে বলা আছে যে এই দিক দিয়ে যাওয়া যাবে না। আমার অনেক এক্সিট ধরা যাক আমাকে এক্সিট নিতে হবে এখানেই কিন্তু এক্সিট এখানে নেওয়া যাবে না। এক্সিট নিতে হবে সামনে। তার মানে হচ্ছে গিয়ে সে ওই সামনের এক্সিটে যাওয়ার জন্য তার কিন্তু দূরত্ব বেড়ে যাচ্ছে। কিন্তু নোইং যে দূরত্ব বাড়লেও তার আগের মেশিন লার্নিং ডাটা বলছে যে অনেক সময় দূরত্ব বাড়বে কিন্তু ফাইনালি ওই এক্সিটটা যখন আবার বের হয়ে আসবে তখন আবার দূরত্ব কমতে থাকবে। তো এটাই আমরা বলতে চাচ্ছি যে মেশিন লার্নিং আমরা ডেটা দিয়ে প্রোগ্রামিং করি মানে অভিজ্ঞতা দিয়ে প্রোগ্রামিং করি আর প্রোগ্রামিং হচ্ছে কি আমি এক্সপ্লিসিটলি বলে দিচ্ছি আমার মেশিনকে যে তুমি এভাবে অপারেট করবে এবং এখানেই আসলে আমরা মেশিন লার্নিং এর ভবিষ্যৎ দেখতে পাচ্ছি যে হোয়াট ইফ আমরা এমন একটা কাজ যেটা আমি আসলে করিনি জানিনি এবং সেটা মানে আননোন ডেটা মানে মেশিন লার্নিং হচ্ছে গিয়ে মানুষের মত করে আননোন একটা জায়গায় আননোন ডোমেইনে কাজ করার জন্য প্রস্তুত থাকবে তার পুরনো ডেটা থেকে যেই ডেটাটা তার তার কাছে নেই। আমার কাছে যদি সব ঢাকা শহরের সব জায়গায় যদি যাওয়ার ডেটা থাকে শুধু এখান থেকে আমার বাসা থেকে ফার্মগেট পর্যন্ত যাওয়ার রাস্তার যাওয়ার যে ডেটাটা সেটা যদি না থাকে তবুও গাড়ি নেভিগেট করতে পারবে বিকজ অফ আগের ডেটা যে আগের ডেটাতে সে বুঝতে চাইবে যে কিভাবে সে পয়েন্ট এ থেকে পয়েন্ট বি তে গিয়েছিল। সো একটা আননোন ডেটা তাকে যখন দেওয়া হবে তখন পুরনো ডেটা থেকে ইনফ্লুয়েন্স নিয়ে মানে পুরনো ডেটা থেকে তার ধারণাটা নিয়ে অনলি দেন ইট উইল গো ফ্রম পয়েন্ট এ টু পয়েন্ট বি। তার মানে হচ্ছে গিয়ে আমরা বারবার যেটা বলছি যে আমরা সবসময় চিন্তা করব যে প্রোগ্রামিং থেকে এক্সপ্লিসিট প্রোগ্রামিং থেকে মেশিন লার্নিং ভালো কারণ মেশিন লার্নিং শিখছে এভরিডে দ্যাট ডিভাইস ইজ লার্নিং এবং দা ডিভাইস ইজ লার্নিং মিন্স দা ডিভাইস ইজ লার্নিং লাইক হিউম্যান এবং হিউম্যান দে আর লার্নিং। এইজন্য দেখা যাচ্ছে যে আমরা যতই শিখছি ততই আমার মডেলটা একুরেসি হচ্ছে মডেলটা বাড়ছে মডেলটা আরো ভালোভাবে কাজ করছে। আজকে এ পর্যন্তই থাকছেন তো সামনে? |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | রোড টু হাইটেক ইন্ডাস্ট্রি What is Machine Learning How to start here.mp3 | মেশিন লার্নিং নিয়ে তো গল্পের শেষ নেই। তবে মেশিন লার্নিং ব্যাপারটা কি সেটা নিয়ে অনেকের অনেক ধরনের প্রশ্ন থাকে। তো আসলে মেশিন লার্নিং হচ্ছে গিয়ে কৃত্রিম বুদ্ধিমত্তার একটা সাবসেট। আমরা যদি এভাবে বলি যে মেশিন লার্নিং এটা কৃত্রিম বুদ্ধিমত্তার একটা সাবসেট যেটা কিছুটা স্ট্যাটিসটিক্যাল টেকনিক ব্যবহার করে। স্ট্যাটিসটিক্যাল টেকনিক ব্যবহার করে একটা যন্ত্র অথবা একটা সিস্টেম অথবা একটা কম্পিউটার সেটা তার লার্নিং এক নম্বর হচ্ছে গিয়ে তার লার্নিং আর দুই নম্বর হচ্ছে গিয়ে তাকে কোন এক্সপ্লিসিটলি প্রোগ্রামিং যাতে না করতে হয় সেটা হচ্ছে গিয়ে মেশিন লার্নিং। মানে একটা যন্ত্র যখন একটা যন্ত্র শিখছে তখন কিন্তু সে শিখছে বেইজড অন ডেটা। আমরা যেমন মানুষ যেমন আমরা শিখি, আমরা কিভাবে শিখি? বিকজ আমাদের অভিজ্ঞতায় আমরা শিখি। আমরা যখন ক্লাস ওয়ানে পড়ি, আমরা যখন ক্লাস টেনে পড়ি তার মানে হচ্ছে কি আমাদের অভিজ্ঞতা আমরা কিন্তু জড়ো করছি। আমরা অভিজ্ঞতা জড়ো করছি বলেই কিন্তু আমরা শিখছি। কিন্তু একটা যন্ত্র বা একটা সিস্টেম যেটাকে আমরা বলছি ইন্টেলিজেন্স সিস্টেম। একটা যন্ত্র যখন শেখে তার শেখার মূল পারপাস কি? যাতে সে সিদ্ধান্ত নিতে পারে। মানুষের শেখা এবং যন্ত্রের শেখার মধ্যে কিন্তু কোন পার্থক্য নাই। মানুষের শেখা এবং যন্ত্রের শেখা একই রকম। এখানে কোন ধরনের গ্যাপ নাই। ব্যাপারটা হচ্ছে যে মানুষের মানুষ শেখে অভিজ্ঞতা থেকে আর যন্ত্র শেখে ডেটা থেকে। আমরাও কিন্তু আমরাও কিন্তু আমাদের অভিজ্ঞতাকে অভিজ্ঞ থেকে বলি ডেটা বিকজ দিনশেষে এই ডেটা হচ্ছে গিয়ে একটা জায়গা যেখানে আসলে আমরা আমাদের মাথায় রাখি। মাথার নিউরনের মধ্যে যেভাবে আমরা ডেটা রাখি, আমাদের মাথা যেভাবে হার্ডডিস্ক কম্পিউটারের জন্য কিন্তু বা একটা ইন্টেলিজেন্স সিস্টেমের জন্য তার হার্ডডিস্ক হচ্ছে গিয়ে তার ডেটা। সো একই জিনিস। মানুষ আর কম্পিউটারের মধ্যে বা একটা ইন্টেলিজেন্স সিস্টেমের মধ্যে কোন পার্থক্য নেই। পয়েন্ট হচ্ছে যে আমরা আসলে কেন অভিজ্ঞতা নেই? সিদ্ধান্ত নিতে। আমরা একটা সিদ্ধান্ত ধরা যাক আমি এখান থেকে বসুন্ধরা যাব। আমি যদি আগে বসুন্ধরায় না যাই তাহলে কিন্তু আমার জন্য এটার ব্যাপারে কোন ডেটা নেই। তার মানে হচ্ছে কি আমি কারো কাছ থেকে জানবো যে বসুন্ধরা যেতে আমার কি অভিজ্ঞতা লাগবে। তার মানে হচ্ছে কি আমি আরেকজনের কাছ থেকে অভিজ্ঞতা নিতে পারি। অথবা আমি যদি নিজে একবার যদি বসুন্ধরা যাই নেক্সট টাইম কিন্তু আমি ঐখানে যাওয়ার ব্যাপারটা আরও ভালোভাবে বুঝবো। আমি যদি এখান থেকে বসুন্ধরায় যদি 10 বার যাই তাহলে আই উইল গ্যাদার মোর এক্সপেরিয়েন্স, মোর ডেটা সো দ্যাট আই ক্যান ক্লোজ টাইম। বিকজ দিনশেষে আমার এখান থেকে বসুন্ধরা যাওয়ার জন্য যেটা হচ্ছে সবচেয়ে ফাস্টেস্ট রুট এবং যেটা কনভিনিয়েন্ট রুট যেটাতে যেতে আমার সবচেয়ে কম খরচ লাগে সেটাই হচ্ছে গিয়ে এক্সপেরিয়েন্স এবং সেই এক্সপেরিয়েন্স ওভার টাইম কিন্তু একিউরেসি বাড়ায় এবং মেশিন লার্নিং এ কিন্তু একিউরেসি এই ব্যাপারটাই কিন্তু কাজ করে। তো আমরা যেটাকে বলি যে আমরা সিদ্ধান্ত নিতে চাই। আমরা যেভাবে এখান থেকে বসুন্ধরা যাওয়ার জন্য কোন দিকে যেতে হবে, ডান দিকে যেতে হবে না বাম দিকে যেতে হবে এবং কোন রাস্তায় যেতে হবে, কোন রাস্তায় গেলে সহজ হবে এগুলো কিন্তু প্রতিটা পদে পদে সিদ্ধান্ত। তার মানে আমার একই গাড়ি একটা সেলফ ড্রাইভিং কার যদি আমার এখান থেকে বসুন্ধরা যেতে চায় তাকেও কিন্তু প্রতিটা পদে পদে সিদ্ধান্ত নিতে হবে। দ্যাট ইজ মেশিন লার্নিং। মানে আমরা যেকোনো জায়গায় আমরা পয়েন্ট এ থেকে পয়েন্ট বি তে যাওয়ার জন্য যদি আমার এক্সপ্লিসিটলি প্রোগ্রামিং না লাগে তার মানে হচ্ছে সেটা মেশিন লার্নিং। মানে আমি এখান থেকে আমার মেশিনকে বলে দিলাম তুমি বসুন্ধরা যাও। তাকে যদি আমাকে সেই রোবটের মতো যে এখান থেকে 10 ft যাও, 10 ft যেয়ে আবার ওখানে ডানে ঘুরবা, ডানে যাওয়ার পর আবার ওখানে 20 ft যাবা, 20 ft যাওয়ার পর আবার 30° ঘুরবা, 30° ঘুরার পর আবার বায়ে যাবে। আবার ওখানে 32° ঘুরবা, আবার ওখান থেকে 45° ঘুরবা তারপর হচ্ছে গিয়ে ডানে যাবা তারপর বায়ে যাবা। এভাবে এক্সপ্লিসিটলি প্রোগ্রামিং যদি না করি তার থেকে মেশিন লার্নিং যদি বুঝতে পারে যে এখান থেকে আমাকে বসুন্ধরা যেতে হলে দা থিং আই নিড টু আন্ডারস্ট্যান্ড যে দূরত্ব কমতে হবে। সো সে একবার ডানে যাবে, একবার বায়ে যাবে, একবার এদিকে যাবে, সেদিকে যাবে কিন্তু সে তার ফ্যাক্টর যে ফ্যাক্টরটা তাকে কাজ করতে হবে সেটা হচ্ছে তার দূরত্ব কমতে হবে। সে সেভাবেই কিন্তু সে যাবে। তো এইজন্য বলছি যে মেশিন লার্নিং একটা আর্টিফিশিয়াল ইন্টেলিজেন্স বা কৃত্রিম বুদ্ধিমত্তার একটা অ্যাপ্লিকেশন যেটা স্ট্যাটিসটিক্যাল টেকনিক ব্যবহার করে যাতে সে নিজে শেখে এবং তার পাশাপাশি সিদ্ধান্ত নিতে পারে যেখানে তাকে সিদ্ধান্ত নেওয়ার জন্য বা এই লার্নিংটা হওয়ার জন্য কোন ধরনের এক্সপ্লিসিটলি প্রোগ্রামিং করে দিতে হয় না। আজকের এই পর্যন্তই। থাকছেন তো সামনে? |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | ৩য় প্রেডিকশন, জাহাজ ভাড়ার সাথে মৃত্যুর সম্পর্ক, ইডিএ, Fare2 নামের নতুন ফিচার.mp3 | যেহেতু আমরা এক্সপ্লোরেটরি ডেটা অ্যানালাইসিস করছি সে কারণে কিন্তু আমরা বিভিন্ন ডেটার মধ্যে সম্পর্ক বের করার চেষ্টা করব আর সে কারণে কিন্তু আমরা আলাপ করছি তৃতীয় প্রেডিকশন নিয়ে কেমন হয় একটা প্রশ্ন করলে আচ্ছা জাহাজ ডুবিতে মানুষের মৃত্যুর সাথে টিকিটের দামের সম্পর্কটা কোথায় হতে পারে মানে এটা কি সম্ভব টিকিটের দামের সাথে মানুষের মৃত্যুর একটা সম্পর্ক তৈরি করা সেটা জানার জন্য আমাদেরকে ঢুকতে হবে একটু ভেতরে আমরা যদি টিকিটের দাম জানতে চাই তাহলে কিন্তু দুটো ভেরিয়েবলকে কনসিডার করতে হতে পারে প্রথমটা হচ্ছে জাহাজ ভাড়া মানে ফেয়ার আর পরেরটা হচ্ছে প্যাসেঞ্জার ক্লাস পি ক্লাস ভেরিয়েবল হিসেবে পি ক্লাস বেশ সোজা মানে তিনটা মাত্র আউটকাম ফার্স্ট ক্লাস সেকেন্ড ক্লাস এন্ড থার্ড ক্লাস এর অর্থ হচ্ছে পি ক্লাস ভেরিয়েবলে তিনটা মাত্র ভ্যালু সেখানে ফেয়ারের গল্পটা কিরকম হতে পারে ঠিক ধরেছেন ফেয়ার কিন্তু পুরোটাই কন্টিনিউয়াস ভেরিয়েবল এর অর্থ হচ্ছে একটা টিকিটের দাম কিন্তু এক ডলার হতে পারে অথবা 500 ডলার হতে পারে আমরা ধারণা করছি 891 জন প্যাসেঞ্জারের জন্য কিন্তু কতগুলো টিকিটের দাম হতে পারে এখানে ফেয়ার ভ্যালু অনেকগুলো রিপিট হতে পারে তবে আমি ধারণা করছি এটা 100 এর কম হবে না মেশিন লার্নিং বাদ তবে আমি আমার মনকে স্যাটিসফাই করার জন্য এই টেবিলগুলোকে একটু ছোট করে নিয়ে আসতে পারি মনে আছে ডেটা ভিজুয়ালাইজেশনের কথা আমরা ফিরে যেতে পারি বইয়ের 119 নাম্বার পাতায় ছয় নাম্বার পয়েন্ট তবে আমরা ছবিতে দেখছিলাম বেশিরভাগ মানুষেরই কিন্তু ভাড়া ছিল 40 ডলার এর মধ্যে এই ইন্ডিকেশন বলছে আমাদের 40 ডলারের উপরে ভাড়া নিয়ে খুব একটা চিন্তা করতে হবে না তো আমাদের সুবিধার জন্য এই 40 ডলার কে আমরা ভাগ করব মোট চার ভাগে কিভাবে করা যেতে পারে অবশ্যই 10 20 30 40 এর মানে হচ্ছে প্রথম ঘরটা হবে 10 ডলারের নিচে ভাড়া এরপরে 10 থেকে 20 ডলারের ভাড়া এরপরেরটা 20 থেকে 30 ডলার আর সবচেয়ে শেষে 30 ডলারের উপরের ভাড়া আমাদের বোঝার সুবিধার্থে আমরা আসলে সব যাত্রীকে ভাগ করে ফেলবো এই চার ক্যাটাগরিতে আর যেহেতু আমাদের ফেয়ার বলে একটা ভেরিয়েবল আছেই আমাদের এই চারটা ক্যাটাগরিকে ভাগ করে ফেলে আমাদের নতুন একটা ভেরিয়েবল হিসেবে নাম দিতে হবে এটাকে ফেয়ার টু আমাদের ফেয়ারে যে ডেটাগুলো আছে সেগুলোকে আমরা কনভার্ট করে নিয়ে যাব ফেয়ার টু বলে নতুন ভেরিয়েবলে এখন ফেয়ার টু ভেরিয়েবলটাকে তৈরি করার পালা বুঝতেই পারছেন চারটা রুল সেট প্রথম রুলে 30 এর উপরে যা আছে সবগুলো কিন্তু নিয়ে আসবে একটা জায়গায় পরের রুলস হচ্ছে 20 থেকে 30 তার মানে হচ্ছে 20 সমান অথবা 20 থেকে বেশি আর 30 এর কম এই দুটোকে কিন্তু আমরা একটা এন্ড অপারেশন করে দিচ্ছি আর একইভাবে আমরা তৈরি করছি তৃতীয় রুল সেট মানে 10 থেকে 20 এর জন্য আমরা যে ভ্যালু ধরবো সেটা হচ্ছে 10 ইকুয়ালস অথবা 10 থেকে বেশি আর 20 থেকে কম আর সবচেয়ে শেষের রুল সেট হচ্ছে 10 থেকে কম চারটা রুল সেটই কিন্তু এক্সিকিউট করে ফেললাম এখন ফেয়ার টু ভেরিয়েবলটা দেখার পালা কি দেখছি ফেয়ার টু ভেরিয়েবলের ভেতরে ঠিক ধরেছেন ট্রেন ডেটা ফ্রেমের প্রতিটা মানুষকে সে ফেলে দিয়েছে এই চারটা ক্যাটাগরিতে ফেয়ার টু ভেরিয়েবলটা একটু দেখুন |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | হাতেকলমে মেশিন লার্নিং বই আর-ষ্টুডিও ক্লাউড, ফিচার ইঞ্জিনিয়ারিং, ফ্যামিলিসাইজগ্রুপ (৩৪).mp3 | যে জিনিসটা আমি বারবার বলার চেষ্টা করি মেশিন লার্নিং শেখার শুরুতে আর এর বিকল্প নেই। আমি বলছি না যে এখানে পাইথন ব্যবহার করা যাবে না তবে আমার পয়েন্ট হচ্ছে নন প্রোগ্রামারদের জন্য পাইথনের লার্নিং কার্ভ একটু স্টিপার। যেহেতু মেশিন লার্নিং অ্যাপ্লিকেশন কম্পিউটিং ব্যাকগ্রাউন্ডের পাশাপাশি আরো অন্যান্য জায়গায় ছড়িয়ে পড়ছে সেখানে একজন শিক্ষাবিদ, ভাষাতত্ত্ববিদ, ডক্টর সবাই কিন্তু এই প্লাটফর্মে কাজ করতে চাচ্ছেন। এখানে যে প্রশ্নটা বারবার আসছে যে উনারা তো নন প্রোগ্রামিং ব্যাকগ্রাউন্ডের উনারা কিভাবে শুরু করবেন আর এ কারণে এই আর প্রোগ্রামিং এনভারনমেন্ট নিয়ে বারবার কথা বলছি যার শুরুটা শেখা অনেক সহজ। আর এই ব্যাপারটাকে আরো সহজতর করতে আসছে আর স্টুডিও ক্লাউড যার মানে হচ্ছে আপনার পিসিতে কোন ধরনের ইন্সটলেশন এবং সেটআপ করার প্রয়োজন নেই। বিশেষ করে একেকটা পিসি সেই এনভারনমেন্ট সেটআপ করা বেশ কষ্টকর ব্যাপার। এখানে বলে রাখা ভালো যে আমরা যেভাবে গুগল কোলাব চালাচ্ছি ভার্চুয়াল মেশিনে গুগল এর ভার্চুয়াল মেশিনে সেভাবে এই আর স্টুডিও ক্লাউড চালানো যাচ্ছে আমাদের ব্রাউজার থেকে। যেহেতু আমাদের মেশিন লার্নিং শেখার শুরুর জন্য আমরা ব্যবহার করছি হাতে কলমে মেশিন লার্নিং বইটা মানে লাল বইটার কথা বলছি যেখানে শুরুতে আমাদের এডভাইস থাকছে পুরো লিংকটাকে ফর্ক করে নিন আপনার একাউন্টে। আমি বারবার ফর্ক করার কথা বলছি এ কারণে আপনি এই লিংকটাকে আপনার একাউন্টে ফর্ক করে নিলে সেটাকে মডিফাই করে চালাতে পারবেন আপনার সুবিধা মতো। এরপর আর স্টুডিওতে গিয়ে আপনার নিউ প্রজেক্ট সেটার আন্ডারে নিউ প্রজেক্ট ফ্রম গিট রিপোতে আপনার লিংকটা পেস্ট করে দিন। এর আগের ভিডিওতে আপনারা দেখেছিলেন যে আর স্টুডিও ডেস্কটপ এবং আর স্টুডিও ক্লাউড এর মধ্যে একটাই পার্থক্য সেট ওয়ার্কিং ডিরেক্টরি আপনাকে পাল্টাতে হবে সেট ওয়ার্কিং ডিরেক্টরি। এখানে আপনার সেট ওয়ার্কিং ডিরেক্টরি যেটা হচ্ছে ক্লাউড/প্রজেক্ট/এমএল ওয়ার্কবুক। এই ওয়ার্কিং ডিরেক্টরিটা সেট করে ফেললে আপনার train.csv এবং test.csv এই ডিরেক্টরির আন্ডারে থাকছে ফলে আপনাকে নতুন কোন পাথ দিতে হচ্ছে না। চলুন ফিরে আসি আমাদের ফিচার ইঞ্জিনিয়ারিং এ। আমরা এর আগে ফ্যামিলি সাইজ নিয়ে কিন্তু কাজ করেছিলাম। আমরা তো এর আগে ফ্যামিলি সাইজ বের করেছিলাম কিন্তু ফ্যামিলি সাইজে একটা গ্রুপিং বের করলে কেমন হয়? নতুন করে ফিচার ইঞ্জিনিয়ারিং করার জন্য আমরা ফ্যামিলি সাইজ থেকে ফ্যামিলি সাইজ গ্রুপ করার জন্য ফ্যামিলি সাইজ গ্রুপে আমরা তিনটা গ্রুপিং করতে পারি সিঙ্গেল, স্মলার এবং লার্জ। আমরা দেখে নেই এখানে আমরা লজিকটা কিভাবে সেট করছি। সিঙ্গেলের জন্য ফ্যামিলি সাইজ এক হবে। যেটা স্মলার সেটাকে আমরা বলছি পাঁচ এর কম এবং এক এর বেশি। এই গ্রুপটার নাম হচ্ছে স্মলার আর চারের বেশি মানে ফ্যামিলি সাইজ চারের বেশি হলে সেটাকে আমরা লার্জ বলছি। ভালো কথা আমরা নতুন ফিচার তৈরি করলাম সেটাকে একটু দেখার পালা। আমরা মোজাইক প্লট ফাংশন দিয়ে আমাদের ফ্যামিলি সাইজ গ্রুপটাকে একটু প্লট করি। ডান সাইডে আপনারা কালার কোডে দেখতে পাচ্ছেন ফ্যামিলি সাইজ। এর পাশাপাশি বা পাশে শূন্য এবং এক দিয়ে বুঝতে পারছি সারভাইভালিটি মানে উনারা বেঁচে গিয়েছিলেন নাকি মারা গিয়েছিলেন। এই ছবি থেকে আমরা দেখছি যারা লার্জ ফ্যামিলি গ্রুপ তাদের বেশিরভাগ মানুষ মারা গেছেন। এর সঙ্গে মারা গেছেন যারা সিঙ্গেল ছিলেন মানে যারা সিঙ্গেল ছিলেন তারাও বেশি মারা গিয়েছেন এই গ্রুপে। আর ফাইনালি বেঁচে গিয়েছিলেন কোন গ্রুপটা? অবশ্যই যে গ্রুপটা স্মলার যাদের ফ্যামিলি সাইজ ছিল পাঁচ এর কম এবং এক এর বেশি। এই একটা ছবি কিন্তু প্রমাণ করে দেয় কিভাবে ফ্যামিলি সাইজ তাদের বাঁচা মরার নির্ধারণ করেছিলেন। এটা একটা প্রবাবিলিটি এটা আমাদেরকে দেখাচ্ছে যে ডেটার ভিতরে কি জ্ঞান আছে। আজকে এই পর্যন্তই থাকছেন তো সামনে। |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | কেন ‘ট্রেইন’ এবং ‘টেস্ট’ ডাটা সেট.mp3 | আমি নিজে চোখে দেখছি এই সফটওয়্যার ইন্ডাস্ট্রিতে কিভাবে পাল্টাচ্ছে এই মেশিন লার্নিং ডেমোগ্রাফি। গত দু বছর ধরে বড় বড় কোম্পানি এআই রেসিডেন্সি প্রোগ্রাম দেখে মনে হচ্ছে আমি নিজেই চলে যাই। এদিকে আমার বয়স 50 বছর। ফ্যামিলি, নিজে কাজ আর পিএইচডি এগুলো ছাড়া যাব কিভাবে? আচ্ছা ফিরে আসি মেশিন লার্নিং কি? 1959 এ আর্থার স্যামুয়েল বলেছিলেন মেশিন লার্নিং ইজ দা ফিল্ড অফ স্টাডি দ্যাট গিভস কম্পিউটারস দা এবিলিটি টু লার্ন উইদাউট বিং এক্সপ্লিসিটলি প্রোগ্রামড। এখন কথা হচ্ছে লার্নিংটা আসবে কিভাবে? মানুষের জন্য লার্নিং হচ্ছে তার অভিজ্ঞতা আর কম্পিউটারের জন্য তার লার্নিং হচ্ছে ডেটা। আচ্ছা আমরা যে ঠিকমত শিখলাম সেটা টেস্ট করবে কিভাবে? এর মানে হচ্ছে আমাদের শেখার পাশাপাশি টেস্ট নিতে হবে। আমরা যেহেতু শুরুতে শিখছি তার মানে ক্যাগল কিন্তু বুঝেই আমাদের ডেটাকে দু ভাগে ভাগ করে দিয়েছে। মডেলকে ট্রেনিং করানোর জন্য ট্রেনিং ডেটা আর টেস্ট করার জন্য টেস্ট ডেটা। আমাদের এই টাইটানিক প্রজেক্টে এই দুটো ডেটা সেটকে আলাদাভাবে দেয়া হয়েছে যাতে আমাদের সুবিধা হয়। একটা কথা আবারও বলি মানুষের শেখা আর মেশিন লার্নিং এর শেখার মধ্যে কোনো পার্থক্য নেই। আমি যখন শিখি তখন কিন্তু সেই প্রশ্নের উত্তরটাও জানি আর আমরা যখন পরীক্ষা দেই তখন কিন্তু প্রশ্নের উত্তর জানি না সেটাকে কিন্তু আমাকে তৈরি করতে হয়। আর সে কারণে কিন্তু ক্যাগল আমাদের ডেটা সেটকে দু ভাগে ভাগ করে দিয়েছে ট্রেনিং সেট, টেস্ট সেট। যেটা বলছিলাম আমাদের এই ট্রেনিং ডেটা সেটের সাথে কিন্তু তার আউটকামটা দেয়া আছে মানে উত্তরটা দেয়া আছে। এর অর্থ হচ্ছে সেই ট্রেনিং সেটে কিন্তু বলা আছে সেই মানুষটা মারা গিয়েছিলেন নাকি বেঁচে গিয়েছিলেন। এটা হচ্ছে সেই ট্রেনিং ডেটা মানে আমরা শেখানোর ডেটা বলছি যেটা দিয়ে আমরা মডেলকে ট্রেনিং করব। ট্রেনিং ডেটাকে আমরা পাঠাবো মেশিন লার্নিং অ্যালগরিদমে যাতে মডেল তৈরি হয়। এখন আমাদের মডেলকে ট্রেনিং করালাম উত্তরসহ পরীক্ষা নেবে কে? ঠিক ধরেছেন আমাদের পরীক্ষা নেবে কিন্তু এই টেস্ট ডেটা আর এই টেস্ট ডেটাকে দিয়ে দিয়েছে কিন্তু ক্যাগল অনেক আগেই। সাধারণত রিয়েল ওয়ার্ল্ড সিনারিওতে আমরা দেখি টেস্ট এবং ট্রেনিং কিন্তু আমরা একই ডেটা সেট থেকে করতে চাই। যদি একই ডেটা সেট হয় টেস্ট এবং ট্রেনিং করানোর জন্য তাহলে কিন্তু আমরা সেই ডেটাকে আলাদা করে নেই যেটাতে আমরা শুরুতেই ট্রেনিং করে নিই ট্রেনিং ডেটা দিয়ে। বাকিটুকু ডেটা যেটা আনসিন থাকবে মানে সেই ডেটাকে আমরা ট্রেনিং করাইনি সেই ডেটাকেই কিন্তু আমরা করাবো টেস্ট ডেটা সেট হিসেবে। এই ক্যাগলে আপনি দেখবেন অনেকগুলো ডেটা সেট আছে যেখানে কিন্তু টেস্ট এবং ট্রেনিং ডেটা সেট আলাদা করে দেওয়া নেই। এর মানে এই নয় যে আমরা আসলে এই ডেটা সেটকে টেস্ট বা ট্রেনিং ডেটা সেট হিসেবে আলাদা করে ব্যবহার করতে পারব না। যেহেতু আমরা মেশিন লার্নিং সম্বন্ধে কিছু জানি না সে কারণে কিন্তু ক্যাগল আমাদেরকে টেস্ট এবং ট্রেনিং ডেটা সেট আলাদা করে দিয়েছে। তাহলে আমরা ডাউনলোড করে নিচ্ছি আমাদের ট্রেনিং ডট সিএসভি আর টেস্ট ডট সিএসভি দুটো ফাইলকে। আমরা যারা কম্পিউটার ব্যবহার করি তারা কিন্তু জানি সিএসভি ফাইল কি কমা সেপারেটেড ভ্যালু মানে এখানে ডেটাগুলো ভাগ করে দেওয়া আছে কমা দিয়ে। আমাদের এই কমা সেপারেটেড ভ্যালু ফাইলগুলোকে কিন্তু খোলা যায় যেকোনো প্রোগ্রামে। আমাদের হাতের মুঠোয় যদি মাইক্রোসফট এক্সেল অথবা গুগল এর ক্লাউড যে প্রোগ্রামগুলো আমরা ব্যবহার করি গুগল শীট সেগুলো কিন্তু আমরা ব্যবহার করতে পারব এখানে। যেহেতু আপনি দুটো সেটকেই আলাদা করে ডাউনলোড করেছেন সেখানে কিন্তু আপনি নিজেই দেখতে পাচ্ছেন কতগুলো কলাম আছে এই ডেটা সেটগুলোতে। আমি আপনাকে বারবার অনুরোধ করব এই ডেটা সেটগুলোকে ভালোভাবে দেখার জন্য। আমরা মেশিন লার্নিং শিখছি কিন্তু আমরা সেই ডেটা সেটকে ঠিকমত চিনি না তাহলে কিন্তু হবে না। আপনি যদি ভালোভাবে লক্ষ্য করেন দেখবেন যে ট্রেন ডেটা সেটে আমাদের টোটাল 13 টা কলাম আছে। অবশ্যই একটা কলাম ফাইনাল আউটকাম সহ মানে উনি বেঁচে ছিলেন নাকি মারা গিয়েছিলেন। এর অর্থ হচ্ছে ট্রেন ডেটা সেট সবসময় একটা কলাম বেশি থাকবে তার আউটকাম সহ আর টেস্ট ডেটা সেটে উত্তর থাকবে না এটাই তো সহজ। তাই নয় কি? আমি কি ভুল বললাম? দুটো ডেটা সেটের মধ্যে ভাগ হচ্ছে একটাই। একটাতে সারভাইভ কলাম আছে আরেকটাতে কলাম নেই। তো আজকের মতো বিদায় সামনে আসছি নতুন ভিডিও নিয়ে। |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | মেশিন লার্নিং অ্যান্ড্রু ইয়ানের ভিডিওতে হেলিকপ্টারটা ঠিকমতো উড়ছিলো না কেন Learning from Data.mp3 | মেশিন লার্নিং জগতে এন্ড্রু ইয়ান একজন সেলিব্রেটি। সেলিব্রেটি এই কারণে যে উনার 2012 সালে উনি যে একটা কোর্স তৈরি করেছিলেন কোর্সেরাতে মেশিন লার্নিং এর সেটা ইট ওয়াজ রিয়েলি রিয়েলি পপুলার। বাট অফকোর্স উইথ টাইম ইট হ্যাজ বিকাম ডেটেড। ডেটেড মিনস লাইক এটা আসলে আর সময়ের সাথে সেই আবেদনটা আর রাখতে পারেনি। বাট এখন উনি নতুন নতুন কোর্স নিয়ে আসছেন। তবে একটা জিনিস আমি আমার খুব ভাল লাগে সেই প্রথম কোর্সটা থেকে যে প্রথম কোর্সে উনি একটা হেলিকপ্টার হেলিকপ্টারের একটা ডেমো দেখিয়েছিলেন। ডেমোটা এরকম যে আসলে যখন উনি হেলিকপ্টারটা ওড়াচ্ছিলেন আপনার মনে আছে যে ওই এন্ড্রু ইয়াং এর যেই মানে সেকেন্ড চ্যাপ্টারে উনি ওই একটা হেলিকপ্টার দেখাচ্ছিলেন যে হেলিকপ্টারটা উনি রুল সেট মানে আমরা আসলে হেলিকপ্টারটাকে কোথায় টর্ক দিতে হবে, কোথায় তাকে তার যে হেলিকপ্টারের যে রোটেশন দিতে হবে রোটেশন এবং কোথায় রোটেশনটা কমাতে হবে, কোথায় বাড়াতে হবে যাতে হেলিকপ্টারটা ঠিকমত ফ্লাই করতে পারে। সো আমরা দেখছিলাম যে হেলিকপ্টারটা ফ্লাই করার জন্য যেটা মূল বিষয় ছিল যে আমরা আসলে ভাবছিলাম যে হেলিকপ্টারটা মনে হয় আমরা যেভাবে ইনপুট দিব, যেভাবে বায়াস দিব, যেভাবে যেটা বলব সেভাবে হেলিকপ্টারটা উড়তে পারবে। কিন্তু যেটা মানে যেটা আমি আসলে বইটাতে লিখেছি মানে এই বইটাতে আমি ওই গল্পটা নিয়ে লিখেছি। যেহেতু গল্প এই বইগুলো সবকিছু আমার লাইফের উপর দিয়ে তৈরি করা। তো সেখানে যেটা হচ্ছে যে সেখানে তিনি হেলিকপ্টার ওড়ানো নিয়ে একটা কথা বলেছিলেন যে প্রথম দিকে মানুষের তৈরি প্রোগ্রাম দিয়ে হেলিকপ্টারটাকে ঠিকমত ওড়ানো যাচ্ছিল না। মানে মানুষের তৈরি প্রোগ্রাম দিয়ে হেলিকপ্টারটাকে ঠিকমত ওড়ানো যাচ্ছিল না। মানে রুল সেট রুল বেসড একটা প্রোগ্রাম ছিল। ভিডিওতে দেখা গেল যে পাগলের মত উড়ছে জিনিসটা। বুঝতে পারলাম ঠিকমত একে ওড়াতে হলে তাকে শিখতে হবে নিজে নিজে। মানে মেশিনটাকে নিজে নিজে শিখতে হবে যদি ঠিকমত উড়তে হয়। অর্থাৎ তাকে নিজের অভিজ্ঞতা নিয়ে তাকে ঠিকমত উড়তে হবে। মানে হাঁটি হাঁটি পা ফেলার মত উল্টাপাল্টা উড়ে ডানে বায়ে বাড়ি খেয়ে হেলিকপ্টারটাকেই নিজে থেকে উড়ে ঠিকমত দরকারি এরর কারেকশন দিতে হবে। সরি আমার আমার অনেক সময় আমার আমি আস্তে আস্তে পড়ি কারণ আমার চোখে কিছুটা প্রবলেম আছে। সো তারমানে সেটা সেটাকে উনি বলছেন যে হেলিকপ্টারটাকে হেলিকপ্টারটাকেই নিজে থেকে উড়ে ঠিকমত দরকারি এরর কারেকশন দিতে হবে। মানে মানুষ মানে আমরা বাহির থেকে এরর কারেকশন দিলে হবে না। হেলিকপ্টারটা বিকজ হেলিকপ্টার যেই সিচুয়েশনে পড়ছেন যেই যেই দিকে তার বায়াস পড়ছে, যেই দিকে তার ইমব্যালেন্স হচ্ছে সেইটাকে এরর কারেকশন কিন্তু হেলিকপ্টারের ভিতর থেকে দিতে হবে বিকজ ইট ওয়াজ ইন দ্যাট সিচুয়েশন। আমরা পারব না। আমরা বাহির থেকে পারব না বিকজ ভেতরে হেলিকপ্টার যে ইন্টেলিজেন্স সেটাই সেখান থেকে ইনপুট নিয়ে সেখান থেকে এরর কারেকশন দিতে হবে। তো হেলিকপ্টারটাকেই নিজে থেকে উড়ে ঠিক মত দরকারি এরর কারেকশন দিতে হবে। এর অর্থাৎ তাকে শিখতে হবে নিজে নিজে। কোন টর্কে কি রোটেশন হবে, কখন স্পিড বাড়াতে বা কমাতে হবে সেটার এক্সপেরিয়েন্স নিজে না করলে কারেকশন করে নিবে কিভাবে? মানে সেটার এক্সপেরিয়েন্স তো হেলিকপ্টারটাকে করতে হবে এবং সেটার এরর কারেকশন তো আসবে হেলিকপ্টার থেকেই। এভাবেই এলো যন্ত্রের অভিজ্ঞতা নেওয়ার গল্প। তারমানে হচ্ছে গিয়ে যন্ত্রের নিজে নিজে শেখাটাই হচ্ছে গিয়ে মেশিন লার্নিং। অফকোর্স মেশিন লার্নিং যন্ত্রকে আমরা যখন শেখাই সেটাকে আমরা মেশিন লার্নিং বলি। বাট মেশিন লার্নিং মানে হচ্ছে গিয়ে ডেটাটা মানে মেশিন লার্নিং এর মানে মেশিনের জন্য ডেটাটা হচ্ছে তার অভিজ্ঞতা। মানে হেলিকপ্টার হেলিকপ্টার যখন ফ্লাই করছে হেলিকপ্টারটা ফ্লাই করার সময় হেলিকপ্টার যে লগ জেনারেট করছে সেই লগটাই কিন্তু তার জন্য অভিজ্ঞতা এবং তার জন্য ডেটা এবং সেই অভিজ্ঞতা সেই লগ থেকে দেখে তারপরে যতক্ষণ পর্যন্ত ব্যালেন্স না হচ্ছে যতক্ষণ পর্যন্ত হেলিকপ্টার হেলিকপ্টারটা নিজে থেকে ব্যালেন্স না হচ্ছে ততক্ষণ পর্যন্ত এরর কারেকশন দিতে হবে। যে একবার এদিকে হয়ে গেল বেশি এরর কারেকশন দিয়ে ফেলল এদিকে চলে গেল। আবার এরর কারেকশন দিলে আবার এদিকে চলে এলো। তারমানে হচ্ছে কি ওকে কিন্তু একটা ব্যালেন্সড ইনপুট পর্যন্ত ওয়েট করতে হবে। যে আমরা যখন মেশিন লার্নিং মডেল বা ডিপ লার্নিং মডেলে আমরা যখন বিভিন্ন লিনিয়ার রিগ্রেশন বা অন্যান্য জায়গায় আমরা দেখাই যে আসলে ঠিক পিন পয়েন্ট একদম মধ্যম পন্থা বা ওই জায়গায় পয়েন্ট আসা পর্যন্ত ওকে কিন্তু অনেকগুলো এরর কারেকশন দিয়ে দিয়ে কিন্তু ফাইনালি আসে। আমরা মেশিন লার্নিং এ অনেক সময় দেখি যে প্রথমে একটা রেন্ডম ভ্যালু সে ডিক্লেয়ার করে। তারপরে সেটার উপরে ধরে তারপরে সে এরর কারেকশন দেয় এবং ফাইনালি এরর কারেকশনটাই কিন্তু একটা অপটিমাল পজিশনে চলে আসে। সো এটাই আমরা বলছি যে যেকোনো মেশিন লার্নিং মডেলে আমরা ভাবতে পারি যে এই এরর কারেকশনটা বা মেশিনের নিজ থেকে শেখার আইডিয়াটা আসলে কিভাবে আসতে পারে। সো এই ব্যাপারটাই বলছি যে আমরা আসলে মেশিন লার্নিং ভাবছি যে খুব ডিফিকাল্ট ইটস নট ইটস নট। ইট ইজ ইট ইজ ভেরি ইজি ইফ ইউ আন্ডারস্ট্যান্ড দা আন্ডারলাইং প্রবলেমস অর আন্ডারলাইং ইস্যুস। তাহলে আমরা এই জিনিসটাকে খুব সহজেই সমাধান দিতে পারব। আর সবচেয়ে বড় জিনিসটা হচ্ছে যে মেশিন লার্নিং এ আমরা এই বইটা যার কাছে এই বইটা আছে অথবা যার কাছে পুরনো বইটা মানে এই পুরনো বইটা আছে তাদেরকে একটা জিনিস বুঝতে হবে যে মেশিন লার্নিং এর ভেতরে ঢোকার জন্য এখানে প্রায় ওয়ান থার্ড বই হচ্ছে গিয়ে গল্প। মানে কেন আমি বইটা শুরু করলাম গল্প দিয়ে সেটার একটাই আন্ডারস্ট্যান্ডিং যে মেশিন লার্নিং কে অনেকে অনেক ডিফিকাল্ট ভাবে। অনেকে ভাবে যে এটা আসলে শেখা ডিফিকাল্ট। তো সেটাই বলছি যে এটা শেখার ডিফিকাল্টটাকে সহজ করার জন্য আমি আমার জীবনের অনেকগুলো অভিজ্ঞতাকেই আমি আসলে গল্প হিসেবে লিখেছি যাতে আপনারা বুঝতে পারেন যে না দিস ইজ দিস ইজ ভেরি ইজি টু স্টার্ট উইথ। সো আপনারা এই বইটা মানে এখন এই বইটা তো এখন আর মার্কেটে নেই। আমি বলছি যে এখন এই বইটা এই বইটা থেকে আপনারা দেখতে পারেন। এই বইটা কেনা লাগবে না কারণ এই বইটার অনলাইন ভার্সন অলরেডি অনলাইনে আছে সেখান থেকে পড়তে পারেন। আর আমার পাবলিশারকে সাপোর্ট করার জন্য বইটা কিনতে পারেন কারণ অনেকে বই অনলাইনে না পড়ে ফিজিক্যাল কপিতে পড়তে পছন্দ করেন। তাদের জন্যই হচ্ছে গিয়ে এই প্রিন্ট এডিশন। আজকে এ পর্যন্তই থাকছেন তো সামনে? |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | কেন প্রজেক্ট টাইটানিক মনস্তাত্ত্বিক হাইপোথিসিস.mp3 | যেহেতু আমরা মেশিন লার্নিং শিখছি হাতে কলমে আর সে কারণেই কিন্তু প্রজেক্ট টাইটানিক। আমরা যখন কোন কিছু হাতে কলমে করি তখন কিন্তু সেই জিনিসটাকে আমরা ভালোভাবে বুঝতে পারি। এটা কিছুটা প্র্যাক্টিক্যাল অন দা জব ট্রেনিং এর মত মানে ইন্টার্নিদের মত করতে করতে শেখা। আর সে কারণে কিন্তু মেশিন লার্নিং হাতে কলমে দ্বিতীয় সংস্করণ বইটার পাশাপাশি আছি আমি। আচ্ছা কেন প্রজেক্ট টাইটানিক? এটা নিয়েও কিন্তু অনেক প্রশ্ন আছে। প্রথমত এটা একটা সত্যি ঘটনা এবং সবাই কমবেশি কিছু না কিছু জানেন। দ্বিতীয়ত টাইটানিকের প্রতিটা তথ্য ইন্টারনেটে আছে এবং পুরোপুরি ভেরিফাইড। চাইলে আপনার নিজের প্রেডিকশনও অন্য কারো সাথে মিলাতে পারেন। তৃতীয়ত টাইটানিকের ডেটা সেটটা অনেক ছোট। মাত্র কয়েকশ কিলোবাইট। চতুর্থ পৃথিবীতে সবাই তার নিজস্ব কাস্টমারকে খুব ভালোভাবে চিনতে চান। আর এ কারণে কিন্তু হিউম্যান সাইকোলজির বেশ একটা বড় অংশ আমাদেরকে পড়তে হয়। একটা মানুষ কেনই বা আপনার প্রোডাক্ট কিনবেন সেজন্য কিন্তু উনি কিভাবে চিন্তা করছেন সেটারও একটা যাচাইয়ের ব্যাপার আছে। আপনার কাস্টমার বেজের মত কিন্তু টাইটানিকে যারা ভ্রমণ করছিলেন তাদের পারিপার্শ্বিক নিজেদের সামাজিক অবস্থান কিভাবে তাদের সহযাত্রীদের ইনফ্লুয়েন্স টিকিটের ভাড়া কেবিনের দূরত্ব সেই ব্যক্তির সহযাত্রী কিভাবে তার বেঁচে থাকার ব্যাপারে ইনফ্লুয়েন্স করছে সেটা জানা যায় কিন্তু এই ডেটা সেট গেটে। তবে এটা ঠিক যে প্রজেক্ট টাইটানিক করতে গিয়ে আমার হিউম্যান সাইকোলজির উপর একটা ভালো ধারণা এসেছে। 1912 সালের 15ই এপ্রিলের ঘটনা। সবার ধারণা ছিল এই জাহাজটা ডুববে না আর সে কারণে কিন্তু বলা হতো আনসিংকেবল টাইটানিক। রাত 11:40 এ আইসবার্গে ধাক্কা খায় এই আরএমএস টাইটানিক। জাহাজে মোট যাত্রী ছিলেন 2224 জন। টাইটানিকের ডিজাইন ক্যাপাসিটি অনুযায়ী লাইফবোর্ড নেবার কথা ছিল 32 টা। যেহেতু ব্যাপারটা ডিক্লেয়ার করা ছিল যে এটা একটা আনসিংকেবল শিপ আর সে কারণে কিন্তু তারা লাইফবোর্ড নিয়েছিল মাত্র 20 টা। টাইটানিকের সান ডেকে কিছুটা জায়গা বাঁচে বলে সে কারণে কিন্তু তারা আর বেশি লাইফবোর্ড নিতে চায়নি জাহাজের ম্যানেজমেন্ট। আমাদের ক্যালকুলেশন বলে জাহাজের সেই 20 টা লাইফবোর্ড কিন্তু বাঁচাতে পারত মাত্র 1180 জন লোক। তবে এটা ঠিক যে এ ধরনের বিপর্যয়ে কে বাঁচবেন আর কে মরবেন সেটা কিছুটা ভাগ্য নিয়ন্ত্রিত হলেও পারিপার্শ্বিক অবস্থার প্রভাব কিন্তু একেবারে উড়িয়ে দেয়া যায় না। এখন প্রশ্ন হচ্ছে ডিজাইন ক্যাপাসিটি অনুযায়ী যদি আমাদের সেই 32 টা লাইফবোর্ড থাকতো তাহলে কি সবাই বেঁচে যেতেন? নাকি জাহাজ ডোবার সময় মানুষ কত তাড়াতাড়ি লাইফবোর্ডে এক্সেস পেত সেটার কিন্তু ক্যালকুলেশন একটা বড় বিষয়। সানডেক থেকে কোন ধরনের কেবিন সবচেয়ে কাছে সেটা যদি বের করা যায় তাহলে কিন্তু একটা ধারণা পাওয়া যাবে। এবার টাইটানিক জাহাজের যাত্রীদের বেঁচে থাকা বা মরে যাবার যে সম্ভবনা তার উপর একটা হাইপোথিসিস তৈরি করা যেতে পারে। এই হাইপোথিসিসে একটা কন্টেক্সট নিয়ে আলাপ করি। প্রথম শর্ত হচ্ছে টাইটানিক আইসবার্গকে বাড়ি খেয়েছে এবং টাইটানিক ডুবতে পারে। এই দুটো জিনিসই কিন্তু যাত্রীরা কোনভাবেই মিলাতে পারছিলেন না। আর সে কারণে কিন্তু একটা ইনফরমেশন ব্লাইন্ড স্পট তৈরি হয়েছে যেটা আসলে তাদেরকে ঠিক সিদ্ধান্ত নিতে ব্যাহত করেছে। আর এর ফলাফল অনেক সময় নষ্ট হয়েছে। আগেও কিন্তু বলেছিলাম এই মেশিন লার্নিং চ্যালেঞ্জের কথা। আমাদের এই চ্যালেঞ্জে একটা টেস্ট ডেটা সেট দেয়া হয়েছে যেখানে প্যাসেঞ্জারের সব তথ্য থাকলেও তার বেঁচে যাওয়ার তথ্যটা দেয়া হয়নি। আমাদের কাজ হচ্ছে বের করা এই টেস্ট ডেটা সেট থেকে কারা কারা আসলে বেঁচে গিয়েছিলেন। আর সেটা আমরা করবো মেশিন লার্নিং প্রেডিকশন দিয়ে। আজকে এই পর্যন্তই সামনে আসছি টাইটানিক ডেটা সেট গুলোর হাড়ির খবর নিয়ে। |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | ৩য় প্রেডিকশন, তিনটা রুলসেট, এন্ড অপারেটরের ব্যবহার, ক্যাগলে সাবমিশন.mp3 | আমাদের তৃতীয় প্রেডিকশনের শেষ পর্যায়ে চলে এসেছি আমরা। আমরা জানি যে টাইটানিকের বেশিরভাগ কিন্তু মারা গিয়েছিলেন পুরুষ। সেক্ষেত্রে মহিলাদের মধ্যে কারা আসলে বেশি মারা গিয়েছিলেন সেটা যদি আমরা জানতে পারি তাহলে কিন্তু আমাদের কাজটা বেশ সহজ হয়ে যায়। সেই হিসেবে আমরা দেখেছিলাম যে সিরিয়াল আট এবং নয় মহিলারা যারা তৃতীয় শ্রেণীর যাত্রী এবং যারা 20 ডলারের বেশি দিয়েছিলেন ভাড়া হিসেবে তারা কিন্তু আসলে লাইফবোর্ড ধরতে পারেননি ওনারা। আবার বলছি যারা আট এবং নয় সিরিয়ালের মহিলারা ছিলেন তাদের মধ্যে কিন্তু যারা তৃতীয় শ্রেণীর যাত্রী এবং যারা ওই টিকিটটা কিনতে 20 ডলারের বেশি খরচ করেছিলেন তারা কিন্তু আসলে বাঁচেননি। এর অর্থ হচ্ছে আমাদের হাতে ক্লু চলে এসেছে পরবর্তী সাবমিশনের জন্য। তৈরি করি আমাদের নতুন রুল সেট। প্রথম প্রেডিকশনের মতো আমরা সবাই ধরে নিচ্ছি সারভাইভ কলামে সবাই মারা গেছেন। এর অর্থ হচ্ছে আমরা টেস্টে সারভাইভ কলামে আমরা সবগুলোকে শূন্য দিয়ে ভরে দিচ্ছি। এটা আমরা করলাম কারণ আমরা প্রথম প্রেডিকশনে দেখিয়েছিলাম সবাই মারা গেছেন। এর অর্থ হচ্ছে সারভাইভ কলাম আমরা পুরোপুরি শূন্য দিয়ে পূর্ণ করে দিয়েছিলাম। আমাদের এক্সপ্লোরেটরি ডেটা এনালাইসিসে দেখলাম যে মহিলারা বেঁচে গিয়েছিলেন বেশি আর সে কারণে কিন্তু আমরা দ্বিতীয় রুল সেটে দেখিয়ে দিলাম যে সব মহিলারা বেঁচে গিয়েছিলেন। আর সে কারণে কিন্তু এই রুল সেট হচ্ছে ফিমেল ইকুয়ালস টু ওয়ান। এখন আসি আমাদের আজকের প্রেডিকশনের রুল সেট। আমাদের রুল সেটের প্রথমে বলতে হবে উনি মহিলা এবং উনি থার্ড ক্লাস প্যাসেঞ্জার এবং উনি ওই টিকিটটা কিনতে 20 ডলার অথবা তার বেশি খরচ করেছিলেন। এখানে আমরা ব্যবহার করছি এন্ড অপারেটর মানে প্রথমে হচ্ছে মহিলা এবং থার্ড ক্লাস প্যাসেঞ্জার এবং ওই টিকিটের দাম 20 ডলারের বেশি খরচ হয়েছে। আমাদের রুল সেট তৈরি করা শেষ এখন আমরা তৈরি করব আমাদের সাবমিশন ফাইল। ঠিক আগের মতো আমাদের একটা প্রেডিকশন থার্ড বলে একটা নতুন ডেটা ফ্রেম তৈরি করছি যেখানে টেস্টের প্যাসেঞ্জার আইডি এবং সারভাইভ বলে দুটো কলাম রাখবো। আমাদের প্রেডিকশন থার্ড যে ডেটা ফ্রেমটা আছে তার কলাম কিন্তু প্যাসেঞ্জার আইডি এবং সারভাইভ। এই দুটোই কিন্তু থাকবে। এর পাশাপাশি কিন্তু কোন ধরনের রো নেম থাকবে না। এখানে কিন্তু আমরা সেটাকে বলেছি নাল। এই ডেটা ফ্রেমকে এখন একটা সিএসভি ফাইল তৈরি করার পালা আর সেটা আমরা করব রাইট ডট সিএসভি ফাংশন দিয়ে। হয়ে গেলে তো আমাদের কাজ। এখন ক্যাগোলে আপলোডের পালা। চলে গেলাম ক্যাগোলে আপলোড করে দিচ্ছি আমাদের প্রেডিকশন 3.csv ফাইলটাকে। এখানে আমাদের একটু সময় দিতে হবে ডেটাকে ক্রাঞ্চিং করার জন্য। ক্যাগোলের সার্ভার তো ব্যবহার করছে পুরো বিশ্বের হাজারো লোক। আমরা চাইবো আমাদের একুরেসি আগের থেকে আরও ভালো করতে। অসাধারণ আমাদের একুরেসি চলে এসেছে 77.9। তার মানে আমরা কিন্তু এগিয়েছি অনেক অনেক বেশি। আমি আপনাকে বলব যে ডেটা থেকে আপনার মতো রুল সেট তৈরি করুন আর সাবমিট করতে থাকুন ক্যাগোলে। দিনে 10 টা করে সাবমিশন পাওয়া কম নয় কিন্তু। দেখা হচ্ছে সামনে। |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | হাতেকলমে মেশিন লার্নিং ফিচার ইঞ্জিনিয়ারিং, পরিবারের সংখ্যা, পারিবারিক নাম, পরিবারের আইডি.mp3 | ধরুন আপনি দাঁড়িয়ে আছেন টাইটানিক ডেকে, টাইটানিক জাহাজ ডুবির সময়। যেহেতু আমরা হাতে কলমে ফিচার ইঞ্জিনিয়ারিং করছি, সেই কারণে কিন্তু আমাদের এই হিউম্যান পারসপেক্টিভটা নিতে হবে। আমরা যেটা বলতে চাইছি, জাহাজ ডুবির সময় পরিবারের সদস্য সংখ্যা একটা খুবই ইম্পরট্যান্ট ইস্যু। লাইফবোটে ওঠার সময় সন্তান চাইবে না তাদের বাবা-মাকে ফেলে দিতে বা বাবা-মা চাইবেন না তাদের সন্তানকে ফেলে দিতে অথবা ধরুন একজন স্ত্রী তার স্বামীকে বা স্বামী তার স্ত্রীকে ফেলে দিতে চাইবেন না যখন উনি লাইফবোটে উঠবেন। এখন আমাকে বলুন যে আমরা কিভাবে একটা ফ্যামিলির সংখ্যা জানতে পারব? সেটা জানা যেতে পারে বেশ কয়েকটা ভাগে। তবে এই মুহূর্তে আমাদের হাতে আছে সিভএসপি আর প্যারেন্টস চিলড্রেন বলে দুটো ভেরিয়েবল। আমরা আগেই জানি যে সিভএসপি মানে সিবলিং স্পাউস। যেখানে একজন যাত্রীর সাথে তার সিবলিং মানে ভাই বোন অথবা তার স্পাউস এটার একটা সংখ্যা আর পাশাপাশি প্যারেন্টস চিলড্রেন মানে ওই যাত্রীর সাথে তাদের বাবা-মা অথবা চিলড্রেন ট্রাভেল করছে কিনা সেটার একটা সংখ্যা পাওয়া যাচ্ছে এখানে। এখন তাহলে ফ্যামিলি সাইজ বলে একটা নতুন ভেরিয়েবল ডিক্লেয়ার করছি এখানে। যার মধ্যে সিভএসপি যোগ প্যারেন্টস চিলড্রেন যোগ একজন মানে নিজেকে যোগ করলেই কিন্তু টোটাল ফ্যামিলি সাইজ পাওয়া যাচ্ছে। আচ্ছা এটাই কি সব নাকি আমাদের আরেকটু ডিগ ইন ডিপার করার দরকার আছে? ধরা যাক আমাদের এই যে নামের পেছনে যে বিভিন্ন টাইটেল হালদার, চৌধুরী, খান এগুলোকে আমরা অনেক সময় বলি বংশের টাইটেল। আচ্ছা এটা কেমন হয়? আমরা এই বংশের টাইটেল দিয়ে বের করে ফেলবো এই পারিবারিক সংখ্যাগুলোকে? আমরা বলতে পারব যে খান পরিবার বা চৌধুরী পরিবারে কয়জন এই টাইটানিক জাহাজ ডুবিতে ছিলেন? সেটা আমরা কিভাবে বের করতে পারি? অবশ্যই ঠিক আগের মতো যেখানে আমরা স্ট্রিং স্প্লিট ব্যবহার করেছিলাম। আমরা দেখতে পাচ্ছি যেকোনো নামের কমা এবং স্পেস এর ঠিক আগেই কিন্তু আছে পারিবারিক নাম। আগের মতো আমরা যদি কমা আর স্পেস এটার ঠিক আগের অংশটাকে যদি বের করতে পারি তাহলে কিন্তু আমাদের সমস্যাটা চুকে যায়। এটার জন্য আমরা নতুন একটা ভেরিয়েবল তৈরি করলাম সারনেম। ভালো কথা অনেক কিছুই করলাম। এখন যদি দুই খান পরিবার এই টাইটানিকে ওঠেন সেজন্য আমরা নতুন একটা ফিচার তৈরি করব যেটাকে আমরা বলছি ফ্যামিলি আইডি। আর এই ফ্যামিলি আইডি ঠিক বসবে আমাদের পারিবারিক নামের আগে। ঠিক ধরেছেন এখানেও আমাদের স্ট্রিং অপারেশন হবে। এখানে আমরা যেটা বলতে চাচ্ছি ফ্যামিলি আইডি শুরু হচ্ছে এর সদস্য সংখ্যা দিয়ে আর এরপরে আসছে পারিবারিক নাম মানে সারনেম। আমি একটা ব্যাপার আগে থেকে বলতে চাই। এখানে ফিচার ইঞ্জিনিয়ারিং এ কিন্তু আপনার মুনসিয়ানা। আমি এখানে কি দেখাচ্ছি সেটা বড় বিষয় না। বড় বিষয় হচ্ছে আপনি এটাকে কিভাবে আপনার মত করে ইন্টারপ্রেট করবেন। আমাদের কথা হচ্ছে পারিবারিক নাম বা সারনেম এর সঙ্গে যদি পরিবারের সদস্য সংখ্যা থাকে তাহলে কিন্তু আমাদের একটা ধারণা হয় যে এটা আসলেই সেই পরিবার কিনা। এ কারণে আমাদের বেস্ট অপারেশনে আমরা বলছি ফ্যামিলি সাইজ তারপরে আসবে সারনেম এবং এর মধ্যে কোন গ্যাপ থাকবে না। মানে সেপারেশন কিছুই থাকবে না। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | ৫ম প্রেডিকশন, ফিচার ইঞ্জিনিয়ারিং, একজন “মা”কে কিভাবে আলাদা করা যাবে.mp3 | মনে আছে ফিচার ইঞ্জিনিয়ারিং এর কথাটা? মানে আমরা আসলে ফিচার ইঞ্জিনিয়ারিং করছি এ কারণে যে আমাদের মেশিন লার্নিং মডেলকে জানাতে হবে যে আমরা হিউম্যান এলিমেন্টগুলো কিভাবে কাজ করে। বিশেষ করে এই যে মা, ছেলে বা টাইটেল। এগুলো তো আর মেশিন আগে থেকে বুঝতে পারবে না। তা সে কারণে কিন্তু আমরা আমাদের মেশিনকে শিখাচ্ছি যে কোন কোন এলিমেন্টগুলো আসলে কনস্টিটিউট করে একটা বাচ্চা বা একটা মা বা কিভাবে আমরা মেশিনকে অন্যান্য ফিচার থেকে আলাদা করে বলব যে উনি মা। আর সে কারণে কিন্তু আমরা এই মেশিনকে শিখানোর জন্য আমাদের বইয়ে কিন্তু আমরা চারটা লজিকের কথা বলেছিলাম। তো আপনি যদি দেখেন যে মা হচ্ছেন গিয়ে একজন টাইটানিক যাত্রী যিনি আসলে আমাদের চারটা লজিককে কমপ্লাই করছেন। আর সে কারণে যে আমরা এখানে বলি যে উনি মহিলা। মানে ফার্স্ট নাম্বার লজিক হচ্ছে উনি মহিলা। সেকেন্ড লজিক আমরা বলছি যে যার বয়স 18 বছরের উপরে। বিয়ে বা প্রেগনেন্সি সবকিছুই কিন্তু আমরা ধারণা করছি 18 বছরের পরে। এরপরের ক্রাইটেরিয়া আমরা আসলে তিন নাম্বার ক্রাইটেরিয়া হিসেবে হিসাব করছি যে যার বাচ্চা আছে। মানে আপনার মনে আছে যে আমরা সিবেসপি এবং প্যারেন্টস চিলড্রেন এই দুটো ভেরিয়েবল থেকে কিন্তু আমরা ধারণা করছি যে প্যারেন্টস চিলড্রেন মানে এটার সংখ্যা তো জিরো। মানে আপনার জিরো থেকে যদি বেশি হয় তাহলে কিন্তু বোঝা যাবে যে ওখানে উনার একটা বাচ্চা ছিল। তার মানে অঙ্কের ভাষায় আমরা বলছি যে শূন্যর থেকে বেশি। মানে যাদের বাচ্চা আছে অঙ্কের ভাষায় শূন্য থেকে বেশি। আর সবশেষে আমাদেরকে ধরতে হবে যে যেহেতু আমরা কিছুক্ষণ আগে কিন্তু একটা নতুন ফিচার বের করেছিলাম যেটা হচ্ছে টাইটেল। আর তার মানে হচ্ছে কি এই টাইটেলে কিন্তু আমাদের যিনি মিস হবেন না। মানে আমাদের এই টাইটেলে যে মিস ছিলেন আমরা বলছি যে উনি যাতে মিস না হন। তার মানে আমরা অঙ্কের ভাষায় দেখছি এই চারটা ক্রাইটেরিয়া। আমরা বলছি যে এই চারটা ক্রাইটেরিয়া এই অঙ্কের চারটা ক্রাইটেরিয়া যিনি ফুলফিল করবেন উনি হচ্ছেন গিয়ে মা। আর সে কারণে কিন্তু আপনি দেখছেন যে এই মাদার বলে আমরা যে নতুন যে ভেরিয়েবল তৈরি করেছি সেটা শুরুতেই কিন্তু আমরা এটাকে ফুলফিল করেছি নট মাদার দিয়ে। যারা মাদার না তাদের পরে কিন্তু আমরা বাকিদেরকে মাদার করে বলছি কারণ চারটা ক্রাইটেরিয়া কিন্তু ফুলফিল করেছেন। নট মাদার হচ্ছে গিয়ে যারা এই চারটা ক্রাইটেরিয়া ফুলফিল করেননি এবং সেটা কিন্তু আমরা প্রথমেই পপুলেট করেছিলাম। আর এই চারটা ক্রাইটেরিয়া কিন্তু আমরা ফুলফিল করছি তখনই যখন উনি মাদার হয়েছেন। আর সে কারণে কিন্তু কম্বাইন সেটে কিন্তু আমরা সেভাবে দেখিয়েছি। ভালো কথা অনেক গল্প হলো। তাহলে আমরা একটু টেবিল ফাংশন দিয়ে দেখি যে মাদার মানে আমাদের সারভাইভ কলামের মধ্যে মাদার কয়জন ছিলেন। আর সেটাই কিন্তু আমরা পেয়েছি এখানে। আর ফাইনালি আমরা এটাকে ফ্যাক্টরে ভাগ করব। কারণ ফ্যাক্টর বা ক্যাটাগরি এটা কিন্তু মেশিন লার্নিং ভালো বোঝে। রাদার আমরা এটাকে ক্যারেক্টার বা স্ট্রিং এ রাখি। থাকছেন তো সামনে? |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | ডেটাফ্রেমের স্ট্রাকচার, এক্সপ্লোরেটরি ডেটা অ্যানালাইসিস.mp3 | আমাকে অনেকে প্রশ্ন করেন কেন আমি মেশিন লার্নিং এ এলাম। ডেটা ওয়ার্ল্ডে একটা জিনিস দেখছি কোরিলেশন। মানে একটা জিনিসের জন্য আরেকটা জিনিস পাল্টে যাওয়া। মাঝেমধ্যে আমি একটু অবাক হয়ে যাই যখন দেখি দুটো বিপরীতমুখী ডেটার মধ্যে বেশ ভালো লিংক। আর মেশিন লার্নিং ছাড়া এই ইনসাইট পাওয়া বেশ দুষ্কর। মনে আছে গতবার কিন্তু আমরা ট্রেন ডেটা ফ্রেমের স্ট্রাকচারটা দেখেছিলাম। আমাদের 12 টা ভেরিয়েবলের ডেটা টাইপগুলো একটু খেয়াল করুন। অবভিয়াসলি ইন্ট হচ্ছে একটা পূর্ণ সংখ্যা আর পাশাপাশি নাম হচ্ছে যেখানে ডেসিমেল ভগ্নাংশ রাখা যায়। আমরা সাধারণত দেখেছি সিএসবি ফাইল থেকে নরমালি নামগুলো ফ্যাক্টর হিসেবে যায়। তাই বলে ফ্যাক্টরে 891 টা লেভেল এটা ঠিক যে কারো সাথে কারো নাম মিলছে না বলেই কিন্তু এটা 891 টা লেভেলে ভাগ হয়ে গেছে। তবে মেশিন লার্নিং মডেলে এতগুলো ফ্যাক্টর গ্রহণযোগ্য হিসেবে আমরা ধরি না। সামনে আমরা দেখবো এই লেভেলগুলোকে আমরা সার্টেন স্কেলে কমিয়ে নিয়ে আসবো আমাদের কাজের সুবিধার্থে। যখন ডেটা সেট ধরে আমরা ইম্পোর্ট করি আর সেই ডেটা সেটে যদি টেক্সট থাকে আমরা দেখেছি সেগুলো আসলে ফ্যাক্টর হিসেবে কনভার্ট হয়ে আসে। আর এটার ভালো খারাপ নিয়েও কিন্তু আমরা আলাপ করব সামনে। এখানে অবশ্য ঠিকভাবে ফ্যাক্টর হিসেবে চলে এসেছে কিন্তু সেক্স ভেরিয়েবল। যখন যেখানে যে জিনিসটাকে ম্যানিপুলেট করা দরকার সেটাকে আমরা কনভার্ট করে নিব টেক্সট স্ট্রিং এ। ডেটা ম্যানিপুলেশন তো করতেই হবে সামনে। চলুন তাহলে আমাদের কাজ শুরু করি প্রথম প্রেডিকশনে। একটা জিনিস লক্ষ্য করবেন আমরা কিন্তু প্রতিটা স্ক্রিপ্ট লিখেছি স্বয়ংসম্পূর্ণ হিসেবে যাতে আপনি ওই স্ক্রিপ্টটাকে যেকোনো অবস্থায় পুরোপুরি চালাতে পারেন। আমরা লোড করে নিচ্ছি আমাদের প্রথম প্রেডিকশন স্ক্রিপ্ট। মেশিন লার্নিং এর একটা বড় অংশ হচ্ছে আপনার ডেটা থেকে সেটার প্যাটার্নটা বোঝা। আর সে কারণে কিন্তু আমরা ট্রেনিং ডেটা সেটটাকে ডেটা ফ্রেমে নিয়ে এসেছি। ডেটা ফ্রেম হচ্ছে একটা টেবিল যেখানে ডেটাকে ঠিকমতো এনালাইসিস করা সম্ভব হয়। এটাকে আমরা বলি এক্সপ্লোরেটরি ডেটা এনালাইসিস অথবা ইডিএ। আমাদের আজকের স্ক্রিপ্ট লোড করি যেটা হচ্ছে first prediction.r আগের মতো ক্লিক করলাম ফাইলে তারপর ওপেন ফাইল তারপর আমরা নতুন স্ক্রিপ্টটা নিয়ে এলাম ওয়ার্কিং ডিরেক্টরি থেকে। শুরুতেই আমাদের দরকার সারভাইভড কলামের একটা সামারি রিপোর্ট। আচ্ছা আমাদের চ্যালেঞ্জটা কি আসলে কারা কারা বেঁচে অথবা মারা গিয়েছিলেন এই ভয়েস থেকে। আমাদের জানতে হবে ট্রেন ডেটা ফ্রেমে সারভাইভড কলামে কতগুলো শূন্য অথবা কতগুলো এক আছে। এটা হলেই তো সামারি রিপোর্ট পাওয়া সম্ভব রাইট? আর এখানেই কিন্তু আর এর মুনশিয়ানা। জাস্ট একটা টেবিল কমান্ড দিলেই কিন্তু সেটা জানা সম্ভব। আমরা যদি সারভাইভ কলামটাকে এক্সেস করতে চাই তাহলে সেটার আগে একটা ডলার সাইন দিতে হবে। আমাদের উত্তর এলো শূন্যতে 549 আর একে 342। এর অর্থ হচ্ছে আমাদের 891 এর মধ্যে 549 জন মারা গিয়েছেন আর 342 জন বেঁচে গিয়েছিলেন। দেখুন এক খোঁচায় টেবিল ফাংশনটা নিয়ে এলো সবকিছু। এর অর্থ হচ্ছে ট্রেন ডেটা ফ্রেমে সারভাইভড কলামে কতজন বেঁচে গিয়েছেন আর কতজন মারা গিয়েছেন সেটা একটা সংখ্যা নিয়ে আসবে টেবুলেশন আকারে। এখন আমাদের একটা অনুপাত দরকার এই দুটো সংখ্যার মধ্যে। সেটা কি করা সম্ভব? অবশ্যই প্রপোরশন টেবিল এটা আরও এক ধাপ উপরে। এই প্রপোরশন টেবিলের কাজটা বেশ মজার। এটা আসলে একটা ফাংশন আরেকটা ফাংশনের পেটে ঢুকিয়ে দিচ্ছে তাদের কাজ বের করার জন্য। ভালো কথা অনুপাতগুলো কিন্তু এলো ভগ্নাংশ হিসেবে। মানে এক যদি আসল সংখ্যাটা হয় তাহলে 0.61% কিন্তু মারা গিয়েছেন। এর মানে হচ্ছে 0.61 আর 0.38 মিলে কিন্তু হচ্ছে এক। এত ঝামেলার কি আছে? গুণ করে দেই 100 দিয়ে। যেটা বোঝা গেল প্রায় 62 শতাংশ মানুষ মারা গিয়েছেন এই টাইটানিক ট্রেনিং ডেটা সেটে। এর অর্থ হচ্ছে আমরা প্যাটার্ন খুঁজে চেষ্টা করছি ট্রেনিং ডেটা সেটে। আর সে কারণে কিন্তু আমরা একই ধরনের প্যাটার্ন এক্সপেক্ট করব টেস্ট ডেটা সেটে। তাহলে আসছেন তো সামনের ভিডিওতে। |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | ওয়ার্কিং ডিরেক্টরিডেটাসেট কোথায় রাখলে ভালো গিটহাব কেন.mp3 | আমার মনে হয় আমরা বেশ ভালো এগিয়েছি। আর এবং আর স্টুডিও দুটোই ইন্সটলেশন শেষ। চালু করি আর স্টুডিও। গতবার আর স্টুডিওর চারটা ভাগ নিয়ে কিন্তু আলাপ হয়েছে। এখন আসি আমরা আসলে কি করতে চাই। আমরা প্রেডিক্ট করতে চাই কারা কারা টাইটানিক ভয়েজে বেঁচে গিয়েছিলেন। আমাদের প্রেডিকশনে আমরা যত ধরনের কমান্ড ব্যবহার করেছি সেগুলো কিন্তু আপনাদের সুবিধার্থে আমরা তৈরি করে দিয়েছি স্ক্রিপ্ট ফাইলে। এই কমান্ড গুলোর স্ক্রিপ্ট ফাইলগুলো কিন্তু আমরা রেখে দিয়েছি গিটহাবে এবং সেই গিটহাবের লিংকের প্রতিটা প্রেডিকশনের স্ক্রিপ্ট কিন্তু দেওয়া আছে প্রতিটা আলাদা আলাদা চ্যাপ্টারে। শুরুতেই আমরা ডাউনলোড করে নেই সবগুলো স্ক্রিপ্ট আপনার নিজের কাজের জন্য। যারা কম্পিউটারের ফাইল ম্যানেজমেন্ট নিয়ে কাজ করেন তারা কিন্তু বুঝবেন কোথায় কোন ফোল্ডার ফেলতে হবে। গিটহাব থেকে আমাদের যে ফাইলটা ডাউনলোড হবে সেটা হচ্ছে এমএল ট্রেনিং মাস্টার। গিটহাব থেকে ডাউনলোড করা সবকিছুই কিন্তু চলে আসবে একটা জিপ ফাইলে যেটা একটা ফোল্ডারে এক্সট্রাক্ট করছি এবং আমরা দেখবো সেখানে এমএল ওয়ার্কবুক বলে যে ফোল্ডারটা আছে সেই এমএল ওয়ার্কবুক ফোল্ডারটাই খোঁজার চেষ্টা করব। এখন একটা ভালো প্রশ্ন আসতে পারে যে এমএল ওয়ার্কবুকের যে কন্টেন্টগুলো আছে সেই কন্টেন্টগুলোকে আমরা আমাদের কম্পিউটারের কোন ফোল্ডারে কপি করব যাতে আমাদের সব স্ক্রিপ্টগুলো ঠিকমতো চলতে পারে। আমি ফেসবুক পেইজ এবং ইউটিউব চ্যানেলে যত অভিযোগ পেয়েছি তার বেশিরভাগ সমস্যাই আমি দেখেছি ফোল্ডার রিলেটেড। আর সে কারণে আমি সবাইকে এক পেইসে মানে এক জায়গায় নিয়ে আসার জন্য একটা ফোল্ডার রিকমেন্ড করছি। ফোল্ডারটা হচ্ছে আমাদের উইন্ডোজের ডিফল্ট মাই ডকুমেন্টেশন ফোল্ডার। এর ভেতরে আমরা তৈরি করব ডেটা সেট বলে একটা ফোল্ডার। এর অর্থ হচ্ছে আমরা এখন থেকে যত ডেটা সেট নিয়ে কাজ করব সবগুলো এই ফোল্ডারে রাখবো। আমাদের আজকের ডেটা সেট হচ্ছে টাইটানিক আর সেই কারণে কিন্তু আমরা টাইটানিক বলে আরেকটা ফোল্ডার তৈরি করব এর ভেতরে। ওকে লেটস মেক এ ডিল। আমরা এখন থেকে টাইটানিকের সবকিছুই রাখবো এই ফোল্ডারে। এমএল ওয়ার্কবুকের সব স্ক্রিপ্ট পাশাপাশি ক্যাগলের সব ডেটা সেট টেস্ট এবং ট্রেনিং সব যাবে এই টাইটানিক ফোল্ডারে। আসল কথা হচ্ছে আমাদের মাই ডকুমেন্টস অথবা উইন্ডোজ টেন এর ডকুমেন্টস / ডেটা সেটস / টাইটানিক হচ্ছে আমাদের ওয়ার্কিং ফোল্ডার। আপনি যেকোনো প্রেডিকশন স্ক্রিপ্ট খুললেই বুঝতে পারবেন কেন আমি এই ওয়ার্কিং ডিরেক্টরির কথা বলছি। কারণ আমাকে এই ডেটা সেট টাইটানিক ফোল্ডার থেকে কিন্তু টানতে হবে আমাদের টেস্ট এবং ট্রেনিং ডেটা সেট। আর দেরি নয় আমরা সামনের সপ্তাহে চলে আসছি প্রথম প্রেডিকশন নিয়ে। |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | প্রথম প্রেডিকশন, ডেটা ভিজ্যুয়ালাইজেশন, ক্যাগলে সাবমিশন.mp3 | আমরা প্রথম প্রেডিকশন নিয়ে কিন্তু কাজ করছিলাম গত ভিডিওতে। আমরা জানতে চাচ্ছিলাম টাইটানিক ভয়েজে কারা কারা বেঁচে গিয়েছিলেন। আমাদের টেবিল ফাংশন দিয়ে সারভাইভ কলামে এক্সেস করে কিন্তু দেখিয়েছিলাম কতজন মারা গিয়েছিলেন। এর পাশাপাশি আমরা যেহেতু অনুপাতের গল্প দিচ্ছিলাম সে কারণে কিন্তু এই প্রপোরশন টেবিলটা নিয়ে আসছি এখানে। এর পাশাপাশি এই প্রপোরশন টেবিলে কিন্তু আমরা 100 গুণ দিয়ে কিন্তু পাচ্ছি প্রায় 62 শতাংশ মারা গিয়েছিলেন এই টাইটানিক ভয়েজে। ঠিক ধরেছেন ট্রেনিং ডেটা সেট থেকে। অংকে বুঝলাম 62 শতাংশ কিন্তু ছবিতে কি হবে? আর সে কারণে কিন্তু নিয়ে এলাম ডেটা ভিজুয়ালাইজেশন। তাহলে চলুন তৈরি করে ফেলি বার প্লট। আমরা এই অংকটাকেই কিন্তু ছবি হিসেবে দেখাতে চাচ্ছি যে কত শতাংশ মানুষ মারা গিয়েছেন। ছবির বার প্লটে বোঝা যাচ্ছে যে আসলে বেশিরভাগ মানুষই কিন্তু মারা গেছেন। তাহলে চলুন আমরা একটা হাইপোথিসিস করি। ধরে নিলাম যে সবাই মারা গেছেন। এখন আমি দেখতে চাই যে এই প্রেডিকশনটা কিভাবে কাজ করতে পারে ক্যাগোলে। সবাই মারা যাওয়ার ব্যাপারটা হচ্ছে এটা সবচেয়ে খারাপ প্রোবাবিলিটি হিসেবে আমরা ধরতে পারি। আমাদের এই লার্নিং এ আমরা আসলে জানতে চাই সবচেয়ে খারাপ হাইপোথিসিস কিভাবে আমাদের একটা বাজে একিউরেসি দিতে পারে। পৃথিবীর প্রায় সবকিছুই কিন্তু আমরা টেস্ট এন্ড ট্রায়াল করতে চাই আর এই ধারণা থেকে আমরাও কিন্তু বাইরে থাকতে চাই না। চলুন আমাদের নতুন টেস্ট এন্ড ট্রায়াল মানে আমরা ধরে নিচ্ছি সবাই মারা গেছে আমাদের এই টেস্ট সেটে। চলুন আপনাকে একটু দেখিয়ে নিয়ে আসি আমাদের সাবমিশন ফাইলটা কিরকম হতে পারে। আপনি কি টেস্ট ডেটা সেটটা দেখেছেন অথবা টেস্ট ডেটা ফ্রেমটা? এখানে কিন্তু সারভাইভড কলামটা নেই। আমাদের সাবমিশন ফাইল তৈরি করার জন্য আমরা চলে যাই ক্যাগোলের ডেটা সেটে। উদাহরণ হিসেবে আমরা কিন্তু এখানে জেন্ডার সাবমিশন ফাইলটা একটু খুলে দেখি। জেন্ডার সাবমিশনে কিন্তু দুটো কলাম আছে। প্রথমটা প্যাসেঞ্জার আইডি আর তারপরে কিন্তু আছে সারভাইভড কলামটা। মানে আমাদেরকে এভাবেই কিন্তু সাবমিশন করতে হবে এবং আমাদের সাবমিশন ফাইলটা কিন্তু এই ধরনেরই একটা কিছু হতে হবে। তাহলে আমাদের সাবমিশন ফাইলটা আমরা দুভাবে করতে পারি এই মুহূর্তে। এক্সেলে আমাদের এই সারভাইভড কলামটাকে সবগুলোতে শূন্য দিয়ে ভরে দিতে পারি। আমাদের টেস্ট ডেটা সেটে কিন্তু কলাম আছে 418 টা। আর সেখানে কিন্তু আমাদের প্যাসেঞ্জার আইডি শুরু হয়েছে কিন্তু 892 থেকে। কারণ 891 পর্যন্ত কিন্তু ছিল ট্রেনিং ডেটা সেটে। এখানে দেখছি 1909 পর্যন্ত আছে আমাদের প্যাসেঞ্জার আইডি। আমাদের আর প্রোগ্রামিং এনভারমেন্ট দিয়ে যদি আমরা এই পুরো সাবমিশন ফাইলটা তৈরি করি তাহলে কিন্তু এই কমান্ডটা আমরা ব্যবহার করতে পারি। ঠিক ধরেছেন আমরা জিরোকে রিপিট করছি 418 বার। আপনি তো দেখলেন যে প্যাসেঞ্জার আইডি এবং সারভাইভড কলাম কিন্তু দুটোই কিন্তু হেডার রো মানে প্রথম সারি। আমরা এখানে তৈরি করছি প্রেডিকশন ওয়ান বলে একটা ডেটা ফ্রেম। এর সঙ্গে থাকছে প্যাসেঞ্জার আইডি এবং সারভাইভ বলে কলামটা। আর এই সারভাইভ কলামে কিন্তু সব জিরো দিয়ে পূর্ণ করা। ডেটা ডট ফ্রেম বলে এই ফাংশনটাই কিন্তু তৈরি করে দিচ্ছে আমাদের এই নতুন ডেটা ফ্রেম। এখন এই ডেটা ফ্রেমটাকে তো কোথাও আমাদেরকে রাইট করতে হবে আর সে কারণে কিন্তু আমরা ডেকে নিয়ে আসছি রাইট ডট সিএসভি ফাংশনকে। এই ফাইলটার একটা নাম দিলাম first prediction.csv আর এখানে কিন্তু কোন রো সংখ্যা থাকছে না। কারণ আমরা কিন্তু আমাদের সাবমিশন ফাইলে দেখেছি সেখানে কিন্তু কোন রো সংখ্যা ছিল না। এই মুহূর্তে তৈরি হয়ে গেল আমাদের প্রথম সাবমিশন ফাইলটা। ফাইলের নাম হচ্ছে first prediction.csv এটা কিন্তু সেভ হয়ে আছে আমাদের সেই একই ওয়ার্কিং ডিরেক্টরিতে। এখন ক্যাগোলের সাবমিশনের পালা। চলে এলাম ক্যাগোল সাইটে মানে আমাদের টাইটানিক ক্যাগোল সাইটে। ক্লিক করি সাবমিট প্রেডিকশনে। এখানে স্টেপ ওয়ান হচ্ছে আপলোড সাবমিশন ফাইল। আমরা আপলোড করে দিলাম আমাদের first prediction.csv ফাইলটা। ফাইলটা আপলোড করার আগে দেখে নিতে ভুলবেন না। ফাইলটা ঠিকমতো আপলোড হয়ে গেলে আপনি চাপ দিন সাবমিশনে। মেক সাবমিশনে চাপ দিয়ে আমরা অপেক্ষা করি কিছুক্ষণ। ক্যাগোলের মেশিন লার্নিং ক্রাঞ্চিং সার্ভারগুলোকে একটু সময় দিন। 10 সেকেন্ডের মধ্যে কিন্তু আমরা পেয়ে যাব আমাদের উত্তর। উত্তরটা কিন্তু কিছুই না একটা শতকরা অনুপাত যেটাকে আমরা বলছি একিউরেসি। কি হলো আজকের রেজাল্ট? বলবেন কি? আপনি কি লক্ষ্য করেছেন এই রেজাল্টটার সাথে কিন্তু মিল আছে অন্য কোথাও? আমরা কি একটু দেখবো আমাদের প্রথম প্যাসেঞ্জার আইডির সাথে আসল মানুষটার সম্পর্ক? সামনে আসছি নতুন ভিডিও নিয়ে। |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | মেশিন লার্নিং কী কেন রুল বেসড প্রোগ্রাম চলবে না.mp3 | মেশিন লার্নিং ব্যাপারটা জানার আগে আমরা একটু ধারণা করি আমরা আসলে কেন কম্পিউটার ব্যবহার করি। ঠিক ধরেছেন, আমরা আসলে কম্পিউটার ব্যবহার করি আমাদের প্রসেস অটোমেট করার জন্য। আর সে কারণে আমরা কম্পিউটারে কিছু প্রোগ্রাম লিখি যেগুলো আসলে আমাদের কাজগুলো করে দেয়। আর এই প্রোগ্রামগুলো কিন্তু এক ধরনের অটোমেশন। তো এই প্রোগ্রামগুলো কে করে দেয়? অবশ্যই মানুষ। আমাদের কম্পিউটারে যে প্রোগ্রামগুলো থাকে সেগুলো কিছুটা রুল বেইজড। মানে কিছুটা ইফ এলস এর মত মানে এটা হলে ওটা হবে এবার ওটা হলে ওটা হতে হবে। এখন কম্পিউটারকে কিন্তু সেই জিনিসগুলো শেখাচ্ছে মানুষ। মানে মানুষ জানে কোন জিনিস হলে কি করতে হবে। এখন মেশিন লার্নিং এর কথায় আসি। সেখানে যদি আমরা মানুষকে বাদ দেই আর মানুষের জায়গায় যদি আমরা ডেটাকে ব্যবহার করি, ঠিক ধরেছেন এই ডেটাই কিন্তু মেশিন লার্নিং এর কাঁচামাল। মানে মানুষের জায়গায় ডেটাই এই ইনপুটগুলো দিয়ে দেবে। একটা সেলফ ড্রাইভিং কারের কনসেপ্ট বলি। এখন সেলফ ড্রাইভিং কারগুলো কিভাবে কাজ করছে? মানুষ যখন রাস্তা দিয়ে গাড়ি চালান তখন কিন্তু সেই ড্রাইভিং এর অংশগুলোকে আমরা ট্রেনিং ডেটা হিসেবে যদি ব্যবহার করি এবং সেগুলোকে যদি আমরা মেশিনকে শিখাই তাহলে কিন্তু সেই জিনিসটা একটা গাড়িকে চালাতে পারবে। আমরা কোন গাড়িকে কিন্তু কোন রুল সেট দিয়ে চালাতে পারবো না কারণ অনেক কিছুই আছে যেটা সেই গাড়ির কাছে অজানা থাকবে। আর সে কারণে কিন্তু মেশিন লার্নিং মানে ডেটা থেকে সে প্রজ্ঞাটা নিয়ে নিবে। মনে আছে প্রফেসর এন্ড্রু ইয়ানের কথা যিনি স্ট্যানফোর্ডের সেই বিখ্যাত অনলাইন কোর্সটা তৈরি করেছিলেন? সেই অনলাইন কোর্সে একটা হেলিকপ্টার উড়ানোর নিয়ে কিন্তু একটা কথা বলেছিলেন। ভিডিওর শুরুতে দেখা গেল যে একটা হেলিকপ্টার উড়ছে কিন্তু পাগলের মত। বাট দেখা গেল আস্তে আস্তে হেলিকপ্টারটা কিন্তু স্ট্যাবিলিটি পাচ্ছে। তার মানে মেশিন লার্নিং আস্তে আস্তে শিখছে এবং উড়ানোর মাধ্যমে কিন্তু সে নিজেকে কারেকশন দিচ্ছেন এবং সেই এরর কারেকশনেই কিন্তু হেলিকপ্টারটা ভালোভাবে উড়ছে। এতে বোঝা গেল যে আমরা হিউম্যান মানে মানুষ যদি প্রোগ্রামিং করে দিতাম হেলিকপ্টারকে ঠিকমতো উড়ানোর জন্য সে কিন্তু হয়তোবা কিছুটা উড়তে পারতো। কিন্তু সে যেহেতু নিজে শিখছে উড়তে উড়তে তখন কিন্তু সে তার স্ট্যাবিলিটি পাচ্ছে যেটা আসলে মানুষ নিজের প্রোগ্রামিং দিয়ে তাকে উড়াতে পারতো না। মেশিন লার্নিং এ বেশ কয়েকটা ভাগ আছে তবে আমরা ধারণা করি সুপারভাইজড লার্নিং কিন্তু সবচেয়ে বেশি ব্যবহার হয় আমাদের কাজে। আর সে কারণে কিন্তু এই বইটাতে সুপারভাইজড লার্নিং এর একটা অংশ নিয়ে এসেছি আমরা। এরপরের ভিডিওতে আমরা আলাপ করব ক্যাগল কি আর কেনই বা ক্যাগল আমাদের জন্য দরকার বিশেষ করে মেশিন লার্নিং শেখার জন্য। আজকে এ পর্যন্তই থাকছেন তো সামনের ভিডিওতে? |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | ৩য় প্রেডিকশন, (এগ্রিগেট) কোন টিকেট গ্রুপের মহিলারা বেঁচে গিয়েছিলেন বেশি.mp3 | আচ্ছা বলুন তো, তৃতীয় প্রেডিকশন ফাইল নিয়ে আমি এত দৌড়াদৌড়ি করছি কেন? কারণ মেশিন ডেটা থেকে যা শিখবে আমি চাচ্ছি সেটা আপনি নিজে মানে হিউম্যান হিসেবে সেটাকে চোখে দেখে নিতে। এগ্রিগেটের প্রথম যে ফাংশনটা নিয়ে কাজ করছিলাম সেটাকে আমরা বলেছিলাম সাম মানে সামেশন মানে যোগফল। সারভাইভড কলামের প্রতিটা এক এর যোগফল। তারমানে মোট বেঁচে যাওয়ার মানুষের যোগফল। দ্বিতীয় এগ্রিগেটর কমান্ডে আমরা আলোচনা করেছিলাম তাদের ফাংশনটা হচ্ছে লেন্থে। মানে আমরা আসলে চাচ্ছিলাম ওই সারভাইভড ভেরিয়েবলে মোট কতটা রেকর্ড আছে। তারমানে হচ্ছে গিয়ে পুরোপুরি ওই যাত্রায় কারা কারা ট্রাভেল করছিলেন ওই সময়ে। এখন এগ্রিগেটের দুটো অংশ। একটা হচ্ছে সাম আর একটা হচ্ছে লেন্থ। এই দুটোকে আমরা একটু দেখি পাশাপাশি। আমরা যদি দুটোরই এক নাম্বার সিরিয়ালটা দেখি তাহলে দেখবো আমরা হচ্ছে তাদের ফেয়ার হচ্ছে 20 থেকে 30 ডলারের মধ্যে। প্যাসেঞ্জার ক্লাস হচ্ছে ফার্স্ট ক্লাস, ফিমেল এবং সারভাইভড হচ্ছে ফাইভ। আর সেখানে কিন্তু আপনার লেন্থে ফেয়ার একই মানে 20 থেকে 30 ডলারের মধ্যে। প্যাসেঞ্জার ক্লাস ফার্স্ট, ফিমেল এবং সেখানে সারভাইভড সিক্স দেখিয়েছে। মানে হচ্ছে টোটাল সংখ্যা। এর অর্থ হচ্ছে যারা 20 থেকে 30 ডলার খরচ করে টিকিট কেটেছে এবং ফার্স্ট ক্লাস টিকিট কেটেছেন এবং মহিলা যদি হন তাদের মধ্যে মোট যাত্রী ছিলেন ছয়জন। আর এই ছয়জনের মধ্যেই কিন্তু পাঁচজনই বেঁচে গিয়েছিলেন। এখন আমরা দুই নাম্বার সিরিয়াল নিয়ে আলাপ করি। এখানে যারা 30 ডলারের বেশি ডলার দিয়ে টিকিট কেটেছিলেন ফার্স্ট ক্লাস মহিলা তাদের মধ্যে কিন্তু টোটাল যাত্রী ছিলেন 88 এবং বেঁচে গিয়েছিলেন 86 জন। মোট যাত্রীর সংখ্যা আর বেঁচে যাওয়ার সংখ্যা এটা পেলেই কিন্তু আমাদের অনুপাত বের করতে সুবিধা হবে। আর সে কারণে কিন্তু আমরা নিয়ে এলাম পরের কমান্ডটা যেটা হচ্ছে অনুপাতের কমান্ড। মানে আমরা একচুয়ালি একটা ফাংশন নিয়ে এলাম যেখানে আমাদের সামকে লেন্থ দিয়ে ভাগ করে তার অনুপাতটা পাওয়া যায়। ভালো কথা অনুপাত পেলাম। এখন এটাকে 100 দিয়ে গুণ দিয়ে আমরা শতকরায় দেখতে চাই। এই এগ্রিগেট কমান্ডে আমরা দেখাতে চাইবো যে আসলে ডেটা কিভাবে কথা বলে। আমরা ডেটার ভেতরের হাঁড়ির খবর নিয়ে আপনাকে জানাচ্ছি। চলে আসি দুই নাম্বার সিরিয়ালে। মনে রাখবেন এখানে তিনটা ক্লজ। এক নাম্বার যারা 30 ডলারের বেশি টাকা দিয়ে টিকিট কেটেছিলেন। দুই নাম্বার যারা ফার্স্ট ক্লাস প্যাসেঞ্জার ছিলেন। তিন নাম্বার তাদের মধ্যে যারা মহিলা ছিলেন। এই তিন ক্লজ সাপোর্ট করে এই গ্রুপটার বেঁচে থাকার সম্ভাবনা হচ্ছে 97.72 পার্সেন্টেজ। এর অর্থ হচ্ছে আমরা ধরে নিয়েছি যে উনারা বেঁচে গিয়েছিলেন। পাঁচ নাম্বার সিরিয়াল একই। যারা 30 ডলারের বেশি টাকা খরচ করে টিকিটটা কিনেছিলেন এবং যারা সেকেন্ড ক্লাস প্যাসেঞ্জার ছিলেন এবং তাদের মধ্যে যারা মহিলা ছিলেন ওই গ্রুপের বেঁচে যাওয়ার সম্ভাবনা শতভাগ। মানে উনারা 100 শতাংশ বেঁচে গিয়েছিলেন। এখন আসি আট নাম্বার সিরিয়ালে। যারা টিকিট কেটেছিলেন 20 থেকে 30 ডলারের মধ্যে থার্ড ক্লাস প্যাসেঞ্জার এবং সেই গ্রুপের মহিলারা বেঁচে গিয়েছিলেন মাত্র 33 শতাংশ। এরপর নয় নাম্বার সিরিয়াল দেখুন। যাদের টিকিটের দাম ছিল 30 ডলারের বেশি থার্ড ক্লাস প্যাসেঞ্জার এবং মহিলা তাদের মধ্যে বেঁচে গিয়েছিলেন 12.5 শতাংশ। আমরা এতক্ষণ কিন্তু আলাপ করেছি শুধু মহিলা নিয়ে। যেহেতু এই যাত্রায় মহিলারা বেঁচে গিয়েছিলেন বেশি এ কারণে কিন্তু মহিলাদের একটা বেঁচে যাওয়ার সম্ভাবনাগুলো নিয়ে আলাপ করলাম। আপনি 10 থেকে 20 সিরিয়ালের পুরুষ যাত্রীদের বেঁচে যাবার রেকর্ড কিন্তু আরও খারাপ। আমরা টিকিটের দামের যে সাবসেট তৈরি করলাম সেই সাবসেট কিভাবে মানুষের মৃত্যুর সাথে সম্পর্ক আছে সেটাই দেখাতে চাইলাম এখানে। আমি চাইছি আপনি ডেটা নিয়ে খোঁজাখুঁজি করুন। তাহলে কিন্তু এই ডেটা থেকে আপনি অনেক ধরনের ইন্টারনাল ধারণা পাবেন এর ভেতরেই। থাকছেন তো সামনে? |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | ডেটা ডিকশনারি কী কি ভ্যারিয়েবলফীচার আছে এখানে.mp3 | ধারণা করছি, ট্রেন এবং টেস্ট ডেটা সেট দুটোই নামিয়ে নিয়েছেন ক্যাগল সাইট থেকে। আমাদের ক্যাগল সাইটে এই ডেটা ডিকশনারি নিয়ে কিন্তু বেশ কিছু জিনিস বলা আছে। আপনারা কি দেখেছেন? আমার ধারণা ইতিমধ্যে আপনারা ট্রেন এবং টেস্ট ডেটা সেট দুটোই কিন্তু খুলে দেখেছেন। ধরা যাক, ট্রেন ডেটা সেট। এখানে কিন্তু 13 টা কলাম আছে। 13 টা কলাম মানে হচ্ছে 13 টা ভেরিয়েবল। মেশিন লার্নিং এর ভাষায় আমরা এগুলোকে ফিচার বলতে পারি। এখন প্রশ্ন হচ্ছে ভেরিয়েবল গুলো তো একটা নাম হিসেবে দেওয়া আছে কিন্তু এটার মানে কি? আর এটার ভ্যালু কি কি হতে পারে? চলুন তাহলে আমাদের ভেরিয়েবল গুলো আসলে কি বুঝাতে চাচ্ছে সেটাই আমরা জেনে নেই। আমি আপনাকে একটু মনে করিয়ে দিতে চাই, আমরা কিন্তু train.csv ফাইলটাকে দেখছি। এর মধ্যে আপনারা বুঝে গেছেন train.csv আর test.csv এর মধ্যে একটা মাত্র কলাম পরিবর্তিত আছে। বাকি সব কলাম কিন্তু এক। প্রথম ভেরিয়েবলটা হচ্ছে প্যাসেঞ্জার আইডি। আমাদের প্রতিটা প্যাসেঞ্জারকে আলাদাভাবে আইডেন্টিফাই করার জন্য একটা করে আইডি দেওয়া হয়েছে। আমাদের এই train.csv ফাইলে কিন্তু এক থেকে 891 টা রেকর্ড আছে। আর সে কারণে কিন্তু প্যাসেঞ্জার আইডি এক থেকে 891 পর্যন্ত দেওয়া হয়েছে এখানে। এটা কিন্তু আমরা দেইনি, এটা কিন্তু আমরা ক্যাগল থেকেই পেয়েছি এভাবে। পরেরটা কিন্তু সারভাইভড কলাম। মানে উনি বেঁচে গিয়েছেন না মারা গিয়েছেন সেটাই কিন্তু এখানে জানা গেছে। জিরো মানে হচ্ছে উনি মারা গিয়েছেন আর ওয়ান মানে হচ্ছে উনি আসলে বেঁচে গিয়েছেন। পি ক্লাস মানে প্যাসেঞ্জার ক্লাস। আসলে উনি কোন ক্লাসে ছিলেন? আমাদের এই টাইটানিক ভয়েজে দেখছিলাম ফার্স্ট ক্লাস, সেকেন্ড ক্লাস আর থার্ড ক্লাস। টিকিট নাম্বারের পাশাপাশি কিন্তু আমরা দেখছিলাম তাদের ক্লাসের সংখ্যাগুলো। সেক্স মানে উনি মহিলা না পুরুষ সেটাই কিন্তু এখানে বলা হয়েছে। এইজ মানে বয়স। নিউমেরিক ফিগারে দেওয়া আছে এবং আমরা দেখছি এখানে অনেক অনেক বয়স মিসিং। আর সে কারণে কিন্তু আমাদের একটা বড় চ্যালেঞ্জ হচ্ছে এই বয়সগুলোকে আমরা রিক্রিয়েট করব। ওমা, আমরা তো মেশিন লার্নিং শিখছি। আমাদের তো এগুলোই করতে হবে। পরের ভেরিয়েবলটা হচ্ছে সিবিএসপি। সিবলিং স্পাউস। মানে আমাদের প্যাসেঞ্জারের সাথে উনার স্পাউস বা উনার সিবলিংস কি ট্রাভেল করছেন কিনা সেটার সংখ্যা কিন্তু আমরা দেখছি এখানে। আমরা এখানে যেটা বলতে চাচ্ছি প্যাসেঞ্জারের সাথে তার স্ত্রী অথবা তার ভাই বোন যদি থাকে তাদের সংখ্যা। সেভাবে আরেকটা ভেরিয়েবল আমরা দেখছি পার্চ। প্যারেন্টস এন্ড চিলড্রেন। এরপরের ভেরিয়েবল হচ্ছে টিকিট। মানে টিকিট নাম্বার এবং আমরা কিন্তু একটা জিনিস দেখব টিকিট নাম্বার ধরে কিভাবে সবগুলোর কেবিন ট্র্যাক করা যায় এবং কেবিনগুলো কিভাবে মানুষের বাঁচা-মরাকে ইনফ্লুয়েন্স করতে পারে সেটা কিন্তু আমরা দেখব আমাদের ফিচার ইঞ্জিনিয়ারিং এ। টাইটানিক যাত্রীর ভাড়া নিয়ে যে ভেরিয়েবলটা আমরা দেখছি সেটা হচ্ছে ফেয়ার এবং এক্সপ্লোরেটরি ডেটা এনালাইসিসে দেখব যে আসলে যারা বেশি দামে টিকিট কিনেছেন তাদের পরিণতি দেখেছি একটু অন্যরকম। টাইটানিকের প্যাসেঞ্জারের কেবিন নাম্বার এসছে কেবিন ভেরিয়েবলে। সবশেষের ভেরিয়েবল হিসেবে আমরা দেখছি এমবার্কড। মানে আমাদের প্যাসেঞ্জার কোন পোর্ট থেকে উঠেছেন। আমার সবশেষ অনুরোধ থাকবে এই সবগুলো ভেরিয়েবল গুলোকে একটু চোখ বুলিয়ে রাখার জন্য। কারণ এতগুলো ভেরিয়েবল গুলোর মধ্যে কোনগুলো আসলে খুবই ইম্পর্টেন্ট মানে ইনফ্লুয়েন্স করবে তার সারভাইভিলিটির উপরে। কারণ উনি বেঁচে যাবেন নাকি মারা যাবেন সেটাই কিন্তু প্রেডিকশন আসবে এখানে। আমরা যদি আমাদের এই ভেরিয়েবল গুলোকে ঠিকমতো আত্মস্থ করতে পারি তাহলে কিন্তু সামনে আর স্টুডিওতে জাম্প করা কোন সমস্যাই না। থাকছেন তো সামনের ভিডিওতে? |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | ৫ম প্রেডিকশন, ফীচার ইঞ্জিনিয়ারিং, কেন দরকার টেস্ট+ট্রেনিং ডেটাফ্রেম যোগ.mp3 | মেশিন লার্নিং মডেলের একটা বড় পার্ট হচ্ছে তার ডেটা সেটটাকে ঠিকমতো বুঝতে পারা। আচ্ছা, মেশিন লার্নিং মডেল বাদ, একটা মানুষ কিভাবে আসলে একটা ডেটা সেটকে ঠিকমতো বুঝতে পারবে? অবশ্যই ওই ডেটা সেটের বিভিন্ন ভেরিয়েবলগুলোকে দেখে। আমরা এতদিন এই ডেটা সেটের 12 টা ভেরিয়েবল নিয়ে কাজ করেছি কিন্তু তবুও আমরা দেখলাম যে 12 টা ভেরিয়েবল দিয়েও কিন্তু আমরা প্রপার একুরেসি করতে পারছি না। এর অর্থ হচ্ছে আমাদের মেশিন লার্নিং মডেল এই 12 টা ভেরিয়েবল দিয়ে কিন্তু কাজ করতে পারছে না। তাকে কিন্তু আরো কিছু নলেজ দিতে হবে। কিভাবে আমরা সেই নলেজটাকে দেব? অবশ্যই ফিচার ইঞ্জিনিয়ারিং। তার মানে হচ্ছে গিয়ে আমরা মানুষ হিসেবে এই ডেটা সেটে কিভাবে কাজ করতাম সেটার বেশ কিছু ধারণা কিন্তু এই ডেটা সেটকে আমরা আমাদের মডেলের জন্য তৈরি করে দিতে হবে। এই যে দেখুন আমরা যে এক্সপ্লোরেটরি ডেটা এনালাইসিস করলাম সেখানে কিন্তু আমরা দেখলাম যে মহিলা এবং বাচ্চারা বেঁচেছে বেশি। তার মানে হচ্ছে গিয়ে এখানে মহিলা এবং বাচ্চাদের মধ্যে কিন্তু একটা কানেকশন আছে। মানে মহিলা এবং বাচ্চাদের মধ্যে কানেকশনটা কিরকম হতে পারে? অবশ্যই মা, ছেলে অথবা মেয়ে। পাশাপাশি এই মা এবং বাচ্চাদের মধ্যে এই কানেকশনটা বের করার আসলে দরকার আছে কিনা? অবশ্যই মা এবং সন্তানের মধ্যে যে একটা সম্পর্ক সেটা তো আর মেশিন জানে না। আমাদেরকে জানাতে হবে মেশিনকে। একজন মা কিন্তু চাইবেন না তার সন্তানকে ফেলে লাইফ বোটে উঠতে। এদিকে বাচ্চাও কিন্তু চাইবে তার মাকে খুঁজে বের করতে। এর অর্থ হচ্ছে মা এবং সন্তানের মধ্যে কিন্তু যে সম্পর্কটা আছে সেটা আমরা মেশিন লার্নিং মডেলকে বোঝানোর চেষ্টা করব। এটাই হচ্ছে ফিচার ইঞ্জিনিয়ারিং। মানে এর মধ্যে বিভিন্ন সম্পর্কগুলো যে আসলে একটা মানুষের মৃত্যুর প্রেডিক্টর হতে পারে সেটাও কিন্তু আমরা দেখছি এখানে। আমরা খালি চোখে দেখতে পাচ্ছি যে এখানে মা এবং সন্তান বলে কিন্তু কোন আলাদা কোন ফিচার নেই। মানে আলাদা কোন ভেরিয়েবল নেই। তাহলে মেশিনকে মানে মডেলকে বোঝানোর জন্য আমাদের মত হিউম্যানদেরকে যেভাবে মা এবং সন্তানকে যেভাবে তারা আলাদাভাবে ভেরিয়েবল হিসেবে তৈরি করে দেওয়া যায় তাহলে কিন্তু আমাদের এই মেশিন লার্নিং মডেলের জন্য কিন্তু এটা বুঝতে আরো সুবিধা হবে। এ ধরনের আরো অনেকগুলো ফিচার আমরা তৈরি করব যার মাধ্যমে মেশিনকে আরো ভালোভাবে বোঝাতে পারব যে এই ডেটা সেটের মধ্যে কি ধরনের ইনসাইট আছে। একটা জিনিস লক্ষ্য করুন আমাদের ট্রেনিং এবং টেস্ট ডেটা সেটে দুটোতেই কিন্তু ফিচারের সংখ্যা এক। একটাতে টার্গেট ভেরিয়েবল আছে আরেকটাতে নেই। আর আমরা যেহেতু পুরো ডেটা সেট নিয়ে কাজ করব তাহলে এই দুটো ডেটা সেটকে একসাথে আনলে কি ভালো হয় না? এখন আমাদের দুটো ডেটা সেটকে যদি একসাথে যোগ করতে চাই তাহলে কিন্তু দুটো ডেটা সেটেরই কিন্তু কলাম সংখ্যা মানে ভেরিয়েবল সংখ্যা আমাদের এক করতে হবে। মানে হচ্ছে আমাদের টেস্ট ডেটা সেটে কিন্তু সারভাইভ কলামটা নেই। এখন আমাদের সারভাইভ বলে নতুন একটা কলাম আমাদের টেস্ট ডেটা সেটে যোগ করে দিতে হবে আর তার ভ্যালু হবে নট এভেলেবেল। আর বাইন্ড দিয়ে ট্রেন এবং টেস্ট দুটো ডেটা ফ্রেমকে আমরা কানেক্ট করে দিচ্ছি কম্বাইন আন্ডারস্কোর সেট বলে নতুন একটা ডেটা ফ্রেমে। আমরা কি একটু দেখে নেব আমাদের কম্বাইন আন্ডারস্কোর সেট বলে যে ডেটা ফ্রেমটা তৈরি করেছি সেটা একটু উপর থেকে নিচ পর্যন্ত পুরো ডেটা ফ্রেমটাকে একবার দেখা। আজকে এ পর্যন্তই থাকছেন তো সামনে? |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | ৪র্থ প্রেডিকশন, ডিসিশন ট্রি, সিদ্ধান্ত নেবার গাছপালা.mp3 | আমার অনেক ভালো লাগছে কারণ আপনারা আমার সাথে কিন্তু প্রেডিকশন গুলো করছেন। একটা জিনিস বলে রাখা ভালো আমরা এক থেকে তিন পর্যন্ত যতগুলো প্রেডিকশন করলাম তার মধ্যে কিন্তু মেশিন লার্নিং নেই। এখানে আমরা ডেটার ভেতরে ঢুকে একটু ধারণা পাওয়ার চেষ্টা করছিলাম যে কিভাবে ডেটার প্যাটার্নটা পাওয়া যায়। আর এই ডেটার প্যাটার্ন থেকে কিন্তু আমরা বিভিন্ন ধরনের ধারণার মাধ্যমে কিন্তু প্রেডিকশন গুলো করেছি। আমাদের টাইটানিক প্রজেক্টের কে কে বেঁচে যাবেন সেই প্রশ্নের উত্তরে কিন্তু আমরা ব্যবহার করছি বেশ কিছু জিনিস তবে আমরা শুরু করব ডিসিশন ট্রি লার্নিং। আচ্ছা বেশি গল্প না দিয়ে আমরা চলে যাই ছোটবেলার একটা গল্পে। টিভিতে চ্যানেল সিক্স আর চ্যানেল নাইন নিয়ে কিন্তু আমাদের কাটতো ছোটবেলার সময়। সাদাকালো টিভি তবে এটা ভাল্ব সিস্টেম ছিল। ফলে টিভি চালু হতেই কিন্তু সময় নিত অনেকখানি সময়। মাঝেমধ্যে কার্টুনের ধুমধাম শব্দ হচ্ছে কিন্তু কোন ছবি নেই। আবার অনেক সময় টিভি চালু শব্দ নেই ছবি নেই। সময় তো আর নষ্ট করা যায় না বের করো ম্যানুয়াল। মনে আছে তো ম্যানুয়ালের শেষ কয়েকটা পাতা থাকতো কিন্তু ট্রাবলশুটিং। ট্রাবলশুটিং গুলো কিন্তু শুরু হতো কিন্তু একটার পর একটা প্রশ্ন দিয়ে। শুরুর প্রশ্নটা সাধারণত এরকম হয় যে ছবি ক্লিয়ার পাচ্ছেন কিনা। যেকোনো প্রশ্নের উত্তরের মধ্যে কিন্তু সেখানে দুটো অপশন থাকতে পারে হ্যাঁ অথবা না। যদি টিভির ছবি ক্লিয়ার পান তাহলে এরপরের সমস্যা আসতে পারে যে আপনি শব্দ ঠিকমতো পাচ্ছেন কিনা। এর অর্থ হচ্ছে প্রথম প্রশ্নের উত্তর যদি হ্যাঁ হয় তাহলে এরপরের সমস্যাটা আপনাকে প্রশ্ন করা হবে। আর পিকচার ক্লিয়ার পাবার সাথে সাথে যদি আমরা শব্দ যদি ঠিকমতো পাই তাহলে কিন্তু সব হ্যাঁ হ্যাঁ হয়ে যাচ্ছে। তার মানে আমাদের আসলে কোন সমস্যা নেই। তবে যদি আমি শব্দ ঠিকমতো না পেতাম তাহলে কিন্তু আমাকে বলা হতো চেক মিউট বাটন। ইজ দেয়ার এনি সাউন্ড এটা নো হলেই কিন্তু আমরা বলতাম চেক মিউট বাটন। আমাদের সিদ্ধান্তের গাছপালা মানে হচ্ছে ডিসিশন ট্রি ডানপাশের সবকিছু কিন্তু আমার দেখা শেষ। যদি আমাদের ছবিটা ক্লিয়ার না হতো তাহলে কি করতাম? অবশ্যই চলে যেতাম না এন্ডে। আচ্ছা ছবি যদি ক্লিয়ার না হয় তাহলে তারপরের প্রশ্ন কি হতে পারে? ঠিক ধরেছেন তারপরের প্রশ্নটা হচ্ছে স্ক্রিনটা কি ব্ল্যাঙ্ক কিনা। স্ক্রিন যদি ব্ল্যাঙ্ক না হয় তাহলে আমার কিন্তু আর কোন সমস্যা নেই। স্ক্রিন ব্ল্যাঙ্ক না হওয়ার কারণে কিন্তু আমি নো দিয়ে বের হয়ে চলে যাচ্ছি। যদি স্ক্রিন ব্ল্যাঙ্ক হয় মানে ইয়েস তাহলে কিন্তু তারপরের প্রশ্নে চলে আসবে ইজ দেয়ার সাউন্ড মানে শব্দ আছে কিনা। পাশাপাশি শব্দ থাকলে কিন্তু আমি ইয়েস লুপ দিয়ে বের হয়ে গেলাম মানে আমার আর কাজ করার নেই যেহেতু সমস্যাও নেই। আবার যদি শব্দও না থাকে তাহলে কিন্তু আমাকে বলা হচ্ছে চেক পাওয়ার কর্ড মানে আসলে আমরা কোন পাওয়ার কর্ড কানেক্ট করিনি। এর অর্থ হচ্ছে যদি ছবিও না থাকে আর শব্দও যদি না থাকে তার মানে হচ্ছে গিয়ে আমরা পাওয়ার কর্ড কানেক্ট করিনি। এভাবেই কিন্তু আমরা আমাদের সমস্যাগুলোকে এলিমিনেট করে আমাদের সমস্যার সমাধান করতে চাচ্ছি। এই যে গাছের মত একটা ছবি দেখলাম এটাই কিন্তু আমাদের ডিসিশন ট্রি। আমরা একই ধরনের কিন্তু কাজ করব আমাদের টাইটানিক প্রজেক্টে একিউরেসি বাড়ানোর জন্য। আমাদের গুরুত্বপূর্ণ ভেরিয়েবল গুলোকে কিন্তু এরভাবেই প্রশ্ন করতে করতে কিন্তু আমরা নামবো নিচে একদম লিফে। এখানে লিফটা হচ্ছে একদম শেষ প্রান্ত। আমাদের এই ডিসিশনটিতে প্রথমে আসবে কিন্তু বড় বড় সিদ্ধান্ত। তারপরে কিন্তু আসবে মাঝারি ধরনের সিদ্ধান্ত আর সবচেয়ে শেষে আসবে ছোট ছোট ন্যারো ডাউন করার সিদ্ধান্ত। আমাদের ডিসিশন ট্রিকে প্রপারলি নেভিগেট করতে করতেই কিন্তু আমরা পেয়ে যাব আমাদের আসল সিদ্ধান্ত মানে উত্তর। থাকছেন তো সামনে? |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | ‘ক্যাগল’ কেন ডেটা সায়েন্টিস্টদের এক নম্বর ডেস্টিনেশন.mp3 | ক্যাগল নিয়ে একটু ধারণা দিয়েছিলাম এর আগের ভিডিওতে। অবশ্যই ক্যাগল একটা মেশিন লার্নিং ক্রাউড সোর্সিং প্ল্যাটফর্ম। যেখানে পুরো পৃথিবীর মানুষ মিলে মেশিন লার্নিং রিলেটেড সমস্যাগুলোর সমাধান করেন। আমরা ক্যাগল সাইটে গেলেই দেখতে পাবো কম্পিটিশনস, ডেটা সেটস, কার্নালস, ডিসকাশন এন্ড লার্ন। শুরুতেই আসি কম্পিটিশনগুলোতে। বিভিন্ন দেশ বা সংস্থা বা কোম্পানিগুলো যখন মেশিন লার্নিং সমস্যায় পড়েন তখন উনারা আসেন ক্যাগলে। তাদের ডেটা সেট এবং সমস্যা সহ এই প্ল্যাটফর্মে হোস্ট করেন সেই কোম্পানিগুলো। দেখা গেছে বেশ ভালো অ্যালগরিদম এবং বুদ্ধিমান রেসপন্সের জন্য তারা বেশ দামি প্রাইজ মানিও অফার করেন মাঝে মাঝে। এখানে দেখা যাচ্ছে ডিপার্টমেন্ট অফ হোমল্যান্ড সিকিউরিটির একটা সমস্যা যেটা তাদের প্যাসেঞ্জার স্ক্রিনিং অ্যালগরিদম চ্যালেঞ্জ এবং এর মূল্যবান হচ্ছে 1.5 মিলিয়ন ডলার। এই মুহূর্তে আমি দেখছি 315 টা কম্পিটিশন আছে এখানে। যাদের মূল্যবান প্রায় 1 মিলিয়ন ডলারের কাছাকাছি। তবে এই টাকা পয়সা আয় করার আগে আমাকে জানতে হবে কিভাবে মেশিন লার্নিং কাজ করে। আর সে কারণে আমরা চলে যাব লার্ন ট্যাবে। আমি যখন প্রাতিষ্ঠানিকভাবে একটা মেশিন লার্নিং বুট ক্যাম্পে জয়েন করি সেখানে একটা জিনিস দেখতে পেলাম যে শুরুতে ক্যাগল ছাড়া অচল। এর মানে কিন্তু একটাই ক্যাগল ইজ দা গেটওয়ে টু মেশিন লার্নিং। আমি নিজেই যেহেতু 70 টির বেশি প্রশিক্ষণের সাথে সংযুক্ত ছিলাম আমি সে কারণে বলতে পারি হাতে কলমে প্রশিক্ষণের উপযোগিতা কেমন। এখন আপনি আমাকে বলুন আপনি কি কি শিখতে চান? পাইথন, মেশিন লার্নিং, প্যান্ডাস, ডিপ লার্নিং, ডেটা ভিজুয়ালাইজেশন, সিকুয়েল, টাইম সিরিজ আর আর তো থাকবেই। তবে যে যাই বলুক মেশিন লার্নিং এর শুরুতে টাইটানিক প্রজেক্ট অসাধারণ। আচ্ছা আমার কথা বিশ্বাস করার দরকার নেই আপনি শুধু গুগল করুন ক্যাগল টাইটানিক। এর মানে হচ্ছে প্রায় পুরো পৃথিবী শুরু করেছে মেশিন লার্নিং এই টাইটানিক প্রজেক্ট দিয়ে। আমি কেন সবাইকে এই টাইটানিকের ব্যাপারে বলি? প্রথম কথা হচ্ছে এটা রিয়েল ডেটা। তার মানে আপনার মনে হবে না আপনি মিথ্যে ডেটার উপর কাজ করছেন। সিন্স ইউ হ্যাভ এ কানেকশন টু দা মুভি এন্ড ইউ নো ইট অল। আমি আপনাকে এটুকু বলতে পারি আপনার মনে হবে আপনি টাইটানিকের ডেকে দাঁড়িয়ে আছেন যখন এই প্রজেক্টটা নিয়ে কাজ করবেন। এক পর্যায়ে আপনি 1912 সালে ফেরত যাবেন এবং দেখবেন আপনার সামনে 2200 প্যাসেঞ্জারের মধ্যে কিভাবে 1500 প্যাসেঞ্জার মারা যাচ্ছেন। কারণ আমাদের চ্যালেঞ্জ একটাই। আমাদেরকে প্রেডিক্ট করতে হবে এই যাত্রায় কে কে বেঁচে এবং মারা যাবেন। যাদের মেশিন লার্নিং নিয়ে নূন্যতম ধারণাও নেই তাদের জন্যই কিন্তু এই প্রজেক্ট টাইটানিক। আর এ কারণেই হাতে কলমে মেশিন লার্নিং শেখানোর জন্য আমি আপনার বন্ধু অথবা গাইড হিসেবে নিতে পারেন। তো শিখছেন তো মেশিন লার্নিং? দেখা হচ্ছে সামনের ভিডিওতে। |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | মেন্টরশীপ ৩৮ নন-প্রোগ্রামারদের ৭ লাইনের মেশিন লার্নিং কে কে বেঁচে গিয়েছিলেন (আর প্রোগ্রামিং).mp3 | নন প্রোগ্রামারদের জন্য মেশিন লার্নিং এবং ডেটা অ্যানালিটিক্স এই দুটোই সম্ভব আর সে কারণে কিন্তু আমি নিয়ে এসেছি যে কিভাবে আপনারা যারা নন প্রোগ্রামার আছেন তাদেরকে প্রোগ্রামিং এনভাইরনমেন্টে নিয়ে আসা যায় আর সে কারণে আমরা আজকে কিভাবে অল্প কোডে আমি বলছি শুধুমাত্র সামান্য মানে আপনি প্রোগ্রামিং এ কিছুই জানেন না তবুও আমি আপনাকে সামান্য কয়েক লাইনের কোডে আমরা বলছি সাত লাইনের কোড দিয়ে আমি আপনাদেরকে একটা মেশিন লার্নিং একটা মেশিন লার্নিং এর উদাহরণ দেব যে কিভাবে মেশিন লার্নিং করা সম্ভব যদিও আপনার এটার পেছনে কোন ধরনের আইডিয়া না থাকে নন প্রোগ্রামারদের জন্য ডেটা অ্যানালিটিক্স এবং মেশিন লার্নিং শেখার জন্য আমি সবসময় প্রজেক্ট টাইটানিক কে বেছে নেই কেন কারণ প্রজেক্ট টাইটানিক ডেটা সেটটা খুবই ছোট আমি বলব মাত্র 60 কিলোবাইট আর এর সাথে আমি বলছি যে আমরা যারা বিজনেস ওয়ার্ল্ডে কাজ করছি বা বিজনেস ওয়ার্ল্ডে দেখছি তাদেরকে বলতে পারি যে আমাদের কাস্টমার ডেটা সেট যেভাবে কাজ করে আমরা কিন্তু এই টাইটানিক ডেটা সেটের এই পুরো জিনিসটা কিন্তু কাস্টমার ডেটা সেটের প্রক্সি হিসেবে দেখতে পারি আর সবচেয়ে বড় যে ব্যাপারটা আমরা বলছি যে আমাদের এই টাইটানিক ডেটা সেটের বিজনেস কোশ্চেন ছিল যে আমাদের টাইটানিক ভয়েজে কারা কারা বেঁচে গিয়েছিলেন বা কারা কারা মারা গিয়েছিলেন সেটা কি প্রেডিক্ট করা আর সেই প্রেডিকশনের জন্য আমাদেরকে পেছনের গল্পটা জানতে হবে যেটা সত্যি ঘটনা যে আটলান্টিক পাড়ি দেওয়ার সময় আমাদের টাইটানিকে টোটাল যাত্রী ছিল 2200 জনের মতো আর যখন এটা ডুবে যায় তখন সেখানে মারা যান প্রায় 1500 জনের মতো আর সেই মারা যাওয়ার পেছনে কি কি জিনিস কাজ করেছে এবং এনভাইরনমেন্টে কোন কোন ব্যাপারগুলো কাজ করতে পারে যে কে কে বেঁচে গিয়েছিলেন এবং কারা কারা মারা গিয়েছিলেন তাদের ডেটা আমরা এনালাইসিস করে এবং কোথায় কোথায় লাইভ বোর্ড আছে এবং লাইভ বোর্ডের পাশাপাশি একটা টাইটানিকের বিভিন্ন ক্রস সেকশনে আমরা দেখতে পাচ্ছি যে টিকিট নাম্বার এবং টিকিট নাম্বারের পাশাপাশি আমরা কেবিন নাম্বার গুলো দেখছি এবং কোথায় কোথায় কোন জিনিসটা আছে সেটাও নিয়েও কিন্তু আমরা এখানে আলাপ করেছি তবে যে জিনিসটা আমরা বারবার বলতে চাচ্ছি যে একজন যাত্রী মারা যাওয়া বা বেঁচে যাওয়ার যে সম্ভাব্যতা যে হাইপোথেসিস আমরা তৈরি করেছিলাম সেটার পেছনে কিন্তু আমরা বেশ কিছু আইডিয়া নিয়ে এসেছি তবে এই সবকিছুর পেছনে যেহেতু আছে ডেটা আর সেই ডেটা থেকে কিন্তু আমরা আসলে বের করার চেষ্টা করব যে কে কে ভবিষ্যতে আমরা বলছি যে দুটো ডেটা আছে একটা হচ্ছে ট্রেনিং ডেটা যেটার মধ্যে আমরা জানি যে কোন কোন যাত্রী মারা গিয়েছিলেন এবং বেঁচে গিয়েছিলেন এবং তার সঙ্গে অন্যান্য ডেটা আর এর পাশাপাশি টেস্ট ডেটাটা আমরা বলছি টেস্ট ডেটাতে কিন্তু সব তথ্যই আছে শুধুমাত্র একটা তথ্য নেই যে উনি আসলে বেঁচে গিয়েছিলেন নাকি মারা গিয়েছিলেন এই তথ্যটাকে যখন আমরা এনালাইসিস করব সেই এনালাইসিসে আমরা দেখব যে আসলে ডেটার মধ্যে কোন কোন ফিচার গুলো আমাদের একজন মানুষকে বা একজন যাত্রীকে বেঁচে যাওয়া বা মরে যাওয়ার মারা যাওয়ার ব্যাপারে একটা ইনফ্লুয়েন্স করেছে এবং সেই জন্যই কিন্তু আমাদের এই ডেটাতে প্যাসেঞ্জার আইডি প্যাসেঞ্জার ক্লাস নেম জেন্ডার বয়স সিবলিং স্পাউস প্যারেন্টস চিলড্রেন এই টোটাল ডেটাতে কিন্তু এটা যেহেতু টেস্ট ডেটা এই টেস্ট ডেটার মধ্যে কোন ধরনের সারভাইভ কলাম নেই মানে ফাইনাল আউটকামটা দেওয়া নেই সো আমাদের যেটা করতে হবে এই ফাইনাল আউটকামটা বের করার জন্য আমাদের ট্রেন ডেটা থেকে আমরা সবকিছু কাজ করব আর আমাদের টাইটানিক চ্যালেঞ্জটা আমি আবারও বলছি যে আমাদের টাইটানিক চ্যালেঞ্জটা হচ্ছে গিয়ে এই ডেটা সেট থেকে প্রেডিক্ট করতে হবে যে কারা কারা বেঁচে গিয়েছিলেন বা মারা গিয়েছিলেন আর সেই কারণে আমরা এখানে ব্যবহার করব মেশিন লার্নিং আর এখানে যে জিনিসটা আমরা বারবার বলছি যে ডেটা ডিকশনারিটা জানা আমাদের জরুরি যে আমাদের ভেরিয়েবলটা আসলে কি ছিল এবং সেই ভেরিয়েবল গুলোর মানে কি এবং সেটার সাথে সাথে তার ভ্যালুগুলো কি হতে পারে সেটাও কিন্তু আমরা এখানে দেখিয়েছি এবং এই ভেরিয়েবল ব্যাপারগুলো যেহেতু আমি অন্যান্য আরো অন্য অনেক ডেটা নিয়ে কথা বলেছি এই ভেরিয়েবল গুলো কিন্তু আমরা জানি এবং সেই ডেটা ভেরিয়েবল গুলো নিয়ে কিন্তু আমরা কাজ করেছি আমাদের এখনকার উদ্দেশ্য হচ্ছে আমাদের যে টোটাল ডেটাটা আছে সেই ডেটাটাকে আমরা এমনভাবে কাজ করব যেটাকে আমি বারবার বলছি যে আমাদের মেশিন লার্নিং ট্রেনিং যে গিটবুকটা আছে সেই গিটবুকে আমরা গিয়ে আমাদের যে এমএল ওয়ার্কবুকটা আছে সেই এমএল ওয়ার্কবুকের মধ্যে আমরা এই test.r.cloud এই ফাইলটাকে আমরা চালানোর চেষ্টা করব তো তার মানে হচ্ছে কি আমাদের শুরুতে চলে যেতে হবে আমাদের এমএল ট্রেনিং এ এবং যেহেতু আমরা গিটবুকে আমি ভুল বলছি আমি যেহেতু আমরা গিটহাবে অলরেডি লগড ইন অবস্থায় আছি মানে আপনি যেহেতু আপনার গিটহাবে লগড ইন অবস্থায় আছেন এইভাবে আপনি এখান থেকে ফর্ক করুন বিশেষ করে রাকিব স্ এমএল ট্রেনিং এটাকে আমাদেরকে ফর্ক করতে হবে এটাকে যখন আমরা ফর্ক করব এটাকে ফর্ক করলেই কিন্তু এটা সরাসরি আপনার একাউন্টে চলে যাবে আমরা এখানে ফর্ক চাপ দেই ফর্ক চাপ দিলে কিন্তু এই পুরো জিনিসটাকে আপনার আপনার একাউন্টে ধরা যাক এটা হচ্ছে আপনার একাউন্ট আর হাসান এই একাউন্টে এই এমএল ট্রেনিংটা ফর্ক হয়ে চলে যাবে ফর্ক হয়ে যখন চলে গেল তখন কিন্তু আমাদের এই ডেটাটা আমরা আমাদের লিংকটা আমরা এখানে পাবো যে আমাদের টোটাল ডেটাটা আছে github.com/ এখানে হচ্ছে আপনার ইউজারনেম মানে আপনার গিটহাবের ইউজারনেম এবং স্ এমএল ট্রেনিং এটা হচ্ছে আপনার লিংক মনে থাকবে তো এখন আমাদের প্রশ্ন হতে পারে যে আমাদের মেশিন লার্নিং সেটা কোথায় করব অবশ্যই আর স্টুডিও এবং এই আর স্টুডিও আমি আজকে দেখাবো আর স্টুডিও ক্লাউডে যেখানে আপনাদের কোন ধরনের আর স্টুডিও আপনার পিসিতে ইনস্টল করতে হবে না আর সে কারণে আমরা চলে যাচ্ছি rstudio.cloud এ এটা হচ্ছে আমাদের ওয়েব এড্রেস এবং এই ওয়েব এড্রেসে গিয়ে আমরা সবসময় যেটা করব যে আমরা প্রথমে আমরা সাইন আপ করে নেব এবং সাইন আপ করলে আমরা সবসময় আমরা ক্লাউড ফ্রি মানে আমরা ফ্রি যে টায়ারটা আছে সেই ফ্রি টায়ারটা নেব এবং সেই হিসাবে কিন্তু আমরা এখানে সাইন আপ করব এবং সাইন আপ করতে গেলে সবচেয়ে সহজ পদ্ধতি হচ্ছে আমরা গুগল অথবা গিটহাব দিয়ে আমরা সাইন আপ করতে পারি এই পর্যায়ে আমরা যেটা দেখাবো আপনাকে সেটা হচ্ছে যে আমি অলরেডি যেহেতু এখানে সাইন আপ করা আছে এ অবস্থায় আমরা কিন্তু যদি আমরা আর স্টুডিও ক্লাউডে ঢুকি তখন কিন্তু আমার এই ধরনের একটা ইন্টারফেস আসবে এবং সেই ইন্টারফেসটাই আমরা এখানে কাজ কাজ করে দেখছি যে আমাদের ইন্টারফেসটা কি হতে পারে আর সবচেয়ে বড় যে জিনিসটা আমি বলতে চাইবো যে আমাদের ইন্টারফেসে আমরা এখানে কি করব আমরা নিউ প্রজেক্ট নিব আর নিউ প্রজেক্ট করতে গেলে আমাকে কি করতে হবে আমি নিউ প্রজেক্ট নিতে পারি সরাসরি অথবা আমরা একটা প্রজেক্ট ফ্রম গিট রিপোজিটরি নিতে পারি আর এই গিট রিপোজিট নেওয়ার জন্য কিন্তু আমি আপনাকে এর আগে দেখিয়েছিলাম যে এই ডেটাটা বিশেষ করে আপনি যখন আপনার এখানে ফর্ক করে নিয়ে আসলেন এই পুরো ডেটাটাকে আপনার আমার দরকার এই লিংক এই লিংকটা হয়ে গেলে আমাদের এখানে গিটে আমরা পুরো জিনিসটাকে করে নিয়ে আসতে পারবো আমরা এটাকে ক্লোজ করে দিলাম আমরা নিউ প্রজেক্ট থেকে আমরা গিট রিপোজিটরি নতুন প্রজেক্ট নিলাম এবং সেখানে আপনার লিংকটা আমরা নিলাম এখানে হচ্ছে github.com/ আপনার ইউজারনেম/ml ট্রেনিং এর মাধ্যমে সবচেয়ে বড় যে সুবিধা হচ্ছে যে আপনি আপনার সবকিছু আপনার মত করে এডিট করে রাখতে পারবেন এবং সেখানে কিন্তু আমরা দেখছি যে পুরো জিনিসটাকে ডেপ্লয় হচ্ছে এবং এটা পুরোপুরি ক্লাউডে ডেপ্লয় হচ্ছে এবং ক্লাউডে ডেপ্লয় হওয়ার কারণে যেটা সুবিধা হচ্ছে যে কোন কিছুই আপনার পিসিতে করতে হচ্ছে না এবং সবচেয়ে ভালো জিনিসটা হচ্ছে যে আমরা ক্লাউডেই সবকিছু করে আমরা এডিট করে আমরা পুরো জিনিসটাকে আমরা ফেলে দিতে পারি অথবা আমাদের মত করে কাজ করে নিতে পারি আমাদের আর স্টুডিও ক্লাউড চালু হয়ে যাচ্ছে এবং সেখানে দেখুন যে আমাদের এখানে বিভিন্ন ডেটা মানে আমরা যে ক্লাউড স্টুডিও ক্লাউডে যেই ডেটাগুলো আমরা সেই গিটহাব থেকে চাচ্ছিলাম সেই গিটহাবে কিন্তু এটা লোড হচ্ছে এবং আমি বলব যে এটা একটা অসাধারণ কাজ ইভেন এটা ফ্রি টায়ার বাট ফ্রি টায়ার হলেও কিন্তু এটা একটা চমৎকারভাবে কাজ করে আমরা এ অবস্থায় আমরা টার্মিনাল কনসোল এবং অন্যান্য সবকিছু আমরা দেখতে পাচ্ছি তো এটা একদম পুরোপুরি আর স্টুডিও ক্লাউড এর মতই আর স্টুডিওর মতই একটা ক্লাউড সার্ভিস আমরা এখান থেকে এমএল ওয়ার্কবুকে চলে যাই এবং চলে যাওয়ার পর আমরা কি করব আমরা এখান থেকে test.r.cloud মানে এই ফাইলটাকে আমরা চালু করব এবং এই ফাইলটা যখন চালু করব তখন কিন্তু আমাদের এই পুরো জিনিসটা আমরা বুঝতে পারব একটা জিনিস আপনাদেরকে বলে রাখা ভালো এখানে যা জিনিস লেখা আছে আপনারা এইটা বোঝার এই মুহূর্তে এটার বোঝার আসলে ওরকম দরকার নেই এবং এই জিনিসটা নিয়ে আমাদের এই মুহূর্তে কাজ করার জন্য আমাদেরকে শুধুমাত্র বুঝলেই হবে আর সেটার জন্য আমি এটুকু বলব যে এই ব্যাপারগুলো যখন আসবে তখন আমরা ভেতরে বোঝার চেষ্টা করব যে আসলে কিভাবে ভেতরের ঘটনাগুলো ঘটছে আমরা লাইন বাই লাইন এটার পেছনে যে ধারণা সেটা আমাদের এই মুহূর্তে বুঝলে না বুঝলেও চলবে আমি প্রথমেই বলে নেব যে আপনি প্রোগ্রামিং সম্বন্ধে কোন ধারণা না থাকলেও আপনার জন্য কোন সমস্যা হবে না কারণ এই পুরো জিনিসটা একদম বাংলার মতো আমি আপনাকে বুঝিয়ে দিতে পারব আর সবচেয়ে বড় জিনিসটা হচ্ছে যে আমরা যে train.csv এবং test.csv এই দুটো কিন্তু আমরা ভালোভাবে ভালোভাবে বইয়ে লিখেছি যে এই দুটো ফাইলে কি আছে তবুও আমরা এই দুটো ফাইলকে আমরা এক্সেলে ওপেন করতে পারতাম তবে আমি মনে করেছি যে যেহেতু আমরা আর স্টুডিও ক্লাউডে আমরা চলে এসেছি এখান থেকেও আমরা সবকিছু আপনাদেরকে দেখাতে পারব আর যেহেতু আমরা ক্লাউডে কাজ করছি আমরা এই train.csv ফাইলটা এবং test.csv ফাইলটা এই দুটো সরাসরি আমরা গিটহাব থেকে লোড করে নেব যাতে আমরা আমাদের এই পিসিতে ডাউনলোড করতে না হয় এইজন্য আমরা সরাসরি কিন্তু সেই গিটহাব থেকে আমরা এখান থেকে লোড করেছি একটা জিনিস আপনারা দেখেন যে আমাদের এখানে কিছু লাইব্রেরি দরকার হেল্পার লাইব্রেরি দরকার আছে যেমন আমাদের ডিসিশন ট্রি কাজ করতে হলে আমাকে আর পার্ট লাইব্রেরিটা এখানে চালাতে হবে আমাদের আর পার্ট প্লট টাকে আমরা চালাতে হবে তার মানে এর আগে আমরা আর স্টুডিওতে যেভাবে কাজ করেছিলাম সেই আর স্টুডিওতে একইভাবে আপনার কিছু কিছু প্যাকেজ ইনস্টল করতে হতে পারে সেখানে কিন্তু এই প্যাকেজের ব্যাপারে বলা আছে যে এই প্যাকেজটা ইনস্টল নেই আমরা এখান থেকে ইনস্টল করে নিতে পারি এবং সেই প্যাকেজটা ইনস্টল হয়ে যাচ্ছে এবং ইনস্টল হয়ে গেলে আমাদের জন্য কিন্তু এই পুরো জিনিসটা খুব সহজ হয়ে গেল যে জিনিসটা আমি বারবার বলতে চাচ্ছি যে আমাদের এই ট্রেন যে ডাটা ফ্রেম এটাকে আমরা বলি ডাটা ফ্রেম মানে এটা একটা ভেরিয়েবল আমাদের রিড সিএসভি বলে একটা ফাংশন এই সিএসভি একটা ফাংশন যে আসলে আমাদের এই train.csv এই train.csv ফাইলটাকে সে রিড করে সে ট্রেন বলে একটা ভেরিয়েবলে সেটাকে স্টোর করছে যেটাকে আমরা বলি ডাটা ফ্রেম এই ডাটা ফ্রেমে সে এটা লোড করছে ধরা যাক আমি এটাকে চালু করলাম কিভাবে আমি এটাকে দিলাম রান তার মানে হচ্ছে কি এটা রান হয়ে গেল এবং রান হওয়ার ফলে যেটা হচ্ছে যে আমাদের ট্রেন বলে একটা ডাটা ফ্রেম অলরেডি তৈরি হয়ে গেল এবং ট্রেন ডাটা ফ্রেমে 891 টা অবজারভেশন আছে এবং তার সাথে 12 টা ভেরিয়েবল আছে আমরা যদি এই ট্রেনটাকে যদি চালু করতে চাই তাহলে কিন্তু আমরা ট্রেনটাকে দেখতে পারছি যে এর আগে আমি আপনাদেরকে দেখিয়েছিলাম যে ট্রেনটা মানে এর মধ্যে সারভাইভ কলামটা আছে তার মানে হচ্ছে প্যাসেঞ্জার আইডি সারভাইভ কলাম প্যাসেঞ্জার ক্লাস নেম এই জেন্ডার এইজ এ সবকিছু কিন্তু এখানে আছে তার মানে হচ্ছে কি এখানে যে ডেটাটা আমি আপনাকে ম্যাক্স এক্সেলে দেখাতে পারতাম সেটাও কিন্তু এখানে আমরা আর স্টুডিও ক্লাউড থেকে সরাসরি দেখতে পাচ্ছি কারণ এটা একটা ডাটা ফ্রেম এবং ডাটা ফ্রেমটা একদম এক্সেলের মতো আমরা এখানে সবকিছু দেখতে পাচ্ছি আমরা এটাকে ক্লোজ করে দিলাম আমাদের এই টেস্ট ডেটা সেটটাকে আমরা লোড করতে চাচ্ছি তা আমরা সেই টেস্ট বলে একটা ডেটা ফ্রেম মানে আমি বলতে চাচ্ছি টেস্ট ভেরিয়েবলে আমরা ডেটা ফ্রেম হিসেবে লোড করছি এবং সেটাকে আমরা এখান থেকে চালু করছি এবং সেখান থেকে আমাকে দেখাচ্ছে যে এটা আসলে নীল মানে হচ্ছে কি ঠিকমত এক্সিকিউট হয়েছে এবং সেখানে আমাদের এই টেস্ট এবং ট্রেন এবং ট্রেনে এবং টেস্ট এই দুটো জায়গায় আছে এখানে আমরা টেস্ট ডেটাতে আমাদের একটা জিনিসই নেই সেটা হচ্ছে কি আমাদের সারভাইভ কলামটা নেই আপনি দেখেন এখানে সারভাইভ কলামটা নেই এখানে বাকি সব ডেটা আছে বাকি সব ফিচার আছে কিন্তু সারভাইভ কলাম নেই এবং সেখানে 418 টা রেকর্ড 418 টা রেকর্ড এবং 12 টা ভেরিয়েবলের জায়গায় 11 টা ভেরিয়েবল আমি এইজন্য বলছি যে এই টেস্ট ডেটা সেট যেটা হচ্ছে কি আমি যার যেটার উপরে আমি টেস্ট করব আমার সিস্টেমটা ঠিকমত কাজ করছে কিনা আমাদের প্রেডিকশন ঠিকমত কাজ করছে কিনা এইজন্য আমাদের এখানে একটা ভেরিয়েবল কম মানে আমাদের উত্তরটা নেই এখন আমরা এটাকে ক্লোজ করে দিলাম এরপরে আমি আপনাদেরকে বলতে চাচ্ছি যে ডিসিশন ট্রি যেটা আমি আপনাকে একটু ছবিতে একটু পরে দেখিয়ে দিব যে আসলে এই ডিসিশন ট্রি লাইব্রেরিটা আমরা যদি লোড করে নেই তাহলে আমাদের জন্য এই মডেলটা তৈরি করতে সুবিধা হবে আর এই ডিসিশন ট্রি লাইব্রেরিটার কাজ হচ্ছে গিয়ে যেটাকে আমরা বলছি আর পার্ট আর পার্ট হচ্ছে রিকার্সিভ পার্টিশন এন্ড রিগ্রেশন ট্রিজ এটা একটা লাইব্রেরি যেটাকে আমরা এখানে মডেলে ব্যবহার করব আমরা এটাকে লোড করে নিচ্ছি এবং এরপরে আমরা এই মডেল প্রেডিকশন মানে যেহেতু এটা একটা ক্লাসিফিকেশন মডেল ক্লাসিফিকেশন এ কারণে যে আমার এখানে আউটকাম মানে আমরা যদি এখানে দেখি যে আমার ফাইনাল যেটা ট্রেনের মধ্যে আমার আউটকাম হচ্ছে গিয়ে সারভাইভ মানে আমি সে বেঁচে গিয়েছিলেন নাকি মারা গিয়েছিলেন সারভাইভ জিরো এন্ড ওয়ান জিরো এন্ড ওয়ান মানে হচ্ছে ক্লাসিফিকেশন মানে এটার মধ্যে দুটো মাত্র ভ্যালু আছে এবং সেটাই হচ্ছে ক্লাসিফিকেশন আমরা এখানে যদি আমাদের ক্লাসিফিকেশন মডেলে যদি যেতে চাই তাহলে আমাদের এই মডেলটা হচ্ছে মডেল অবজেক্ট আমরা মডেল অবজেক্টটা আমরা এখানে সিলেক্ট করতে পারি আর এটা হচ্ছে একটা অ্যাসাইনমেন্ট অপারেটর আপনি এটা বুঝতেই পারছেন যে এই আর পার্ট এই আর পার্ট সে আমাদের ফাইনাল আউটকাম মানে আমাদের প্রেডিক্টর মানে আমাদের আমরা কি বের করতে চাচ্ছি যে ওয়েদার হি হ্যাজ সারভাইভড অর নট মানে আমরা বের করতে চাচ্ছি ওই যাত্রী উনি কি মারা গিয়েছিলেন নাকি উনি বেঁচে গিয়েছিলেন আমরা এটাকে বের করতে চাচ্ছি এবং তারপরে কিন্তু আমরা টাইলি দিয়ে আমরা কিন্তু বলতে চাচ্ছি যে এইটা হচ্ছে গিয়ে ফিচার মানে এইটা হচ্ছে গিয়ে সেপারেট করতে পারে মানে এটা সেপারেট করছে টাইলি অপারেটর যে দিস ইজ আওয়ার ফাইনাল আউটকাম মানে এটা আমরা বের করব আর এই টাইলির পরে হচ্ছে গিয়ে বাকি ফিচার গুলো যেগুলো আমরা আসলে ফিচার হিসেবে আপনি দেখেছেন যে এখানে ফিচার হিসেবে এই এগুলো হচ্ছে ফিচার এগুলো হচ্ছে ফিচার সেই ফিচার গুলোকে আমরা এখানে দেখিয়েছি আমরা এখানে সবগুলো ফিচার এভাবে বলতে পারতাম অথবা আমরা যদি এভাবে মডেল আর পার্ট সারভাইভ টাইলি এবং ডট এই ডট মানে হচ্ছে সব ফিচার আমি হিসাব ওভাবে না করে আমি সরাসরি এখানে ডট দিলে আমার এখানে সব ফিচার গুলোকে সে ক্যালকুলেট করবে এবং ডাটা ইকুয়ালস টু ট্রেন মানে আমরা কি বলছি যে আমাদের ডাটাটা কোত্থেকে আসবে মানে আমাদের ডেটাটা কোত্থেকে আসবে ডেটাটা আসবে ট্রেন এখানে যে ট্রেন যেটা আছে ট্রেন যে ডেটা ফ্রেম সেই ট্রেন ডেটা ফ্রেম থেকে এই ডেটাটা আসবে আর সেই কারণে কিন্তু আমরা বলছি যে ডেটা ইকুয়ালস টু ট্রেন মানে ডেটা ইকুয়ালস টু ট্রেন এই ডেটাটা আসছে ট্রেন ডেটা ফ্রেম থেকে এবং ফাইনালি আমরা বলছি মেথড মানে আমাদের মেথডটা কি ক্লাসিফিকেশন কারণ আমাদের এই পুরো জিনিসটা আমরা আউটকাম চাচ্ছি ক্লাসিফিকেশনে যে জিরো এন্ড ওয়ান মানে সারভাইভড অর নন নট সারভাইভড তো এখানে মেথড ক্লাসিফিকেশন দেওয়ার ফলে এটাকে আমরা ফাইনালি আউটকামটা পাঠিয়ে দিচ্ছি অ্যাসাইনমেন্ট অপারেটর দিয়ে আমরা একটা মডেল অবজেক্টে এই মডেল অবজেক্ট কিন্তু এই পুরো ডিসিশন ট্রি সারভাইভড সারভাইভড আমরা বলছি যে এই সারভাইভড এই সারভাইভড এর আউটকামের সাথে আমরা বাকি সব ফিচার গুলোকে আমরা রিলেট করছি মানে বাকি ফিচার গুলো কিন্তু মানে সারভাইভ মানে এই জিরো এন্ড ওয়ান ফাইনাল আউটকামটা বোঝার জন্য এই অন্যান্য ফিচার গুলো আসলে কিভাবে ইনফ্লুয়েন্স করছে মানে অন্যান্য ফিচার গুলো কিভাবে এই সারভাইভড কলামের উপরে ইনফ্লুয়েন্স করছে সেটাই কিন্তু আমরা এখান থেকে আমরা বের করার চেষ্টা করছি তা আমরা এখানে টোটাল জিনিসটাকে আমরা সিলেক্ট করে আমরা রান করলাম এবং আমাদের মডেলটা চালু হয়ে গেল এবং মডেলটা কিন্তু মডেল অবজেক্টে সেভ হয়ে গেল মডেল অবজেক্টটা সেভ হওয়ার পরে আমরা এটাকে একটা প্রেডিকশন করব কারণ এটা হচ্ছে গিয়ে মডেলে কিন্তু এখন রিলেশনশিপটা আছে রিলেশনশিপটা কিসের ডাটা ট্রেন মানে ট্রেন ডেটা ফ্রেমের রিলেশনশিপটা সে মডেল অবজেক্টে সে নিয়ে গেছে এখন আমরা যদি একটা প্রেডিকশন করি ধরা যাক প্রেডিকশন মাই প্রেডিকশন বলে একটা আমরা বলছি এটা ভেরিয়েবল আমরা তৈরি করলাম যেখানে অ্যাসাইনমেন্ট করে আমরা প্রেডিক্ট করে বলছি যে প্রেডিক্ট এবং আমরা বলছি কোন জিনিসটাকে প্রেডিক্ট করব হোয়াট ইজ দা মডেল আমার মডেলের নামও রেখেছি মডেল মানে আমরা মডেলের নাম এখানে মডেলের জায়গায় আমরা এ বি সি দিতে পারতাম আমরা মডেলের জায়গায় মডেল মানে আমরা এখানে মডেলটা এখানে মডেল নাম দিলাম একই জিনিস এখানে এ বি সি থাকতে পারতো এবং এখন আমরা বলছি ডেটাটা কিন্তু নট ট্রেন ডেটাটা ট্রেন না বরং ডেটাটা হচ্ছে টেস্ট আমরা কোন টেস্ট এই টেস্ট ডেটা ফ্রেমে এবং এই টেস্ট ডেটা ফ্রেমে কিন্তু আমরা দেখতে পাচ্ছি যে এখানে সারভাইভ কলামটা নেই আর সারভাইভ কলামটা না থাকার ফলে যেটা হচ্ছে যে আমরা আসলে এখানে রিলেশনশিপটা বের করতে চাচ্ছি যে এখানে যে রিলেশনশিপটা বিল্ড হয়ে গেছে অলরেডি সেই রিলেশনশিপটাকে সে পাস কর হচ্ছে প্রেডিকশনে এখানে মডেল এবং ডেটা সেট হচ্ছে গিয়ে ডেটা ফ্রেম হচ্ছে গিয়ে টেস্ট এবং টাইপ হচ্ছে ক্লাসিফিকেশন আমাদের আগের মত করে ক্লাসিফিকেশন করে আমরা এটাকে প্রেডিক্ট করতে পারি এবং প্রেডিক্ট করে আমরা এটাকে রান করে দিলাম যে আমাদের প্রেডিকশন কাজ করেছে ঠিকমতো এখন আমরা তো এই পুরো জিনিসটাকে মাই প্রেডিক্ট হিসেবে নিলাম কিন্তু আমরা তো মানুষ আমরা তো হিউম্যান বিং আমরা তো ওভাবে যন্ত্রের ভিতরে ঢুকে আমরা বুঝতে পারি না যে ভিতরে কি আছে কারণ এখানে কিন্তু অলরেডি মাই প্রেডিক্টের ভ্যালু কিন্তু জিরো এন্ড ওয়ান এর মধ্যে কিন্তু বের করে দিয়েছে আমাদের এই এই প্রেডিকশনের মধ্যে সো এখানে আমার এই জিনিসগুলো যেটা বের হয়েছে সেটাকে আমি হিউম্যান রিডেবল হিসেবে দেখতে চাই মানে এক্সেল এক্সেলের মত করে দেখতে চাই তাহলে আমরা কি করব আমরা ডাটা ফ্রেম তৈরি করব ডাটা ফ্রেম তৈরি করে আমরা কি বলছি যে প্যাসেঞ্জার আইডি যেই প্যাসেঞ্জার আইডিটা ছিল হচ্ছে ট্রেনে এবং সেই ট্রেনের প্যাসেঞ্জার আইডিটা আমরা যেটা দেখছি সেখানে আমরা নতুন করে একটা প্যাসেঞ্জার আইডি তৈরি করছি টেস্ট ডেটা সেট থেকে মানে আমরা বলছি টেস্ট ডেটা ফ্রেমের মধ্যে তুমি প্যাসেঞ্জার আইডি বলে একটা নতুন আইডি তৈরি করো যেই আইডিতে হচ্ছে টেস্টের যত আইডি আছে সেই আইডিটা নিয়ে যাবে এবং আমরা যেহেতু হিউম্যান আমরা এখানে নেম হিসেবে এখানে নেম টেস্টের ডেটা ফ্রেম থেকে নেমটা যোগ করছি যাতে আমরা একটা টেবিলের মত করে দেখতে পারি যে প্যাসেঞ্জার আইডি নেম এবং ফাইনালি উনি কি সারভাইভড হয়েছেন কি হননি এবং এই মাই প্রেডিক্ট এখানে মাই প্রেডিক্ট যে জিনিসটা এটা আসছে এখান থেকে তার মানে আমাদের এই মাই প্রেডিকশনটা এই যে মাই প্রেডিক্টটা এটা আউটকামটা এসে জমা হচ্ছে মাই প্রেডিক্টে মানে এই যে মাই প্রেডিক্টটাকে আমরা এই সারভাইভড যে ভেরিয়েবল আছে সেই সারভাইভ ভেরিয়েবলে আমরা এটাকে কপি করছি এবং এই মাই প্রেডিক্টটা কিন্তু ফাইনাল আউটকামটা কিন্তু এখানে দেখাচ্ছে তা আমরা একটা হিউম্যান রিডেবল ফরমেটে দেখতে চাই কারণ আমরা বলছি যে মাই প্রেডিক্ট আন্ডারস্কোর ডিএফ মানে এটা একটা ডেটা ফ্রেম হিসেবে আমরা সেভ করছি এবং আমরা ডেটা ফ্রেম একটা ফাংশন কল করছি এবং ফাংশনের মধ্যে বলে দিচ্ছি প্যাসেঞ্জার আইডি হচ্ছে কি টেস্টের মধ্যে যে ডেটাটা আছে সেটার একটা প্যাসেঞ্জার আইডি হবে এবং নেম হবে টেস্টের মধ্যে যেই নেমগুলো আছে সেই নেমগুলো হবে বিকজ আমরা এখানে ডলার সাইন দিয়ে সেই কলামটাকে এক্সেস করছি যেখানে আমরা আপনাকে দেখিয়েছিলাম যে টেস্টের মধ্যে আমাদের নেম আছে এই নেম আমার এই নেম কলামকে এক্সেস করতে হলে আমি ডলার সাইন দিয়ে এক্সেস করছি আমার প্যাসেঞ্জার আইডিকে এক্সেস করার জন্য আমার এখানে টেস্ট ডলার সাইন প্যাসেঞ্জার আইডি দিলেই কিন্তু আমার এই এই ভেতরের ডেটাগুলো চলে আসবে তার মানে হচ্ছে কি আমাদের এই পুরো জিনিসটাকে মাই প্রেডিক্ট আন্ডারস্কোর ডিএফ বলে একটা ডেটা ফ্রেমে সে লোড হবে এবং সারভাইভডে ফাইনালি এই মাই প্রেডিক্ট থেকে যে ডেটাটা আছে সেটাকে হিউম্যানলি রিডেবল ফরমেটে আমাদের দেখাবে আমি এটাকে রান করলাম এবং রান করলে আমার এখানে মাই প্রেডিক্ট যে ডিএফটা আছে সেখানে কিন্তু আমাদের রেজাল্টটা চলে এসেছে আমি এখানে মাই প্রেডিক্ট ডিএফটা যদি আমি এখান থেকে রান করি যে আমরা রান করলাম রান করলে আমার এখানে টোটাল মাই প্রেডিক্ট আন্ডারস্কোর ডিএফ এখানে এই জিনিসটাকে কপি হয়ে চলে এলো তার মানে মাই প্রেডিক্ট আন্ডারস্কোর ডিএফ মানে আমরা দেখতে পাচ্ছি যে মাই প্রেডিক্ট আন্ডারস্কোর ডিএফ টেস্টের মত 418 টা অবজারভেশন তিনটা ভেরিয়েবল কারণ তিনটা ভেরিয়েবল কারণ কি প্যাসেঞ্জার আইডি একটা ভেরিয়েবল নেম আরেকটা ভেরিয়েবল সারভাইভড আরেকটা ভেরিয়েবল এই তিনটা ভেরিয়েবল দিয়ে কিন্তু আমাদের ফাইনাল রেজাল্ট অলরেডি দিয়ে দিয়েছে আমরা যদি এখানে মাই প্রেডিক্ট আন্ডারস্কোর ডিএফ টাকে যদি সরাসরি দেখি আমরা দেখব টেস্টের মধ্যে আমাদের যে ডেটা ছিল প্যাসেঞ্জার আইডি 892 থেকে শুরু সেই প্যাসেঞ্জার আইডি 892 থেকে কিন্তু এখানে শুরু হয়েছে তার মানে হচ্ছে কি আমাদের কাজটা ছিল যে প্যাসেঞ্জার আইডি পি ক্লাস কিন্তু এখানে কিন্তু সারভাইভ না এখন আমরা প্রেডিক্ট করেছি সারভাইভ তার মানে আমাদের একটা শুধুমাত্র তিনটা ইনফরমেশন পেলেই যথেষ্ট যেহেতু আমরা হিউম্যানলি জানতে চাচ্ছি আমরা যদি ক্যালকুলেট লোড করতাম তাহলে আমাদের নেমটা দরকার ছিল না আমাদের শুধু প্যাসেঞ্জার আইডি আর সারভাইভ বাট যেহেতু আমরা হিউম্যানলি জানতে চাচ্ছি যে আসলে মানুষের নাম কি ছিল এবং সেটার ব্যাপারে আমরা আরেকটু ভিতরে ঢুকবো তো সেখানে আমার মাই প্রেডিক্টের ভিতরে গেলে প্যাসেঞ্জার আইডি কেলি মিস্টার জেমস এবং আমরা যদি টেস্টে দেখি যে 892 কেলি মিস্টার জেমস মানে ফাইনালি সারভাইভ কলামটা নেই তা আমাদের উত্তরে আমাদের মাই প্রেডিক্ট আন্ডারস্কোর ডিএফ এ কিন্তু আমরা প্যাসেঞ্জার আইডি আমাদের নেম এবং সারভাইভ কলামে আমরা কিন্তু দেখছি যে উনি আসলে মারা গিয়েছেন মানে জিরো মানে হচ্ছে উনি মারা গিয়েছেন এখন আমরা দেখতে চাইবো জানতে চাইবো যে কেলি মিস্টার জেমস ধরা যাক কেলি মিস্টার জেমস আমি উনার নামটা কপি করলাম কপি করার পর আমি সরাসরি চলে গেলাম গুগলে এবং গুগলে আমরা বললাম কেলি মিস্টার জেমস এখন এটা যদি আমি সার্চ করি সরাসরি কিন্তু আমাকে নিয়ে যাচ্ছে যে জেমস কেলি হি ইজ এ টাইটানিক ভিক্টিম মানে উনি মারা গেছেন মানে ভিক্টিম উনি আসলে বাঁচেননি তার মানে হচ্ছে গিয়ে আমরা এখানে দেখতে পাচ্ছি যে জেমস কেলি টাইটানিক আসলে টাইটানিক যে জাহাজ ডুবিতে যারা বেঁচে গিয়েছে মারা গিয়েছেন সেখানে আমরা দেখছি যে এখানে উনি ফাইনালি মানে উনার ডায়েড ইন মানে আমরা দেখতে পাচ্ছি যে উনি আসলে টাইটানিক ডিজাস্টারে মানে টাইটানিক ডিজাস্টারে উনি মারা গিয়েছেন মানে উনি উনি 1912 সালে মারা গেছেন মানে এখানে আমরা বুঝতে পারছি যে সরাসরি যে উনি আসলে মারা গেছেন সো এই ব্যাপারটা হচ্ছে এরকম যে আসলে আমরা সত্যিকারে দেখতে পাচ্ছি যে কেলি মিস্টার জেমস উনি মারা গেছেন মানে এটা আসলে এনসাইক্লোপিডিয়া বলছে যে জিরো মানে হচ্ছে কি আমাদের প্রেডিকশন ঠিক আছে মানে আমাদের যে ডেটাটা যেটার মধ্যে টেস্ট ডেটার মধ্যে কিন্তু কোন ধরনের উত্তর ছিল না সেই উত্তরটা কিন্তু আমরা মেশিন লার্নিং মডেল থেকে আগের যে ট্রেন ডেটা সেট আছে সেই ট্রেন ডেটা সেটের মধ্যে কিন্তু কেলি মিস্টার জেমস কিন্তু নেই সো আমরা বলতে চাচ্ছি যে ওইখানে ওই ডেটা সেটটা না থাকা সত্ত্বেও আমরা ট্রেন ডেটা সেটের এই রিলেশনশিপটা মানে সারভাইভড সারভাইভড এর সাথে বাকি তথ্যগুলোর রিলেশনশিপটা থেকে আমরা ধারণা নিয়ে আমাদের মেশিন লার্নিং মডেল টেস্ট ডেটা সেটের মধ্যে যেই ধরনের ডেটাগুলো আছে যেই ডেটা ডেটাগুলো টেস্ট ডেটা সেটে যে ডেটাগুলো আছে সেগুলো কিন্তু ট্রেন ডেটা সেটে নেই শুধু এই ডেটা থেকে কিন্তু সে ফাইনালি সে প্রেডিক্ট করেছে যে এখানে সে মারা গেছেন তো নেক্সট ম্যান যিনি নেক্সট যিনি ছিলেন উনিও মারা গেছেন এভাবে আমরা দেখছি যে প্রথম চারজন মারা গেছেন আমরা এখন একটু টেস্ট করি যে পঞ্চম রেকর্ড মানে 896 এখানে দেখা যাচ্ছে যে উনি বেঁচে গিয়েছিলেন সারভাইভড এখন আমি উনার নামটাকে আমি কপি করি এবং কপি করার পর আমি এটাকে নতুন করে সার্চ করি এবং সেখানে আমরা দেখি যে উনি আসলে বেঁচে গিয়েছিলেন নাকি মারা গিয়েছিলেন এখানে আমরা দেখছি যে উনি টাইটানিক সারভাইভার মানে উনি দেখছেন যে টাইটানিক সারভাইভার মানে উনি বেঁচে গিয়েছেন টাইটানিক জাহাজ ডুবিতে উনি বেঁচে গিয়েছিলেন এই টাইটানিক সারভাইভারে আমরা যখন যাচ্ছি তখন কিন্তু আমরা দেখছি যে এই টাইটানিক সারভাইভারের এখানে যে ডেটাটা আছে সেই ডেটাতে আমরা দেখছি যে আমাদের ডায়েড মানে ডায়েড উনি 71 বছর বয়সে মারা গেছেন মানে উনি 1961 সালে মারা গেছেন এর অর্থ হচ্ছে উনি এবং উনি আসলে কখন থেকে উঠেছিলেন সব জায়গায় তার মানে হচ্ছে কি উনি টাইটানিক সারভাইভার উনি পরে অনেক পরে মারা গেছেন 1961 সালে উনি মারা গেছেন তো ব্যাপারটা হচ্ছে এরকম যে আমাদের টাইটানিক ডেটা সেট কিন্তু আমাকে বলছে যে কেলি মানে মিস্টার জেমস কেলি উনি বেঁচে গিয়েছিলেন আর মিসেস আলেকজান্ডার আমি ভুল বললাম মিস জেমস কেলি উনি মারা গিয়েছেন জিরো এবং মিসেস আলেকজান্ডার উনি আসলে ওয়ান মানে হচ্ছে উনি বেঁচে গিয়েছেন আমার মনে হয় এই পুরো ধারণাটা আপনাকে দেওয়ার জন্য যে এখানে মেশিন লার্নিং মডেল কিন্তু খুব একটা ডিফিকাল্ট কিছু না এবং যারা নন প্রোগ্রামার তারাও কিন্তু এই পুরো জিনিসটা করতে পারবেন আমাদের এই প্রজেক্টটা যেহেতু আমরা হাতে কলমে মেশিন লার্নিং বইটা থেকে আমরা করেছি আমি ধারণা করছি যে আপনারা হাতে কলমে মেশিন লার্নিং বইটা থেকে অনেক কিছুই ধারণা পেয়ে গেছেন এবং সেখানে যে ক্লাসিফিকেশন মডেলটা আমরা করেছি সেখানে আমরা প্রথমে বলেছি যে এটা একটা ডিসিশন ট্রি এই ডিসিশন ট্রিটা কিভাবে কাজ করে সেটা নিয়ে কিন্তু আমরা এর আগেও বলেছি এবং আমাদের আগের ভিডিওতেও আমরা দেখিয়েছি তবে আপনাদের বোঝানোর জন্য যারা আসলে নন প্রোগ্রামিং ব্যাকগ্রাউন্ড থেকে এসেছেন তো তারা আমরা বুঝতে চাচ্ছি যে আসলে এই মডেলটা যে আমরা তৈরি করলাম সেই মডেলের মধ্যে কিভাবে সিদ্ধান্ত তারা নিতে পারলো যে আসলে কে কে বেঁচে গিয়েছিলেন বা কে মারা গিয়েছিলেন তো সেই ডিসিশন ট্রিটা আসলে যদি আমরা ভিজুয়ালি দেখতে পারি তাহলে কিন্তু আমাদের জন্য সহজ এজন্য আমরা আর পার্ট ডট প্লট আমরা লাইব্রেরিটাকে আমরা লোড করে নিলাম এবং লোড করার পরে আমরা এই আর পার্ট প্লটটাকে আমরা এখানে যে মডেলটা আছে এই যে আমরা এখানে দেখিয়েছি যে মডেলটা সেই মডেলটাকে আমরা আর পার্ট ডট প্লট এর মধ্যে আমরা নিয়ে এলাম এবং সেইখানে আমরা বলেছি যে এটা আমাদের মডেলটাকে তুমি প্লট করো এবং সেই আর প্লট আর পার্ট ডট প্লট এই মডেলটাকে সে প্লট করলাম আর এখানে আমি এক্সট্রা 101 বা 106 আমাদের এটা না দিলেও চলবে এই মডেলটাকে আমরা যদি চালু করি তাহলে কিন্তু একটা সে ভিজুয়াল জেনারেট করবে এবং এই ভিজুয়ালটা আমাদের এখানে আমরা দেখছি এবং সেই ভিজুয়ালটা যদি আমরা একটু বড় করে দেখি তাহলে আমরা এখানে দেখতে পারব যে আসলে আমাদের ডিসিশন ট্রি মানে আমাদের এই মডেলটা আসলে কিভাবে কাজ করেছে এর পেছনের আন্ডারস্ট্যান্ডিংটা কি ছিল এখানে আমরা যেটা দেখেছি যে জিরো মানে হচ্ছে গিয়ে উনি মারা গেছে তার মানে হচ্ছে ওরা শুরু করেছে যেহেতু ভোটিং এ ও দেখেছে যে 100% মানে 100% যাত্রীর মধ্যে সে শূন্য যখন হিসাব করেছে দেখেছে যে 100% যাত্রীর মধ্যে মাত্র 38% বেঁচে গিয়েছিলেন মানে 38% বেঁচে গিয়েছিলেন আর জিরো বেশি তো সেই হিসাবে কিন্তু সে ডিসিশন ট্রি তে সে চলে এসছে যদি তারপরে সে সিলেক্ট করেছে যে যদি জেন্ডার যদি মেল হয় জেন্ডার যদি মেল হয় এবং সেটা যদি ইয়েস হয় তাহলে কিন্তু সে এখান থেকে কিন্তু ডিসিশন ট্রি তে কিন্তু চলে যাচ্ছে যে এরপরে জেন্ডার যদি মেল হয় এবং ইয়েস হয় তাহলে দেখা যাচ্ছে যে মাত্র 19 শতাংশ মানে 19 শতাংশ আসলে বেঁচে ছিলেন 19 শতাংশ বেঁচে ছিলেন 19 শতাংশর মধ্যে 65% বেঁচেছেন তার মানে হচ্ছে কি 19 শতাংশের 65% বেঁচেছেন আর এখানে কিন্তু ম্যাক্সিমামই কিন্তু জিরো এবং যদি জেন্ডার যদি মেল না হয় তাহলে কিন্তু দেখা যাচ্ছে যে এখানে 74% 74% বেঁচে গিয়েছিলেন যদি জেন্ডার মেল না হয় ওয়ান ওয়ান মানে হচ্ছে বেঁচে গিয়েছেন 74% বেঁচে গিয়েছেন সেই হিসাবে কিন্তু আমরা তারপরে প্যাসেঞ্জার ক্লাস যদি থ্রি এর বেশি হয় এবং ইকুয়াস হয় তার জন্য কিন্তু একটা সার্টেন পার্সেন্টেজ কিন্তু মারা গেছেন বা এখানে যদি এর অপোজিটটা হয় মানে এখানে ইয়েস এবং নো আমরা যদি এখানে যদি ইয়েস চিন্তা করি এখানে নো চিন্তা করি তাহলে কিন্তু এই ধরনের সিদ্ধান্তগুলো সে নিয়েছে ফেয়ার যদি 23 ডলারের বেশি হয় তাহলে একটা সিদ্ধান্ত এখানে বয়স যদি 6.5 এর বেশি হয় তার জন্য কিন্তু একটা সিদ্ধান্ত সিবলিং এন্ড স্পাউস যদি সংখ্যায় তিনের বেশি হয় এবং ইকুয়াস হয় তার জন্য এক সিদ্ধান্ত মানে এভাবে কিন্তু এই সিদ্ধান্তগুলো তারা নিয়েছে ফেয়ার কত হলে হবে ফেয়ারের এই ইকুয়াস গুলো কিন্তু তারা এখানে একটা ডিসিশন ট্রি তে ফেলেছে আমার ধারণা যে আপনারা যদি হাতে কলমে মেশিন লার্নিং বইটা পড়েন তাহলে কিন্তু এই ব্যাপারে আপনারা আরো ভালো বুঝতে পারবেন এবং সবকিছুই নন প্রোগ্রামারদের জন্য আজকে এই পর্যন্তই থাকছেন তো সামনে |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | ৩য় প্রেডিকশন, (এগ্রিগেট) গ্রুপওয়াইজ সাবসেট দেখা.mp3 | শুরুতেই ডেটা সায়েন্স বুঝতে গেলে আর প্রোগ্রামিং এনভায়রনমেন্টের কাজ আসলেই অসাধারণ। এর এক লাইনের কমান্ডগুলো আসলেই খুব ছোট তবে খুবই কাজের। যেহেতু আর এর জন্মই ডেটাকে ঘিরে আর সে কারণে কিন্তু আর এর ডেটা নিয়ে কাজ করার পারসপেক্টিভ অন্য যেকোনো প্রোগ্রামিং এনভায়রনমেন্ট থেকে অনেক ভালো। আমরা যেহেতু ভাড়াকে চারটি ভাগে ভাগ করে ফেলেছি আর সে কারণে কিন্তু আমরা জানতে চাইবো এই চারটি ভাড়ার সেগমেন্টে মানে যারা যারা এই ভাড়ার সেগমেন্টে পড়ছেন তাদের মধ্যে বাঁচার সংখ্যা বা অনুপাত কত। আমাদের ডেটা ফ্রেমে বিভিন্ন ভেরিয়েবলের মধ্যে অনুপাতগুলো বের করা কিন্তু একটু কষ্টকর যদি প্রপোরশন টেবিল ব্যবহার করা হয়। দুটো তিনটে ভেরিয়েবলের মধ্যে অনুপাত তবে এই ভেরিয়েবলগুলোর ভিতরে যদি কোন সাবসেট থাকে আর সেই সাবসেটের মধ্যে যদি গ্রুপ ওয়াইজ যদি আমরা আলাদা করে অনুপাত পেতে চাই তাহলে কিন্তু সেটার জন্য অন্য ফাংশন প্রয়োজন পড়ছে। এইজন্য কিন্তু আর এর একটা ছোট্ট কমান্ড কিন্তু বেশ পাওয়ারফুল এগ্রিগেট। যেখানে আমরা বিভিন্ন ভেরিয়েবলগুলোর মধ্যে যে ভেতরের সাবসেট সেগুলোর ভিতরে কিন্তু গ্রুপগুলোকে সাবসেট ওয়াইজ ভাগ করে ফেলবো। আমাদের এই এগ্রিগেট ফাংশনের ফর্মুলাটা কিন্তু বেশ মজার। এখানে ওয়াই হচ্ছে ডিপেন্ডেন্ট ভেরিয়েবল যেটা হচ্ছে আমাদের সারভাইভড। এরপরে টিল্ডা আর টিল্ডার পরে কিন্তু এক্স ওয়ান প্লাস এক্স টু মানে যত ধরনের ভেরিয়েবলগুলোকে আমরা এগ্রিগেট করে গ্রুপ ওয়াইজ করতে চাই তাদের নামগুলো দেবো আমরা এখানে। এর অর্থ হচ্ছে আমাদের এক্স ওয়ান বা এক্স টু এর উপর কিন্তু নির্ভর করছে ওয়াই এর মানটা। এরপরের আর্গুমেন্ট হচ্ছে ফাংশন মানে আপনি আপনার ইন্ডিপেন্ডেন্ট যে ভেরিয়েবলটা আছে সেটার পাশাপাশি ওয়াই এর প্রতিটা লেভেলে কিভাবে সেটাকে এপ্লাই করতে চান। এই ফাংশন আর্গুমেন্টটা কিন্তু আমরা আমাদের কাজের জন্য লেন্থ অথবা ভেরিয়েবলের যে সাম মানে যোগফল সেটাও কিন্তু আমরা দেখতে পারি এখানে। আর এই ফর্মুলার শেষ অংশ হচ্ছে ডেটা মানে কোন ডেটা ফ্রেমটা ব্যবহার করব আমরা এখানে। এই বইটা লেখার পরে সবচেয়ে বেশি ইনপুট পেয়েছি এই এগ্রিগেট কমান্ডটার ব্যাপারে। সে কারণে কিন্তু এত খোলাসা করে বলা। আমাদের এগ্রিগেট কমান্ডের কিন্তু পরেই আসছে কিন্তু ওয়াই। মানে এখানে আমরা ওয়াই হিসেবে ধরছি সারভাইভড কলাম মানে আমাদের আউটকাম ডিপেন্ডেন্ট ভেরিয়েবল হিসেবে আমরা ধরে নিচ্ছি সারভাইভড। মানে আমরা চাচ্ছি কিন্তু কারা কারা বেঁচে গিয়েছিলেন। এই সারভাইভড কলামের উপরেই কিন্তু সব কাজ। টিল্ডার পরে রাখছি কিন্তু আমরা ইন্ডিপেন্ডেন্ট ভেরিয়েবল মানে হচ্ছে এক্স। মানে এখানে আমরা এক্স হিসেবে ধারণা করছি সেক্স হিসেবে যাতে আমরা জেন্ডার ওয়াইজ আমাদের আউটকামটা পেতে পারি। এরপরে আমরা বলছি ডেটা ইকুয়ালস টু ট্রেন। মানে আমাদের এখানে ডেটা ফ্রেমটা হচ্ছে ট্রেন। আর সবশেষে হচ্ছে ফাংশন। মানে কি ধরনের ফাংশন আমরা এটার মধ্যে এপ্লাই করতে চাই। আর এখানে আমরা বলছি সাম। মানে সারভাইভড কলামের আউটকামে যেভাবে শূন্য এবং এক আছে সেখানে কিন্তু আমরা একগুলোকে যোগ করেই কিন্তু নিয়ে আসবো আমাদের আউটকামে। আর সব এককে যোগ করলেই কিন্তু আমরা পেয়ে যাচ্ছি কারা কারা বেঁচে গিয়েছিলেন। আমরা যখন ফাংশনকে সাম হিসেবে যোগ করছি সেখানে দেখবেন যে আমাদের ফিমেল 233 এবং মেল 109 জন বেঁচে গিয়েছেন। এই একই কমান্ডে আমরা যখন ফাংশনকে লেন্থ হিসেবে ব্যবহার করব তখন কিন্তু আমাদের ফিমেল এবং মেলের টোটাল সংখ্যা মানে আসলে কতজন যাত্রী ছিলেন ওই জাহাজে সেটা কিন্তু পাওয়া যাবে। এর আউটকামে আমরা দেখছি ফিমেল 314 আর মেল 577 জন কিন্তু ছিলেন ওই জাহাজে। এই দুটো আর্গুমেন্টকে পাশাপাশি দাঁড়ালে কিন্তু আমরা বুঝতে পারব যে ফিমেল মোট 314 জনের মধ্যে কিন্তু 233 জন বেঁচে গিয়েছিলেন। আর সেখানে মেল মানে 577 জনের মধ্যে কিন্তু বেঁচে গিয়েছিলেন 109 জন পুরুষ। মজার কথা হচ্ছে সামে যারা যারা বেঁচে গিয়েছিলেন আর লেন্থে হচ্ছে গিয়ে পুরো যাত্রী। তার মানে কিন্তু আমরা এই দুটোকে কোনো না কোনোভাবে কিন্তু একটা অনুপাতে ফেলতে পারব। রাইট? আর সে কারণে কিন্তু একটা ফাংশন কল করছি এই দুটোর অনুপাত ব্যবহার করার জন্য। আমরা এখানে এমন একটা ফাংশনকে কল করছি যে আসলে এই সাম আর লেন্থকে ভাগ করে কিন্তু আপনাকে একটা অনুপাত দিয়ে দেবে। এই অনুপাতে কিন্তু দেখা যাচ্ছে ফিমেল 74% আর মেল 18% কিন্তু বেঁচে গিয়েছিলেন। আমাদের এই জিনিসটা কিন্তু মিলে যাচ্ছে আমাদের প্রপোরশন টেবিলের আউটপুটের সাথে। যেহেতু প্রপোরশন টেবিল দুটোর বেশি কিন্তু ভেরিয়েবল নিয়ে কাজ করতে পারছে না আর সে কারণে কিন্তু আমরা এগ্রিগেট নিয়ে আমরা সামনে কথা বলব। আপনাদের বোঝানোর সুবিধার্থে আমি কিন্তু এই মুহূর্তে একটা মাত্র ইন্ডিপেন্ডেন্ট ভেরিয়েবল নিয়েছি মানে সেক্স। এখানে আমাদের গ্রুপিং হচ্ছে জেন্ডার ওয়াইজ এবং সেটাই কিন্তু এসেছে ফাইনাল আউটকাম মানে সারভাইভড কলাম হিসেবে। সামনে কিন্তু আমরা এগ্রিগেট কমান্ডে কিন্তু অনেকগুলো ইন্ডিপেন্ডেন্ট ভেরিয়েবল নেব। ঠিক আছে? দেখা হচ্ছে সামনে। |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | হাতেকলমে মেশিন লার্নিং (দ্বিতীয় সংস্করণ) আর-ষ্টুডিও ক্লাউড.mp3 | আপনাদের মনে আছে আমি যখন মেশিন লার্নিং নিয়ে প্রথম বইটি লিখলাম সেটাতে আর দিয়ে শুরু করেছিলাম। আর আর দিয়ে শুরু করবই না কেন কারণ আর এর লার্নিং কার্ভ অসাধারণ। আমরা বারবার বলেছি মেশিন লার্নিং শেখার শুরুতে আর প্রোগ্রামিং ল্যাঙ্গুয়েজ দিয়ে শেখাটা খুব সহজ। তবে এটা ঠিক যে অন্যান্য প্রোগ্রামিং এনভাইরনমেন্টের মধ্যে আর কেউ লোকাল মেশিনে এনভাইরনমেন্ট তৈরি করার জন্য দুটো জিনিস ইনস্টল করতে প্রয়োজন ছিল। যেটাকে আমরা বলতাম একটা বেইজ আর আর তার সাথে একটা আইডি মানে আর স্টুডিও। তবে এটা ঠিক যে এখন গুগল কোলাবের যুগে যখন সবকিছুই অনলাইনে চলে গিয়েছে। এর পাশাপাশি আমি নিজেও সবাইকে উদ্বুদ্ধ করি কিভাবে অনলাইনে ব্রাউজার ভিত্তিক কাজ করা যায়। যার অর্থ হচ্ছে ডেডিকেটেড প্রসেসর ভিত্তিক পিসির দরকার নেই। একটা ক্রোমবুক হলেই যথেষ্ট। এখন যেহেতু সবকিছুই ক্লাউড ভিত্তিক মানে ভার্চুয়াল মেশিন পাওয়া যাচ্ছে ওয়েবে সেখানে আর এবং আর স্টুডিও কেন ইনস্টল করতে হবে আমাদের নিজস্ব পিসিতে? একদম ঠিক ধরেছেন আর এই ক্লাউডের যুগে আর স্টুডিও চলে এসেছে ক্লাউডে। এর সবচেয়ে বড় সুবিধা হচ্ছে এখানে কোন কিছু কনফিগার করার প্রয়োজন পড়ছে না। আমাদের কোন হার্ডওয়্যার বা ইনস্টলেশন লাগছে না। যে জিনিসটা ভালো লেগেছে শেখার শুরুর জন্য আমাদের কোন ধরনের অ্যানুয়াল পারচেজ কন্ট্রাক্ট করতে হচ্ছে না এখানে। মানে বোঝা যাচ্ছে যে এখানে দেয়ার উড বি অলওয়েজ এ ফ্রি প্ল্যান ফর ইন্ডিভিজুয়ালস। আর যেহেতু আমরা শুধুমাত্র ব্রাউজার নিয়ে কাজ করছি এর মানে হচ্ছে আর স্টুডিওর আপনার কাজ শেয়ার করা যাবে কিন্তু সবার সাথে। আমি যেটা দেখলাম যে ডাটা সাইন্সের বেসিক শেখার জন্য অনেক কিছুই ইনস্টল করার প্রয়োজন নেই শুরুতে কারণ সেগুলোকে তারা ইনস্টল করে রেখেছে এই সিস্টেমের সাথেই। এখন আপনি আমাকে বলতে পারেন যে হাতে কলমে মেশিন লার্নিং বইটার সব স্ক্রিপ্টগুলো কিভাবে মাইগ্রেট করবো আমরা আর স্টুডিও ক্লাউডে? ব্যাপারটা খুবই সোজা কারণ সব স্ক্রিপ্ট চলবে আগের মতো। শুধুমাত্র আপনাকে পরিবর্তন করতে হবে আপনার ওয়ার্কিং ডিরেক্টরিটাকে। আর এটাই স্বাভাবিক কারণ আপনার পিসির ওয়ার্কিং ডিরেক্টরি এটা কখনোই মিলবে না আপনার ক্লাউডের ওয়ার্কিং ডিরেক্টরির সাথে। তার আগে জানতে হবে যে আমাদের ওয়ার্কিং ডিরেক্টরিটা কেন প্রয়োজন? অবশ্যই আমাদের যে কাজ করার সিএসভি ফাইলগুলো এবং যে আউটপুট ফাইলগুলো আমরা তৈরি করব সেগুলোকে কোথায় রাখবো? এ ব্যাপারে আমার সবসময় রিকমেন্ডেশন থাকবে আপনারা সবসময় গিটহাবের একাউন্টটা ফর্ক করে নিবেন আপনার একাউন্টে। এটা একটা গুড প্র্যাকটিস। আপনি যখন এই গিটহাব লিংকটাকে ফর্ক করে নিচ্ছেন আপনার একাউন্টে তখন সেটাকে মডিফাই করে নিতে পারবেন আপনার প্রয়োজন মতো আপনার নিজস্ব শেখার পেইসে। আর স্টুডিও ক্লাউডে আপনি ঢোকার পর আপনার নিজস্ব ওয়ার্কস্পেসে যখন নতুন প্রজেক্ট তৈরি করতে চাইবেন তখন আপনি সিলেক্ট করবেন নিউ প্রজেক্ট ফ্রম গিট রেপো এবং সেখানে আপনার নিজস্ব গিটহাব রেপোর লিংকটা দিয়ে দিবেন। এর কিছুক্ষণের মধ্যেই আপনার পুরো এনভাইরনমেন্টটা তৈরি হয়ে যাবে আপনার কাজের সুবিধার্থে। তবে বলে রাখি এনভাইরনমেন্ট প্রথমবার লোড করার জন্য সময় একটু বেশি লাগতে পারে। ধন্যবাদ সাথে থাকার জন্য থাকছেন তো সামনে? |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | মেশিন লার্নিং ট্রেনিং, টেস্ট এবং ভ্যালিডেশন ডাটাসেট কেন ML, training, test, validation dataset.mp3 | মেশিন লার্নিং নিয়ে যখন প্রথম লেখা শুরু করি তখন হয়তোবা 2015 সালের ঘটনা। আমি প্রথম দিকে মেশিন লার্নিং নিয়ে যখন লেখা শুরু করলাম তখন সেটাকে আমি অনলাইনে মানে বইটাকে আমি অনলাইনে রেখেছিলাম। মানে ওটার শুরুতের প্রিন্ট এডিশন ছিল না। পরে সেই বইটাকে এডিট করে যে বইটাকে নিয়ে এলাম সেটা হচ্ছে গিয়ে এই বইটা। মানে এই বইটা হচ্ছে গিয়ে আমার প্রথম বই মেশিন লার্নিং এ এবং আমার কাছে মনে হয়েছে যে এই বইটা যখন আমি প্রিন্ট এডিশনে বের করলাম তখন আমার কাছে মনে হলো যে না আরো অন্যান্য অনেকগুলো বই। কারণ আমি সবগুলো বই এ পর্যন্ত আমি যতগুলো বই লিখেছি সবগুলো ক্রিয়েটিভ কমন্স লাইসেন্সে আমি আসলে সব ওয়েবে উন্মুক্ত করেছি। তো যখন প্রিন্ট এডিশনে এলো তখন আমার কাছে মনে হলো যে না লোকজন অনলাইনে পড়ার থেকে অনেকেই আসলে প্রিন্ট এডিশনে পড়তে ভালোবাসেন। আর সে কারণেই একটার পর একটা বই এলো। সো আসলে আজকের আলাপ হচ্ছে টেস্ট এবং ট্রেইন ডেটা সেট। মানে আমরা আসলে অনেক সময় আলাপ করি যে আমরা মেশিন লার্নিং এর ট্রেইন করলাম। মানে এর আগে আমি যেটা বলেছিলাম যে আমরা আসলে মেশিন লার্নিং বা মেশিনকে আমরা কিভাবে শেখাবো। তো আমরা আসলে মেশিনকে শেখাই ট্রেনিং ডেটা সেট দিয়ে এবং ট্রেনিং ডেটা সেট দিয়ে আমরা যখন মেশিনকে শেখাই তখন সেটাকে টেস্ট করার জন্য আমাদের টেস্ট ডেটা সেট। যে আসলে মেশিন লার্নিং মডেলটা কি ঠিকমত কাজ করছে কিনা সেটাই দেখার জন্য আমাদের হচ্ছে গিয়ে টেস্ট ডেটা সেট। তো আসলে আমাদের এই বইটাতে হাতে কলমে মেশিন লার্নিং বইটাতে আমাকে যেটা বলেছি যেটা আসলে আমাদের এই বইটাতেও এই বইটাতেও কিন্তু একই কথা আছে। বাট এখানে এই বইটা শুধুমাত্র আর দিয়ে তৈরি করা ছিল। মানে এটা আমরা শুধুমাত্র আর প্রোগ্রামিং এনভারমেন্টে ছিল। তবে আমি এটাকে রিভাইজড যখন করলাম এখন এই বইটা হচ্ছে গিয়ে আর এবং পাইথন দুটোতেই এই টাইটানিক প্রজেক্টটাকে আমরা সলভ করেছি। সো আসলে আজকের আলাপে যদি আমরা যাই ট্রেইন এবং টেস্ট ডেটা সেট। মানে আসলে যে ট্রেনিং এবং টেস্ট ডেটা সেটটা আসলে কি? মানে সেটা নিয়ে যদি আমরা আলাপ করি যে আমরা সারা বছর পড়ি। মানে সারা বছর যখন পড়ি সেটা হচ্ছে গিয়ে আমাদের ট্রেনিং। মানে আমরা আসলে সারা বছর ধরে পড়ি। এখন সারা বছর ধরে যখন পড়ি তখন দেখবেন যে একই জিনিস যে আমরা আসলে এই ছবিতে যখন আমরা ট্রেনিং ডেটা আমরা মডেলে ঢুকাচ্ছি। মানে এখানে যদি দেখেন যে আমরা ট্রেনিং ডেটাকে মডেলে ঢুকাচ্ছি। তো ট্রেনিং ডেটা যখন মডেলে ঢুকাচ্ছি তখন সেটা একটা মেশিন লার্নিং মডেল হচ্ছে। তো মেশিন লার্নিং মডেল যখন হয় তখন সেটাকে আসলে টেস্ট করাতে দরকার। কারণ আমার মডেলটা ঠিকমত কাজ করছে কিনা বা এটার মধ্যে বায়াস আছে কিনা বা এটার মধ্যে অন্যান্য প্রবলেম আছে কিনা সেটা বের করার জন্য আসলে আমরা টেস্ট ডেটা সেট ব্যবহার করি। সাধারণত টেস্ট ডেটা সেট ব্যবহার করি হচ্ছে গিয়ে মডেলটা তৈরি হবার পরে। মানে আমরা যখন মডেলটা তৈরি করি তারপরে সেটাকে টেস্ট ডেটা সেট। মানে হয়তোবা এরকম অনেক সময় হয় যে আমরা ট্রেনিং ডেটা সেটের মধ্যে 80% হয়তোবা রাখি হচ্ছে গিয়ে ট্রেনিং এর জন্য আর 20% অফ ট্রেনিং ডেটা যেটাকে সেপারেট রাখা হয় যেটাকে কখনোই ট্রেনিং এর মধ্যে নেওয়া হয় না। যেটাকে কখনোই মডেলকে দেখানো হয় দেখানো হয় না। সেই 20% টাকে আমরা টেস্ট ডেটা সেট বলি যখন এটা মডেল তৈরি হয়। তবে আমরা যে জিনিসটা বারবার বলার চেষ্টা করছি যে শুধুমাত্র ট্রেনিং বা টেস্ট ডেটা সেট থেকে আমরা থেমে থাকি না এবং সেজন্যই আমরা বলেছি এবং আমরা যদি এখানে দেখাই যে ট্রেনিং, টেস্ট এবং ভ্যালিডেশন। মানে আমরা যদি বলি যে ভ্যালিডেশন সেট। মানে ট্রেনিং, টেস্ট এবং ভ্যালিডেশন সেট। সো এখানে ব্যাপারটা এরকম যে আমরা যখন ট্রেনিং করাই ওই ট্রেনিং এর সময় আমরা ওই ডেটার কিছু অংশ ওই ডেটার কিছু অংশ আলাদা করে রাখি। সেটাকে আমরা ভ্যালিডেশন সেট বলতে পারি। যখন আমরা ট্রেনিং এর সময় ভ্যালিডেট করি যে কোন ধরনের প্যারামিটার টিউনিং দরকার আছে কিনা, কোন ধরনের প্রবলেম পাচ্ছি কিনা সেটা আমরা টিউনিং করতে পারি কিনা। বিকজ হাইপার প্যারামিটার টিউনিং যখন আমরা করি মানে বিভিন্ন ফিচার আমরা দেই। কিছু ফিচার আমরা কোন সময় বন্ধ করে দেই, কোন ফিচার আমরা দেই, কোন ফিচার আমরা ফিচারের যে প্যারামিটার আছে সেই প্যারামিটারের নাম্বারগুলো আমরা পাল্টে দেই। তখন আমরা ভ্যালিডেশন সেট ব্যবহার করি। কারণ ভ্যালিডেশন সেটের কাজ হচ্ছে গিয়ে ট্রেনিং এর সময় মডেলটাকে আসলে ভ্যালিডেট করা যে মডেলটা ঠিকমত পারফর্ম করছে কিনা। ফাইনালি আমরা টেস্ট ডেটা সেট দিয়ে আমরা মডেলটাকে চেক করি। বাট সেটা মডেলটা তৈরি হবার পরে। মানে মডেলটা যখন তৈরি হলো তখন আমরা ফাইনালি আমরা যেই ডেটা সেটটা দিয়ে কখনো ট্রেনিং করেনি, যে ডেটা যেই ডেটা সেটটা আসলে ট্রেনিং কখনো দেখেনি সেই ডেটা সেটটা দিয়ে আমরা টেস্ট ডেটা সেট যেটাকে বলছি। টেস্ট ডেটা সেট এবং এই টেস্ট ডেটা সেটটাই কিন্তু আসলে দিনশেষে আমাদের ফাইনাল যে অবজেক্টিভ যে আমাদের ডেটা সেটটা ঠিকমত কাজ করছে কিনা সেটাই হচ্ছে গিয়ে আমরা দেখি এই টেস্ট ডেটা সেটে। আর ভ্যালিডেশন ডেটা সেটটা হচ্ছে গিয়ে ট্রেনিং এর সময় বিভিন্ন হাইপার প্যারামিটার বিভিন্ন প্যারামিটার যখন আমরা চেঞ্জ করি। চেঞ্জ করার সময় তখন আমরা এই ভ্যালিডেশন সেট ব্যবহার করি যেটা আসলে ট্রেনিং এর সময় ট্রেনিং দেখে না। মানে ট্রেনিং দেখে না কিন্তু মডেল তৈরি করার সময় তখন সেটা দেখে। তো আমরা ওইভাবেই কিন্তু এই ট্রেনিং, টেস্ট এবং ভ্যালিডেশন সেট। অনেক সময় আমরা ভ্যালিডেশন সেট ব্যবহার করি না। ছোট ছোটখাটো কাজে বাট ইট ইজ এ গুড প্র্যাকটিস যে আমরা ট্রেনিং রাখবো, ভ্যালিডেশন সেট রাখবো এবং ফাইনালি মডেল তৈরি হবার পরে আমরা টেস্ট ডেটা সেট দিয়ে আমরা সেটাকে ট্রায়াল দিব। সো এই বইটা আমার খুব প্রিয় বই। কারণ এটা প্রথম বই এবং এটার মধ্যে আমার প্রচুর জীবনের গল্প আছে। আমার জীবনের গল্প মানে কেন আমি ডেটাতে এলাম এবং কেন ডেটা আমাকে ইনফিউজ করলো এবং কেন ডেটা নিয়ে আমার ভবিষ্যৎ আমি গড়ছি। আমার বয়স এখন 53 বছর বাট স্টিল আই আই লাভ টু ওয়ার্ক উইথ ডেটা। সো আপনারা যারা নতুন প্রজন্ম আমি মনে করি যে ডেটা ইজ দা ফিউচার। ডেটা ইজ দা নিউ ওয়েল। পড়ছেন তো এই বইটা? সো আমি মনে করতে পারি যে আপনারা এই বইটা পড়বেন। কেনার দরকার নেই। অনলাইনে এই বইটা পড়া যায়। পাশাপাশি আপনারা আমি চাই যে আপনার ডেটার যে ক্যারিয়ার সেটা সেটা নিয়ে আপনাদের ক্যারিয়ারটা বিল্ড করুন। আজকে এই পর্যন্তই। থাকছেন তো সামনে? |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | কেন ক্যাগল.mp3 | ডেটা সাইন্স নিয়ে কাজ করছেন অথচ ক্যাগলকে চেনেন না সেরকম মানুষ পাওয়া দুষ্কর। এখন হচ্ছে ক্রাউড সোর্সিং এর যুগ। কিকস্টার্টের মতো অনেক কোম্পানি আসলে এখন অনেক প্রোডাক্ট বের করছে জাস্ট বিভিন্ন আইডিয়া নিয়ে কাজ করতে গিয়ে। আপনার কাছে আইডিয়া আছে কিন্তু টাকা নেই তাহলে কিন্তু আপনি আপনার ভবিষ্যৎ কাস্টমার থেকে টাকা তুলতে পারেন আপনার প্রোডাক্ট পিচ করেই। সে ধরনের একটা মেশিন লার্নিং ক্রাউড সোর্সিং প্ল্যাটফর্ম হচ্ছে এই ক্যাগল। অবশ্যই ক্যাগল একটা স্পেশালাইজড কোম্পানি যারা আসলে বিভিন্ন কোম্পানির মেশিন লার্নিং সমস্যার সমাধান করে দেয় ক্রাউড সোর্সিং এর মাধ্যমে। অনেক দেশের সরকার এবং অনেক বড় বড় কোম্পানি কিন্তু ক্যাগলের ক্লায়েন্ট। আগে যে কাজগুলো একটা কোম্পানির মাধ্যমে করতে হতো সেটাই কিন্তু এখন কয়েকজন মিলে করছে এই ক্রাউড সোর্সিং প্ল্যাটফর্মে। বিভিন্ন কোম্পানি বা দেশগুলো ক্যাগলের সাথে যোগাযোগ করে তাদের সমস্যাগুলো নিয়ে তখন ক্যাগল সেই ডেটা সেটগুলো নিয়ে একটা আলাদা প্ল্যাটফর্ম তৈরি করে একটা প্রতিযোগিতা করানোর জন্য। পৃথিবীর বিভিন্ন সমস্যা দেখা যায় সেই ক্যাগল সাইটে গেলে। আর সেই সমস্যাগুলোকে মেটানোর চেষ্টা করছে পৃথিবীব্যাপী বিভিন্ন ডেটা সাইন্টিস্ট বিভিন্ন জায়গায় বসে। অনেকদিন ধরেই কিন্তু গুগল দেখছিল ক্যাগলের কাজ এবং সে কারণেই কিন্তু গুগল কিনে ফেলল এই ক্যাগলকে গত বছরেই। অবশ্যই ক্যাগলের প্রচুর প্রাইজ মানি আছে তাই বলে যে ক্যাগল শেখাচ্ছে না ডেটা সাইন্স সেটাই বা কে বলবে। গুগল এবং ক্যাগল কিন্তু বুঝে গেছে আমাদের সামনে পৃথিবীতে অনেক সমস্যা আছে যেগুলোর জন্য দরকার প্রচুর ডেটা সাইন্টিস্ট। আর সে কারণে কিন্তু গুগল এবং ক্যাগল নতুন ডেটা সাইন্টিস্ট বানানোর জন্যই কিন্তু নিয়ে এলেন অনেক অনেক বড় বড় ফিচার। আর সে কারণে কিন্তু ক্যাগল সাইটে গেলে নতুন ব্যবহারকারীর জন্য কিন্তু আলাদা উইন্ডো আর সেখানেও কিন্তু অনলাইন গেমসের মতো লিডার বোর্ডের ব্যবস্থা মানে আপনি আপনার মডেলটা কতটুকু একিউরেসি পেয়েছে সেটাই কিন্তু জানবে পৃথিবী। আর এই লিডার বোর্ডটাই কিন্তু আপনার রেজুমে। পুরো পৃথিবী কিন্তু জানছে আপনি বা আপনার মডেলটা কত একিউরেট। অনেকে আমাকে বলেন ওনারা চাকরি পাচ্ছেন না কিন্তু ক্যাগলের লিডার বোর্ড দেখলে এমন কেউ নেই যে আসলে বড় বড় কোম্পানিতে কাজ করছেন না। কারণ হেড হান্টাররাই কিন্তু তাদেরকে তুলে নিয়ে গেছে সেই কোম্পানিগুলোতে। যারা মেশিন লার্নিং মানে ডেটা সাইন্স নিয়ে কাজ শুরু করতে চাচ্ছেন তাদের জন্য কিন্তু দা ওয়ান প্লেস দিস ক্যাগল। আর সে কারণে কিন্তু বিগিনার্সদের জন্য অনেক অনেকগুলো এক্সারসাইজ দেওয়া আছে। আর আমি যেহেতু পৃথিবীর বাইরের কেউ নই তার মানে আমিও কিন্তু পৃথিবীর সবার মতো পছন্দ করি এই টাইটানিক প্রজেক্ট। আর সে কারণে কিন্তু টাইটানিক ভয়েজে কারা কারা বেঁচে যাবেন অথবা মারা যাবেন সেটা নিয়ে কিন্তু আমরা আসছি আমাদের সামনের ভিডিওতে। থাকছেন তো সামনে? |
মেশিন লার্নিং (দ্বিতীয় সংস্করণ) বইয়ের ভিডিও সিরিজ | ৩য় প্রেডিকশন, (এগ্রিগেট) গ্রুপওয়াইজ সাবসেট থেকে ধারণা, ওই গ্রুপে কতজন.mp3 | একটা জিনিস আপনাদেরকে বলা উচিত, মেশিন লার্নিং যেভাবে আসলে বিভিন্ন ভেরিয়েবল গুলোর মধ্যে কিন্তু সম্পর্ক বের করে, সেগুলো কিন্তু আমরা চেষ্টা করছি ম্যানুয়ালি। আবার ধরুন একটা ভেরিয়েবলের ভেতরে যদি তাদের সাবসেট বা গ্রুপ ওয়াইজ যদি আমরা কোন ধারণা পেতে চাই, সেটাও কিন্তু সম্ভব। আপনি দেখুন জাহাজ ভাড়া হিসেবে কিন্তু একেকজন একেকটা ভাড়া দিয়েছে আর সেটা কিন্তু মানুষের জন্য কিন্তু আমরা বিভিন্ন সাবসেটে ভাগ করে ফেলেছি। মেশিনের জন্য নয়। মানে আপনি মানুষ হিসেবে ধারণা পাওয়ার জন্য যে এই একটা ভেরিয়েবল ভাড়ার মধ্যেই কতগুলো সাবসেট আছে যেগুলো মানুষ হিসেবে আমাদের বোঝার জন্য কিন্তু এই ভাগটা আমরা করেছি। এই চারটা সাবসেট আর এই চারটা সাবসেটের মধ্যে কারা কারা মারা গিয়েছেন সেটা যদি ধারণা পাওয়া যায় তাহলে কিন্তু আপনি এই ভাড়ার একটা সাবসেটের হিসেবে কোন গ্রুপের মানুষ বেশি মারা গিয়েছে সেটা কিন্তু পাওয়া যাবে। এগ্রিগেট ফাংশনটা এতটাই ইম্পর্টেন্ট যে আমি দুটো ভিডিও করেছি এটার ব্যাপারে। উদাহরণ হিসেবে দেখানোর জন্য আমরা এই এগ্রিগেট কমান্ডের বেশ কিছু আউটকাম দেখেছিলাম। তবে আজকের এগ্রিগেট কমান্ডগুলো হচ্ছে ফাইনাল আউটকাম। মানে যেখান থেকে আমরা ইনসাইট পাবো। এই ভাড়ার চার গ্রুপের মধ্যে সবচেয়ে বেশি বেঁচে গিয়েছিলেন কোন গ্রুপের মানুষজন যারা টিকিট কিনেছিলেন এই চারটা গ্রুপে। মানে 10 ডলারের নিচে নাকি 10 থেকে 20 ডলার নাকি 20 থেকে 30 ডলার নাকি 30 ডলারের উপরে। চলে এলাম এগ্রিগেট কমান্ডে। এখানে শুরুতেই কিন্তু আমরা সারভাইভড মানে এটা হচ্ছে ওয়াই। এটা হচ্ছে আমাদের ডিপেন্ডেন্ট ভেরিয়েবল। মানে এখানেই কিন্তু আমাদের আউটকামগুলো গ্রুপিং হবে আমাদের দরকার মতো। এখন বলুন গ্রুপিংগুলো হবে কোন কোন ইনপুটের প্র ভিত্তিতে? অবশ্যই ফেয়ার টু। এরপর হচ্ছে পি ক্লাস। তারপর হচ্ছে সেক্স। ডেটা ফ্রেম ট্রেনকে ব্যবহার করার ফলে কিন্তু আমরা এখানে দেখিয়ে দিচ্ছি কোন ডেটা ফ্রেমটা ব্যবহার করছি। ডেটা ফ্রেম ইকুয়ালস টু ট্রেন। আমরা যেহেতু জানতে চাচ্ছি কতজন বেঁচে গিয়েছিলেন মানে এখানে কোন কোন অংশগুলোকে ওয়ান হিসেবে যোগ করা হয়েছে। এ কারণে কিন্তু আমরা ফাংশনে দেখিয়ে দিচ্ছি সাম। মানে সব একগুলোকে যোগ করে দেখিয়ে দিবে টোটাল কতজন বেঁচে গিয়েছিলেন। আমরা এখন ডেটা থেকে কিছু ধারণা পাওয়ার চেষ্টা করি। আমি এখানে দেখছি ফেয়ার টু, পি ক্লাস, সেক্স, সারভাইভড। এই চারটা ক্যাটাগরিতে কিন্তু টোটাল 20 টা আলাদা আলাদা গ্রুপ তৈরি হয়েছে। এক নাম্বার ক্যাটাগরিতে আমরা দেখছি ফেয়ার টু মানে যিনি 20 থেকে 30 ডলারের মধ্যে টিকিট কেটেছিলেন এবং প্যাসেঞ্জার ক্লাস ওয়ান মানে ফার্স্ট ক্লাস আর যদি মহিলা মানে জেন্ডার যদি মহিলা হয় সেখানে দেখা যাচ্ছে বেঁচেছেন টোটাল পাঁচজন। মানে ওই সাবগ্রুপে টোটাল পাঁচজন বেঁচে গিয়েছিলেন। দ্বিতীয় ক্যাটাগরিতে আমরা যেটা দেখছি সেটা হচ্ছে 30 ডলারের বেশি টাকা দিয়ে টিকিট কেটেছিলেন এবং প্যাসেঞ্জার ক্লাস ফার্স্ট ক্লাস মহিলা এই গ্রুপে কিন্তু 86 জন মানুষ বেঁচে গিয়েছিলেন। আপনি এর মধ্যে বুঝে গেছেন যে ফাইনাল আউটকাম মানে সারভাইভড সারভাইভড এর হিসেবে কিন্তু সব গ্রুপিং হচ্ছে। তিন নাম্বার ক্যাটাগরিতে যারা 10 থেকে 20 ডলার খরচ করে টিকিট কেটেছিলেন তাদের মধ্যে সেকেন্ড ক্লাস এবং মহিলা তাদের মধ্যে বেঁচে গিয়েছিলেন 32 জন। আমাদের এই এগ্রিগেশনের ফাংশন হিসেবে যেহেতু আমরা সাম দিয়েছি তার মানে হচ্ছে গিয়ে আমাদের ফাইনাল আউটকাম সারভাইভড কলামে সব একগুলোকে যোগ করে কিন্তু এই আউটকামটা নিয়ে এসেছে। তার মানে হচ্ছে গিয়ে এক মানে হচ্ছে যারা বেঁচে গিয়েছিলেন আর সে কারণে কিন্তু সারভাইভডে টোটাল সংখ্যা আসছে কারা বেঁচে গিয়েছিলেন। এখন সবচেয়ে বড় প্রশ্ন হতে পারে কতজনের মধ্যে কতজন ওই গ্রুপে বেঁচে গিয়েছিলেন। সেখানে আমরা যদি ফাংশনে সাম না বলে যদি আমরা লেন্থ বলে দেই তাহলে কিন্তু সেই সারভাইভড কলামে শূন্য অথবা এক যেটা থাকুক না কেন সেগুলোকে সম্পূর্ণ যোগ করে মানে টোটাল ওই ভেরিয়েবলের মোট রেকর্ড সংখ্যাকে সে যোগ করে নিয়ে আসবে এখানে। এখন এই নতুন এগ্রিগেট কমান্ডে আমরা যখন ফাংশন হিসেবে লেন্থ দিলাম সেখানে দেখা গেল যে সবগুলো সারভাইভড এর সংখ্যা আগের সাম থেকে কিন্তু বেশি। এর অর্থ হচ্ছে ওই গ্রুপিং এ মোট সংখ্যাই কিন্তু আমরা পাচ্ছি এখানে লেন্থে। এখানে কিন্তু আমাদের সারভাইভড দেখাচ্ছে ছয়। মানে আমাদের বেঁচে গিয়েছিলেন পাঁচজন ছয়জনের মধ্যে। পরের ক্যাটাগরি কিন্তু লক্ষ্য করলে আপনি দেখবেন যে এখানে কিন্তু 88 জন। মানে টোটাল সংখ্যা ছিল ওই যাত্রীরা 88। ওই সাবগ্রুপটা হচ্ছে যারা 30 ডলারের বেশি টাকা দিয়ে টিকিট কেটেছেন প্যাসেঞ্জার ক্লাস ফার্স্ট ক্লাস এবং মহিলা যদি হন তাহলে কিন্তু ওইখানে 88 জন টোটাল যাত্রী ছিলেন এবং তার মধ্যে বেঁচে গিয়েছিলেন 86 জন। এর মানে হচ্ছে আমরা গ্রুপ ওয়াইজ ওই গ্রুপে টোটাল যাত্রীর সাথে কিন্তু আমরা কতজন বেঁচেছে সেটা কিন্তু পেয়ে গেলাম। এই দুটো তথ্য থাকলে কিন্তু আমাদের জন্য অনুপাত বের করা সোজা। তার মানে দেখুন এই টিকিটের দামে কিন্তু আপনাদেরকে একটা ধারণা দিচ্ছে যে টিকিটের দাম তার মৃত্যুর সাথে একটা কানেকশন আছে। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
প্রথম নিউরাল নেটওয়ার্ক ট্রেনিং - টেনসর ফ্লো | নিউরাল নেটওয়ার্ক, টেনসর ফ্লো, ইনপুট লেয়ার, আউটপুট লেয়ার, ওয়েট অংক, সফটম্যাক্স.mp3 | আমরা আসলে বুঝতে চাচ্ছিলাম একটা সিম্পল নিউরাল নেটওয়ার্ক কিভাবে কাজ করে। অবশ্যই, আমাদের প্রসেসটাকে সিম্পলিফাই করার জন্য আমরা এই মুহূর্তে ইনপুট আর আউটপুট লেয়ার নিয়ে কথা বলব। মাঝখানে হিডেন লেয়ার আপাতত বাদ। ধরা যাক আমরা একটা প্রেডিকশন করতে যাচ্ছি। একজন রোগী উনার তথ্য দিয়ে আমরা আসলে প্রেডিক্ট করতে পারব যে উনি আসলে ডায়াবেটিক পেশেন্ট হবেন কি হবেন না সামনের বছরে। এই মুহূর্তে আমাদের হাতে তিন ধরনের ডেটা আছে যেটাকে আমরা বলছি বয়স, ওজন আর ব্লাড সুগার মেজারমেন্ট। আর এ কারণে কিন্তু আমরা তিনটা নোটকে এসাইন করেছি তিনটা নোট তিনটা ভেরিয়েবলের জন্য। নিউরাল নেটওয়ার্কের ধারণা অনুযায়ী আমরা এই তিনটা নোটকে ইনপুট লেয়ার বলছি। আমাদের এই ইনপুট লেয়ারে কিন্তু আসবে সব র ডেটা। প্রসেস সিম্পলিফিকেশনের জন্য আমরা এই মুহূর্তে হিডেন লেয়ার নিয়ে কথা বলছি না। আমরা সরাসরি চলে যাব আমাদের প্রেডিকশন লেয়ারে। দেখুন আমরা কিন্তু আমাদের ইনপুট লেয়ার থেকে সবকিছুই কিন্তু কানেক্ট করেছি আমাদের প্রেডিকশন লেয়ারে। আমি প্রশ্ন করার আগেই কিন্তু আপনি বলে দিচ্ছেন যে এটা আসলে একটা ডেন্স লেয়ার মোড কানেকশন। মানে সবার সাথে সবার কানেকশন। তাহলে এখানে পয়েন্ট কি দাঁড়ালো? অবশ্যই, প্রতিটা ইনপুট কিন্তু কানেক্টেড থাকবে প্রতিটা আউটপুটের সাথে। পাশাপাশি আমরা কি চাচ্ছি? আমরা চাচ্ছি প্রেডিক্ট করতে যে উনি আসলে রোগী হবেন কি হবেন না। তার মানে এটার আসলে ফাইনাল আউটকাম হচ্ছে দুটো। ইয়েস অথবা নো। ভালো কথা, আমাদের কানেকশন হয়ে গেল। এখন আমাদের জানতে হবে আমাদের ইনপুট লেয়ার থেকে যেই কানেকশনটা আমাদের প্রেডিকশন লেয়ারে দিচ্ছি সেই কানেকশনগুলোর ওয়েটগুলো কত। বোঝার সুবিধার জন্য আমরা একটা উদাহরণ নিয়ে আসি এবং এই উদাহরণটা চালানোর জন্য কিন্তু আমরা একজন রোগীর ডেটা দিয়ে ফিল করি আমাদের ইনপুট লেয়ার। আমাদের ইনপুট লেয়ারের ডেটাকে যদি আমরা ক্যালকুলেট করতে চাই আমাদের পরবর্তী লেয়ারের জন্য সেটাকে আমরা বলছি ফরওয়ার্ড প্রপাগেশন। অবশ্যই এই ফরওয়ার্ড প্রপাগেশন নিয়ে কিন্তু আলাপ করব আরো বেশি সামনের ভিডিওগুলোতে। আপনি দেখতে পাচ্ছেন যে আমাদের আউটপুট লেয়ার মানে ডায়াবেটিস ইয়েস এটার সাথে কিন্তু ইনপুট লেয়ারে তিনটা নোট কানেক্টেড। এর মানে হচ্ছে আমাদের ইনপুট লেয়ারের যে ভ্যালু সেই ভ্যালুগুলোকে কিন্তু আমরা মাল্টিপ্লাই করব আমাদের ওয়েট দিয়ে আউটপুট লেয়ারে যাবার জন্য। আমরা বয়স নোট নিয়ে যদি আলাপ করি সেটা হচ্ছে 50। 50 গুণ পয়েন্ট ওয়ান প্লাস আমরা যদি ওজন নোট ক্যালকুলেট করি ওজন নোটে কিন্তু আমাদের আছে 80। 80 গুণ পয়েন্ট ওয়ান। এরপরে আসছে ব্লাড সুগার মেজারমেন্ট। সেখানে কিন্তু আমাদের যে ওয়েটটা আছে সেটা কিন্তু মাইনাস 0.1। এখানে মাইনাস 0.1 এটাকে কিন্তু আমরা গুণ করব ব্লাড সুগার মেজারমেন্টের সংখ্যা 80 দিয়ে। আমরা যখন সবগুলোকে যোগ করব তাহলে উত্তর কি আসবে? অবশ্যই পাঁচ। একইভাবে কিন্তু আমাদের ডায়াবেটিস নো এই আউটপুট নোডে কিন্তু কানেক্টেড আছে এই তিনটা ইনপুট লেয়ার। তবে এখানে দেখছি যে আমাদের বয়স এবং ওজন এই দুটোরই কিন্তু ওয়েট হচ্ছে শূন্য। এর মানে এর মাল্টিপ্লিকেশনও কিন্তু শূন্য। শুধুমাত্র আমাদের ব্লাড সুগার মেজারমেন্টের যে ওয়েটটা আছে সেটা হচ্ছে পয়েন্ট ওয়ান। এটাকে আমরা গুণ করব 80 দিয়ে। এখন যে জিনিসটা আমরা দেখাচ্ছি না আপনাদেরকে সেটা হচ্ছে সফটম্যাক্স ফাংশন। আমাদের যে আউটপুটটা এসছে সেটাকে কিন্তু কনভার্ট করছে প্রোবাবিলিটিতে এই সফটম্যাক্স ফাংশন। আগের ভিডিওগুলো দেখলে আপনি বুঝবেন যে আমাদের টেন্সর ফ্লো কিন্তু সফটম্যাক্সকে অটোমেটিক্যালি হ্যান্ডেল করে। আপনি যদি সফটম্যাক্সের উত্তরটা জানতে চান তাহলে আমি বলব যে ডায়াবেটিস ইয়েস মানে এখানে কিন্তু তার উত্তরটা আসবে হচ্ছে গিয়ে 5% আর ডায়াবেটিস নো এখানে কিন্তু তার উত্তরটা আসবে 95%। মানে আমাদের এই রোগী ডায়াবেটিক রোগী নন। আজকে এ পর্যন্ত থাকছেন তো সামনে? |
মেশিন লার্নিং হাতে কলমে, জুপিটার নোটবুক | মেশিন লার্নিং প্রোগ্রামিং ইন্টারফেস.mp3 | আচ্ছা, মেশিন লার্নিং প্রোগ্রামিং ঠিকমতো লেখার জন্য একটা চমৎকার টুল নাম বলুন তো? ঠিক ধরেছেন, জুপিটার নোটবুক। আমাদের মেশিন লার্নিং প্রোগ্রামিং এর জন্য আর অথবা পাইথনের জন্য যেই এনভারনমেন্টে আমরা কাজ করি না কেন, সবকিছুর জন্য জুপিটার নোটবুক এক অসম্ভব জনপ্রিয় ইন্টারফেস। এখানে মেশিন লার্নিং থেকে শুরু করে সাইন্টিফিক অনেক কাজ করা যায়। বর্তমান সময়ে ওয়েব পেজ ইন্টারফেস দিয়ে কিন্তু সবকিছু করা যায় আর সেই জন্যই কিন্তু এই জুপিটার নোটবুক কিন্তু অসম্ভব জনপ্রিয়। আর সে কারণেই কিন্তু আমরা আজকে কথা বলব জুপিটার নোটবুক নিয়ে। নোটবুক মানে একদম নোটবুকের মতো। মানে এখানে একটা নোটবুকে আমরা বিভিন্ন প্রোগ্রামিং ল্যাঙ্গুয়েজ কিন্তু রান করতে পারব। এটা এমন একটি ইন্টারফেস যেখানে কিন্তু আপনি নিজে কাজ করবেন এবং তার পাশাপাশি এটাকে শেয়ার করা যাবে বাকি সবার সাথে এবং সবাই সেখানে মতামত দিতে পারবে। আপনার নোটবুককে যখন আপনি শেয়ার করবেন, হয়তোবা আর অথবা অন্যান্য কার্নালে লেখা যদি থাকে তাহলে সেটা কিন্তু আপনি শুধুমাত্র শেয়ার না, এটা কিন্তু আসলে সবাইকে দেখাতে পারবেন। আর জুপিটার নোটবুক কিন্তু প্রোগ্রামারদের নোটবুক বলে কিন্তু আমরা ভুল বলবো না। কারণ এখানে আপনি একাধারে বিভিন্ন প্রোগ্রামিং ল্যাঙ্গুয়েজ চালাতে পারবেন একটা ইন্টারফেসের মাধ্যমে। অর্থাৎ বিভিন্ন কার্নাল বিভিন্ন সময় আপনি ব্যবহার করতে পারবেন। আপনার জুপিটার নোটবুকে আপনি পাইথনের পাশাপাশি আর, সি প্লাস প্লাস অথবা অন্যান্য অনেক প্রোগ্রামিং কিন্তু চালানো যাবে এই একই ইন্টারফেসে। আমরা অনেক সময় প্রোগ্রামের মাঝখানে কমেন্ট লিখি। আমরা এখানে মার্কডাউনটা ব্যবহার করে এর মাঝে মাঝে আমরা বিভিন্ন কমেন্ট লিখতে পারি যাতে অন্যান্যরা বুঝতে পারেন আসলে আমরা কি লিখতে চাচ্ছি। মেশিন লার্নিং এর কাজগুলো কিন্তু আইটারেট করতে হয়। তার মানে হচ্ছে কি এর আগেও যেতে হয় এবং পরেও যেতে হয় এবং এর ফলে যেটা হচ্ছে আপনি কিন্তু আগে এবং পরে নিজের মতো করে লিখে আবার সেটাকে ঠিকমতো কাজ করে করতে পারবেন। যেহেতু বারবার আপনাকে আগে-পিছনে করতে হয়, তার মানে হচ্ছে কি আপনাকে আগে এবং পিছনে বিভিন্ন কোড চেক করার জন্য কিন্তু এই জুপিটার নোটবুক কিন্তু অসম্ভব জনপ্রিয়। প্রতিটা সেল ধরে ধরে আপনি আগাবেন এবং তার পাশাপাশি কিন্তু আপনি ওখানে বলতে পারবেন যে কিভাবে কাজগুলো এগচ্ছে। ডকুমেন্ট শেয়ার করার জন্য জুপিটার নোটবুক অসম্ভব ভালোভাবে কাজ করতে পারে। আপনি যেকোনো জিনিস সেভ করে নিয়ে আপনি গিটহাব বা অন্যান্য পেইজে যদি এটাকে আপনি পাঠান, এটা কিন্তু আবার চমৎকারভাবে রেন্ডার করতে পারবে অন্যান্য সব জায়গায়। তার মানে আপনার পিসিতে আপনি যেটাকে পাঠাবেন, অন্যান্য পিসিতে আবার সেটাকে চমৎকারভাবে রেন্ডার করা যায়। শেয়ার করার সবচেয়ে বড় সুবিধা হচ্ছে আপনি এখানে যেটা সেভ করছেন সেটা আপনি আপনার বন্ধুর পিসিতে কিন্তু সেটা আবার আগের মতোই আপনি যে এনভারনমেন্টে রেন্ডার করেছিলেন সেভাবে কিন্তু তার এনভারনমেন্টে পুরো সবকিছু সহ রেন্ডার হবে। তো বসে আছি কি জন্য? চলুন আমরা ইনস্টল করে নেই জুপিটার নোটবুক আমাদের পাইথন এবং আর এর জন্য। চলুন আমরা চলে যাই অ্যানাকোন্ডা প্যাকেজ সাইটে এবং সেখান থেকে ডাউনলোড করে নেই এই পুরো অ্যানাকোন্ডা প্যাকেজ। আপনি চাইলে মিনি অ্যানাকোন্ডা প্যাকেজটাও ইনস্টল করতে পারেন। তবে আসলে মিনিকন্ডা বলুন আর যাই বলুন শেষমেষ আসলে পুরো প্যাকেজটা করাটাই ভালো হবে আমাদের জন্য। অ্যানাকোন্ডা প্যাকেজ ইনস্টল করা কোন সমস্যাই নয় এবং আমি আপনাকে এটুকু বলতে পারি যে এইটা যেকোনো উইন্ডোজ প্রোগ্রামিং এর মতো আপনার আপনি এই অ্যানাকোন্ডা প্যাকেজটাকে অন্যান্য উইন্ডোজে যেকোনো প্যাকেজের মতো ইনস্টল করবেন সবকিছু ডিফল্ট হিসেবে রেখে এবং আমি আপনাকে দেখিয়ে দিচ্ছি কিভাবে ইনস্টল করতে হয়। তার পাশাপাশি আমরা আর কে আর নোটবুকটাও ইনস্টল করে নেব। ফলে আপনি একই সেটিং এ বসে আর এবং পাইথন কার্নাল চালাতে পারবেন এবং আমি আপনাকে সেটা দেখিয়ে দেবো এখানে। চলুন তাহলে চালু করা যাক জুপিটার নোটবুক। আমাদের জুপিটার নোটবুক চালাতে যেতে হবে রান অথবা ফাইন্ড কম্যান্ডে। আমরা সরাসরি লিখে ফেলি জুপিটার নোটবুক। চলে আসবে একটা ডেস্কটপ আইকন। ক্লিক করুন। চালু হয়ে যাবে আমাদের জুপিটার নোটবুক। একটা অসাধারণ জিনিস বলতে গেলে। আমাদের জুপিটার নোটবুকটা চালু হবে একটা ব্রাউজার উইন্ডো নিয়ে যেটাকে আমরা বলতে পারি ফাইল এক্সপ্লোরার। নোটবুকের ডেমো কি দরকার পড়বে? আমার মনে হয় আমি আপনাকে অলরেডি নোটবুকের পুরো একটা ডেমো দেখিয়ে দিয়েছি। তো বিদায় আজকের মতো। ধন্যবাদ আপনাকে। |
মেশিন লার্নিং: "আর" এনভায়রনমেন্ট | মেশিন লার্নিং হাতে কলমে ৮.mp3 | কেমন চলছে আপনাদের? মেশিন লার্নিং পর্ব আটে স্বাগতম। আমরা ধারণা করি যে এই ভবিষ্যৎ প্রেডিকশন করার জন্য এসছি এই মেশিন লার্নিং প্রোগ্রামে। আমি সরকারি আমলা অথবা ব্যবসায়ী যাই হই না কেন আজকে আমার একটা সিদ্ধান্তের জন্য ভবিষ্যতে সেটা কিভাবে ফল দিবে সেটা তো জানা জরুরি। মনে আছে গত সিরিজগুলোতে কি করেছিলাম আমরা? প্রথমত ধারণা করেছিলাম টেস্ট ডেটা সেটে মারা গেছে সবাই। যেহেতু টাইটানিক জাহাজ ডুবিতে উইমেনস এন্ড চিলড্রেন ফার্স্ট ব্যাপারটা কাজ করছিল সে কারণে দ্বিতীয় সাবমিশনে আমরা দেখিয়েছিলাম সব মহিলারাই বেঁচে গিয়েছেন। সাবমিশনে দেখা গেল আমাদের একিউরেসি লেভেল এসছে 76.5। বেশ ভালো তাই না? তো আজকে কি করব আমরা? ট্রেনিং বা টেস্ট ডেটা সেটে একটা কলাম ধরবো আজ। সবাই জানেন বয়সের সাথে একটা সম্পর্ক আছে মৃত্যুর। বয়সটা কিভাবে বিভিন্ন তথ্য দিতে পারে সেটা নিয়েই আলোচনা করব আজ। চালু করি আর আর লোড করে নেই ট্রেন ডেটা সেটটা। মনে আছে তো কমান্ডগুলো? আমি একটা সামারি নেব এইজ ভেরিয়েবলে। কি দেখতে পাচ্ছেন? বেশ কিছু ইন্টারেস্টিং তথ্য বের হয়ে এসছে এখানে। বুঝতে পারছি যাদের স্ট্যাটিসটিক্স ব্যাকগ্রাউন্ড নেই তাদের একটু সমস্যা হতে পারে। একদম ঘাবড়াবেন না। চলুন একটু স্ট্যাটিসটিক্স নিয়ে কথা বলি। আমরা জানি স্ট্যাটিসটিক্সে আছে দুটো হাত। তার মধ্যে একটা হচ্ছে ডেসক্রিপটিভ স্ট্যাটিসটিক্স। ডেসক্রিপটিভ স্ট্যাটিসটিক্সের কাজ হচ্ছে বড় একটা ডেটা সেটকে ডিস্ক্রাইব করা। এককথায় পুরোটা ডেটা সেটের ফাইনাল রিপোর্ট কার্ড। আসলে সে ওই ডেটা সেটের বিভিন্ন ক্যারেক্টারিস্টিকস নিয়ে আলাপ করে ওখানে। চলুন আমার সাথে এক্সেলে। এর আগেও train.csv ফাইলটা কিন্তু দেখেছিলাম এক্সেলে। কাজের সুবিধার জন্য আমরা train.csv ফাইলটাকে কনভার্ট করে নিচ্ছি একটা টেবিলে। বড় ডেটা সেটের জন্য এক্সেল সমস্যা করলেও এই ফাইল সাইজের জন্য এটা পারফেক্ট। আমরা পুরো ডেটা সেটটাকে সিলেক্ট করে পাঠিয়ে দেই টেবিলে। ইনসার্ট টেবিল। দেখেই ভালো লাগবে আপনার। এই টেবিল মোডটা কি আপনার খুবই দরকার কারণ এটা একটা ডেটা সেটকে দেয় স্ট্রাকচার। যেমন ফিল্টার দিয়ে দেখতে পারি আমরা তার রেঞ্জ অফ ভ্যালুজ। মানে হচ্ছে এটা বেশ ইন্টারেক্টিভ। এখন ফিরে আসি সেই আর এর সামারি কমান্ডে। ওভার দি ইয়ার্স এক্সেলে কিন্তু এসছে বেশ কিছু ডেটা এনালাইসিস টুলস। এক্সেলে সেরকম একটা টুলস হচ্ছে এক্সেল ডেটা এনালাইসিস টুল প্যাক। চলুন আমরা অপশনস থেকে অ্যাড ইন হয়ে যোগ করে নেই এনালাইসিস টুল প্যাক। যখন আমরা অ্যাড ইন থেকে যোগ করে নিব ডেটা এনালাইসিস টুল প্যাক তখনই আমরা একটা মেনু পাবো ডেটা এনালাইসিস নামে এক্সেলে। আমরা এখন একটু ঘষামাজা করব এইজ ভেরিয়েবলটা নিয়ে। এখানে ইনপুট হিসেবে নেওয়া হবে এইজ ভেরিয়েবল রেঞ্জটা। বের করে দেব সামারি স্ট্যাটিসটিক্স বলে। আউটপুট রেঞ্জটা তো দেখতে পাচ্ছেন আপনারা। আপনারা বুঝতেই পারছেন এইজ ভেরিয়েবলের প্রথমেই পাচ্ছি মেইন মানে গড়। এর মানে হচ্ছে টাইটানিকে যারা উঠেছিলেন তাদের গড় বয়স হচ্ছে 29। এটাকে যদি আমরা ইনফরমেশন হিসেবে কনভার্ট করি তাহলে বোঝা যাবে উনারা আসলে ভালো জীবন এবং অভিবাসনের জন্যই যাচ্ছেন আমেরিকাতে। এই গড়েরও আছে সমস্যা। ডেটা সাইন্সে একটা কথা বলি আমরা নো ইনফরমেশন ইজ অলসো অ্যান ইনফরমেশন। পুরো ডেটা সেটেও 891 টা কলাম থাকলেও এখানে এইজ নেই সব জায়গায়। আর কিন্তু মিসিং ভ্যালুকে ইন্টারপ্রেট করবে না ঠিকমতো। তার মানে যাদের বয়স নেই তারা কি শূন্য বয়স? এটা তো হতে পারে না। এক্সেল এখানে ব্ল্যাঙ্ক ভ্যালুকে ইগনোর করলেও ডেটা সাইন্স তো করতে পারবে না। তার মানে তার বয়স দু বছর হোক অথবা 54 বছর হোক সেই ভ্যালুগুলোর কাছাকাছি কিছু তো ঢোকাতে হবে ওখানে। তার বয়স দেয়া নাই বলে সেটা কি আমি ধরে নেব শূন্য? এটা তো হতে পারে না কখনো। বরং আমার মডেলের একিউরেসি আনার জন্য সেই ভ্যালুগুলোর কাছাকাছি কিছু তৈরি করতে হবে আমাকে। আর এইজন্যই তো ডেটা সাইন্স। তো দেখা হচ্ছে সামনের পর্বে। |
মেশিন লার্নিং: "আর" এনভায়রনমেন্ট | মেশিন লার্নিং হাতে কলমে ২.mp3 | কেমন আছেন আপনারা? ফিরে এলাম তৃতীয় ভিডিও পোস্টিং নিয়ে। আগের ভিডিওতে কথা হচ্ছিল ট্রেনিং এবং টেস্ট সেট নিয়ে। মানুষ হবার জন্য সারা বছর ধরেই পড়তে হয় আমাদের। ওই পড়াটাই হচ্ছে আমাদের ট্রেনিং। সেভাবে যন্ত্রকেও মানুষ বানাতে গেলে পড়াতে হয় সময় ধরে। আর সে কারণেই যন্ত্রকেও পড়াতে হয় মানুষের মতো। যন্ত্রকে পড়াবার বই খাতাই হচ্ছে ট্রেনিং ডেটা। পড়াশোনা তো হলো, কতটুকু জানলাম সেটার পরিমাপ কি? কতটুকু শিখলাম সেটা জানার জন্যই এলো পরীক্ষা। পরীক্ষাগুলোই আমাদের জীবনের টেস্ট। আমাদের মেশিন লার্নিং মডেলটা কত ভালোভাবে কাজ করবে সেটা জানার জন্যই এই টেস্ট সেট। বইয়ের প্রশ্ন পাল্টে যেভাবে পরীক্ষার প্রশ্ন বানানো হয়, টেস্ট ডেটাকে একইভাবে আলাদা হতে হয় ট্রেনিং ডেটা থেকে। আমরা যখন মডেল তৈরি করি তখন আপ্রাণ চেষ্টা করি যাতে ট্রেনিং ডেটা কখনোই টেস্ট ডেটা না দেখতে পায়। মেশিন লার্নিং মডেলগুলো আমরা এমনভাবে তৈরি করতে চাই যাতে সে নতুন অজানা ডেটাকে নিয়ে কাজ করতে পারে। পরীক্ষার প্রশ্ন ফাঁস হয়ে গেলে বিশাল বিপদ এখানে। অনেকেই প্রশ্ন করতে পারেন, আমার তো আছেই একটা ডেটা সেট, কি করব আমি? উত্তরটা বেশ সোজা, ভাগ করে ফেলুন দুভাগে। আমাদের বই খাতার মতো বড় অংশটাই হবে ট্রেনিং সেট আর ছোট অংশটাই আমাদের পরীক্ষার প্রশ্নের মতো টেস্ট সেট। ফিরে আসি আমাদের টাইটানিক ডেটা সেটে। train.csv ফাইলটা খুললেই দেখা যাবে এখানে প্যাসেঞ্জার আইডি আছে এক থেকে 891 পর্যন্ত। test.csv ফাইলটা খুললেই বুঝতে পারবেন ব্যাপারটা। এখানে প্যাসেঞ্জার আইডি আছে 892 থেকে 1309 পর্যন্ত। মানে ক্যাগলের এই ট্রেনিং এবং টেস্ট ডেটা সেট একটা ডেটা সেটই ছিল। আগেই বলেছিলাম, এখানে টেস্ট ডেটা সেট থেকে উত্তরগুলো আগেই ফেলে দেওয়া হয়েছে। ছোট ডেটা সেটে প্রশ্ন ব্যাংকের মতো আগে থেকে প্রশ্ন জানার সম্ভাবনা থেকে যায়। প্রশ্নের উত্তর বেশি জেনে গেলে সেটাকে মডেলের ওভারফিটিং বলা যেতে পারে। ওই ঝামেলা কমানোর জন্য আরেকটা ব্যাপার আসতে পারে যেটাকে আমরা বলি ক্রস ভ্যালিডেশন। ব্যাপারটা বেশ মজার। টেস্ট ডেটা কম থাকলে ট্রেনিং ডেটাকে কয়েক ভাগে ভাগ করে সেখান থেকে একেক সময় একেকটাকে টেস্ট ডেটা হিসেবে নিয়ে বাকিগুলোকে ট্রেনিং ডেটা হিসেবে ট্রিট করে মডেলটাকে ফাইন টিউনিং করা যায়। অনেক পড়া হলো আজ, আজকে বরং পালাই। |
মেশিন লার্নিং: "আর" এনভায়রনমেন্ট | মেশিন লার্নিং হাতে কলমে - শুরুর কথা.mp3 | মেশিন লার্নিং হাতে কলমে সামনের দিনগুলোতে একটা জিনিস যদি সবকিছুর ভেতরে থাকে তাহলে সেটা হচ্ছে মেশিন লার্নিং। কৃত্রিম বুদ্ধিমত্তার যুগে আমাদের ঢোকার আগে জানতে হবে কিভাবে মেশিনকে শেখাতে হয়। আর সেই মেশিন লার্নিং এর কায়দাকানুন শেখানোর জন্যই এসেছি আমরা এই চ্যানেলে। |
মেশিন লার্নিং: "আর" এনভায়রনমেন্ট | মেশিন লার্নিং বাংলা বই.mp3 | অনেক ধন্যবাদ আপনাদেরকে। মেশিন লার্নিং এর উপর বাংলা ইলেকট্রনিক বইটা বের হওয়ার পর পরই অনেকে জিজ্ঞাসা করছিলেন কিভাবে বইটা ব্যবহার করতে হয়। আসলে বাংলায় মেশিন লার্নিং নিয়ে বই লেখাটাই একটা টেস্ট নিয়েছিলাম। কৃত্রিম বুদ্ধিমত্তার শুরুটা মানে মেশিন লার্নিং তাও আবার বাংলায়। তবে শেষ পর্যন্ত নামিয়ে দিচ্ছি মাথা থেকে। গত কয়েক বছর ধরেই ঘুরছিল ব্যাপারটা মাথায়। তবে এখন বলব মাথাটা বেশ ফাঁকা ফাঁকা লাগছে এবার। চলুন তাহলে দেখে নিই বইটা মানে ই-বুকটা কিভাবে অনলাইনে পড়তে হয়। যারা প্রোগ্রামিং এ কাজ করেন তারা জানেন গিটহাব আমাদের কতটা কাছের। আর সেই গিটহাবেরই কিন্তু আরেকটা প্ল্যাটফর্ম গিটবুক। আর এই গিটবুকটা বাংলা ঠিকমতো সাপোর্ট না করলেও সেটাকে কিছুটা পাল্টে নিয়েছি আমাদের নিজেদের মত করে। চলুন প্রথমেই চলে যাওয়া যাক আমাদের মেশিন লার্নিং ফেসবুক পেজে। শেষ দিকে পোস্টগুলোতে দেওয়া আছে আমাদের বইটার বিভিন্ন পাতার লিংক। ক্লিক করুন যেকোনো একটায়। সরাসরি চলে যাবেন কিন্তু আমাদের ওই ই-বুকের পাতায়। যে পাতায় আসুক না কেন প্রথমবার মত সেই পাতাটাকে স্ক্রল ডাউন করুন একটু নিচে। দেখতে পাবেন একটা লিস্ট বাটন। তারপরে কিন্তু কেল্লাফতে। চাপ দিন আমাদের সেই লিস্ট বাটন। এক চাপে চলে আসবে আমাদের টেবিল অফ কন্টেন্ট। আর এক চাপে সেই পাতার লেখাটা। আর এই লিস্ট বাটনটাই কিন্তু একটা টগল সুইচ। বুঝতে পারছেন? তারমানে এই লিস্ট বাটনটাই কিন্তু একটা টগল সুইচ। এক চাপে টেবিল অফ কন্টেন্ট, আরেক চাপে লেখার পাতা। এখন ব্রাউজ করুন আপনার টেবিল অফ কন্টেন্ট। আর এই টেবিল অফ কন্টেন্ট কিন্তু আমাদের সূচিপত্র। আর সেই সূচিপত্র ধরেই বেছে নিন আপনার আমার প্রয়োজনীয় চ্যাপ্টার। বুঝতে পারছেন একটু স্ক্রল করলেই কিন্তু পেয়ে যাবেন আমাদের লিস্ট বাটন। আর দুবার লিস্ট বাটন চাপ দিলেই পাবেন সূচিপত্র আর লেখা। আপনারা আমার সহযোগিতায় কিন্তু বাংলার কন্টেন্ট হবে আরো সমৃদ্ধ। আমরা চেয়ে আছি আপনাদের দিকে। আপনারা নিয়ে আসবেন আরো অনেক অনেক বাংলা কন্টেন্ট। অনুপ্রেরণা দেবেন আমাদের সবাইকে। অসংখ্য ধন্যবাদ। |
মেশিন লার্নিং: "আর" এনভায়রনমেন্ট | মেশিন লার্নিং হাতে কলমে ৫.mp3 | কেমন চলছে আপনাদের? ফিরে আসি মেশিন লার্নিং হাতে কলম ভিডিও পাঁচে। মনে আছে তো গতবার কি করেছিলাম আমরা? আমাদের ট্রেইন এবং টেস্ট ডেটা সেট থেকে তাদের ভেরিয়েবলগুলো নিয়ে সেটার ডেটা ডিকশনারি দেখেছিলাম। এছাড়াও আর স্টুডিওকে দেখিয়ে দিয়েছিলাম কোথায় ডেটা সেট দুটো আছে। কাজের কথা আগে। একটা টিপস নিয়ে আলাপ করি বরং। আমাদের ডেটা সেটের ভেরিয়েবলগুলো কিভাবে একে অপরকে সম্পর্ক অথবা কোরিলেট অথবা প্রভাবিত করতে পারে সেটাই দেখবো এখানে। হোয়াটস ইন দা নেম? মানুষের নামে কি আসে যায়? অথচ মডেল করতে গিয়ে দেখলাম তার নামটাও তার বাঁচার পক্ষে সাহায্য করছে। আমরা সেটা দেখবো সামনে। ইটস এ ইন্টারেস্টিং ওয়ার্ল্ড এন্ড আই বেট ইট ইজ। আর এই সম্পর্কগুলো জানার জন্য আমাদের দরকার এক্সপ্লোরেটরি ডেটা এনালাইসিস। 20 সেকেন্ডের জন্য টাইটানিক বাদ। অন্য একটা গল্প বলি। মানুষের বাসাবাড়ি মানে হাউজিং প্রাইসিং প্রেডিকশন নিয়ে কাজ করছিলাম শিকাগোতে। এই কাহিনী সেই কাহিনী। কিন্তু দেখা যাচ্ছে আমার হাউজিং প্রেডিকশনটা ভালো করছিল না। ডেভকে দেখাতেই সে বলল স্যাটের স্কোর কোথায়? মানে বাসার সাথে স্যাটের স্কোর? ডেভের উত্তর হচ্ছে যে স্কুলগুলোতে স্যাটের স্কোর ভালো তার আশেপাশের বাসাগুলোর প্রাইস তার ওয়েটেজ ধরে সমানুপাতিক ভাবেই বেশি। ফিরে আসি টাইটানিক এবং আর স্টুডিওজে। চলুন আমরা চালু করি আর স্টুডিও। গতবার আমরা সেট করেছিলাম আর স্টুডিওর দুটো ডেটা সেটের ওয়ার্কিং ডিরেক্টরি। এবার ডেটা সেটগুলোর ইম্পোর্ট করার পালা। আমরা যেকোনো ডেটা সেটকে ইম্পোর্ট করতে পারি আর কনসোলের কমান্ড লাইন দিয়ে অথবা মেনু দিয়ে। চলুন আজকে শুরুটা করা যাক মেনু দিয়ে। মেনু দিয়েও ফাইল ইম্পোর্ট করা যায় দুটো জায়গায় দিয়ে। প্রথমটা ফাইল থেকে অথবা কমান্ড লাইন হিস্টরি থেকে ইম্পোর্ট ডেটা সেট থেকে। সবই ক্লিকের কাজ। বলে রাখা ভালো আমরা এ মুহূর্তে যে ডেটা সেটগুলো লোড করছি সবগুলোই সিএসভি। মানে কমা সেপারেটেড ভ্যালু ফরম্যাটের। ডেটা সেট ইম্পোর্ট শেষ। এখন ডেটা সেটগুলোর ক্যারেক্টারিস্টিকস কিছু দেখি। ডেটা সেটগুলোর নিয়ে ধারণা পাওয়ার জন্য যে কমান্ডগুলো আমরা ব্যবহার করব সেগুলোই এক ধরনের ডেটা এক্সপ্লোরেটরি এনালাইসিস। আর সেগুলো এখন করছি বায়ের সবচেয়ে নিচের আর কনসোল থেকে। চলুন দেখা যাক ট্রেইন ডেটা সেটটার স্ট্রাকচারটা। আমরা আর কনসোলে কমান্ড দিচ্ছি এসটিআর ব্র্যাকেট ট্রেইন। আর এ যখন কোন ডেটা সেট স্টোর হয় সেটা আসলে স্টোর হয় ডেটা ফ্রেম হিসেবে। আর এক একটা ডেটা ফ্রেম আপনি ধরে নিতে পারেন এক একটা এক্সেল শিটের মতো যেটা টু ডাইমেনশনের রো এবং কলাম আছে। তো এখন প্রশ্ন হচ্ছে আর স্টুডিও দিয়ে লাভ হলো কি? আর স্টুডিওর বায়ের সবচেয়ে উপরের অংশটাই হচ্ছে টেক্সট এডিটর। এখানেও কমান্ড নেই চালানো যায় না এখান থেকে। একটা বুদ্ধি এসেছে মাথায়। ডেটা এক্সপ্লোরেটরি এনালাইসিসের জন্য সাধারণত যে কমান্ডগুলো দরকার হবে এখন সেটার কিছু অংশ আমি তুলে দিচ্ছি গিটহাবে। ডাউনলোড করে নিন ভিডিও দেখে। গিটহাব থেকে ক্লোন হিসেবে ডাউনলোড করবেন একটা জিপ ফাইল। জিপ ফাইলটা এক্সট্রাক্ট করলেই পাবেন আর স্ক্রিপ্ট ওয়ান ভিডিও ফাইভ বলে একটা ফাইল। ওটাকে আলাদা করে আপনার ওয়ার্কিং ডিরেক্টরিতে কপি করে রাখুন। এরপর সরাসরি চলে যান আর স্টুডিওতে। ফাইল থেকে খুলুন ওপেন ফাইল এবং দেখিয়ে দিন সেই স্ক্রিপ্টটাকে। এখন বোঝা যাবে আর স্টুডিওর মজার দিকটা। স্ক্রিপ্টের যেকোনো কমান্ড লাইনে রাখুন কার্সারটা চাপুন কন্ট্রোল এন্টার। দেখুন কি হয় অবস্থা। দেখবেন সরাসরি কাজ হয়ে যাচ্ছে আপনার কমান্ডটার। চমৎকার না? ইচ্ছেমতো স্ক্রিপ্টের ভেতরের কমান্ডগুলোর উপরে রাখুন কার্সার চাপুন কন্ট্রোল এন্টার। কাজ হয়ে যাবে সঙ্গে সঙ্গে। আজকের মতো বিদায়। দেখা হবে সামনের ভিডিওতে। |
মেশিন লার্নিং: "আর" এনভায়রনমেন্ট | মেশিন লার্নিং হাতে কলমে ৬.mp3 | মেশিন লার্নিং হাতে কলমে ভিডিও ছয়। মনে আছে কি করেছিলাম গত পোস্টগুলোতে? প্রথমে ইন্সটল করেছিলাম কোর আর আর আর স্টুডিও। এরপর দেখিয়েছিলাম আর স্টুডিওর চারটা আলাদা পেইন কোথায় কিভাবে কাজ করে। এরপরের কাজ ছিল টাইটানিক ডেটা সেটকে আর এ লোড করা। সেজন্য আমরা আর স্টুডিওকে দেখিয়েছিলাম ওয়ার্কিং ডাইরেক্টরিটা কোথায়। টাইটানিকের দুটো ডেটা সেট, ট্রেন এবং টেস্টকে রেখেছিলাম সেই ওয়ার্কিং ডাইরেক্টরিতে। আমরা এখানে এসেছি মেশিন লার্নিং শিখতে, টাইপিং স্পিড বাড়াতে নয়। সে কারনেই দেয়া হয়েছে আপনাকে গিটহাবের একটা লিংক। একেকটা স্ক্রিপ্ট তৈরি করা হয়েছে ভিডিও অনুযায়ী। স্ক্রিপ্টগুলো ডাউনলোড করে রেখে দিন আপনার ওয়ার্কিং ডিরেক্টরিতে। আর স্টুডিওতে কন্ট্রোল ও চাপ দিয়ে দেখিয়ে দিন আপনার স্ক্রিপ্টটাকে। রিক্যাপাচুলেট করলাম আগের পর্বে কি হয়েছে। এখন সামনে এগোনোর পালা। আজকের এপিসোডটা বেশ ইম্পরট্যান্ট। কারণ আমরা আজ করব প্রথম প্রেডিকশন। আর এটাই হচ্ছে আজকের ডেলিভারেবলস। চলুন যাওয়া যাক গিটহাব লিংকে। ডাউনলোড করে নেই আর স্ক্রিপ্ট টু ভিডিও সিক্স আর ফাইলটাকে। আগের ভিডিওতেই দেখানো হয়েছিল কিভাবে ক্লোন অথবা ডাউনলোড করতে হয় এই ধরনের ফাইলগুলোকে। তবে শর্টকাট একটা বুদ্ধি আছে এখানে। আর স্ক্রিপ্ট টু ভিডিও সিক্স আর ফাইলটা খুলুন গিটহাবে। এরপরেই খুঁজতে থাকুন র বাটনটাকে। ক্লিক করলেই চলে আসবে স্ক্রিপ্টার টেক্সট ভার্সন। ওখান থেকে কপি করে নিয়ে আসুন আর স্টুডিওতে। পেস্ট করুন আর স্টুডিওর আনটাইটেল ওয়ান নামের টেক্সট এডিটরে। তাহলে চালু করা যাক আমাদের নতুন স্ক্রিপ্টটা। স্ক্রিপ্টের প্রথম কমান্ডটাতেই দেখাতে হবে কোথায় আছে আমাদের ট্রেন এবং টেস্ট ডেটা সেটটা। সেট ডব্লিউডি অর্থাৎ সেট ওয়ার্কিং ডিরেক্টরি দিয়ে দেখিয়ে দিন আছে আপনার কোন ডিরেক্টরিতে। লাইনটার উপরে কার্সার ফেলে চাপুন কন্ট্রোল এন্টার। সেট হয়ে যাবে আপনার ওয়ার্কিং ডিরেক্টরি। পরের কমান্ড দুটোতে আমরা লোড করে নিব train.csv এবং test.csv কে এবং এ দুটোকে লোড করব ট্রেন এবং টেস্ট বলে দুটো ডেটা ফ্রেমে। read.csv নামে ফাংশনটাকে ব্যবহার করে আমরা দুটোকেই পাঠিয়ে দিচ্ছি অ্যাসাইনমেন্ট অপারেটর দিয়ে দুটো ডেটা ফ্রেমে। এখন আসুন কিছু কাজ করি ট্রেন ডেটা সেটটা নিয়ে। এই কাজগুলোকেই বলা হয় ডেটা এক্সপ্লোরেটরি অ্যানালাইসিস। আমাদের জানা দরকার ট্রেন ডেটা সেটে কতজন মারা অথবা বেঁচে গিয়েছিলেন। এটা জানতে আমাকে এক্সেস করতে হবে ট্রেন ডেটা ফ্রেমে সারভাইভ বলে ভেরিয়েবলে। তার মানে আমাকে ডলার সাইন অপারেটর ব্যবহার করতে হবে ভেরিয়েবলের ঠিক আগে। টেবিল দেখাও ট্রেন ডেটা ফ্রেমে সারভাইভ ভেরিয়েবলে। দেখা যাচ্ছে 891 এর মধ্যে মারা গিয়েছেন 549 জন। এটা কিন্তু বেশ বড় ফিগার। এখন দেখা যাক পার্সেন্টেজে সেটা আসে কত। তাহলে আমরা টেবিল ফাংশনের আউটপুটটাকে পাঠিয়ে দিচ্ছি প্রপোরশন ডট টেবিলে। টেবিলের আউটপুটে দেখা গেল জিরো মানে মারা গিয়েছেন 61.6 মানে প্রায় 62 শতাংশ। আ পিকচার ওর্থ থাউজেন্ড ওয়ার্ডস। ছবিতে দেখলে কেমন হয় ব্যাপারটা? আমাদের আগের টেবিলটাকেই পাঠিয়ে দিলাম বার প্লট ফাংশনে। এক্স এক্সিসে রাখলাম সারভাইভড এবং ওয়াই এক্সিসে রাখলাম মানুষের সংখ্যা। 100 জনের মধ্যে 62 জন মারা যাওয়া এটা কিন্তু কম নয়। আমি এর আগেও বলেছিলাম মেশিন লার্নিং ইজ অল অ্যাবাউট ট্রায়াল এন্ড এরর। পারফেকশনিস্ট হব তবে শেখার মধ্যে নয়। যেহেতু বেশিরভাগই মারা গেছেন আমাদের পরবর্তী প্রেডিকশন মডেলটা যদি আমরা এমনভাবে করি যেখানে দেখানো যায় আমাদের টেস্ট সেটের 418 জনই মারা গেছেন তাহলে কেমন হয়? অ্যাকুরেসি মডেলে এটা ভালো হবে না। তবে আমরা দেখতে চাই ক্যাগল এটাতে কি বলে। টেস্ট ডেটা ফ্রেমটা খুললেই বুঝবেন ওখানে সারভাইভ বলে কোন কলাম নেই। আমাদের নতুন প্রেডিকশন অনুযায়ী আমরা টেস্ট ডেটা ফ্রেমে তৈরি করব সারভাইভ বলে একটা কলাম মানে ভেরিয়েবল। সারভাইভ কলামটাকে শূন্য দিয়ে ভরানোর জন্য শূন্যকে আমরা রিপিট করব 418 বার। সেটাকে অ্যাসাইনমেন্ট অপারেটর দিয়ে পাঠিয়ে দিব টেস্ট ডেটা ফ্রেমে সারভাইভ ভেরিয়েবলে। কমান্ডগুলো দেখুন এবং কমান্ডের লাইনের ওপর কার্সার রেখে কন্ট্রোল এন্টার চাপুন অথবা ওপরের রান বাটনে ক্লিক করলে হবে একই রেজাল্ট। আমাদের প্রেডিকশন আউটপুটটা যদি ক্যাগলে সাবমিট করতে চাই তাহলে লাগবে দুটো জিনিস। আমাদের দরকার হবে প্যাসেঞ্জার আইডি এবং সারভাইভ কলামটা। write.csv ফাংশনটাকে ব্যবহার করে পুরো প্রেডিকশন আউটপুটটা বের করে দিব all_dies.csv ফাইলে। এই ডেটা সেটে রো নাম্বার দরকার নেই বলে সেটাকে রেখে দিচ্ছি মিথ্যে হিসেবে। চলুন আজকের মতো বন্ধ করি আর স্টুডিও আর চলে যাই আমাদের ওয়ার্কিং ডিরেক্টরিতে। ক্যাগলে আমাদের প্রেডিকশন রেজাল্ট সাবমিট করতে হলে করতে হবে অ্যাকাউন্ট। অ্যাকাউন্ট করা হয়ে গেলে আমরা চলে যাই টাইটানিক কম্পিটিশনে। অ্যাকাউন্ট দিয়ে লগইন থাকা অবস্থায় দেখতে পাবেন সাবমিশন বাটন। সাবমিশন বাটনটা চাপ দিলেই চলে আসবে একটা আপলোড বক্স। all_dies.csv ফাইলটাকে টেনে ছেড়ে দিন ওই বক্সে। কি দেখছেন এই মুহূর্তে? বলা যাবে আমাকে? বুঝতেই পারছেন আজকে আমাদের প্রেডিকশন লেভেলটা অত ভালো নয়। তবে কাজ শুরু করার জন্য যথেষ্ট। এই মডেলটাই পোক্ত হবে আস্তে আস্তে। প্রথমে সাহায্য নিব মেশিন লার্নিং এর ফিচার ইঞ্জিনিয়ারিং এ। এরপর কান টানার মতো মাথাও আসবে অ্যালগরিদম নিয়ে। বিদায় নিচ্ছি আজকের মতো। দেখা হবে সামনের এপিসোডে। |
মেশিন লার্নিং: "আর" এনভায়রনমেন্ট | মেশিন লার্নিং হাতে কলমে ৩.mp3 | কেমন চলছে আপনাদের মেশিন লার্নিং হাতে কলম ভিডিও তিন মনে আছে তো এক বছর ধরে মেশিন লার্নিং নিয়ে কোর্সের কথা আগেই বলেছিলাম আমরা কাভার করবো দুটো প্রোগ্রামিং এনভারনমেন্ট পাইথন পরে আমরা আজকে নিয়ে আসছি আর কে আর হচ্ছে খুবই নামকরা একটা স্ট্যাটিস্টিক্যাল টুল বেসিক আর ইন্টারফেসটা একটু খটমটে হলেও আর স্টুডিওর ইন্টারফেসটা ততই ইন্টারেক্টিভ আর স্টুডিও এসেছে কোল্ড ফিউশন প্লাটফর্ম থেকে তো শুরুতেই আর কেন আর এর শুরুর লার্নিং কার্ভ অনেক অনেক ভালো চলে যাই আর স্টুডিও সাইটে সেখানে পাওয়া যাবে কোর আর আর আর স্টুডিওর লিংক মনে রাখবেন শুরুতেই ইনস্টল করবো কোর আর তার ওপর আর স্টুডিও আর হচ্ছে লাইন বাই লাইন ইন্টারেক্টিভ সির মতো পুরো কোড জুড়ে নয় হাজারো প্যাকেজ গিটহাবে ইন্টিগ্রেশন এবং সাব ভার্সনও তার ইনস্টলেশন শেষ চালু করুন আর স্টুডিও কি দেখছেন চারটা পেইন সেখানে সবচেয়ে বামের ওপরটা টেক্সট এডিটর ইচ্ছেমতো কমান্ড আর নোট রাখতে পারেন সেখানে বামের নিচের অংশটা আর কনসোল যেখানে কোর আর এর সাথে সরাসরি আপনি ইন্টারেক্ট করতে পারেন ডানের ওপর অংশটা হচ্ছে ওয়ার্কস্পেস আর কমান্ড হিস্টরি দেখার একটা ভালো জায়গা তবে সেখানে অন্যান্য ডেটাও দেখা যায় ডানের নিচের অংশটা ওয়ান অফ মাই ফেভারিট ওয়ান ডেটাকে এক্সপ্লোর অথবা ডেটাকে ভিজুয়ালাইজ করতে গ্রাফিক্স ছাড়া কোনো গতি নেই ডেটাকে চিনতে এই প্লট পেইন আসল জায়গা ধারণা করছি আপনি ইনস্টল করেছেন 64 বিট ভার্সনটা আমার বাসায় চলছে আর সার্ভার দরকার মতো আমি অফিস থেকেও কানেক্ট করতে পারি ব্রাউজার দিয়ে শুরুতে ডেটাকে কাছে থেকে দেখতে চাইলে এক্সেল এখনো ভালো আমন্ত্রণ রইলো পরের ভিডিওতে |
মেশিন লার্নিং: "আর" এনভায়রনমেন্ট | মেশিন লার্নিং হাতে কলমে ১.mp3 | মেশিন লার্নিং হাতে কলম সিরিজে স্বাগতম। এটা আমরা মানি আমরা যখন নিজে হাতে করি তখন শিখি। অনেকেই বলেন উই লার্ন বাই ডুইং ইট। আর সে কারণেই আমরা একটা ডেটা সেট নিয়ে কাজ করব যেটা আমাদেরকে সাহায্য করবে মেশিন লার্নিং শিখতে। ব্যাপারটা আরো ভালো হয় যখন আমরা জানি ডেটা সেটটা সত্যিকারের। আর সে কারণেই আমরা সত্যিকারের ডেটা সেট খুঁজতে যাব ক্যাগল সাইটে। আপনি আমাকে বললে আমি বলব মেশিন লার্নিং শেখার প্লাটফর্ম দুটো। দুটোর যেকোনো একটি প্রোগ্রামিং এনভাইরনমেন্ট লাগবে এখানে। একটা হতে পারে আর অথবা পাইথন প্রোগ্রামিং ল্যাঙ্গুয়েজ। শেখার সুবিধার্থে আমরা প্রথমেই বেছে নিব আর কে। আর এর পাশাপাশি পাইথনও শেখাবো আপনাদের। চলুন ক্যাগল সাইটে সত্যিকারের ডেটা সেট খুঁজতে যেয়ে আমরা বেছে নিলাম টাইটানিকের ঘটনাটাকে। আরএমএস টাইটানিক ডুবে যায় 1912 সালের এপ্রিলে। অনবোর্ড প্যাসেঞ্জার ছিলেন 2224। ওই জাহাজ ডুবির ঘটনায় মারা যান 1502 জন মানুষ। ক্যাগলের টেস্ট ডেটা সেট থেকে বের করতে হবে কে কে বেঁচে অথবা মারা গিয়েছিলেন। ক্যাগলের টাইটানিক ওয়েবসাইটে ডেটাতে ক্লিক করুন। আমাদের দরকার দুটো ডেটা ট্রেনিং সেট এবং টেস্ট সেট। ট্রেনিং সেট হচ্ছে সেটাই যেখানে প্যাসেঞ্জারের সব ডেটা দেওয়া আছে। অন্যান্য ডেটার সাথে তার ফাইনাল আউটকামটাও দেওয়া আছে। উনি বেঁচে গিয়েছিলেন না মারা গিয়েছিলেন। এই সম্পূর্ণ ডেটাকে ব্যবহার করব আমাদের মডেলকে ট্রেন করতে। এর ঠিক পাশেই দেয়া আছে টেস্ট ডেটা সেট। ট্রেনিং ডেটা সেটের মতো টেস্ট ডেটা সেটে সবই দেয়া আছে তবে ফাইনাল আউটকামটা ছাড়া। মানে উনি বেঁচে অথবা মারা গিয়েছিলেন। চলুন ডাউনলোড করে ফেলি দুটো ডেটা সেট ট্রেনিং সিএসভি এবং টেস্ট সিএসভি। ডাউনলোড করা শেষ হলে আমরা খুলে দেখব দুটোকেই এক্সেল শিটে। আমার প্রশ্ন হচ্ছে দুটো ডেটা সেটে পার্থক্য কোথায়? |
মেশিন লার্নিং: "আর" এনভায়রনমেন্ট | মেশিন লার্নিং ডাটা ভিজ্যুয়ালাইজেশন.mp3 | মেশিন লার্নিং এর ডেটা ভিজুয়ালাইজেশন নিয়েও কিন্তু এর আগে আমরা আলাপ করেছিলাম। আমরা যদি একটা ডেটাকে দেখতে চাই তাহলে সেটার জন্য একটা ভিজুয়াল রিপ্রেজেন্টেশন হলে অনেক ভালো হয়। আপনি খালি চোখেই বলতে পারবেন আসলে ডেটাটা কি বলতে চায়। আমাদের মেশিন লার্নিং মডেলের জন্য ক্যাগল থেকে যে ডেটা সেটটা পেয়েছি সেটা কিন্তু বেশ মজার। আমরা টেস্ট ডেটা সেটটাকে না দেখে ট্রেনিং ডেটা সেটটাই দেখি বরং। আমাদের আর এর বেসিক ভিজুয়াল রিপ্রেজেন্টেশন কিন্তু অন্যান্য অনেক প্রোগ্রামিং ল্যাঙ্গুয়েজ থেকে অনেক অনেক চমৎকার। আপনাদের কথা চিন্তা করেই কিন্তু আমরা পুরো জিনিসটাকে একটা গিটহাব স্ক্রিপ্টে ফেলে দিয়েছি যাতে আপনি নিজে থেকে সেই গিটহাব স্ক্রিপ্টটা চালিয়ে দেখতে পারেন কোথায় কিভাবে ব্যাপারটা কাজ করছে। আমরা তো সবাই জানি বার প্লটের কথা। যেই বার প্লটের মাধ্যমে আসলে যে কেউ বুঝতে পারবে কি ঘটছে সেই ডেটাতে। শুরুতেই আমাদের ট্রেনিং ডেটা সেটে সারভাইভ যে কলামটা আছে সেখান থেকে আসলে দেখার চেষ্টা করি যে কতজন মানুষ বেঁচে গিয়েছিলেন। আমরা যদি ভালোভাবে দেখি তাহলে আমাদের সারভাইভ যে কলামটা আছে সেটা থেকে টেবিল মানে বার প্লট তৈরি করা কিন্তু খুব একটা সমস্যার কিছু না। আমরা দেখি এখানে কি করা যায়। আমাদের সারভাইভ যে কলামটা আছে সেখানে যদি আমরা ভালোভাবে দেখি তাহলে কিন্তু সেই কলামটার অংশটা যেখানে আসলে মানুষ বেঁচে গিয়েছে সেটা কিন্তু কালো অংশে দেখানো হচ্ছে এখানে। আচ্ছা আপনাদের কি মনে আছে আমাদের প্যাসেঞ্জার ক্লাসগুলোর কথা মানে আমাদের টাইটানিকের প্যাসেঞ্জার ক্লাস যেগুলো ফার্স্ট, সেকেন্ড এবং থার্ড ক্লাস হিসেবে কিভাবে তারা ডিস্ট্রিবিউট ছিল? আমরা যদি দেখতে চাই আমাদের ফার্স্ট, সেকেন্ড এবং থার্ড ক্লাস প্যাসেঞ্জারগুলো কিভাবে পুরো টাইটানিকের ডিস্ট্রিবিউট ছিল তাহলে কিন্তু এই ছবিতে একটা ভালো ব্যাপার বোঝা যাবে। আমরা সাধারণত দেখি ফার্স্ট ক্লাস থেকে সেকেন্ড ক্লাস একটু বেশি হয়, সেকেন্ড ক্লাস থেকে থার্ড ক্লাস আরও বেশি হয়। কিন্তু এখানে ব্যাপারটা একটু উল্টো। ফার্স্ট ক্লাস থেকে সেকেন্ড ক্লাস কম কিন্তু থার্ড ক্লাস তার থেকেও বেশি। মানে ফার্স্ট ক্লাস এবং সেকেন্ড ক্লাস যোগ করলেও কিন্তু থার্ড ক্লাস তার থেকে বেশি আসছে। আমরা এখন জানতে চাইবো পুরুষ এবং মহিলা যাত্রীদের মধ্যে কাদের সংখ্যা কত বেশি ছিল। এখানে পুরুষ যাত্রীর সংখ্যা মহিলাদের থেকে প্রায় দ্বিগুণ এবং এখানে এই ছবিতে কিন্তু এটাই বোঝানো হচ্ছে। আপনারা একটু ভালোভাবে দেখলে বুঝতে পারবেন ফিমেল প্যাসেঞ্জার এখানে কিন্তু প্রায় 300 এর একটু উপরে আছে। আমরা তো এতক্ষণ অনেক বার প্লট দেখলাম। তো এখন আমরা একটু অন্য ধরনের একটা প্লট দেখি। যেখানে আমাদের যে ভেরিয়েবলটা ছিল বয়স সেই ভেরিয়েবলটাকে আসলে আরেকটু আমরা ভালোভাবে দেখতে চাচ্ছি। আমরা যদি ভালোভাবে বয়সটাকে দেখতে চাই আমরা এখানে বয়সটাকে দেখতে চাচ্ছি যে বয়সটা টাইটানিক যাত্রীদের মধ্যে কিভাবে ডিস্ট্রিবিউট ছিল। মানে কোন ধরনের কোন বয়সের বেশি প্যাসেঞ্জার আমাদের এই টাইটানিকে ছিল এবং সেটার একটা ডিস্ট্রিবিউশন হিস্টোগ্রামের মাধ্যমে আমরা এখানে পাবো। আমরা যদি বয়সের হিস্টোগ্রামটা দেখি তাহলে দেখা যাবে আমাদের 20 থেকে 30 এর বয়সের মধ্যে কিন্তু সবচেয়ে বেশি ভাগ মানুষ ছিল। তার মানে বোঝা যাচ্ছে এই জাহাজে করে সবচেয়ে বেশি তবে একটা ব্যাপার যে অভিবাসন সবসময় ছিল বাট তখন বোঝা যাচ্ছে 20 থেকে 30 বছরের মধ্যে তার মানে হচ্ছে গিয়ে তারা সিঙ্গেল তারা আসলে উন্নত জীবনের জন্য যাচ্ছিল মার্কিন যুক্তরাষ্ট্রে। আমরা যদি সিভ এসপি মানে হচ্ছে সিবলিং এবং স্পাউস মানে হচ্ছে গিয়ে আমাদের ভাই বোন অথবা স্ত্রী স্বামীর জুটিগুলো যদি ভালোভাবে দেখি তাহলে দেখা যাবে যে আসলে এখানে ভাই বোন অথবা স্ত্রী থেকে কিন্তু একা মানুষ সবচেয়ে বেশি ট্রাভেল করেছে। তার মানে হচ্ছে শূন্য যদি আপনি ভালোভাবে দেখেন এখানে শূন্যের সংখ্যা বেশি। শূন্য মানে কিন্তু শূন্য মানুষ নয়। তার মানে হচ্ছে গিয়ে সেই লোকটা একজনই। তারপরে ভাই বোন অথবা স্পাউস সহ যদি আপনি দেখেন মানে দুজন মানুষের সংখ্যা কিন্তু এখানে বেশ বড় একটা সংখ্যা আমরা পাচ্ছি। মানে 200 এর কাছাকাছি সেই সংখ্যাটা পাওয়া যাচ্ছে এখানে। সেই হিসেবে কিন্তু পরের চার্টটা কিন্তু একই রকম প্রায়। সেটা হচ্ছে প্যারেন্টস এবং কিডস। মানে হচ্ছে গিয়ে বাবা মা এবং বাচ্চা। তাদের সংখ্যাও কিন্তু খুব একটা বেশি ছিল না। মানে শূন্যতেই বেশি। তারপরে দুজন। সেই হিসেবে কিন্তু ওদের সংখ্যা প্রায় 100 বা 120 এর মতো এখানে দেখা যাচ্ছে। তার মানে বাবা মা বা ছেলে বা সন্তান বা পুত্র কন্যা যদি সেইভাবে যদি দেখি তাহলে কিন্তু তাদের সংখ্যা কিন্তু খুব বেশি ছিল না। মানে ওয়ান, টু, থ্রি। তাদের কিন্তু সংখ্যা ধীরে ধীরে কমে গিয়েছে এখানে। আচ্ছা এখন দেখা যাক কে কত টাকা দিয়েছিল টাইটানিকের ভাড়া হিসেবে। সেখানে যদি আমরা ভালোভাবে দেখি টাইটানিকের ভাড়া হিসেবে বেশিরভাগ মানুষই কিন্তু 40 ডলার মানে 50 ডলারের কম মানে 40 ডলারে কিন্তু প্রায় সবাই দিয়েছে। আর বাকিরা কিন্তু 100 যদি আপনি দেখেন বাকিরা কিন্তু খুব বেশি দেয়নি। তার মানে হচ্ছে 40 ডলার এবং তারপরে কিন্তু বাকিদের ভাড়াটা অনেক অনেক কমে গিয়েছে। আর আপনি যদি 500 এর উপরে দেখেন তার মানে 500 এর উপরে কিন্তু একটু দেখা যাচ্ছে। তার মানে হচ্ছে 500 এর উপর ডলার দিয়েও কিন্তু কেউ কেউ এখানে টিকিট কেটেছিল। আরেকটা জিনিস প্লট করলে কেমন হয়? মানে আমরা জানতে চাচ্ছি এই টাইটানিক জাহাজে কে কোথা থেকে উঠেছিল। আমাদের ধারণা মতে আমাদের যে এমবার্ক ফিল্ড ছিল সেই ফিল্ড থেকে আমাদের এমবার্ক যে ভেরিয়েবল ছিল সেখানে আমরা আসলে দেখতে পাচ্ছি তিনটা জায়গা থেকে মানুষ উঠেছিল। এবং সেখানে আমাদের এই বার প্লট যদি আমরা ভালোভাবে লক্ষ্য করি তাহলে দেখা যাবে এখানে সাউথহ্যাম্পটন থেকে কিন্তু সবচেয়ে বেশি লোক উঠেছিল। আমরা যদি ভালোভাবে ছবিটা লক্ষ্য করি তাহলে দেখা যাবে সাউথহ্যাম্পটন থেকে আসলে সবচেয়ে বেশি মানুষ উঠেছিল। তো আজকের মতো এখানেই। ধন্যবাদ সবাইকে। |
মেশিন লার্নিং: "আর" এনভায়রনমেন্ট | মেশিন লার্নিং হাতে কলমে ৯.mp3 | মেশিন লার্নিং নিয়ে নয় নম্বর ভিডিওতে স্বাগতম। কেমন আছেন আপনারা? আমি তো ধারণা করছি আপনারা আমাদের আটটা ভিডিও প্লাস দুটো পরিসংখ্যান ভিডিও দেখেছেন। মনে আছে আমরা কি করেছিলাম এই আটটা ভিডিওতে? দুটো প্রেডিকশন করেছিলাম ক্যাগল কম্পিটিশনে। যে যাই বলুক মেশিন লার্নিং এর জন্য ক্যাগল হচ্ছে দি সাইট। মেশিন লার্নিং নিয়ে কাজ করবেন অথচ ক্যাগল কম্পিটিশন করবেন না এটা চিন্তা করাটাই ঠিক না। আমরা যারা মেশিন লার্নিং নিয়ে কাজ করি তাদের জন্য ক্যাগল আর মেশিন লার্নিং সমার্থক শব্দ। চলুন যাওয়া যাক নতুন স্ক্রিপ্টে ভিডিও নয় স্ক্রিপ্ট চার। গিটহাবের লিংক থেকে ডাউনলোড করে নিন আমাদের নতুন স্ক্রিপ্ট। যারা গিটহাবের রিপোজিটরি নিয়ে কাজ করেন তারা পুরো ব্যাপারটাই ডাউনলোড করে রাখতে পারেন ক্লোন হিসেবে। আমি অবশ্য এর মধ্যে দেখিয়ে দিয়েছি কিভাবে একটা রিপোজিটরি ক্লোন করতে হয়। ক্লোনটা ডাউনলোড হয়ে গেলে আপনি চলে আসতে পারেন আমাদের আর স্টুডিওতে। চালু করুন আর স্টুডিও আমাদের নতুন স্ক্রিপ্ট সহ। মনে আছে আমাদের প্রথম ও দ্বিতীয় প্রেডিকশন করার সময় মহিলা এবং পুরুষ কারা কারা বেঁচে গিয়েছিলেন সেটার একটা পার্সেন্টেজও দেখিয়েছিলাম তখন আমাদের ট্রেন ডেটা থেকে। আমাদের ট্রেনিং ডেটা সেট বলেছিল 74 শতাংশ মহিলারা বেঁচে গিয়েছিলেন এই টাইটানিক ভয়েজে। একটা ব্যাপার কি লক্ষ্য করেছেন? এখানে বয়সটা হচ্ছে কন্টিনিউয়াস ভেরিয়েবল। আমাদের ট্রেনিং ডেটা সেটে দেখতে পাচ্ছি পি ক্লাস আর সেক্স হচ্ছে ক্যাটাগরিক্যাল ভেরিয়েবল। বয়সটাকে আমি কোনভাবে প্রপোশন টেবিলে ফেলতে পারছি না কারণ এটা পুরোটাই কন্টিনিউয়াস ভেরিয়েবল। আর যদি সেটা ফেলি দেখা যাবে প্রতিটা বয়স হচ্ছে এক একটা ক্যাটাগরি। কি আর করা? চলুন তৈরি করি নতুন ভেরিয়েবল। আমাদের নতুন ভেরিয়েবলটার নাম দিচ্ছি চাইল্ড। আমরা আমাদের এই প্রেডিকশন কলামে দিতে চাইবো এই যাত্রীটা একজন বাচ্চা নাকি একজন প্রাপ্তবয়স্ক। এই প্রেডিকশন কলামে প্রথমে আমরা ধরে নেব সে একজন এডাল্ট। তারপরে কলামে আমরা চেক করব সে আসলে 18 বছরের নিচে কিনা। কিভাবে করব সেটা? খুবই সোজা। এটা একটা খুব সাধারণ বুলিয়ান টেস্ট যেখানে আমরা দেখিয়ে দিব এক বসবে তখনই যেখানে তার বয়স হবে 18 বছরের নিচে। আমরা এখানে এর আগেই বসিয়ে নিচ্ছি শূন্য যাতে পরবর্তী সময়ে সে বুলিয়ান টেস্ট ফেল না করে। তো চালাই আমাদের নতুন প্রপোশন টেবিল আমাদের ট্রেনিং ডেটা সেট থেকে। যদিও এই মিশনের মটো ছিল সেভ দা উইমেন এন্ড চিলড্রেন ফার্স্ট কিন্তু ডেটা বলছে অন্য কথা। এখানে ডেটা বলছে মাত্র 36 শতাংশ বাচ্চারা বেঁচে গিয়েছে। এর মানে হচ্ছে বাচ্চাদের সারভাইভাল রেট অত ভালো না। এই তথ্যটাকেও কাজে লাগাই বরং এই প্রেডিকশনে। আমাদের টেস্ট ডেটা সেটে আবার নতুন করে তৈরি করলাম চাইল্ড ভেরিয়েবল। বুলিয়ান টেস্ট ফেলে দিলাম 18 বছরের নিচে। এখন পুরো টেস্ট ডেটা সেটটাকে পপুলেট করি জিরো সারভাইভাল রেট দিয়ে। তারপর কি? তারপরই হচ্ছে আমাদের আসল কাজকারবার। তার মানে আমরা প্রেডিকশন করছি যারা মহিলা এবং যারা প্রাপ্তবয়স্ক তারাই শুধু বেঁচে গিয়েছিলেন। ভালোমতো দেখুন এখানে দুটো বুলিয়ান টেস্ট পাশাপাশি। তাকে মহিলা হতে হবে এবং প্রাপ্তবয়স্ক হতে হবে। মোদ্দা কথা তাকে চাইল্ড হওয়া যাবে না। তো এখন ক্যাগলে সাবমিটের পালা। কি করব এখন? ক্যাগলের নিয়ম অনুযায়ী পুরো টেস্ট ডেটা ফ্রেমে প্যাসেঞ্জার আইডি এবং সারভাইভ কলামটাকে পাঠিয়ে দিচ্ছি সাবমিট ডেটা ফ্রেমে। তারপর? তারপর নাল পাঠিয়ে দিচ্ছি যাতে কোন রো নেম না থাকে। ফাইনালি আমরা রাইট ডট সিএসবি ফাংশন দিয়ে পাঠিয়ে দিচ্ছি নতুন একটা ফাইল নাম দিয়ে। ফাইল নেমিং কনভেনশন হচ্ছে আপনার মতো। আর কি থাকে বাকি? ক্যাগলে সাবমিট করা। চলে যাই ক্যাগল সাইটে। লগইন না থাকলে লগইন করে নিন। সাবমিট প্রেডিকশন চাপ দিয়ে আপলোড করে দিন আপনার ডেটা। এটা হচ্ছে সেই রাইট ডট সিএসবি ফাংশনের আউটপুট ফাইলটা। মনে রাখবেন আপনি এই ক্যাগল সাইটে দিনে মোট 10 বার এই অ্যাটেম্পট নিতে পারবেন যেটা অনেক অনেক বেশি। একিউরেসি লেভেলে সেটা আগের থেকে প্রতিবারই যে ভালো হবে সেটা কিন্তু নয়। যেমন হয়েছে এবার। আমাদের একিউরেসি লেভেল এসছে 74। মানে এটা কিন্তু কমে গিয়েছে দ্বিতীয় প্রেডিকশন থেকে। এই ট্রায়াল এন্ড এরর জনিত দিনে 10 বার অ্যাটেম্পট। তো আজকে এই পর্যন্তই। আমাদেরকে তৈরি হতে হবে পরের ভিডিওর জন্য চতুর্থ প্রেডিকশনে। গুড বাই। |
মেশিন লার্নিং: "আর" এনভায়রনমেন্ট | মেশিন লার্নিং হাতে কলমে ৭.mp3 | কেমন আছেন আপনারা? ভালো চলছে তো সবকিছু? মেশিন লার্নিং নিয়ে এক বছরের কোর্সে বেশ সাড়া পাচ্ছি। এর মধ্যে হাতে কলম সিরিজে ছটা ভিডিও হয়ে গেছে। প্রজেক্ট হিসেবে আমরা নিয়েছি টাইটানিক ডেটা সেটকে। কারণ টাইটানিক ডেটা সেটটা বেশ ছোট। আর আমাদের বর্তমান বিজনেস গ্রোথে কাস্টমার প্রোফাইল ডেটাবেজের জন্য এইটা ভালো প্রক্সি হিসেবে কাজ করছে। কে না চায় তার নিজস্ব কাস্টমারকে চিনতে? নিজস্ব কাস্টমার ডেটা সেট তৈরি করার জন্য এই টাইটানিক ডেটা সেটের কোন জুড়ি নেই। এবারের হাতে কলমের কাজের জন্য দরকার স্ক্রিপ্ট ফাইল। গিটহাব সাইট থেকে আমরা নামিয়ে নিচ্ছি স্ক্রিপ্টটা। মনে আছে তো সাইটের এড্রেসটা? আপনাদের সুবিধার জন্য দেয়া হলো আবার এখানে। টাইটানিকের ট্রেনিং ডেটা সেটটা হাতে নিয়ে বোঝা গেল আসলে মারা গেছে বেশি ভাগই। আর তাই টেস্ট ডেটা সেটের প্রথম প্রেডিকশনে আমরা দেখিয়ে দিলাম আসলে সবাই মারা গিয়েছে। ক্যাগেলে সাবমিট করতে গিয়ে দেখলাম আমাদের একুরেসি লেভেল এসছে 62.6। আচ্ছা বলুন তো এমনই বা কি খারাপ প্রথম প্রেডিকশনে? চলুন আজকে আসি কি করবো আমরা? টাইটানিক ডেটাটা খুবই নামকরা ফর সেভিং উইমেনস এন্ড চিলড্রেন ফার্স্ট। যখন জাহাজটা ডুবতে শুরু করে তখন তারা সিদ্ধান্ত নেয় মহিলা এবং বাচ্চাদেরকে অগ্রাধিকার দেওয়া হবে লাইফবোটের জন্য। সেখানে আমরা ছোট্ট একটা এক্সপ্লোরেটরি ডেটা এনালাইসিস করি। ট্রেন ডেটা সেটে আমরা দেখতে চাইবো কতজন পুরুষ এবং মহিলা আছে ওই ডেটা সেটে। দেখে নেই সামারি কমান্ড দিয়ে যেখানে আমরা সেক্স কলামটাকে প্রাধান্য দেব। বোঝাই যাচ্ছে পুরুষ প্যাসেঞ্জারের আধিক্য বেশি। 314 মহিলা প্যাসেঞ্জারের জায়গায় 577 পুরুষ প্যাসেঞ্জার। এটাকে কি আমরা একটা টেবিলে ফেলতে পারি? একটা প্রপোরশন টেবিল যেখানে মহিলা এবং পুরুষদের আলাদাভাবে আমরা দেখাতে পারব? কেন জানি এই কমান্ডটা দিয়ে পুরোপুরি পরিষ্কার করা যাচ্ছে না ব্যাপারটাকে। আমরা যদি রো ওয়াইজ প্রপোরশন টেবিলটা দেখাতে চাই মহিলা এবং পুরুষের টু ওয়ে কম্পারিজনটা আসতে পারে এখানে। তাহলে প্রপোরশন টেবিলটাকে আমরা এমনভাবে সাজাই যেখানে প্রতিটা জেন্ডারকে আলাদাভাবে রিপ্রেজেন্ট করানো যাবে এবং প্রতিটা জেন্ডারের মধ্যে কতজন সারভাইভ করেছে সেটাও আনা যাবে এই টেবিলে। ফার্স্ট ডাইমেনশনে সেটাকে রো হিসেবে পার করে দেই আরেকটা টেবিলে। নাও ইট সিমস লট বেটার। আমরা দেখতে পাচ্ছি মহিলারাই আসলে বেশি বেঁচে গিয়েছিলেন। যেহেতু আমরা আগের প্রেডিকশনে দেখিয়েছিলাম টেস্ট ডেটা সেটে সবাই মারা গিয়েছে। সেখানে আমরা এবার দেখাই মহিলারাই টেস্ট ডেটা সেটে বেঁচে গিয়েছিলেন। তাহলে আমরা টেস্ট ডেটা সেটে সারভাইভ কলামটাকে জিরো দিয়ে পপুলেট করে দেই। এরপরের লাইনে আমরা সবাইকে দেখিয়ে দিচ্ছি যারা ফিমেল প্যাসেঞ্জার ছিলেন সবাই বেঁচে গিয়েছিলেন। এখন আসি ক্যাগল সাইটে সাবমিশনের পালায়। কি করবো আমরা এখানে? মনে আছে আগের টিউটোরিয়ালে কি করেছিলাম আমরা? সারভাইভ কলামটার আউটপুট আমরা পাঠিয়ে দিচ্ছি সাবমিট ডেটা ফ্রেমে। রাইট ডট সিএসভি ফাংশন দিয়ে আমরা সেই ফাইলটাকে পাঠিয়ে দিচ্ছি নতুন ফাইলে। তো থাকে কি আর? এটাকে আমরা আপলোড করেছি ক্যাগল সাইটে। কি দেখা গেল? অনেক লাভ দিয়েছি নতুন প্রেডিকশনে। 75 এর উপরে এসছে একুরেসি রেট। বেশি মনে হচ্ছে? না, আমাদের আসলে আরও এগোতে হবে এখানে। আজকের মতো বিদায় নিচ্ছি তাহলে। থাকবেন ভালো। |
রোড টু হাইটেক ইন্ডাস্ট্রি | রোড টু হাইটেক ইন্ডাস্ট্রি DevOps কেন দরকার Why Software Is Eating the World.mp3 | আচ্ছা বলুনতো এখন কোন জিনিসটা প্রতিটা মানুষের লাইফকে ইম্প্যাক্ট করছে। আমি বলছি যে তার লাইফকে ইজি করছে, তার লাইফকে আসলে একটা নেক্সট লেভেলে নিচ্ছে। অফকোর্স সফটওয়্যার। কারণ আমি যদি আপনাদেরকে দেখাই যে এই মুহূর্তে ধরা যাক আমি একটা কোন জিনিস কিনতে চাচ্ছি। সো আমি আসলে একটা ট্রেডিশনাল দোকানে না যেয়ে আমি দারাজে অর্ডার করছি। আমার এখন একটা খাবার প্রয়োজন হলো যে আমি আসলে এখন বাসায় আজকে খেতে ইচ্ছা করছে না আমি একটু বাইরে খাবো। বাইরে মানে হচ্ছে গিয়ে বাইরের খাবার খাবো। সো অবভিয়াসলি আই উড ইউজ ফুডপান্ডা। সো আমার কথা হচ্ছে যে এখন আমাদের লাইফ সবকিছুই সফটওয়্যারে চলে যাচ্ছে। কারণ ধরা যাক আমি এখন এখান থেকে নিউমার্কেটে যাব। এখন নিউমার্কেটে যাওয়ার জন্য অবভিয়াসলি আই হ্যাভ টু ইউজ পাঠাও অর আই হ্যাভ টু ইউজ সাম অ্যাপ সো দ্যাট আই ক্যান গেট দা সার্ভিস। সো এখন ব্যাপারটা হচ্ছে যে সবকিছুর মধ্যে এখন সফটওয়্যার চলে আসছে। কারণ সফটওয়্যার চলে আসছে এ কারণে যে আগে যে ট্রেডিশনাল কোম্পানি ছিল সেই ট্রেডিশনাল কোম্পানির সাথে যদি কম্পিট করতে হয় একটা স্টার্টআপকে। যেকোনো স্টার্টআপ। আমি বলছি যে আজকে যেই কোম্পানিটা ট্রেডিশনাল কোম্পানি আছে গত 100 বছর সে যদি এখন চলতে চায় অফকোর্স দে হ্যাভ টু মুভ টু সফটওয়্যার। আর এইজন্যই যখন স্টার্টআপ কোম্পানিগুলো বড় বড় কোম্পানির সলিউশন, বড় বড় কোম্পানির সমস্যাগুলোকে যখন সমাধান করতে চাচ্ছে দেন দে আর একচুয়ালি মুভিং টু সফটওয়্যার। আপনি চিন্তা করুন যে টাকা পয়সা পাঠানোর ব্যাপারে উই হ্যাভ রিলাইড অন ব্যাংকস। একটা সময় কিন্তু ব্যাংক ঠিকমতো আমাদেরকে সাপোর্ট দিতে পারে নাই। দেন অবভিয়াসলি মোবাইল ফিনান্সিয়াল সার্ভিস এলো। মোবাইল ফিনান্সিয়াল সার্ভিস কি ধরা যাক বিকাশ বা নগদ। মানে আমার কথা হচ্ছে যে দিস আর পিউরলি দে আর পিউরলি সফটওয়্যার কোম্পানি। সো আজকে বিকাশ বলেন, আজকে ফুডপান্ডা বলেন, আজকে পাঠাও বলেন ইভেন আজকে যেই সলিউশনগুলো অলরেডি আমাদের লাইফে ইম্প্যাক্ট ফেলছে। প্রতিটা কোম্পানি আজকে যেই কোম্পানিগুলো আমাদের লাইফে ইম্প্যাক্ট করছে এই কোম্পানি একটাও 10 বছর আগে ছিল না। তার মানে কি? যেই যেই সলিউশন আসলে বিজনেস কি বা ব্যবসা কি? মানুষের একটা প্রবলেমকে সলভ করাই কিন্তু ব্যবসা। মানে ধরা যাক আজকে আমরা যে একটা রেস্টুরেন্টে যেয়ে খাবার অফকোর্স রেস্টুরেন্টে যেয়ে আমরা খেতে চাই কিন্তু আমার সময় কম। আমি হয়তো বাসায় রান্না করতে পারছি না। আমি রেস্টুরেন্টে যেতে পারছি না। সো আই ইউজ ফুডপান্ডা। ইটস এ বিউটিফুল অ্যাপ। বিউটিফুল অ্যাপ এন্ড এই অ্যাপের পেছনে যেই বিশাল যজ্ঞ চলে, যে ইআরপি চলে সেটা দেখার মতো। সেইম জিনিস উইথ বিকাশ, সেইম জিনিস উইথ আদার সলিউশন প্রোভাইডারস। যারা আসলে এই অ্যাপে চালাচ্ছে। আজকে যদি দারাজের কথা বলি আগে একটা স্টোর ফ্রন্ট এন্ডে যেয়ে আমাকে সব জিনিসপত্র কিনতে হতো। কিন্তু এখন আমি স্টোর ফ্রন্টে যাই না। কারণ আমি এখন সরাসরি কোনো হিউম্যান ইন্টারভেনশন ছাড়াই কিন্তু কাজ করছি। আজকে যদি ধরা যাক সুরক্ষা অ্যাপ না থাকতো, সুরক্ষা অ্যাপ যদি না থাকতো, সুরক্ষা অ্যাপের জায়গায় যদি আমাকে হিউম্যান মানে আমাকে যে যে আমার কোভিড টিকার শিডিউল দিতে হতো তাহলে কিন্তু আসলে এত বড় জনগোষ্ঠীকে কোভিড কোভিডের টিকা দেওয়া যেত না। তার মানে হচ্ছে কি এভরি সিঙ্গেল থিং, এভরি সিঙ্গেল থিং হোয়াট উই নিড এন্ড হোয়াট উই ওয়ান্ট টু সলভ রাইট নাউ নিডস সফটওয়্যার। দ্যাটস দা বটম লাইন। মানে এভরিহোয়্যার ইজ সফটওয়্যার। এন্ড অবভিয়াসলি দা নেটওয়ার্ক ইজ নট ইজ নো ডিফারেন্স। দা নেটওয়ার্ক ইজ নো ডিফারেন্ট। আজকে আপনি যদি দেখেন যে সিসকো বা বড় বড় সলিউশন প্রোভাইডাররা যে তারা সবাই কিন্তু ডেভেলপার মানে ডেভপস নিয়ে কথা বলতেছে। বিকজ দে অলসো আন্ডারস্টুড উইদাউট সফটওয়্যার দেয়ার ইজ নাথিং। সো উই হ্যাভ টু একচুয়ালি ডিপেন্ড অন সফটওয়্যার। এন্ড দ্যাটস হোয়াই মার্ক এন্ড্রিসন। মনে আছে মার্ক এন্ড্রিসন অনেক আগে প্রায় 15 বছর আগে বিকজ হি ওয়াজ এ ব্রিলিয়ান্ট গাই যে যে আসলে নেটস্কেপ তৈরি করেছিল। বিকজ হোয়াইল হি ওয়াজ ডেভেলপিং নেটস্কেপ হি আন্ডারস্টুড দা সফটওয়্যার ইজ ইটিং দা ওয়ার্ল্ড। অবভিয়াসলি আজকের কথা না 15 বছর আগের কথা। দা সফটওয়্যার ইজ ইটিং দা ওয়ার্ল্ড। সো আমি এইজন্য বলছি যে এই যে সফটওয়্যার যে পৃথিবীটাকে খেয়ে ফেলতেছে সেইম এখন সফটওয়্যারকে কারা খাচ্ছে? অফকোর্স এআই। এখন আমরা যেটা বলি যে এআই ইজ ইটিং দা সফটওয়্যার। সো দিনশেষে আসলে সফটওয়্যার ইজ ইটিং দা ওয়ার্ল্ড অর এআই ইজ ইটিং দা সফটওয়্যার সেটার প্রথম ধাপ হচ্ছে গিয়ে উই হ্যাভ টু মুভ টু সফটওয়্যার। বিকজ উই হ্যাভ টু রান আওয়ার বিজনেস অন ইআরপি দ্যাট ইজ কানেক্টেড টু এ সফটওয়্যার এন্ড দ্যাট হ্যাজ এ ফ্রন্ট এন্ড অন এ মোবাইল অ্যাপ অর মেবি ইউর ডেস্কটপ অ্যাপ। ইট ডাজেন্ট ম্যাটার। ইট ডাজ নট ম্যাটার। সো অবভিয়াসলি ইফ উই টক অ্যাবাউট যেটা আমি বারবার বলি যে রোড টু হাইটেক ইন্ডাস্ট্রি বিকজ আমি আসলে একসময় খুব কষ্ট পেয়েছিলাম। হোয়াই অ্যাম আই টকিং অ্যাবাউট রোড টু হাইটেক ইন্ডাস্ট্রি বিকজ আমি দেখেছি যে যখন আমি একটা সুপার হাইটেক ইন্ডাস্ট্রিতে কাজ করেছি তখন আমি বাংলাদেশ থেকে পর্যাপ্ত জনবল বা বাংলাদেশ থেকে পর্যাপ্ত দক্ষ জনবল পাইনি। দক্ষ স্কিলড লোকজন পাইনি বা স্কিল ম্যানপাওয়ার পাইনি যেখানে আসলে এই আমাদের যে হাইটেক ইন্ডাস্ট্রি চলবে। হাইটেক ইন্ডাস্ট্রি চলতে গেলেই কিন্তু আমাদের উই নিড উই নিড স্কিলড রিসোর্সেস। আর এই স্কিলড রিসোর্সের জন্যই কিন্তু আমি আসলে এত বই লিখছি যে এই একটার পর একটা বই লিখছি একটাই কারণে যে উই নিড টু উই নিড টু আন্ডারস্ট্যান্ড হোয়াই হোয়াই ডু উই নিড টু গো টু দা হাইটেক ইন্ডাস্ট্রি বিকজ ইফ উই ক্যাননট একচুয়ালি এন্টার ইনটু দা হাইটেক ইন্ডাস্ট্রি এবং আমাদের হাইটেক ইন্ডাস্ট্রিতে ঢোকার জন্য যেই ধরনের স্কিল দরকার সেটা নিয়ে আসলে আমি সবসময় আলাপ করছি যে কিভাবে আমরা হাইটেক ইন্ডাস্ট্রিতে হাঁটতে পারি। কিভাবে আমাদের নিজস্ব রিসোর্স তৈরি করতে পারি। আমরা কিভাবে আমাদের নিজস্ব রিসোর্সকে তৈরি করে আমাদের হাইটেক ইন্ডাস্ট্রি সাপোর্ট দেওয়া যায়। অফকোর্স এই হাইটেক ইন্ডাস্ট্রির আগে আমাদের ইকোসিস্টেম লাগবে। অফকোর্স সেই ইকোসিস্টেম আমাদেরকেই তৈরি করতে হবে। আমাদের ইন্ডাস্ট্রিকে তৈরি করতে হবে যে যে ইকোসিস্টেমে আমরা যদি হাইটেক ইন্ডাস্ট্রি যদি তৈরি করতে চাই ইকোসিস্টেমটা তৈরি করলেই কিন্তু উই ক্যান এক্সপেক্ট টু বিল্ড নিউ হাইটেক রিসোর্সেস। আদারওয়াইজ কিন্তু হাইটেক রিসোর্স কিন্তু তৈরি করা খুব ডিফিকাল্ট। তো সেইজন্য বলছি যে আমরা ডেভপসের কথা আমি একটাই এইজন্য বললাম যে যেহেতু সবকিছুই এখন সফটওয়্যারে যাচ্ছে। সো দেন সফটওয়্যারের মধ্যে আবার একটা ক্যাচাল আছে যে সফটওয়্যারে যারা একচুয়ালি কোডিং করে তাদের কি অবস্থা আর যারা হচ্ছে গিয়ে আইটি অপারেশনস দেখে কি তাদের কি অবস্থা। বিকজ যারা কোডিং করছে তারা তারা কিন্তু একসময় ইনফ্রাস্ট্রাকচারে সেই কোডটাকে ডেপ্লয় করতে হচ্ছে। সো যারা কোডিং করছে তারা যদি ইনফ্রাস্ট্রাকচার না বোঝেন তারা যদি ইনফ্রাস্ট্রাকচারে ডেপ্লয় না করতে পারেন দেন হি হ্যাজ টু রিলাই অন সামবডি এলস যে ধরা যাক আইটি অপারেশনসে যারা আছে যারা সিস্টেমে কাজ করছে তাদেরকে তাদের উপর ডিপেন্ড করতে হচ্ছে গিয়ে যারা ডেভেলপার, যারা হচ্ছে কোডার, যারা হচ্ছে সফটওয়্যার তৈরি করছেন। সো তাদেরকে হয়তোবা একটা ভিএম এর জন্য বা একটা কন্টেইনারের জন্য বা একটা ডকারের জন্য আরেকজনের উপর ডিপেন্ড করতে হচ্ছে। সো সেই জায়গাটাতেই আসলে আমরা বুঝতে পারছিলাম যে না আসলে যদি ডেভেলপার বা সফটওয়্যারকে যদি আসলে নেক্সট লেভেলে নিতে হয় তাহলে সফটওয়্যার যিনি তৈরি করছেন, যিনি বানাচ্ছেন উনাকে কিন্তু কিছুটা ডেপ্লয়মেন্ট স্ট্র্যাটেজি ইনফ্রাস্ট্রাকচার ইনফ্রাস্ট্রাকচার এবং ইনফ্রাস্ট্রাকচারে কিভাবে সেটাকে ডেপ্লয় হবে এবং সেই সিআইসিডি পাইপলাইনে আসলে কোথায় কোন জায়গাটা কাজ করতে হবে বা কোথায় কোন জায়গাটাতে আসলে আমরা দেখবো সেটাও দেখা জরুরি। বিকজ দিনশেষে ইটস নট দা সফটওয়্যার দ্যাট ওয়ার্কস। অবভিয়াসলি দা সফটওয়্যার হ্যাজ টু রাইড অন সাম ইনফ্রাস্ট্রাকচার। সেই ইনফ্রাস্ট্রাকচারটা যদি আমরা না বুঝি তাহলে সফটওয়্যার ডেভেলপার যারা আছেন তাদেরকে আসলে অনেক সময় নষ্ট করতে হয় আরেকজনের উপর ডিপেন্ড করে এবং ফাইনালি কিন্তু সেটা আসলে ঠিকমতো কাজ করে না এবং দা দা আমি বলবো যে এখন যে লাইফ অফ এজিটিলিটি বা যেই স্পিড বা যেই স্পিডটা আমরা আসলে চাচ্ছি সেই স্পিডটা একোয়ার করা সম্ভব হবে না যদি আমাদের ডেভেলপাররা তারা ইনফ্রাস্ট্রাকচারের উপর ধারণা রাখেন বা আইটি অপারেশন সম্বন্ধে তারা ধারণা না রাখেন। এইজন্যই ডেভেলপারস এবং অপারেশন এক জায়গার আনার আন্ডারস্ট্যান্ডিংটাই আসলে নিয়ে আসা হয়েছে ডেভপসে। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
রোড টু হাইটেক ইন্ডাস্ট্রি | রোড টু হাইটেক ইন্ডাস্ট্রি Drug Discovery using AI.mp3 | ছোটবেলা থেকে আমার প্যারেন্টস চাচ্ছিলেন যাতে আমি ডক্টর হই। অফকোর্স ইট ইজ এ নোবেল প্রফেশন এবং আমি এখন যদি ইফ আই লুক ব্যাক আমার মনে হচ্ছিল যে আসলে দিস ইজ দা প্রফেশন যে প্রফেশন আসলে অনেক কিছু ঘটতে চলেছে এবং ঘটছে এবং সবচেয়ে বড় ব্যাপার হচ্ছে যে এআই যেভাবে ড্রাগ ডিসকভারিতে আসলে পৌছাচ্ছে এবং সেখানে আমি আসলে দেখছি যে আসলে ডিপ মাইন্ড এবং আরো অনেক কোম্পানি কিন্তু আসলে এই ড্রাগ ডিসকভারিতে কিন্তু ভালো সময় দিচ্ছে এবং ড্রাগ ডিসকভারিতে আসলে এআই যেভাবে প্রোটিন ফোল্ড আমরা জানি যে এর আগে ওপেন এআই ওপেন এআই না মানে ডিপ মাইন্ড কিন্তু প্রোটিন ফোল্ড নিয়ে একটা বিশাল কাজ করেছে এবং সেটার কিছু আউটকাম নিয়ে আজকের আমাদের আলাপ। বাট অবভিয়াসলি মাই প্যারেন্টস সেড দ্যাট আমার আমাকে ডক্টর হওয়ার জন্য। তবে আমি একটা কাজ করেছিলাম যে গ্রাজুয়েট করে যেয়ে আমি আসলে বায়োলজিটা নেইনি। আমি বায়োলজির জায়গায় আমি স্ট্যাটিসটিক্স নিয়েছিলাম যাতে আমাকে ভবিষ্যতে ডক্টর না হতে হয়। বাট ইফ আই লুক ব্যাক ইফ আই লুক ব্যাক আই উড থিংক যে অবভিয়াসলি আমার সেই স্ট্যাটিসটিক্স নেওয়ার ফলে যেটা হচ্ছে গিয়ে আমার আজকের বিইং এ ডেটা সাইন্স বিইং এ ডেটা সাইন্টিস্ট এটা অফকোর্স আমাকে একটা রাস্তা দেখিয়েছে বাট মেডিকেল প্রফেশন ইজ অলসো কামিং আন্ডার দা এআই কাইন্ড অফ লাইক ড্রাগ ডিসকভারি যেখানে আসলে অনেক অনেক অনেক কাজ হচ্ছে। সো আজকে আমি যদি ফিরে আসি আজকের আলাপে যে আমরা আসলে কি চাচ্ছি যে এআই কিভাবে আসলে সবকিছুকে টাচ করছে এবং সেখানে এআই আমার যদি এখানে ধারণা দেই যে এআই আসলে কি কি আলাপ দিচ্ছে বিশেষ করে ড্রাগ ডিসকভারিতে সেটার কিছু আলাপ আমরা যদি শুনে আসি। This is progressing. What is your best guess as to what will be the first AI derived and discovered drug? Yeah. Well, we we announced earlier on this year um some big partnerships with Eli Lilly and and Novartis. so we're already working on on real drug uh programs. Uh and I would be expecting maybe in the next couple of years the first AI sort of designed drugs uh in the clinic. That's really interesting. In the next couple of years. Isomorphic Labs look, I know this is a passion of yours. You oversee this unit. It's a separate business but under the Alphabet family of course. And it's that generative AI or AI developed drugs. And you have those partnerships. As you say, no no Novartis, I I I should say and Eli Lilly. Up to $3 billion of revenue. Does Alphafold 3 get you closer to unlocking that revenue with those commercial partners? Yeah, it's a critical part of the the the tools that we have at Isomorphic. And we also have some other uh AI systems that uh fill out this space of drug discovery. There's a lot of different uh uh you know, techniques and and and modules that are needed in order to cover the whole of that uh a very difficult process. Um Alphafold 2 in the protein structure was just one small component of that and you can think of Isomorphic building many tools that fill that out. Um moving more into things like biochemistry and chemistry so that we can design uh the right drug compounds. One of the elements that stood out to me was RNA. And when we think of RNA, a lot of us will think of mRNA and the successful vaccines against Covid. What are the potential adjustments or the implications for mRNA vaccines from this technology? Yeah, I think there's this is a really interesting space that we can now get into. I think with these uh with Alphafold 3 and the new capabilities it has into sort of biologics, maybe anti antibodies, this sort of new space um beyond small molecules. Um and we think there's great advances to be made there as well as um with uh chemical compounds and small molecules. So, I think it sort of opens up the type of opportunities that we can tackle. Mhm. You you are obviously a key figure when it comes to the generative AI and what's evolving. And within Alphabet now, all of the AI elements have now been put under your control. Gemini, Deep Mind of course, Isomorphic Labs, all the research, all the compute. Does that do you think better equip Deep Mind, Google Deep Mind and Alphabet to fight back, beat back the the competitive threat maybe from the likes of Open AI? I think it's partly, you know, as as the exciting era that we're entering into with what AI can do in products as well as science. Um and I think the amount of compute and engineering resources and other things that are needed. Um you know, I think the new kind of organizational setup we have streamlines what we need to do and sets us up brilliantly for the next, you know, the next exciting phase. And positions you to compete better? Well, I think it will allow us to go faster and and and produce more and and basically continue with all the amazing advances that we've been doing over the last decade. And you've talked about being in a low data regime. And when we think about what's needed for generative AI, huge amounts of data of course, and for some, not all, but for some copyrighted data, but also huge amounts of energy, electricity, water and huge amounts of cash. Are the foundations of generative AI challenged when it comes to the sustainability of this? I think that the benefits that the generative AI models that we build, things like drug discovery and other stuff, that is going to far outweigh um uh these costs, I think in the long run. So including even on things like energy and climate, where I think AI has a huge um uh uh potential to help with that. Derive more efficiency from our power grids, um inventing new materials, new technologies, clean clean technologies, um things like helping with fusion. I think that AI can be applied to many, many of these areas and and and be extraordinarily productive and helpful in all these areas and far outweigh um the costs and efforts that are involved in building these models. So it can be sustainable and you don't see these as major major roadblocks. I mean particularly the energy component and the shortage of data now. Well, look, there's there's there's there's challenges. There's always is in research. And um we've got to be innovative to figure out our our ways around that and and how to do that. You know, for example, the data question, there's lots of interesting uh work going on with things like um synthetic data and how to generate uh self-generate data. And we're actually experts in that from the past with our gaming work where, you know, if you take our programs like AlphaGo, that was self-learning, self-improving through playing against itself. So in effect it was generating its own data. And I think some of those kinds of techniques can be um transferred over to the new world of, you know, generative models and and large language models. Mhm. Broadly across what's happening with generative AI, the critics, the skeptics say, look, there's a lot of there's a lot of hype involved. And we have seen companies like Stability AI, they've been challenged with their finances. The likes of Inflection being absorbed by Microsoft. Are we at a point now where we're seeing a little bit more rationalization where we should look to maybe see more closures, more failures, more acquisitions? I think funnily enough in many ways, um I think uh uh AI is overhyped in the short term and probably underestimated over the long term, like what it's going to bring. And I think that's probably true of a lot of breakthrough technologies. So, um I think we're seeing because of the popularity of AI now in the last couple of years, uh lots of people trying to get into this space who maybe haven't thought about this uh as long as as as people like us who've been in it for decades. Um and I think we're going to see a sort of rationalization process happening. Um but I actually think what it's going to end up delivering is going to be even beyond what the most optimistic end of things that we can এখানে এখানে যে জিনিসটা আপনারা দেখছেন যে আসলে শর্ট টাইমে কিন্তু একটা কথা বারবার বলছি যে শর্ট টাইমে কিন্তু ইট ইজ ওভার হাইপ বাট একচুয়ালি ইন লং টার্ম আমরা যদি দেখি সেখানে কিন্তু ও বলছে যে ইট ইজ ইট ইজ ইট উইল ব্রিং ইভেন মোর ভ্যালু দেন হোয়াট উই এপ্রিশিয়েট রাইট নাউ। মানে আমরা আসলে ওভার হাইপড বাট আমি দেখছি যে আসলে ওভার হাইপ ইন এ শর্ট টাইম। বাট এটা আন্ডার এপ্রিশিয়েটেড ইন এ লং টার্ম। বিকজ লং টাইমে কিন্তু এর এর থেকে আরো অনেক বড় বড় জিনিস নিয়ে আসবে। আর আমি কিন্তু এই জিনিসটা বারবার বলছি যে যেহেতু আমি একটা বিজনেসে কাজ করছি এবং আমরা দেখছি যে আসলে কিভাবে লার্জ ল্যাঙ্গুয়েজ মডেল আসলে বিজনেসে ওরা আসলে ঢুকছে। আমরা হয়তোবা এআই থেকে বা লার্জ ল্যাঙ্গুয়েজ মডেল থেকে এখনো সেই ধরনের বেনিফিট দেখছি না। খালি চোখে দেখছি না। বাট আমি দেখছি যে কিভাবে এটা আসলে আমাদেরকে পাল্টে দেবে। আরেকটা জিনিস আমি দেখাতে চাই যে এখানে এই জিনিসটা হচ্ছে গিয়ে এটা যদি আমি আপনাদেরকে দেখাই যে এখানে একজন বলেছেন যে আই হ্যাভ এ ডিগ্রি ইন বায়োকেমিস্ট্রি ব্যাক ইন 1992 এন্ড উই একচুয়ালি টকড এবাউট দিস ইন মেনি ক্লাসেস। ইমাজিন এ স্টিল ফ্যাক্টরি হোয়ার ইউ নিড টু প্রিসাইজলি বেন্ড এ ওয়ান মাইল লং রড অফ মেটাল টেনস অফ থাউজেন্ডস অফ টাইমস এন্ড পুট ইচ বেন্ড এট এ প্রিসাইজ পজিশন। একচুয়ালি ফিগারিং আউট হোয়াট ইচ বেন্ড নিডস টু বি ইজ এ হিউজ টাস্ক অল অন ইটস ওন। বাট দেন ফিগারিং আউট দা ফ্যাক্টরি কনফিগারেশন টু হোয়ার ইউ ক্যান ডু অল অফ দোজ বেন্ডস হোয়াইল স্টিল এলাউইং দা রেস্ট অফ দা রডস টু ফিট মুভ থ্রু এ ফ্যাক্টরি ইজ এ হার্কুলিয়ান টাস্ক। উই নিড উই নিউ ব্যাক দেন দ্যাট সামডে দা কম্পিউটারস উড নট উড নট অনলি বি এবল টু ডিজাইন দা ড্রাগ বাট অলসো বি এবল টু ডিসক্রাইব দা প্রসেস উই নিডেড টু ইউজ টু মেক দ্যাট ড্রাগ। আসলে দিনশেষে আমি আসলে কেন এই এআই নিয়ে এত ওভার হাইপড বা এত বলছি বিকজ আমি দেখছি। আমি যেহেতু এআই নিয়ে আটটা বই লিখেছি। আমি বই কিন্তু আমি লিখিনি। আমি দেখছিলাম যে এআই ইজ চেঞ্জিং দা ডেমোগ্রাফি। এবং আমরা আসলে বুঝতে পারছি না যে এআই আসলে কোথায় যাচ্ছে এবং সেখানে আমি সবাইকে বলবো যে মেক ইউজ অফ এআই। মেক ইউজ অফ এআই ইভেন ইন এ শর্টার স্প্যান যেখানে আপনি এই মুহূর্তে কাজ করছেন। এন্ড দিস উইল ড্রাস্টিক্যালি চেঞ্জ ইউর ভিশন যে আপনি কিভাবে কাজ করতে পারেন, কিভাবে আপনার প্রোডাক্টিভিটি বাড়াতে পারেন। এবং সেইজন্য সেইজন্যই আমি বলছি যে এই জায়গাটাতে আসলে আমাদের একটু দেখতে হবে। পাশাপাশি এআই যেভাবে আমাদের কোভিড ড্রাগ ডিসকভারিতে আমাদের হেল্প করেছে এবং সেটাই কিন্তু এখন আরো সামনে কাজ করবে এবং সেইজন্যই কিন্তু আমি এত কিছু নিয়ে আলাপ করছি। আজকে এই পর্যন্তই। থাকছেন তো সামনে? |
রোড টু হাইটেক ইন্ডাস্ট্রি | রোড টু হাইটেক ইন্ডাস্ট্রি My First Dataset What could be yours.mp3 | আমি জানি যে নতুন প্রজন্মদের কাছে ডেটা নিয়ে কথা বলা কিছুটা বিপদজনক কারণ উনারা বলবেন যে অফকোর্স এই চ্যাট জিপিটির যুগে আমি কেন ডেটা এনালাইসিস করতে যাব। অফকোর্স ইট মেকস সেন্স যে এই চ্যাট জিপিটির যুগে যখন ডেটা ইন্টারপ্রেটার আছে মানে চ্যাট জিপিটিতে কিন্তু চ্যাট জিপিটি ফোরে আমরা কিন্তু ডেটা ইন্টারপ্রেটার পাচ্ছি। তবে সেটা 20 ডলার দিয়ে আমি সাবস্ক্রিপশন দিয়ে হয়তোবা প্রতি মাসে আমাদেরকে চালাতে হয়। পয়েন্ট সেটা না। পয়েন্ট হচ্ছে চ্যাট জিপিটি তো আমাদের জন্য সবকিছু করে দিবে কিন্তু আমি যদি নিজে থেকে ডেটা এনালাইসিস না করতে পারি তাহলে আমি একটা কোম্পানির জন্য বা আমি আমার নিজের কাজের জন্য যদি আমি ডেটা এনালাইসিস করতে চাই তাহলে আমি সেই ডেটা এনালাইসিস আসলে কোথা থেকে শিখবো? আমাকে তো কোথাও না কোথাও তো শিখতে হবে। আর সেইজন্যই আমরা যেটাকে বলছি যে যদি আমি ডেটা এনালাইসিস শিখতে চাই এবং ডেটা এনালাইসিস যদি আমি একটা লেভেল পর্যন্ত যদি আমি আনতে চাই বা আমি যেটা বলি যে ডেটা এনালাইসিস আমি শিখতে চাই এবং সেটার জন্য আমার প্রথম ডেটা সেট কি হতে পারে? সেই প্রশ্নটা যদি আমাকে কেউ বলেন যে প্রথম ডেটা সেট কি হতে পারে তাহলে আমি একটা ডেটা সেটের কথা বলব যেই ডেটা সেটটাকে আমি নিজে কখনো সহ্য করতে পারিনি। মানে আমি এই ডেটা সেটটা আমি সবচেয়ে প্রথমে যখন আমি এটা নিয়ে আমি কাজ শুরু করি সেটা হচ্ছে গিয়ে প্রায় আমি মনে করি যে অনেক আগে শিকাগোতে। শিকাগোতে একটা বুট ক্যাম্পে আমি গিয়েছিলাম এবং সেই শিকাগোর বুট ক্যাম্পে আমাকে এই ডেটা সেটটা দিয়ে আমাকে বলা হয়েছিল যে সেই ডেটা সেট নিয়ে আমাকে কাজ করতে। আমি প্রথমে সেই ডেটা সেট নিয়ে কাজ করতে গিয়ে সবচেয়ে বড় জিনিসটা যেটা ফুল ফুলের ডেটা সেট। আমি তো ফুল সেভাবে পছন্দ করি না। আমি যদি এখন ফুলের ডেটা সেট নিয়ে কাজ করি তো এটা তো আমার জন্য একটা অসহ্যকর জিনিস। এক নম্বর হচ্ছে ফুল। তারপর হচ্ছে কোন ফুল আমি আপনাকে দেখাই। এই ফুল। এই ফুল এই ফুল দিয়ে এই ফুলের ডেটা সেট এবং সেই ফুলের ডেটা সেট নিয়ে আমাকে আমাদেরকে কাজ করতে দেওয়া হয়েছিল। পরে আসলে দেখলাম পরে আসলে আমি ডেটা সায়েন্সের অনেক বই কিনলাম অনেক বই পড়লাম অনেক বই কিনেছি এবং মজার কথা হচ্ছে এই ডেটা সেট সবাই এই ডেটা সেট সবাই ব্যবহার করে। দেন আই ফিগারড যে আসলে কেন মানে যেটা আমার কাছে একসময় অসহ্যকর মনে হয়েছিল যে ডেটা সেটটা কেন পৃথিবী এই ডেটা সেটটাকে পছন্দ করে সেটা আমি একটা ছোট্ট একটা আপনাদের জন্য একটা গাইডেড ট্যুর দিয়ে দেই যাতে আপনাদের জন্য এটা বুঝতে সুবিধা হয়। ব্যাপারটা হচ্ছে গিয়ে এটা হচ্ছে আইরিস ফ্লাওয়ার। আইরিস ফ্লাওয়ার ওকে বাংলাদেশে এটার একটা নাম আছে আপনারা জানেন। সো এই আইরিস ফ্লাওয়ারটা হচ্ছে গিয়ে এরকম এবং এই আইরিস ফ্লাওয়ার যে ডেটা সেটটা আছে সেই ডেটা সেটটা হচ্ছে গিয়ে আইরিস স্পিসিস বলছে এবং সেটার জন্য আমরা যদি দেখি এই ফুলটা এই ফুলটার মধ্যে আমরা বেশ কিছু জিনিস দেখতে পাচ্ছি বাট পয়েন্ট হচ্ছে যে এখানে আসলে বেশ কয়েকটা প্রজাতির আইরিস ফুল আছে এবং সেই ডেটাগুলো আমি দেখতে পাচ্ছি। সবগুলো ডেটার জিনিসগুলো আমি সামনে একটু বলছি। যে এই আইরিস প্রজাতি আমরা আসলে ডাউনলোড করতে পারব এবং সবচেয়ে বড় হচ্ছে যে এটা এতই ছোট এতই ছোট মাত্র 4 কিলোবাইট। 4 কিলোবাইট ইউড নট ইভেন বিলিভ 4 কিলোবাইটের আবার কিছু ডাটা সেট। আপনি বলতে পারেন যে 4 কিলোবাইটের আবার কিসের ডাটা সেট? 4 কিলোবাইটের ডাটা সেট নিয়ে আমি কাজ করব না। অফকোর্স আমি আপনার সাথে একমত যে আমি 4 কিলোবাইটের ডাটা সেট নিয়ে আমি কেন কাজ করতে চাই। আমি তো এই 4 কিলোবাইট মানে হচ্ছে গিয়ে এটা আসলে কোন ডাটা সেটই না। বাট আমি আপনাকে বলব যে কেন দিস ইজ ওয়ান অফ দা ওয়ার্ল্ড বেস্ট ডেটা সেট টু স্টার্ট উইথ। সো এখন আমরা যদি আপনাকে এটার পরে যদি দেখাই যে একচুয়ালি যে জিনিসটাকে আমাকে আমাকে অসহ্যকর মনে হয়েছিল যে নামগুলো আইরিস সেটওসা, আইরিস ভার্সিকালার, আইরিস ভার্জিনিকা মানে এই একই ফুল তিন প্রজাতি এবং তিন প্রজাতির সিপাল, পেটাল মানে পেটালটা হচ্ছে গিয়ে পাপড়ি আর এই সিপালটা হচ্ছে বৃন্তান্ত। এই যে এই জিনিসটা বৃন্তান্ত। সো এটার ডানদিকে বাঁদিকে দুইটা মাপ। লেন্থ উইডথ মাপ। সিপাল পেটাল। পেটালটা হচ্ছে গিয়ে পাপড়ি আর হচ্ছে বৃন্তা বৃন্তাংশ। সো সেই সেই হিসেবে আমরা যদি এই তিনটারই ভার্জিনিকা, ভার্সিকালার এবং আইরিস সেটওসা তিনটারই তিন ধরনের একচুয়ালি আমরা মাপ নিয়েছি। একটা হচ্ছে গিয়ে পেটালের হচ্ছে গিয়ে লেন্থ এবং উইডথ। লেন্থ এবং উইডথ। আর সিপালের লেন্থ এবং উইডথ। এটা দিয়ে আসলে বের করব যে এটা কোন প্রজাতি এবং সেই প্রজাতিটার মধ্যে সিপাল লেন্থ, সিপাল উইডথ, পেটাল লেন্থ, পেটাল উইডথ এবং ক্লাস। আপনি দেখছেন 5.1 সেন্টিমিটার, 3.5 সেন্টিমিটার, 1.4 সেন্টিমিটার, .2 সেন্টিমিটার পেটাল লেন্থ। আর এটার মানে হচ্ছে গিয়ে এটা সেটওসা ক্লাস। এভাবে 150 টা টোটাল আছে। 5.1 এখানে দেখছেন এখানে 5.9 এবং 3, 3.5 এর জায়গায় 3, 5.1 এখানে 1.4 এবং এখানে 1.8। এটা কিন্তু ভার্জিনিকা। এটা ভার্জিনিকা এবং এটা সেটওসা ছিল। সো আমরা যখন এই ছবিটা একচুয়ালি যখনই আমরা একচুয়ালি এই জিনিসটা যখন আমি প্লট করলাম মানে পয়েন্ট হচ্ছে আমি এটা নিয়ে তো কাজ করা শুরু করলাম কিন্তু দা মোমেন্ট আই স্টার্টেড প্লটিং ইট তখন আমার মাথা চেঞ্জ আমার মাথা খুলে গেছে। আমি তো এটা নিয়ে কাজ শুরু করলাম কিন্তু দা মোমেন্ট আই হ্যাভ প্লটেড ইন মেবি আই হ্যাভ ইউজড আর এট দ্যাট পয়েন্ট অফ টাইম। আমি আর আর দিয়ে আসলে আমি যখন প্লট করলাম প্লট করার সময় দেখলাম যে মাই গড মাই গড দিস ইজ দিস ইজ দা ডেটা সেট উই অল শুড বি ওয়ার্কিং। সো আমি যখন প্লট করলাম প্লট করার সঙ্গে সঙ্গে বুঝা গেল যে এই যে সবুজগুলো এই সবুজগুলো হচ্ছে সব ভার্সিকালার। মানে আমি সেন্টিমিটার হিসেবে আমি কি প্লট করলাম। এখানে মাইনাস ওয়ান, মাইনাস পয়েন্ট ফাইভ তারপর হচ্ছে জিরো তারপর পয়েন্ট ফাইভ তারপর ওয়ান তারপর হচ্ছে গিয়ে এদিকে 1.5 এদিকে আমরা দেখছি। সো এদিকে আমরা আসলে পিসিএ করেছি তো সেই হিসেবে আমরা দেখাচ্ছি। তো এখানে দেখাচ্ছে যে এটা হচ্ছে গিয়ে কাইন্ড অফ লাইক ভার্সিকালার ভার্সিকালার ক্লাস্টার। এই লালটা হচ্ছে গিয়ে সেটওসা ক্লাস্টার আর ভার্জিনিকা হচ্ছে গিয়ে একচুয়ালি আরেকটা ক্লাস্টার। এখন ধরা যাক যদি নতুন একটা পয়েন্ট যদি এখানে বসে এইখানে বসে এখানে একটা পয়েন্ট বসে তাহলে কিন্তু আমি মনে করি যে এটা হচ্ছে গিয়ে কাইন্ড অফ লাইক ভার্সিকালার। আর এখানে যদি একটা পয়েন্ট বসে তাহলে হচ্ছে গিয়ে এটা হচ্ছে গিয়ে সেটওসা। আর এখানে যদি বসে তাহলে ইট উড বি ভার্জিনিকা। তার মানে হচ্ছে গিয়ে এই যে এই যে মাথা খুলে গেল এই যে তখন মাথা খুলে গেল তারপর থেকে কিন্তু আমাকে আর কেউ আমাকে আর পিছনে ফিরে তাকাতে হয়নি কারণ আমি অলরেডি কিন্তু বুঝে গেছি যে ডেটা ডেটাকে কিভাবে দেখতে হয় বা ডেটাকে কিভাবে বুঝতে হয় ডেটা সায়েন্স কিভাবে বুঝতে হয়। দা মোমেন্ট আই আন্ডারস্টুড আমি এখানে বলছি যে পিসিএতে আসলে আমি এটা পরে বলব যে একচুয়ালি যখনই আমরা এটাকে প্লট করি সেই প্লটে কিন্তু দেখা যাচ্ছে যে এটা হচ্ছে গিয়ে ক্লাস সেটওসা, এটা হচ্ছে গিয়ে সেই আমাদের ভার্সিকালার, এটা হচ্ছে ভার্জিনিকা। মানে এটা যতক্ষণ পর্যন্ত আমরা প্লট না করছি আমরা যতক্ষণ পর্যন্ত আমরা প্লট করলাম যখনই আমরা প্লট করলাম আমাদের আর এ তখনই কিন্তু আমরা বুঝতে পারলাম যে দিস ইজ হোয়াট ইজ কলড প্রেডিকশন। যে নতুন একটা যদি ফুল আমি এখন যদি নিয়ে আসি নতুন ফুল একটা যদি নিয়ে আসি একটা ফুল এবং আমি জানিনা এটা কোন প্রজাতির ফুল। একটা আইরিস ফুল নিয়ে আসলাম রাস্তা থেকে নিয়ে আসার পরে সেটার মাপ দিলাম। মাপ দেওয়ার পরে আমি মাপটা পেলাম হচ্ছে গিয়ে এখানে। মাপটা পেলাম এখানে। সো ডেফিনেটলি এটা যদি মাপটা যদি এখানে প্লট হয় তাহলে ডেফিনেটলি ইট উইল বি ভার্সিকালার। ডেফিনেটলি। সো দিস ইজ কলড মেশিন লার্নিং। যে প্রেডিক্ট করা যে এটা আসলে কি? সেইম এটা কি ম্যালিগন্যান্ট নাকি বিনাইন? মানে আমার একটা টিউমার ধরা যাক আমার একটা ক্যান্সার বা ক্যান্সার ঠিক বলব না আমি যদি একটা টিউমারের একটা আমি কিছু পেয়েছি সেটাকে আমি টেস্ট করছি। টেস্ট করে সেটা কি বিনাইন মানে হচ্ছে গিয়ে এটা কি আসলে এটার মধ্যে কিছু নাই নাকি ম্যালিগন্যান্ট? ম্যালিগন্যান্ট মানে হচ্ছে গিয়ে আসলে ক্যান্সার কোষ আছে। আর বিনাইন মানে হচ্ছে গিয়ে কোন কোষ নাই। তার মানে সেইম জিনিস। আমার কি অসুখ আছে কি অসুখ নাই। সেইম জিনিস। সবকিছুই কিন্তু আমরা আসলে এই এখানে কিন্তু দেখব যে আসলে এই সেটওসা, এই ভার্সিকালার, এই যে ভার্জিনিকা এই আমি যদি যেটাকে বললাম যে আমি যদি নতুন একটা ফুল নিয়ে আসি সেই ফুলটা যদি প্লট হয় এখানে এবং সেই ফুলটা যদি এখানে প্লট হয় তাহলে ডেফিনেটলি ইট উইল বি ভার্সিকালার। আর এখানে যদি প্লটটা হয় ডেফিনেটলি ইট উইল বি এ ভার্জিনিকা। সো এটাই আসলে আমাদের বোঝা যে মেশিন লার্নিংটা এত ডিফিকাল্ট কিছু না। বিকজ মেশিন লার্নিং আমরা ডিফিকাল্ট বাড়াচ্ছি। আমরা ভাবছি এটা আসলে ডেটা আমরা আসলে ওভাবে বুঝতে পারব না। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
রোড টু হাইটেক ইন্ডাস্ট্রি | রোড টু হাইটেক ইন্ডাস্ট্রি Large Language Models for Business How to Make the Right Decision.mp3 | এআই বা লার্জ ল্যাঙ্গুয়েজ মডেল আসলে আমাদের পৃথিবীর অনেক কিছুই পাল্টে দিচ্ছে। এখন এই ব্যাপারটা নিয়ে কিন্তু প্রায় প্রশ্ন আসে এবং প্রায় কথা হয় যে লার্জ ল্যাঙ্গুয়েজ মডেল বা এআই কে কিভাবে আমরা আমাদের বিজনেসে ব্যবহার করব বা আমাদের বিজনেসে কিভাবে এটাকে এনহ্যান্সমেন্টের জন্য ব্যবহার করব। এই প্রশ্নটা যেহেতু প্রায় আসে মানে সেটার জন্য যেহেতু আমি একটা সার্ভিস ইন্ডাস্ট্রিতে আছি আমি দেখছি যে এআই বা লার্জ ল্যাঙ্গুয়েজ মডেল কিন্তু অলরেডি অলরেডি অনেক জায়গায় কিন্তু ব্যবহার শুরু হয়ে গেছে। যেই জিনিসটা আসলে আমাদের দেখতে হবে যে লার্জ ল্যাঙ্গুয়েজ মডেল বা আমরা যে এই কৃত্রিম বুদ্ধিমত্তা নিয়ে আমরা কাজ করছি মানে এটার একটা বড় সমস্যা হচ্ছে কি আমরা আর আগে হিউম্যান মানে হিউম্যানের থেকে ইন দা লুপ ছিল মানে আমরা এজ এ হিউম্যান আমরা ডিসিশন মেকিং লুপে ছিলাম। আমরা যেটা চেষ্টা করছি যে ডিসিশন মেকিং লুপের মধ্যে আর হিউম্যানকে রাখবো না। হিউম্যানকে যদি আমরা ডিসিশন মেকিং লুপে যদি আর না রাখি তাহলে কি হবে যে কাজটাকে অপটিমাইজ করা যাবে। তাহলে থেকে আমাদের যে এইচআর সেই এইচআর এর অপটিমাইজেশন হবে। আমাদের যে এইচআর আছে সেটাকে আসলে আমরা রিলোকেট করতে পারবো আমাদের নতুন ডিভিশনে বিকজ যেকোনো কোম্পানির নতুন ডিভিশন তাদেরকে খুলতে হয় তো সেখানে লোক কোথা থেকে আসবে। সেই লোক কিন্তু এক্সিস্টিং ওয়ার্কফোর্স থেকে আসবে। সুতরাং আমরা অনেক সময় ভাবি যে অটোমেশনে লোক কমে যাবে ব্যাপারটা সেরকম না। ব্যাপারটা হচ্ছে কি আমরা ধরা যাক যেকোনো একটা সার্ভিস ইন্ডাস্ট্রিতে যখন কাজ করছি আমরা হয়তোবা এই মুহূর্তে সার্ভ করছি 5 লাখ কাস্টমার। তো আমরা চেষ্টা করব যে এক্সিস্টিং ওয়ার্কফোর্স দিয়ে আমরা 20 লাখ কাস্টমারকে সার্ভ করব। এন্ড দেয়ার বাই এখানে কিন্তু এলএলএম বা লার্জ ল্যাঙ্গুয়েজ মডেল বা এটা কিন্তু বিজনেসে ব্যবহার করা শুরু হচ্ছে। এবং সেখানে আজকে আমি যদি আলাপ করি সেখানে একটা বড় ব্যাপার আমি কাভার করব সেটা থেকে একটা সার্ভিস ইন্ডাস্ট্রির হার্ট হচ্ছে যেকোনো একটা সার্ভিস ইন্ডাস্ট্রির হার্ট হচ্ছে গিয়ে তার টিকেটিং সিস্টেম বা টিকিট ম্যানেজমেন্ট সিস্টেম যেটাকে আমরা আবার এভাবে বলি যে অপারেটিং যে আইটি অপারেশন ম্যানেজমেন্ট। আইটি অপারেশন ম্যানেজমেন্টে এখানে কিন্তু এখন এটাকে অনেকে বলছে এআই অপস। তার মানে হচ্ছে কি এআই দিয়ে এই ধরনের অপারেশন ম্যানেজমেন্ট কিন্তু এখন হ্যান্ডেল করা সম্ভব। তার মানে এখানে যে জিনিসটা আমরা কিন্তু আমাদেরকে করতে হবে যে আমাদের যে টিকেটিং ম্যানেজমেন্ট সিস্টেমটা আছে সেই টিকেটিং ম্যানেজমেন্ট সিস্টেমের মধ্যে এই এআই কিভাবে ইন্টিগ্রেট হবে এআই কে আমরা কিভাবে ব্যবহার করব এআই কে আমরা নেক্সট লেভেলে কিভাবে নিতে পারব। আমি যদি শুধু টিকেটিং ম্যানেজমেন্ট সিস্টেমের কথা বলি এবং সেই টিকেটিং সিস্টেমের মধ্যে সবচেয়ে বড় পার্ট হচ্ছে গিয়ে একটা ওয়ার্কফ্লো। এখন এই মুহূর্তে আমি যদি আমার বিজনেসের কথা বলি সেক্ষেত্রে টিকেটিং এর মধ্যে ধরা যাক 32 টা ওয়ার্কফ্লো আছে। এই 32 টা ওয়ার্কফ্লোর মধ্যে একেকটা ধরা যাক একটা ওয়ার্কফ্লোর মধ্যে আমি দেখছি যে একটা ওয়ার্কফ্লোর মধ্যে প্রায় প্রায় ধরা যাক 30 টার মত হচ্ছে গিয়ে স্টেপ আছে। সেই স্টেপগুলো আমরা যখন এআই অপস দিয়ে আমরা কাজ করাবো তখন দেখা যাবে যে এই 36 টা স্টেপ বা 32 টা স্টেপ বা ধরা যাক 40 টা স্টেপ অথবা 20 টা স্টেপ এটাকে কিন্তু এআই ডিসিশন মেকিং প্রসেসে ডিসিশন মেকিং প্রসেসে এটাকে কিন্তু আমরা কমিয়ে আনতে পারি হয়তোবা সাতটা স্টেপে। যেখানে সাতটা স্টেপে হিউম্যান আসলে কাজ করবে বাকিগুলো কিন্তু ডিসিশন মেকিং প্রসেসে যেটা কোম্পানির ডেটা আছে কোম্পানির ডেটা থেকে কিন্তু এই ডিসিশন মেকিং প্রসেসটা করা সম্ভব। আর এজন্যই কিন্তু আমি বারবার বলি যে এআই যে বাজওয়ার্ড বা চ্যাট জিপিটি ইটস এ বাজওয়ার্ড আনটিল ইট হেল্পস মাই বিজনেস টু গ্রো আনটিল উই ইউজ ইট ফর মাই বিজনেস সো দ্যাট উই ক্যান স্কেলেড উই ক্যান স্কেল আপ। আজকে আমরা যেই অটোমেশনের কথা বলছি সেই অটোমেশনের এই মুহূর্তে যদি আমরা চিন্তা করি যে আমরা আসলে এই মুহূর্তে আমরা যদি 5 লাখ কাস্টমারকে সার্ভ করতে পারি উইথ আওয়ার এক্সিস্টিং রিসোর্স উইথ আওয়ার এক্সিস্টিং ওয়ার্কফ্লো উইথ আওয়ার এক্সিস্টিং এইচআর সেখানে হোয়াই কান্ট উই স্কেল আপ সো দ্যাট উই ক্যান একচুয়ালি সার্ভ 10 লাখ কাস্টমার বা 20 লাখ কাস্টমার। 20 লাখ কাস্টমারকে আমরা এক্সিস্টিং এইচআর এক্সিস্টিং ওয়ার্কফোর্স এক্সিস্টিং সবকিছু মিলিয়ে আমরা কিন্তু এটা করতে পারি এবং সেটাই কিন্তু দেখছি। আমার রিসার্চ বলে যে আসলে বিজনেসগুলো এআই কে এখন এমব্রেস করছে এই দিকে যে এআই অপস। এই এআই অপারেশনের জন্য কিন্তু আসলে ইটস নট দ্যাট ডিফিকাল্ট। ইটস নট দ্যাট ডিফিকাল্ট এবং আমি দেখছি যে এখানে কিন্তু এই লেভেলে ভালোভাবে কিন্তু কাজ হচ্ছে এবং এখানে কিন্তু বিজনেসগুলো কিন্তু এটা নিয়ে অনেক চিন্তাভাবনা করছে যে কিভাবে এই কস্ট কাটিং। যেই কস্ট কাটিং এর কথা আমরা বলি যে কস্ট কাটিং শুধুমাত্র এইচআর বা কস্ট কাটিং এর অন্য জায়গায় আমি মনে করি না। আমি মনে করি যে কস্ট কাটিং কিন্তু ওয়ার্কফ্লোতেও আসতে হবে যে আমাদের ওয়ার্কফ্লোতে 36 টা স্টেপ যদি থাকে এই 36 টা স্টেপ কিভাবে এটাকে সহজীকরণ করা যায় সেটাকে কিভাবে সাতটা স্টেপে আনা যায়। এই এই জায়গাটাতে কিন্তু আসলে একটা বড় অংশ আছে। আমি যেহেতু সরকারে ছিলাম ওখানে কিন্তু টিভিসি এর ব্যাপার ছিল যে টাইম ভ্যালু বা টাইম ভিজিট এবং যে দিনশেষে কতবার এটাকে কাজ করবে সেই জায়গাটাতে কিন্তু আমরা এখন ওয়ার্কআউট করতে চাই। এখন প্রাইভেট সেক্টরে কিন্তু এই কস্ট কাটিং অপটিমাইজেশন এটা যেহেতু এতইটাই এখন ডিমান্ডিং এসছে যে এতটাই ডিমান্ডে এসছে সেখানে কিন্তু অটোমেশন এবং এই লার্জ ল্যাঙ্গুয়েজ মডেলকে কিন্তু আমাদের বিজনেসে ব্যবহার করতে পারতে হবে উইদিন নেক্সট টু ইয়ার্স। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
রোড টু হাইটেক ইন্ডাস্ট্রি | রোড টু হাইটেক ইন্ডাস্ট্রি OpenAI and Elon Musk History of artificial general intelligence (AGI).mp3 | এটা ঠিক যে আমি প্রচুর লিগাল ডকুমেন্ট পড়ি কারণ লিগাল ডকুমেন্ট পড়লে আসলে একটা বেইজলাইন পাওয়া যায় আমরা আসলে কি চাচ্ছি আমাদের লাইফে ইভেন আমি আসলে যে দেশে থাকছি সেই দেশের একটা আন্ডারস্ট্যান্ডিং পাওয়া যে আসলে আমরা কিভাবে আমাদের যে স্বার্থ সেই স্বার্থগুলো ঠিকমত রক্ষা করা হচ্ছে কিনা বা এর পাশাপাশি ধরা যাক আমি যদি টেলিকমিউনিকেশনের কথা বলি এখানে টেলিকমিউনিকেশনের মাধ্যমে আমরা যেই ধরনের সার্ভিস নিচ্ছি সেটা কি আমাদের গ্রাহক স্বার্থের সাথে যাচ্ছে কিনা এ ধরনের অনেক কিছুই আসলে এর সাথে যায় তো আজকে আমি নিয়ে এসছি হচ্ছে গিয়ে একটা বিশাল একটা লিগাল ডকুমেন্টেশন যেটা আসলে ইউড লাভ ইট ইউড লাভ ইট যে এটা হচ্ছে গিয়ে এলন মাস্ক যেই ফাইলিংটা উনি করেছেন হচ্ছে গিয়ে ওপেন এআই এর বিরুদ্ধে তো সেটা সেটারই একটা ধারণা আসলে আমরা এখানে নিয়ে এসছি যে কিভাবে কৃত্রিম বুদ্ধিমত্তা আজকে আমরা বলছি কৃত্রিম বুদ্ধিমত্তার সামনে আমরা এটাকে বলছি এজিআই আর্টিফিশিয়াল জেনারেল ইন্টেলিজেন্স মানে আমরা আসলে এখন যে বুদ্ধিমত্তা ব্যবহার করছি বা যেই কৃত্রিম বুদ্ধিমত্তা ব্যবহার করছি সেটা খুবই স্পেসিফিক এবং আমি এটাকে বলব যে খুবই কাইন্ড অফ লাইক একটা অ্যাপ্লিকেশন নির্ভর যে আমার এটা ধরা যাক সেলফ ড্রাইভিং কার আমার এটা তার মানে হচ্ছে কি শুধু ড্রাইভিং এর জন্য এই কৃত্রিম বুদ্ধিমত্তা ব্যবহার করা হচ্ছে বা ভ্যাক্সিনেশন তৈরি করার জন্য কোভিড-19 এর ভ্যাক্সিনেশন তৈরি করার জন্য তার মানে হচ্ছে এটা স্পেসিফিক টু কোভিড-19 তার মানে হচ্ছে গিয়ে আমাদের যেই কৃত্রিম বুদ্ধিমত্তা গুলো আমরা ব্যবহার করছি বা যেমন চ্যাট জিপিটি এটা হচ্ছে গিয়ে কাইন্ড অফ লাইক ইট ইজ কামিং টু এ শেপ যেখানে আসলে শুধু ম্যাথ বা শুধু সাইন্স বা শুধু আর্টস না ইট ইজ একচুয়ালি রিলেটেড টু মেনি মেনি থিংস ইন দা ওয়ার্ল্ড সো এআই এবং এজিআই মানে এটার মধ্যে একটা বড় পার্থক্য হচ্ছে কি এজিআই এর ব্যাপারটা যেটাকে আমরা বারবার বলি যে হচ্ছে আর্টিফিশিয়াল জেনারেল ইন্টেলিজেন্স তার মানে হচ্ছে কি হিউম্যান হিউম্যান থেকে এই নলেজটা আরো বেশি বুদ্ধিমান হবে বা এই এআইটা হিউম্যান থেকে বুদ্ধিমান হবে তো আমি যেহেতু সব লিগাল ডকুমেন্ট পড়ি সেই লিগাল ডকুমেন্টে যদি আমরা একটু দেখি যে এই লিগাল ডকুমেন্টটা তারা আসলে কি বলতে চেয়েছে বিশেষ করে এখানে কিন্তু অনেক ধরনের গল্প আছে আমি আসলে লিগাল ডকুমেন্টের মধ্যে একদম মানে যেখানে হচ্ছে গিয়ে নরমাল ভাষায় একদম নরমাল ভাষায় এই লিগাল ডকুমেন্টটা লেখা আছে যাতে যে কেউ যেকোনো যেকোনো মানুষ আসলে এই এআই সম্বন্ধে পুরা ধারণাটা নিতে পারেন যে হোয়াট ইজ এআই হোয়াট ইজ এজিআই এই এই যে ব্যাপারটা এইজন্য আমি আসলে আজকে এই লিগাল ডকুমেন্টটা নিয়ে এসছি যে এলন মাস্ক কেন ওপেন এআই এর বিরুদ্ধে আসলে তারা এইটাতে গেল সো আমি যদি লিগাল ডকুমেন্টের বেইজলাইন ধরে যদি কিছু জায়গায় যাই যেমন এখানে এআই এর আসলে এর পেছনের যে গল্পটা এটা আসলে কেন এবং কিভাবে আসলে এই এআই বা এজিআই এলো তো এখানে আমার আমি খুবই পছন্দ করছি একটা কারণে যে এই ডকুমেন্টটা যখন আমি পড়ছিলাম আই রিয়ালি লাইক ইট বিকজ এটা টেকনিক্যাল লোকজনদের জন্য তৈরি করা হয়নি এটা মোর অফ এ এটাকে তৈরি করা হয়েছে যে জেনারেলাইজড যাতে লয়াররা বুঝতে পারেন যাতে সুপ্রিম কোর্ট বা উনাদের যে যারা আসলে এটাকে ভার্ডিক্ট দিবেন তারা যাতে এটা ব্যাপারটা বুঝতে পারেন এবং এটাকে এত সিম্প্লিফাই করে তৈরি করা হয়েছে যে আমার কাছে খুবই ভালো লেগেছে এই এই ডকুমেন্টটা এইজন্য আমি বলছি যে এই ডকুমেন্টটা সবারই একবার লাইফটাইমে পড়া উচিত যাতে কিভাবে একটা লিগাল ডকুমেন্টকে ফ্রেম করতে হয় সেটা আসলে এখানে বুঝতে পারা যায় বিকজ দিন শেষে গ্রাহক স্বার্থ হোক জনস্বার্থ হোক বা হিউম্যানিটির স্বার্থে হোক এই এই ধরনের ডকুমেন্ট গুলো কিন্তু খুবই আমি মনে করি যে খুবই কাজে লাগবে সো আমি যদি ডকুমেন্টে যদি ফিরে আসি ওরা যেটা বলছে যে ওভার দা কোর্স অফ দা টোয়েন্টিয়েথ সেঞ্চুরি দা ইউনাইটেড স্টেটস গ্রাজুয়ালি শিফটেড ফ্রম এ প্রাইমারিলি হিউম্যান লেবার বেসড ইকোনমি টু প্রাইমারিলি হিউম্যান নলেজ বেসড ইকোনমি উইথ ইকোনমিক ভ্যালু ইনক্রিজিংলি ক্রিয়েটেড প্রাইমারিলি বাই হিউম্যান ইন্টেলিজেন্স এই এই ভাষাটা যদি আমরা একটু একটু ক্লিয়ার করে বুঝতে চাই যে আসলে এই 20 20 শতাব্দীতে তারা বলছে যে ইউএস মানে কি আমি মনে করি যে এটা গ্লোবালি যদি চিন্তা করি যে গ্লোবালি আমরা আসলে হিউম্যান লেবার ইকোনমি থেকে হিউম্যান লেবার বেসড ইকোনমি থেকে কিন্তু আমরা শিফট করছি হচ্ছে গিয়ে হিউম্যান নলেজ বেসড ইকোনমি এবং সেখানে ইকোনমিক ভ্যালু মানে হচ্ছে গিয়ে আগে লেবার বেসড ইকোনমির যে ইকোনমিক ভ্যালু ছিল তার থেকে এখন ইকোনমিক ভ্যালু উইথ দা নলেজ বেসড ইকোনমিতে ইকোনমিক ভ্যালু হচ্ছে গিয়ে অনেক অনেক হাই বিকজ ইট ইজ নলেজ বেসড ইকোনমি এবং এটা হিউম্যান ইন্টেলিজেন্স দিয়ে তৈরি সো যেহেতু এই সেঞ্চুরিটা প্রোগ্রেস করেছে এবং এনাদার প্যারাডাইম শিফট হ্যাজ অলরেডি আন্ডারওয়ে যেটাকে তারা বলছে এআই এবং এআইটা আসলে কিভাবে তৈরি হচ্ছে সেটার ব্যাপারটা এখানে তারা একটু ক্লিয়ারলি বলেছে যে আর্লি এআই প্রোগ্রাম ওয়াজ ক্যাপেবল অফ আউটপারফর্মিং হিউম্যান ইন সার্টেন ডিসক্রিট টাস্ক যেটাকে বলেছে যে আসলে যে প্রোগ্রামেবল কম্পিউটার আসার পর পরই কিন্তু এআই কুড শো সুপার হিউম্যান পারফরমেন্স অন হাইলি ফরম্যালাইজড প্রবলেম লাইক ফাইন্ডিং দা ফাস্টেস্ট পাথ থ্রু এ নেটওয়ার্ক অর রোড মানে আমরা যে শর্টেস্ট পাথ বা আমরা যদি ধরা যাক আমাদের নেটওয়ার্কে যদি আমরা ওএসপিএফ বলি যে আমরা যেভাবে আমরা শর্টেস্ট পাথটাকে খুঁজে বের করি সেটাও কাইন্ড অফ একটা এআই বাট তারা যেটা বলছে যে ইট টুক লঙ্গার ফর এআই টু রিচ সুপেরিওরিটি ফর প্রবলেম রিকোয়ারিং মোর ক্রিয়েটিভিটি মানে যে ক্রিয়েটিভিটি যেই প্রবলেমগুলো লাগে সেই ক্রিয়েটিভিটি প্রবলেমকে সলভ করার জন্য এআই টুক লঙ্গার এবং 1996 এ আইবিএম এর ডিপ ব্লু যখন গ্যারি ক্যাসপারসকে বিট করে দেন এই প্রোগ্রামগুলো ওয়াজ ইউজফুল লাইক ইট ওয়াজ এসেনশিয়ালি ওয়ান ট্রিক পনিজ জাস্ট জাস্ট লাইক একটা কাজ পারে ওর এর বেশি কাজ পারে না এবং এই ইন্টেলিজেন্টটা কিন্তু জেনারেল টাইপ ছিল না এটা কিন্তু বুঝতে হবে যে এই ইন্টেলিজেন্টটা জেনারেল টাইপ ছিল না এটা জাস্ট চেসের জন্য ছিল ডিপ ব্লু হ্যাভ ম্যাসিভ এরে প্রসেসর দ্যাট কুড প্লে অনলি চেস মানে তার এই এরে দিয়ে শুধু চেস কে করতে পারত এবং এটার জন্য ধরা যাক এই অ্যালগরিদমকে যদি আমরা বলতাম যে টু সলভ এ মেইজ অর রুট রুট এ কার এটা তারা করতে পারে কিন্তু দে কুড নট পেইন্ট এ পেইন্টিং মানে এই এআই দিয়ে আসলে ক্রিয়েটিভিটি কোন কাজ করা যেত না এবং সেখানেই তারা আসলে এই ব্যাপারটা তারা বলছে যে লেট 20 এবং আর্লি 2010 এ একটা ওল্ড অ্যালগরিদম তারা যেটা বলল ডিপ লার্নিং যেটা একচুয়ালি আমার লাইফটাকেও চেঞ্জ করে দিয়েছে কারণ আমি যখন এই ডিপ লার্নিং নিয়ে আসলে আমি একটা বুট ক্যাম্প করলাম সান ফ্রান্সিসকোতে তার আগে মেশিন লার্নিং নিয়ে সিয়াটলে আমি আরেকটা বুট ক্যাম্প করেছিলাম মানে ইট ওয়াজ লাইক মাইন্ড ব্লোইং মাইন্ড ব্লোইং কাইন্ড অফ থিং যে যখনই আমি ডিপ লার্নিংটা আসলে আমি দেখলাম আমার চোখে দেখলাম এবং আমি দেখলাম যে ডিপ লার্নিংটা আসলে পুরো পৃথিবীকে পাল্টে দিয়েছে এবং সেই ডিপ লার্নিংটাই কিন্তু ওরা বলল যে লো কস্ট হার্ডওয়্যারে লো কস্ট হার্ডওয়্যারে ফার্স্ট টাইম ডিপ লার্নিংটাকে তারা তারা ইমপ্লিমেন্ট করতে পারলো এবং সেটা বলে যে দিস কজড এন অলমোস্ট এন ওভারলাইট ওভারনাইট রেভুলেশন তার মানে হচ্ছে কি এই সিম্পল ডিপ লার্নিং জিনিসটা পুরো পৃথিবীকে পাল্টে দিল নিয়ারলি অল এআই প্রজেক্ট এবং আমরা যদি দেখি যে নিউ টপ ক্লাস টপ অফ দা ক্লাস অ্যালগরিদম ডেভেলপ ফর টার্নিং স্পিচ টু টেক্সট স্পিচ টু টেক্সট ট্রান্সলেটিং বিটুইন ল্যাঙ্গুয়েজেস রিকগনাইজিং হোয়াট কাইন্ড অফ ফুড শোন ইন ফটো মানে হচ্ছে গিয়ে ভিশন কম্পিউটার ভিশন এবং এই ডিপ লার্নিং এ কিন্তু আসলে আমি মনে করি যে এটার জন্য আলাদাভাবে সিগনিফিকেন্ট নলেজ দরকার ছিল না এটাই বলছে যে ডিপ লার্নিং অ্যালগরিদম ডু নট নিড টু বি ডিজাইন উইথ সিগনিফিকেন্ট নলেজ অফ দা টাস্ক এট হ্যান্ড তার মানে হচ্ছে কি আমি এটার জ্ঞানটা না থাকলেও কিন্তু আমি ডিপ লার্নিং ব্যবহার করতে পারি দে লার্ন ইচ টাস্ক ফ্রম ট্রেনিং এক্সাম্পল মানে হচ্ছে গিয়ে একচুয়ালি এই ট্রেনিং করায় করায় কিন্তু আসলে আমরা শিখতে পারি যে আসলে আমাদের সামনে কি সমস্যা বা কি এভাবেই কিন্তু আস্তে আস্তে দে আর ফার মোর জেনারেল পারপাস মানে এটা এটা আস্তে আস্তে জেনারেল পারপাস হওয়ার চেষ্টা করলো মানে আগে আমরা যেভাবে দেখতাম যে না ইট ইজ জাস্ট ডুইং ওয়ান থিং জাস্ট লাইক ডিপ ব্লু বাট দেন এটা এখন দেখতেছি যে না ইট ইট ক্যান ডু মেনি মেনি থিংস তার মানে হচ্ছে কি ইট হ্যাজ বিকাম কাইন্ড অফ জেনারেল পারপাস আর এইজন্যই ডিপ লার্নিংটা আমি যখন ডিপ লার্নিং বইটা লিখলাম লেখার পরে আমি বুঝতে পারলাম যে মাই গড মাই গড ইট ইট ইজ সাচ এ সাচ এ অ্যাস্টাউন্ডিং কাইন্ড অফ প্রোগ্রেস এবং সেখানেই কিন্তু আমি এর আগে ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং নিয়ে বই লেখার চেষ্টা করেছিলাম কিন্তু আমি দেখলাম যে বইটা শর্ট করা যাচ্ছে না দেন হোয়েন আই গট ডিপ লার্নিং এই ডিপ লার্নিংটা পাওয়ার পরে যখন আমি আসলে ফাইনালি আমি ওয়ার্ক আউট করতে পারলাম আমার ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং এবং ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং এর বইটা আপনারা দেখেছেন যে আমি ডিপ লার্নিং ডিপ লার্নিং জানার ফলেই কিন্তু আমি ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিংটা আমি লিখতে পারলাম খুব সহজ ভাষায় তো যখন ব্যাপারটা যদি এভাবে আমি আনি যে ডিপ লার্নিং অ্যালগরিদম ব্যাপারটা আরো সফস্টিকেটেড হওয়া শুরু করলো এবং যারা লিডিং এআই রিসার্চার তারা আসলে দেখতে পারলো যে এই ডিপ লার্নিংটাই কিন্তু আস্তে আস্তে এজিআই এই এজিআই তে কনভার্ট করতে পারবে দা মানে যেটা হচ্ছে এজিআই মানে কি দা বেসিক কনসেপ্ট অফ এজিআই এই জেনারেল পারপাস আর্টিফিশিয়াল ইন্টেলিজেন্স সিস্টেম এ মেশিন হ্যাভিং ইন্টেলিজেন্স ফর এ ওয়াইড ভ্যারাইটি টাস্ক অফ লাইক হিউম্যান আমরা যেমন সবকিছুর কাজই মানে আমরা যেহেতু সবকিছুর কাজই আমরাও চাচ্ছিলাম যে মেশিন এরকম সবকিছুর কাজই হতে পারে কিনা সেজন্যই কিন্তু এই এজিআই এর কথাটা আসছে আর এজিআই আসলো কোত্থেকে জাস্ট বিকজ অফ ডিপ লার্নিং এবং ডিপ লার্নিংটাই কিন্তু আমাদের লাইফকে একদম পুরোপুরি পাল্টে দিল এবং সত্যিকার অর্থে আমি ডিপ লার্নিং বইটা লেখার পরেই কিন্তু আমার আমার জীবনটা ঘুরে গেল এরপরে আমরা যেটা দেখছিলাম যে আসলে এখানে এলন মাস্কের কথা এসছে যে এলন মাস্ক ও বলছে যে এই এজিআই এই এজিআই হিউম্যানিটিতে আসলে একটা বিশাল থ্রেট আসবে এবং সেটার যে এক্সিস্টেন্সিয়াল যে থ্রেটটার কথা আমরা বলছি এবং এটা নিয়ে কিন্তু অনেক কিছুই উনি উনি বলেছেন বাট একটা জিনিস বুঝতে হবে যে স্টিফেন হকিং কিন্তু একই কথা বলেছেন পাশাপাশি আমি যেহেতু লং টার্ম সান মাইক্রোসিস্টেমের আমি একজন ব্যবহারকারী প্লাস হচ্ছে কি আমি আসলে নিজে সান মাইক্রোসিস্টেমের ব্যাপারে আমি খুব বায়াসড এবং সেখানে বিল জয় কিন্তু একই কথা বলেছে যে এবং আওয়ার এন্টায়ার ইকোনমি ইজ বেসড অন দা ফ্যাক্ট দ্যাট হিউম্যান ওয়ার্ক টুগেদার এন্ড কাম আপ উইথ দা বেস্ট সলিউশন টু এ হার্ড টাস্ক এন্ড ইফ এ মেশিন ক্যান সলভ নিয়ারলি এনি টাস্ক বেটার দেন উই ক্যান মানে যদি মেশিন যদি আমাদের সব কাজগুলোকে যদি মানে মানুষের থেকে যদি ভালো করতে পারে দেন মেশিন বিকাম মোর ইকোনমিক্যালি ইউজফুল দেন উই আর তার মানে হচ্ছে কি আমরা যদি মেশিন যদি আমাদের থেকে ভালোভাবে কাজ করতে পারে তাহলে আমি মনে করি যে তাহলে আমাদেরকে রিপ্লেস করার সময় এসছে এবং সেখানে মিস্টার জয় উনি এই এজিআই ব্যাপারে যেটা বলছেন যে ফিউচার ফিউচার ডাজ নট নিড আস ফিউচার ডাজ নট নিড আস তার মানে হচ্ছে কি মানুষের আর লাগবে না সো এই যে একটা ধারণা মানে আমি আমি এটাকে বলতে চাচ্ছি যে এই ধারণাগুলো কিন্তু আসলে আমাদের লাইফটাকে অনেকটাই পাল্টে দেয় একটাই কারণে যে যদি এজিআই মানুষকে রিপ্লেস করতে পারে তাহলে মানুষের কি হবে সেটা নিয়ে কি আমরা আসলে কাজ করছি কিনা বা সেটা নিয়ে আমাদের ব্যাপারটা কোথায় যাবে আর সেজন্য আমি যদি আবার যাই যে এখানে যে জিনিসটা বলছে যে আমি এরপরে আর এই গল্পটা দিচ্ছি না বাট আমি মনে করি যে মাস্ক যেটা বারবার বলছে যে এজিআই শুধু থ্রেট না বাট এই যে এই যে সোর্স অফ প্রফিট এন্ড পাওয়ার মানে যদি এজিআই যদি কেউ নিতে পারে হাতে এজিআই যদি কারো হাতে চলে যায় তার মানে হচ্ছে গিয়ে হি ইজ বি হি উইল বি সুপার প্রফিটেবল এন্ড এন্ড পুরো পৃথিবীর ক্ষমতা তার কাছে সো এখন আমি আসি আবার হিস্ট্রিতে এই হিস্ট্রিটা জানা উচিত সবার 2014 এ কিন্তু গুগল একোয়ার করেছে ডিপ মাইন্ড এবং সেই ডিপ মাইন্ড থেকে কিন্তু আসলে এই ডিপ লার্নিং ব্যাপারটা আমরা আসলে জেনেছি এবং এই ডিপ মাইন্ডের ইনিশিয়াল ডেভেলপমেন্টটা ছিল আলফা জিরো যেটা আমরা অনেকে জানি যে এটা একটা ওই যে গো গো চেস প্লেইং অ্যালগরিদম এবং এই আলফা জিরো কিন্তু এটার মধ্যে রিইনফোর্সমেন্ট লার্নিং ছিল এবং এই এই যে ব্যাপারগুলো আসলে আমি বলছি যে আসলে কেন আমি কৃত্রিম বুদ্ধিমত্তার এই যে ডিপ লার্নিং মানে আমি ডিপ লার্নিং এই বইটি লিখতে যেয়ে আমার আমার আমার লাইফটা ঘুরে গেছে এই ডিপ লার্নিং বইটা লিখতে গিয়ে কিন্তু আমার লাইফটা ঘুরে গেছে একটা কারণে যে আসলে আই হ্যাড টু স্টাডি লট অফ রিসার্চ পেপার এবং এই রিসার্চ পেপার গুলো যখন আমি পড়তেছিলাম তখন বুঝতেছিলাম যে আসলে রিইনফোর্সমেন্ট লার্নিং উইল চেঞ্জ এভরিথিং চেঞ্জ এভরিথিং ইন লাইফ এবং এটার জন্য কিন্তু আমি এই ট্রান্সফর্মার ট্রান্সফর্মার উপরে এই বইটি লিখতে পেরেছি আমি এটা নিয়ে সামনে আসবে সো এখন যদি আমরা এখানে দেখি যে এই রিইনফোর্সমেন্ট লার্নিং তার মানে হচ্ছে গিয়ে ধরা যাক একটা এটা এটা আমরা দেখেছি যে চেস চেস খেলাতে দেখেছি যে রিইনফোর্সমেন্ট লার্নিংটা আসলে কি করে ধরা যাক আমরা যদি তাকে যদি রেন্ডমলি শিখাই যে একটা গেমের স্ট্রাটেজি ও যদি রেন্ডমলি যদি শেখা শুরু করে তাহলে কিন্তু সে একটা পর্যায়ে কিন্তু এখানে রিইনফোর্সমেন্ট লার্নিং যেটা বলা হচ্ছে যে দা প্রোগ্রাম লার্নস টু প্লে চেস বাই প্লেইং ইটসেলফ উইথ ডিফারেন্ট ভার্সন অফ দা সফটওয়্যার তার মানে হচ্ছে কি এই প্রোগ্রামটি নিজে থেকেই চেস খেলে শিখে শিখে শিখে শিখে নিজের সাথে খেলে খেলে শিখে সে নিজের সফটওয়্যারের সাথে ডিফারেন্ট ভার্সন অফ দা সফটওয়্যার শিখে হি বিকামস সুপার হিউম্যান তার মানে হচ্ছে কি এই এটা দেখা যাচ্ছে যে আধা ঘন্টার মধ্যে কিন্তু সে হিউম্যানের মতো শিখতে পারে সো এটাই হচ্ছে গিয়ে হোয়েন ওয়ান ভার্সন অফ দা সফটওয়্যার উইনস এ গেম এগেইনস্ট এনাদার দা উইনিং প্রোগ্রাম ইন্টারনালি পাথওয়েজ আর রিইনফোর্সড এন্ড প্রসেস রিপিটস তার মানে হচ্ছে কি যত বেশি সে খেলবে তত বেশি কিন্তু সে শিখবে এবং ততই বেশি সে সুপার হিউম্যান ক্যাপাবিলিটি পাবে সো এভাবে কিন্তু আলফা জিরো কিন্তু স্ট্রং চেস প্লেয়ার স্ট্রংেস্ট চেস প্লেয়ার হয়ে গেল এবং এটাই কিন্তু দা সেইম প্রোগ্রাম অলসো স্ট্রংেস্ট ইন দা ওয়ার্ল্ড যেখানে ও কিন্তু গুগল এবং ডিপ মাইন্ড যেটা বলেছিল যে স্টার্টিং ফ্রম রেন্ডম প্লে এন্ড গিভেন নো ডোমেইন নলেজ এক্সপার্ট দা গেম রুলস আলফা জিরো এচিভড উইথইন 24 আওয়ারস এ সুপার হিউম্যান লেভেল অফ অফ প্লে ইন দা গেমস অফ চেস এন্ড শোগি জাপানিজ চেস এন্ড এজ ওয়েল গো এন্ড কনভিনিয়েন্টলি কনভিন্সলি ডিফিট দা ওয়ার্ল্ড চ্যাম্পিয়ন প্রোগ্রাম ইন ইটস কেস তার মানে হচ্ছে কি এই যে আমরা যেটাকে বলছি যে রিইনফোর্সমেন্ট লার্নিং দা রিইনফোর্সমেন্ট লার্নিং হ্যাজ চেঞ্জ দা হোল বল গেম এবং সেখানে কিন্তু এই ডিপ মাইন্ডের টিমটা আসলে তারা বুঝতে পেরেছে যে আসলে কোথায় তারা গিয়েছে এবং তারা আসলে বুঝতে পারছে যে তারা আসলে এজিআই এর রাস্তায় তারা হাঁটছে এবং এখানে কিন্তু অনেক ধরনের গল্প চলে আসছে যে এই এজিআই টা আসলে কিভাবে ডেঞ্জার টু দা হিউম্যানিটি হবে এবং তার পাশাপাশি আমরা দেখছিলাম যে গুগলের কোর বিজনেস থেকে আসলে এটা ডিফিকাল্ট সো এখানে যেটা বলছে গুগল হ্যাড কালেক্টেড ইউনিকলি লার্জ সেট অফ ডেটা ফ্রম আওয়ার সার্চেস আওয়ার ইমেইল এন্ড নিয়ারলি এভরি বুক ইন আওয়ার লাইব্রেরি তার মানে হচ্ছে কি গুগল হ্যাজ এভরিথিং সো সেই জন্য কিন্তু গুগল কুড রিচ দিস টু দিস এজিআই এবং এভরিওয়ান হ্যাড দা পটেনশিয়াল টু কম্পিট উইথ গুগল থ্রু সুপার সুপেরিয়র হিউম্যান ইন্টেলিজেন্স এন্ড হার্ডওয়ার্ক এন্ড এজিআই উড মেক কম্পিটিশন ইম্পসিবল তার মানে হচ্ছে কি এজিআই অলরেডি আমরা এজিআই এর কাছাকাছি চলে এসছি এবং এজিআই তৈরি হয়ে গেছে এবং সেটাই কিন্তু আমরা এটা ধারণা পাচ্ছি এখানে অনেক ধরনের গল্প আছে বাট আমি যেটা বলবো যে আসলে এই ওপেন এআই বা এই ব্যাপারে এই এইটা আসলে আমি মনে করি যে এটা সবারই পড়া উচিত সবাই পড়া উচিত কারণ এখানে এই এই ডকুমেন্টটা আসলে এই যে আমি যেটাকে বলছিলাম যে ইন মার্চ 2023 ওপেন এআই রিলিজড দা মোস্ট পাওয়ারফুল ল্যাঙ্গুয়েজ মডেল ইয়েট জিপিটি ফোর এন্ড জিপিটি ফোর মানে যেটা আমি আবার বলছি যে জিপিটি ফোর ইজ নট জাস্ট ক্যাপেবল অফ রিজনিং মাই গড মানে জাস্ট থিংক যে যদি জিপিটি ফোর যদি হিউম্যান রিজনিং এর ক্যাপাবিলিটি থেকে যদি বেশি হয়ে যায় তার মানে হচ্ছে গিয়ে ইট ইজ ইট ইজ ক্লোজ টু এজিআই এবং আমি যেটা বা মাস্ক যেটা বারবার বলছে যে দে হ্যাভ দে হ্যাভ ফাউন্ড আউট এজিআই সো আমরা যদি এখানে দেখাই যে ইট ইজ বেটার দেন রিজনিং দেন এভারেজ হিউম্যানস মানে জিপিটি ফোর ইট ইজ বেটার দেন রিজনিং দেন এভারেজ হিউম্যান ইট স্কোর ইট স্কোর দা 90% অন ইউনিফর্ম বার এক্সাম ফর লয়ার্স ইউনিফর্ম বার এক্সামিনেশন 90% পাইছে তারপর হচ্ছে গিয়ে সে 99% পাইছে হচ্ছে জিআরডি ভার্বাল অ্যাসেসমেন্ট এবং 77 অ্যাডভান্স সোমালিয়ার এক্সামিনেশন এটা এটা আপনারা গুগল করে দেখতে পারেন যে এটা কিভাবে সম্ভব এটা তো সম্ভব না ঘ্রাণ বা এটা এগুলো এগুলো কিভাবে এখানে সম্ভব বাট স্টিল তার মানে হচ্ছে কি তার তার কাছে সবকিছু চলে এসছে এবং জিপিটি ফোর এর মধ্যে অনেক কিছুই ইন্টারনাল ডিজাইন আছে যেটা আসলে রিমেন্স কমপ্লিট সিক্রেট এক্সেপ্ট টু ওপেন এআই এবং এবং মাইক্রোসফটের কাছে কিছুটা ধারণা এখানে আছে এবং এখানেই কিন্তু মেইন প্রবলেমটা যে আসলে ফারদার মোর অন ইনফরমেশন এন্ড বিলিভ জিপিটি ফোর ইজ এন এজিআই অ্যালগরিদম তার মানে হচ্ছে কি আমরা যেটাকে আমি আবার বারবার বলছি যে এটা কিন্তু এজিআই অ্যালগরিদমের কথা বলছে এবং সেখানে মাইক্রোসফটের ওন রিসার্চাররা কিন্তু বলেছেন গিভেন দা ব্রেড এন্ড ডেপথ অফ দা জিপিটি ফোর ক্যাপাবিলিটিস উই বিলিভ দ্যাট ইট কুড রিজনেবলি বি ভিউড এজ এন আর্লি ইয়েট স্টিল ইনকমপ্লিট ভার্সন অফ আর্টিফিশিয়াল জেনারেল ইন্টেলিজেন্স সিস্টেম তার পাশাপাশি এখানে যে জিনিসটা এসছে যে মোরওভার অন ইনফরমেশন এন্ড বিলিভ ওপেন এআই ইজ কারেন্টলি ডেভেলপিং এ মডেল নোন এজ কিউ স্টার আমরা আমরা এই কিউ স্টার সম্বন্ধে অনেক কিন্তু ধারণা নিয়েছি যে কিউ স্টার আসলে কোথায় যাচ্ছে না যাচ্ছে তো আমরা আসলে কিউ স্টারের ব্যাপারটা যদি দেখি যে কিউ স্টার হ্যাজ ইভেন স্ট্রংার ক্লেইম টু বি এজিআই তার মানে হচ্ছে কি এখানে মাইক্রোসফটের কাছে লাইসেন্স আছে হচ্ছে গিয়ে ওপেন এআই প্রি এজিআই টেকনোলজি বাট নতুন যে কিউ স্টার বা সবকিছু সবকিছু কিন্তু আছে হচ্ছে গিয়ে ওপেন এআই এর কাছে এবং ওপেন এআই কিন্তু এখানে ওপেন এআই কিভাবে কি হলো না হলো এটা নিয়ে অনেক অনেক ধরনের গল্প আছে বাট আমি আমি যেটাকে বলবো যে এই ডকুমেন্টটা পড়া উচিত এখানে কিন্তু ডিপ মাইন্ডের কথা আছে এবং ডিপ মাইন্ডের আসলে ওরা অনেক কিছুই এখানে ডেভেলপ করেছে এবং সেই ডেভেলপমেন্টের মধ্যে কিন্তু এখানে অনেক ধরনের গল্প আছে যে এই এখানে দেখেন যে এখানে আরেকটির কথা বলছে ইট হ্যাজ বিন রিপোর্টেড দ্যাট দা ফলোইং এ মিটিং উইথ মিস্টার হাসাবিস এন্ড দা ইনভেস্টর অফ ডিপ মাইন্ড ওয়ান অফ দা ইনভেস্টরস রিমার্ক দ্যাট দা বেস্ট থিং হি কুড হ্যাভ ডান ফর দা হিউম্যান রেস ওয়াজ শুট মিস্টার হাসাবিস দেন এন্ড দেয়ার মানে ইটস ইটস ইটস এ ডিফিকাল্ট থিং ফর ফর এনিবডি টু সে বাট বাট দিস ইজ হোয়াট দে হ্যাভ সিন দা এজিআই হাউ এজিআই কুড রিপ্লেস হিউম্যান এন্ড এভরিথিং সো আমি আমি মনে করি যে ইটস এ ভেরি লং ডকুমেন্ট আমি সময় পেলে আবারও আরেকদিন আসবো এই ডকুমেন্টটা নিয়ে আপনাদের সাথে আলাপ করার জন্য বাট আমি এটুকু বলতে চাচ্ছি যে ইউ মাস্ট রিড দিস ডকুমেন্ট এন্ড হাউ ডু ইউ ফাইন্ড দিস ডকুমেন্ট ইউ জাস্ট গুগল ইউ জাস্ট গুগল উইথ আমি যদি আপনাকে দেখাই আমি এখানে দেখাই যে আসলে হাউ ডু ইউ হাউ ডু ইউ ফাইন্ড দিস ডকুমেন্ট ইটস ভেরি ইজি ইউ জাস্ট গুগল ইউ জাস্ট গুগল এলন মাস্ক লসুট ওপেন এআই পিডিএফ ইউ জাস্ট গুগল এলন মাস্ক লসুট ওপেন এআই পিডিএফ এন্ড ইউড গেট দিস দিস থিং সো দিনশেষে আমি মনে করি যে যেহেতু এটা একটা লিগাল ডকুমেন্ট এখানে মিথ্যা বলার চান্স কম এখানে একুরেট ইনফরমেশন গুলো তারা নিয়ে এসছে এবং তার পাশাপাশি আরেকটা জিনিস আমি বলব যে এইখানে সবচেয়ে বড় জিনিসটা হচ্ছে এটা হচ্ছে গিয়ে সাধারণ মানুষের জন্য লেখা হয়েছে যাতে সাধারণ মানুষ বুঝতে পারে যে হোয়াট ইজ দা ডেঞ্জার হোয়াট ইজ দা হোয়াট ইজ এজিআই হোয়াট ইজ এআই এন্ড হাউ ইট হ্যাজ ইভলভ মানে আসলে আমরা এখন এই এজিআই টা আসলে কিভাবে ইভলভ করেছে আমাদের আমাদের লাইফটাইমে সেটাই হচ্ছে গিয়ে আমাদের আজকের পয়েন্ট আর আমি বলবো যে অফকোর্স সিন্স আই ওয়াজ রাইটিং সিন্স আই ওয়াজ আই ওয়াজ ওয়ার্কিং উইথ দিস ডেটা ফর অলমোস্ট 20 ইয়ার্স এন্ড দিস বুক এই বইটা যখন আমি লিখলাম তখন আই গট দা আন্ডারস্ট্যান্ডিং যে আসলে পৃথিবী কোথায় যাচ্ছে এবং তার একটা ইউজ কেস হিসেবে আমি আসলে এই বইটি লিখলাম ট্রান্সফর্মার এই ট্রান্সফর্মারের কথাও কিন্তু এখানে আছে আমি যদি এখানে দেখাই যে ট্রান্সফর্মার ব্যাপারটা যে এখানে কিন্তু ট্রান্সফর্মার ব্যাপারটা কিন্তু তারা এখানে বলেছে সো এই ট্রান্সফর্মার ব্যাপার এবং সবকিছু মিলিয়ে আমরা যদি এখানে দেখি যে এখানে বিশেষ করে এই ডকুমেন্টে কিন্তু ট্রান্সফর্মারের কথা কয়েকবার এসছে যে আসলে কিভাবে তারা এখানে আস্তে আস্তে এজিআই এর রাস্তায় হাঁটছে আজকে এই পর্যন্তই থাকছেন তো সামনে? |
রোড টু হাইটেক ইন্ডাস্ট্রি | রোড টু হাইটেক ইন্ডাস্ট্রি Why Should I Learn a Language Which one.mp3 | যেই প্রশ্নটা আমি সবসময় পাই যে আসলে কোন ল্যাঙ্গুয়েজ শিখলে আমরা ফ্রিল্যান্সিং করতে পারব বা কোন ল্যাঙ্গুয়েজটা শিখলে আমরা আসলে টাকা আয় করতে পারব বা কোন ল্যাঙ্গুয়েজটা শিখলে আসলে আমরা সামনে এগোতে পারব। এই এই প্রশ্নটা কিন্তু আমি যখন পাচ্ছি তখন আসলে আমি সবাইকে যে কথাটা বলি যে আসলে ল্যাঙ্গুয়েজ শেখাটা মধ্যে সবচেয়ে বড় যে জিনিসটা কাজ করে সেটা হচ্ছে যে আগে আন্ডারস্ট্যান্ডিং নিয়ে আসা। মানে আমরা আসলে কিভাবে বুঝতে চাচ্ছি। আর সেজন্যই কিন্তু আমি কখনই বলি না যে আপনি পাইথন শিখেন বা এটা শিখেন বা এই জিনিস শিখেন। ব্যাপারটা হচ্ছে যে উই আর হিয়ার টু সলভ প্রবলেম। মানে আসলে আমরা যদি আমাদের প্রবলেমগুলোকে সলভ করতে পারি তাহলে কিন্তু উই অ্যাড ভ্যালু টু আওয়ার সোসাইটি, উই অ্যাড ভ্যালু টু আওয়ার কোম্পানি, উই অ্যাড ভ্যালু টু এভরিথিং। সো দ্যা বেস্ট ল্যাঙ্গুয়েজ টু লার্ন, আই মাস্ট টেল ইউ দ্যা বেস্ট ল্যাঙ্গুয়েজ টু লার্ন ইজ ইংলিশ। হোয়াই? বিকজ অবভিয়াসলি সামনে আমাদের অবশ্যই আমরা পাইথন বা সেগুলো শিখব। বাট দিনশেষে আমরা যেভাবে দেখছি যে যেভাবে আমাদের লার্জ ল্যাঙ্গুয়েজ মডেল বা এগুলো তৈরি হচ্ছে স্যাম অল্টম্যান কিন্তু মানে ওপেন এআই এর যে প্রতিষ্ঠাতা, ওপেন এআই এর প্রতিষ্ঠাতা উনি কিন্তু অনেক আগে বলেছেন দ্যা বেস্ট ল্যাঙ্গুয়েজ টু লার্ন ইজ ইংলিশ। বিকজ আপনি যদি ইংলিশটা ঠিকমত জানেন তাইলে আপনি প্রম্পট ইঞ্জিনিয়ারিং এর মাধ্যমে আপনার সব কাজ করাতে পারবেন। ইফ ইউ লার্ন হোয়াট ইজ লাইক হাউ টু সলভ এ প্রবলেম। ইফ ইউ লার্ন হাউ টু সলভ এ প্রবলেম দেন ইউ ক্যান ফিক্স এভরিথিং। সো আমরা এখানে দেখছি যে আসলে ইংরেজি হচ্ছে গিয়ে এমন একটা ভাষা যেটা আসলে আমাদের সবকিছুই খুলে দেয়। আমি যেহেতু ইংরেজি নিয়ে আমি মনে করি যে আমি খুব ফরচুনেট যে আসলে আমি ক্যাডেট কলেজে গিয়েছিলাম এবং ক্যাডেট কলেজে ওখানে আমাদের ইংরেজির যে আমি মনে করি যে ভিত্তিমূল সেটাকে আমাদের একটা স্ট্রং করে দেওয়া হয়েছে এবং সেইজন্য কিন্তু গ্লোবালি অন্যান্য ল্যাঙ্গুয়েজের পাশাপাশি আমরা ইংরেজিকে যখন ব্যবহার করি তখন আসলে দেখি যে ইংলিশ ইজ ওয়ান অফ দ্যা বেস্ট ল্যাঙ্গুয়েজ। আমি যখন বিজনেস নেগোসিয়েশন করি আমি মুখে যত আলাপ করি বাট বেস্ট পার্ট লাইক আমি যখন নেগোশিয়েট করি ওভার ইমেইল অর ওভার এগ্রিমেন্ট অর ওভার এনিথিং এলস ইংরেজি এমন একটা ভাষা যেটাকে আসলে উই ক্যান ইউজ ইট ইন ডিফারেন্ট ডাইমেনশন। আমি নেগোসিয়েশন স্কিলের কথা বলব না বাট আমি ইংরেজি দিয়ে সরকারে যখন ছিলাম তখন আসলে মিলিয়ন মিলিয়ন ডলার আমি সাশ্রয় করেছি একটাই কারণে যে ইংলিশ ইজ ওয়ান অফ দ্যা বেস্ট ল্যাঙ্গুয়েজ ফর নেগোসিয়েশন এন্ড ওয়ান অফ দ্যা বেস্ট ল্যাঙ্গুয়েজ ফর ইভেন আন্ডারস্ট্যান্ডিং ইচ আদার। অফকোর্স মাদার টাং ইজ ইজ এ ডিফারেন্ট লেভেল। বাট দেন হোয়েন ইউ ওয়ার্ক গ্লোবালি, আপনি যখন গ্লোবালি কাজ করবেন তখন ইংরেজিটা কিন্তু একটা অন্য লেভেলের জিনিস। আমি শুধু নেগোসিয়েশনের কথা বলব না। মানে আমি বলছি যে আমি এই পর্যন্ত যত কাজ করেছি সবকিছু লিখে মানে আজকে আমি এই পর্যন্ত যতটুকু কাজ করেছি সব কিছু লিখে কিন্তু আমি সেটাকে উইন করেছি। মানে আমি মানে এই লিখতে পারাটা এবং ইংরেজি ভাষায় সেই দিক থেকে কিন্তু একটা অসাধারণ ভাষা, অসাধারণ বিজনেস ভাষা। আমি বলব বিজনেস। সো ল্যাঙ্গুয়েজ যদি শিখতেই হয় ইংরেজি শিখুন এবং এই ইংরেজিটাই কিন্তু আপনাকে নেক্সট লেভেলে, আপনাকে ইংরেজি আপনাকে টাকা আয় করার সুযোগ দেবে, ইংরেজি আপনাকে আপনার কোম্পানিতে নেক্সট লেভেলে যাওয়ার সুযোগ দেবে, ইংরেজি আপনাকে প্রমোশন পাওয়ার জন্য সুযোগ দেবে, ইংরেজি আপনাকে আপনার কোম্পানিকে নেক্সট লেভেলে নেওয়ার জন্য আপনি যদি উদ্যোক্তা হন, উদ্যোক্তা হলেও কিন্তু গ্লোবালাইজ যে এনভায়রনমেন্ট সে গ্লোবালাইজ এনভায়রনমেন্টে ইংরেজি ছাড়া আসলে কিছু নেই। আপনি ইংরেজি জানলেন তার মানে হচ্ছে কি এইটি পার্সেন্ট অফ দ্যা হোল গ্লোবাল লাইক গ্লোবালাইজেশনের এইটি পার্সেন্ট কিন্তু আপনাদের জন্য খোলা। বাকি চাইনিজ অর মেবি স্প্যানিশ, মেবি ফ্রেঞ্চ এটা যত একটা এক্সট্রা ল্যাঙ্গুয়েজ শিখবেন আপনার কিন্তু চাকরি বা আপনার যে আয় করার এটা কিন্তু সক্ষমতা প্রায় 40% বেড়ে যায়। মানে আপনি এক্সট্রা একটা ল্যাঙ্গুয়েজ শিখলে আপনার বর্তমান যে চাকরিটা করছেন তার থেকে আরও 40% চাকরির সুযোগ বাড়ে। আর সেজন্য বলছি যে উই মাস্ট লার্ন ইংলিশ এবং সবচেয়ে বড় যে জিনিসটা হচ্ছে কি আমি ইংরেজি ভালোভাবে জানি বলেই কিন্তু আমি বাংলা ভালো জানি। এবং সেটা নিয়ে আমি পরে আলাপ করব যে কেন অন্য ভাষা জানার জন্য আবার নিজস্ব ভাষার উপর দখল থাকা দরকার। মানে আমাকে বাংলা ভালোভাবে জানতে হবে যদি আমি আরেকটা ল্যাঙ্গুয়েজ জানতে চাই। সো মাদার ল্যাঙ্গুয়েজ ইজ ভেরি ইম্পরট্যান্ট। আমার স্ত্রী সাথী সে কিন্তু ইংরেজিতে মাস্টার্স এবং অনার্স করেছে ঢাকা ইউনিভার্সিটি থেকে। কিন্তু আমি দেখি যে সে ইংরেজি থেকে সে ইংরেজি থেকে বাংলায় ভালো। মানে ব্যাপারটা হচ্ছে যে আসলে আমি দেখেছি যে যারা ডুয়েল ল্যাঙ্গুয়েজে ভালো তারা আসলে তাদের মাদার ল্যাঙ্গুয়েজে কিন্তু ইকুয়ালি এবং বেশি ভালো। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
রোড টু হাইটেক ইন্ডাস্ট্রি | রোড টু হাইটেক ইন্ডাস্ট্রি Top Skills for 2023-24 Cloud, Data and Security.mp3 | আমরা যখন হাইটেক ইন্ডাস্ট্রিতে কাজ শুরু করি তখন অনেক অনেক প্রজেক্ট করতে গিয়ে আমরা দেখেছি যে আসলে আমাদের যারা ফরেন ভেন্ডর বা যারা বাইরের সলিউশন প্রোভাইডার আছে তাদের সাথে অনেক সময় আমরা একটা ডিল করার চেষ্টা করতাম যে এই প্রজেক্টের একটা বড় শতাংশ রিসোর্স যাবে বাংলাদেশ থেকে তো এই ধরনের আমরা ডিল করার পরও কিন্তু অনেক সময় আমরা দেখতাম যে আমাদের এই প্রজেক্টের বা এই ধরনের সলিউশনের জন্য আমরা আসলে আমাদের দেশ থেকে সেই সলিউশন বা সেটা দেওয়ার জন্য আমরা আসলে বাংলাদেশ থেকে রিসোর্স পেতাম না আর সেজন্যই কিন্তু এটা একটা আমার কাছে একটা পেইন পয়েন্ট ছিল মানে আমার মনের একটা কষ্ট ছিল যে আমরা কি হাইটেক ইন্ডাস্ট্রি বা রোড টু হাইটেক ইন্ডাস্ট্রি এই রাস্তায় কি আমরা হাঁটছি কি হাঁটছি না আমি আমাদের ইয়াং জেনারেশনকে দোষ দেবো না কারণ এটার জন্য যে ইকোসিস্টেম সেই ইকোসিস্টেমটা হয়তো আমরা বিল্ড করে দিতে পারিনি কারণ এই ধরনের রিসোর্স বিল্ড করার জন্য ইকোসিস্টেমও লাগবে আর এর পাশাপাশি যারা এখনই রিমোট জবে কাজ করছেন এই ধরনের হাই স্কিল নিয়ে তারা আসলে একটা লেভেল পর্যন্ত কিন্তু তারা কোথাও বাংলাদেশে কোথাও একটা ছোট স্কেলে কাজ করে তারপরে আস্তে আস্তে উনারা আপগ্রেড করেছেন দিনশেষে আমরা যখন এরকম বড় বড় প্রজেক্ট নামাতাম তখন এই বাইরের যে সলিউশন প্রোভাইডার বা সলিউশন ভেন্ডর যারা আসলে কাজ করছে তাদের তারা আসলে তারাও অনেক সময় চাইতো যে তারা কিভাবে বাংলাদেশ থেকে রিসোর্স পিক করতে পারে বাংলাদেশ থেকে এই হাইটেক ইন্ডাস্ট্রির জন্য যে রিসোর্স গুলো দরকার সেই রিসোর্স গুলো কিভাবে উনারা পিক করতে পারেন সেটার জন্য আমরা সহ আমরা সহযোগিতা করতাম এবং আমরা সহায়তা দিতাম যে কিভাবে একজন সলিউশন প্রোভাইডার কারণ ধরা যাক একেকটা সলিউশন নিয়ে যখন আমরা ডেপ্লয় করতাম সেই ডেপ্লয় ধরা যাক কোন কোন সলিউশনে 20 জন 30 জন করে সলিউশন প্রোভাইডার ছিল একজন লিড লিড অর্কেস্ট্র ছিল যে আসলে পুরো সলিউশনটাকে অর্কেস্ট্রেট করেছেন এবং তার পাশাপাশি তার জন্য প্রচুর আদার সাপোর্টিং সলিউশন প্রোভাইডার বা আমরা অনেক সময় বলি ভেন্ডর তারা ছিলেন এবং তাদের তাদের রিকমেন্ডেশন নিয়ে কিন্তু আমরা অনেক সময় রিসোর্স বাংলাদেশ থেকে রিসোর্স আমরা পেতাম না আর তখন থেকে আসলে আমার আমার চিন্তা ছিল যে কিভাবে বাংলাদেশের রিসোর্স তৈরি করা যায় আর সেজন্যই কিন্তু আমি এআই এর রাস্তায় হেঁটেছি এবং এআই নিয়ে আসলে একটা লম্বা সময় আমি পার করেছি কারণ আমি দেখেছি যে এই জায়গাটাতে আসলে আমরা একটা ইকোসিস্টেম বিল্ড করতে পারি আজকে আমি যদি ফিরে আসি আমি গতদিন রোড টু হাইটেক ইন্ডাস্ট্রিতে বলেছিলাম যে হায়ার কগনিটিভ স্কিল মানে আমি একটা হাইটেক ইন্ডাস্ট্রি থেকে আমি যাব কিন্তু যাওয়ার জন্য হায়ার কগনিটিভ স্কিলটা আসলে দরকার এবং হায়ার কগনিটিভ কগনিটিভ স্কিলগুলো আমি আসলে একটা বিস্তারিত আলাপ করেছি যে আমি শুধুমাত্র হায়ার কগনিটিভ শুধুমাত্র আমি একটা স্কিল নিয়ে গ্লোবাল মার্কেটে আসলে আমরা আমাদের টেকা ডিফিকাল্ট হবে যদি আমাদের সেই ধরনের হায়ার কগনিটিভ স্কিল আমরা যদি না চাই না থাকে আর সেজন্য কিন্তু আমি আমার আগের ভিডিওটা দেখার জন্য রিকোয়েস্ট করব যে কোন কোন হায়ার কগনিটিভ স্কিল আমার লাগবে টু হিট টু দা হাইটেক ইন্ডাস্ট্রি আজকে ফিরে আসি আমাদের 2023 এবং 24 সালের টপ স্কিল টপ স্কিল মানে আমি বলতে চাচ্ছি যে টপ স্কিল মেনি মেনি সার্টিফিকেশন মেনি মেনি থিংস উই ক্যান টক এবাউট টপ স্কিল বাট দেন আমি যেটা বলব যে যেটা আমাদের মনে চায় মানে আমি আমরা অনেক সময় আমি অনেক সময় যেটা প্রশ্ন পাই আমাদের ইয়াং জেনারেশন থেকে তারা বলেন যে কোন স্কিলটা বা কোন জিনিসটা শিখলে চাকরি পাবো দ্যাট ইজ ডিফিকাল্ট আমি মনে করি যে কোন স্কিলটা বা কোন একটা স্কিল শিখলে চাকরি পাবো এটা এটা একটা ডিফিকাল্ট কাইন্ড অফ থিং যখনই আমরা চাকরির পিছনে দৌড়াবো অফকোর্স ইট ইজ এ রিকোয়ারমেন্ট ইট ইজ ইট ইজ ইট ইজ দেয়ার বাট আমি যদি আমার স্কিল তৈরি করি চাকরির জন্য তাহলে কিন্তু আমি আসলে একটা লেভেল পরে কিন্তু উঠতে পারবো না আর সেজন্য আমি মনে করি যে ইট ইজ এ ইনার কল এন্ড দ্যাটস হোয়াই আই এম ট্রাইং টু ব্রিং ইন যেটাকে বলছি রোড টু হাইটেক ইন্ডাস্ট্রিতে এখানে আমি আসলে আই ওয়ান্ট টু ব্রিং ইন যে কিভাবে টপ স্কিল গুলো নেওয়া যায় উইথ দ্যাট আন্ডারস্ট্যান্ডিং যে আমি আসলে কোনটা নিতে চাই আই হ্যাভ টু হ্যাভ মাই ইনার কল তো শুরুতে আমি মনে করি যে এখন গ্লোবালি দেয়ার আর থ্রি থ্রি এরিয়া যেটা নিয়ে আসলে ওয়ার্কআউট হচ্ছে এক নাম্বার হচ্ছে ক্লাউড ক্লাউড ইজ এভরিওয়ার সো উই হ্যাভ টু পিক ওয়েদার আই লাইক ইট অর নট উই হ্যাভ টু একচুয়ালি বিল্ড অন টু দা ক্লাউড সো ক্লাউড নিয়ে আসলে অনেক ধরনের কথাবার্তা হচ্ছে এবং আমি বলব যে জামান ভাই অনেকদিন ধরে কিন্তু বলছিলেন যে ক্লাউড ক্লাউড ক্লাউড আমি আসলে গত উনার কাছ থেকে চার পাঁচ বছর ধরে শুনছিলাম যে ক্লাউড ইজ দা কি অফকোর্স ক্লাউড ইজ দা কি এট দা সেইম টাইম উই হ্যাভ টু অলসো আন্ডারস্ট্যান্ড যে ডেটা প্রফেশনাল যে ডেটা নিয়ে আসলে ডেটাকে হাউজিং ডেটাকে হোস্ট করা ডেটাকে ইয়ে করা এটার জন্য কিন্তু আরেকটা জায়গা আর থার্ড সিকিউরিটি মাস্ট মাস্ট সো সিকিউরিটি নিয়ে আসলে আমরা অনেক ধরনের আলাপ করেছি বাট দিনশেষে সিকিউরিটি ইজ দা কি যেটা আসলে বাড়তি থাকবে সিকিউরিটি ব্যাপারটা কখনো কমবে না সো আমি যদি ফিরে আসি শুরুতেই আমার যেটা আমি যেই সার্টিফিকেশনটা আমি খুব পছন্দ করি টু স্টার্ট উইথ এডব্লিউএস এর যে সার্টিফাইড সলিউশন আর্কিটেক্ট এবং সার্টিফাইড সলিউশন আর্কিটেক্টের অ্যাসোসিয়েট যে জিনিসটা সেটা কিন্তু আমি মনে করি যে এটা টু স্টার্ট উইথ এটা একটা ভালো ভালো সলিউশন এবং ভালো সার্টিফিকেশন এবং এই সার্টিফিকেশনটা কিন্তু অত ডিফিকাল্ট কিছু না এবং এটার কস্টও কিন্তু মাত্র 150 ইউএসডি সো এই সার্টিফিকেশনটা কিন্তু আসলে আমরা নিতে পারি এবং দিনশেষে আসলে এই ধরনের সার্টিফিকেশনের জন্য প্রিপারেশনের জন্য অনেক ধরনের রিভিউ থাকে এবং তার পাশাপাশি এডব্লিউএস স্কিল বিল্ডার আছে এবং এর পাশাপাশি আমাদের বিভিন্ন সলিউশন মানে বিভিন্ন ট্রেনিং গুলো থাকে আসলে ব্যাপারটা হচ্ছে যে এডব্লিউএস হিয়ার টু স্টে এডব্লিউ ইজ হিয়ার টু স্টে অফকোর্স মাইক্রোসফট এজুর ইজ কামিং আপ বাট দেন এডব্লিউএস মানে যে ক্লাউড এডব্লিউএস ক্লাউড বা এডব্লিউএস যে সার্টিফিকেশন এটা কিন্তু ইট ইজ হিয়ার টু স্টে সো আমার প্রথম ইয়ে হচ্ছে গিয়ে এডব্লিউএস সো অফকোর্স দিস ইজ হোয়াট উই টক এবাউট এডব্লিউএস সার্টিফাইড সলিউশন আর্কিটেক্ট অ্যাসোসিয়েট সো এটা হচ্ছে আমার আমার প্রথম পিক আর এরপরে যদি আপনি চিন্তা করেন যে না ঠিক আছে এর পাশাপাশি আমার আসলে অন্য কি লাগবে সো অফকোর্স আমি যেটাকে মনে করি যে ডেটা এখন ডেটা নিয়ে যদি আমাকে কাজ করতে হয় তাহলে ডেটার জন্য আমি যদি যাই ডেটার জন্য হচ্ছে গিয়ে সার্টিফাইড ডেটা প্রফেশনাল এটা কিন্তু শুরুর দিকে একটা জায়গা যেটাতে আসলে মনে হয় যে এটা এটা ভালো ভালো একটা সলিউশন যেটা আসলে যেটা নিয়ে আমরা কাজ করতে পারি এবং সেখানে কিন্তু বলা আছে যে আসলে এই প্র্যাকটিশনার এই প্র্যাকটিশনার আসলে উনারা কি কি করবেন এবং এটা ফাইনালি এটা নিয়ে কি ওয়ার্কআউট হবে সেটা কিন্তু এখানে ক্লিয়ারলি বলা আছে যে আসলে ইটস অল এবাউট ডেটা ম্যানেজমেন্ট বিকজ দিনশেষে যদি আমরা যদি এই ডেটা ম্যানেজমেন্ট বা ডেটা কনভার্জেন্সের ব্যাপারটা যদি আমরা না বুঝি তাহলে তো আসলে ডিফিকাল্ট এবং এখানে ইন্ডাস্ট্রির রিকোয়ারমেন্ট অনুযায়ী কিন্তু এখানে অনেক কিছুই তারা বলেছে সো সার্টিফাইড ডেটা প্রফেশনাল ইজ মাই সেকেন্ড কিওয়ার্ড যেখানে আসলে আমরা চাই যে আমাদের দেশ থেকে এই ধরনের ডেটা ম্যানেজমেন্ট ইনফরমেশন সিস্টেম কোর বা এই ধরনের জিনিসগুলো নিয়ে আসলে কাজ করবে এবং একটা জিনিস এখানে আমরা যেটা বুঝতে পারছি যে যারা আসলে এই ডেটা প্রফেশনাল সার্টিফাইড ডেটা প্রফেশনাল তারা কিন্তু এখানে আসলে একটা একটা ভালো লেভেলে আমাদেরকে আন্ডারস্ট্যান্ডিং দিতে পারবে যে বাংলাদেশে এই সিডিপি আসলে এটার ডিমান্ড একটা ভালো ডিমান্ড আছে এবং এর পাশাপাশি দেশের বাইরে এর ডিমান্ড বেশ সেজন্য আমি মনে করি যে এই ধরনের সার্টিফিকেশন এই ধরনের সার্টিফিকেশন কিন্তু আমরা আসলে দেখছি এবং সেখানে দেখছি যে বিভিন্ন সার্টিফিকেশনের যে একটা টাইমলাইন সেই টাইমলাইনটা কিন্তু আমরা এখানে আসলে এখানে একটা ধারণা পাচ্ছি সো অফকোর্স এগুলো নিয়ে আমরা আসলে ডিগ ইন ডিপার করতে পারি বাট সিডিপি অফকোর্স ইট ইজ হিয়ার টু স্টে সো অবভিয়াসলি এখন হচ্ছে গিয়ে আমি আমার থার্ড পয়েন্টে সিকিউরিটি বিকজ আমি যেটা বলতে পারি যে এর পাশাপাশি আরো অন্যান্য অনেক অনেক অনেক আছে তো থার্ডটাকে আমি মনে করি যে দিস ইজ হোয়ার সিআইএসপি সিকিউরিটি প্রফেশনালদের জন্য এটা একটা অসাধারণ একটা জিনিস এবং আমি মনে করি যে সিআইএসএসপি সার্টিফাইড ইনফরমেশন সিকিউরিটি সিস্টেম যেটাকে আমরা বারবার বলি যে এটা আসলে একটা ভালো একটা সলিউশন যেটা আসলে এটার ডিমান্ড প্রচুর এটার প্রচুর ডিমান্ড আমরা দেখছি গ্লোবালি এবং এটাই কিন্তু আসলে আমরা একটা লেভেল পর্যন্ত দেখছি যে এবং এটার পাশাপাশি আমরা হোয়াট ইজ রাইট ফর ইউ হোয়াট ইজ নট রাইট ফর ইউ এটা কিন্তু এখানে বলা আছে এবং এটার জন্য বেশ কিছু ধারণা আসলে আমরা পাই |
রোড টু হাইটেক ইন্ডাস্ট্রি | রোড টু হাইটেক ইন্ডাস্ট্রি How to Analyze Data Kaggle Titanic Exploratory Data Analysis (EDA).mp3 | এখন আমাদেরকে কিছু ইউনিভার্সাল স্কিল নিতে হবে। যেমন ইংরেজি হচ্ছে একটা ইউনিভার্সাল স্কিল। মানে যেটা সব জায়গায় লাগবে। ইংরেজি যেমন একটা ইউনিভার্সাল স্কিল, সেরকম ডেটাও কিন্তু একটা ইউনিভার্সাল স্কিল এবং সেই ডেটাটাকে আমাদেরকে বুঝতে হবে। সেই ডেটাকে আমাদেরকে জানতে হবে এবং ডেটাকে কিভাবে আমার অ্যাডভান্টেজে ব্যবহার করা যায় সেটাও কিন্তু আমাদেরকে বুঝতে হবে। তো যারা একদম ডেটা নিয়ে শুরু করতে চান, যারা কিছুই জানেন না ডেটা ব্যাপারে তারা আসলে এই বইটা দিয়ে শুরু করতে পারেন। বিকজ এই বইটা হচ্ছে গিয়ে সেই বইটা যেই বইটাকে আমরা মনে করি যে ডেটা অ্যানালাইসিস করার জন্য যেটাকে আমরা বলছি ইডিএ। ইডিএ মানে আমরা যদি বলছি যে ইডিএ মানে এক্সপ্লোরেটরি ডেটা অ্যানালিটিক্স। আর এক্সপ্লোরেটরি ডেটা অ্যানালিটিক্স যদি আমি শিখতে চাই তার জন্য কিন্তু আমার জন্য ভালো হবে আমি যদি টাইটানিক প্রজেক্টটা যদি ঠিকমতো বুঝতে পারি। আর এই টাইটানিক প্রজেক্টটা কিন্তু এই বইটাতে আছে। আমরা যদি হাতে কলমে মেশিন লার্নিং যে বইটা আছে সেইখানে কিন্তু টাইটানিক প্রজেক্টটা কিন্তু আমরা দেখতে পারব। কারণ দিনশেষে আমরা এক্সপ্লোরেটরি ডেটা অ্যানালিটিক্স জানতে পারতে হবে এবং সেজন্যই কিন্তু আপনারা দেখেন যে এখানে বিভিন্ন ছবি এবং ছবির পাশাপাশি আমরা আসলে কি জানতে চাইলাম। বিকজ দিনশেষে আমরা আসলে ছবি থেকে কি জানতে পারলাম সেটাও কিন্তু আমাদেরকে বুঝতে পারতে হবে যে ছবি তো ছবির কথা বলে। কিন্তু ছবির পাশাপাশি আমি আসলে কি বুঝলাম সেটা কি আমি ক্লিয়ারলি আমরা কি ইন্টারপ্রেট করতে পারছি কিনা। তার মানে হচ্ছে গিয়ে ছবি যেভাবে কথা বলে সেই ছবির কথাটাকে আমি কি আমার মত করে ইন্টারপ্রেট করে নিতে পারছি কিনা। আর সেজন্যই আমি বারবার বলি যে টাইটানিক প্রজেক্টটা কিন্তু সেজন্য খুবই ভালো এবং টাইটানিক প্রজেক্ট যারা কাজ করেছেন আমি যেমন এখন থেকে প্রায় 15 বছর আগে 15 বছর হবে না। মানে আরো আরো আমি তখন স্ট্যাটিসটিক্স আমি শেখা শুরু করি এবং আমার সাথে টাইটানিক প্রজেক্টের সম্পর্ক তৈরি হয় প্রায় 10 বছর আগে। সো আমার কাছে যেটা মনে হয়েছে যে আপনি যদি মেশিন লার্নিং বা ডেটা নিয়ে কাজ করতে চান আপনি যদি মেশিন লার্নিং বা ডেটা নিয়ে কাজ করতে চান কিন্তু আপনি ডেটা সম্বন্ধে কিছুই জানেন না। দেন এই প্রজেক্টটা আমার কাছে খুব খুব ভালো লাগে একটাই কারণে যে টাইটানিক প্রজেক্টটা আসলে আমাদের লাইফটাকে বিশেষ করে যারা ডেটা নিয়ে কাজ করে তারা কিন্তু এটাকে বুঝতে পেরেছি যে আসলে এটাকে কিভাবে লাইফ চেঞ্জিং একটা এক্সপেরিয়েন্সে যাওয়া যায়। এর পাশাপাশি এই বইটাও যারা হচ্ছে গিয়ে ডেটা নিয়ে কাজ করতে চান ডেটা নিয়ে কাজ করতে চান কিন্তু ডেটাকে অ্যানালাইসিস করার জন্য যেই আমাদের আন্ডারস্ট্যান্ডিং, যেই টুল সেটা সম্বন্ধে আমাদের সেভাবে ধারণা নেই। তাদের জন্য এই বইটা আমি মনে করি যে খুব ভালো যে হাতে কলমে ডেটা অ্যানালিটিক্স এবং ডেটা ভিজুয়ালাইজেশন। বিকজ দিনশেষে আমরা যদি ডেটাকে ভিজুয়ালাইজ না করতে পারি, ডেটা থেকে রাইট ইনফরমেশনটাকে এক্সট্রাক্ট করতে না পারি, আমরা যদি রাইট ইনপুট না দিতে পারি তাহলে কিন্তু আমাদের এই যে ডেটা নিয়ে যে কাজটা সেটা আসলে হবে না। তো সেজন্য আমি বলছি যে আমাকে ডেটা সম্বন্ধে জানতে পারতে হবে। ডেটা এখন একটা ইউনিভার্সাল স্কিল এবং ডেটা নিয়ে যখন আমরা কাজ করব তখন আমরা আসলে একটা প্রজেক্টের মাধ্যমে কাজ করব। যেই প্রজেক্টটাকে আমি বলছি টাইটানিক প্রজেক্ট। সো আমি মনে করি যে জাস্ট গুগল, জাস্ট গুগল যে টাইটানিক প্রজেক্ট ইডিএ। ইডিএ মানে হচ্ছে গিয়ে এক্সপ্লোরেটরি ডেটা অ্যানালাইসিস। এক্সপ্লোরেটরি ডেটা অ্যানালাইসিস। সো দ্যাট ইউ ক্যান এক্সপ্লোর, ইউ ক্যান অ্যাকচুয়ালি অ্যানালাইজ দা ডেটা বাই এক্সপ্লোরিং। সো দিস ইজ দা বুক। দিস ইজ দা বুক হুইচ ক্যান অ্যাকচুয়ালি হেল্প ইউ টু ডিল উইথ আমি মনে করি টাইটানিক প্রজেক্ট। সো ইফ ইউ ইফ ইউ আন্ডারস্ট্যান্ড দা টাইটানিক প্রজেক্ট আই ক্যান টেল ইউ ইফ ইউ আন্ডারস্ট্যান্ড দা টাইটানিক প্রজেক্ট ইউ আর গুড টু গো। ইউ আর গুড টু গো উইথ দা উইথ দা ডেটা অ্যানালাইসিস পাথ। এবং আমার কাছে মনে হয় যে টাইটানিক প্রজেক্ট এন্ড টাইটানিক প্রজেক্ট ইজ দা গেটওয়ে টু আওয়ার ফিউচার ডেটা সাইন্টিস্ট। আজকে এ পর্যন্তই। থাকছেন তো সামনে? |
রোড টু হাইটেক ইন্ডাস্ট্রি | রোড টু হাইটেক ইন্ডাস্ট্রি Network Orchestration Why ISP Job is a hi-tech Industry.mp3 | ছোটবেলা থেকেই বাসার কম জিনিস আমি পোড়াইনি। মানে বলতে চাচ্ছি যে বাসার বিল্ডিং ওয়্যারিং থেকে শুরু করে অনেক কিছুই কিন্তু আমি পুড়িয়ে এসেছি। ব্যাপারটা এরকম যে যেহেতু যন্ত্রপাতি নিয়ে আমার একটা বড় সক্ষতা ছিল সেই ছোটবেলা থেকে। প্রচুর যন্ত্রপাতি নষ্ট করেছি এবং প্রচুর যন্ত্রপাতি তৈরি করেছি এবং একটা পর্যায়ে আমার কাছে মনে হলো যে আমরা কেন কাজ করব? আমাদের যদি সহযোগী হিসেবে যন্ত্র আসে আমরা কেন কাজ করব? কেন আমাদের কাজগুলো যন্ত্র নিতে পারছি না? আসলেই আমরা যদি দেখি যে আমাদের লাইফে এখন যদি আমরা যেভাবে আসলে কাজ করছি এবং কাজের পাশাপাশি আমাদেরকে যন্ত্রকে সহযোগী হিসেবে নিচ্ছি। আজকে দেখুন যে ডক্টর বা আমরা যদি আমাদের যত মেডিকেল টেস্ট আমাদের মেডিকেল টেস্ট কি আমরা নিজেরা করি? আপনি জাস্ট চিন্তা করুন যে আমাদের মেডিকেল টেস্টের যে রেজাল্টগুলো কি এগুলো কি আমরা দেই? নাকি আমাদের যে ডিভাইসগুলো আছে বা আমাদের যে মেডিকেল টেস্টিং ইকুইপমেন্ট আছে সেই টেস্টিং ইকুইপমেন্ট কিন্তু মানুষের ধারণাটা মানুষের জ্ঞানটা নিয়েই কিন্তু সেই যন্ত্র আমাদের সেই মেডিকেল টেস্টের সব রেজাল্টগুলো দিচ্ছে। তার মানে হচ্ছে কি আমাদের যন্ত্রের উপরে আমাদের নির্ভরশীলতা বাড়ছে। আর বাসায় ধরা যাক আমার বাসায় যত আইওটি ডিভাইস আছে আমি কেন আমার বাসার আইওটি ডিভাইসগুলো ব্যবহার করব না? আমি কেন ম্যানুয়ালি সবকিছু করতে চাইবো? আর সেইজন্যই কিন্তু এই যন্ত্রের উপরে নির্ভরশীলতা বাড়ছে। আর যেহেতু আমি এখন নেটওয়ার্ক ম্যানেজ করি বা নেটওয়ার্ক চালাই বা নেটওয়ার্ককে একটা বড় ম্যানেজমেন্ট রোলে আমাকে থাকতে হচ্ছে। তা আমাকে এখন যে জিনিসটা করতে হয় যে এই নেটওয়ার্কটাকে আমরা কত ভালোভাবে ম্যানেজ করতে পারি। আর সেইজন্যই এখন ধরা যাক আগে আইএসপিতে যদি আগে 10 টা রাউটার থাকতো সেই 10 টা রাউটারকে যদি আমরা ম্যানেজ করতাম সেখানে নেটওয়ার্ক অটোমেশনের জন্য যেই কষ্টটা সেইটা হয়তো আমাদের কাছে অতটা লাগতো না। কিন্তু যেই আইএসপিতে হয়তোবা 1000 রাউটার বা যেই আইএসপিতে 4000 রাউটার বা 4000 লোড ব্যালেন্সার বা সুইচ বা এর পাশাপাশি আরো অন্যান্য অনেক ধরনের ডিভাইস আছে সেই ডিভাইসগুলো যদি আমরা ম্যানেজ করতে চাই 4000 ডিভাইস তাহলে তো সেটা আসলে আর হিউম্যানলি পসিবল না। আর সেইজন্যই কিন্তু এই জায়গাটাতে কিন্তু আমি হাঁটছি বা যেই জায়গাটা নিয়ে আমি সবসময় কথা বলছি যে নেটওয়ার্ক অর্কেস্ট্রেশন বা নেটওয়ার্ক অটোমেশন। সো আজকে যদি আমি নেটওয়ার্ক অর্কেস্ট্রেশনের ব্যাপারটা বলি যে নেটওয়ার্ক অর্কেস্ট্রেশন হচ্ছে গিয়ে একটা নেটওয়ার্ক কন্ট্রোলার। আমি যদি এভাবে বলি যে আমার কাছে 4000 ডিভাইস আছে আমাকে এটাকে ম্যানেজ করতে হবে হুইচ ইজ ইনহিউম্যান হুইচ ইজ ইনহিউম্যান হুইচ ইজ নট পসিবল হিউম্যানলি। সো হাউ ডু ইউ ডু ইট? ইট ইজ জাস্ট লাইক আপনাকে একটা নেটওয়ার্ক কন্ট্রোলার বসাতে হবে। একটা নেটওয়ার্ক কন্ট্রোলার উইল সেট আপ ইউর ডিভাইসেস উইল সেট আপ ইউর অ্যাপ্লিকেশন এন্ড অলসো উইল সেট আপ দা সার্ভিসেস ইন দা নেটওয়ার্ক টু এচিভ সার্টেন অবজেক্টিভ। আর এটার জন্য হচ্ছে গিয়ে কাইন্ড অফ লাইক একটা অর্কেস্ট্রা। আমরা আপনি যদি একটা নেটওয়ার্ক আপনি যদি একটা অর্কেস্ট্রা দেখেন এবং সেই অর্কেস্ট্রার সামনে একজন অর্কেস্ট্রেটর থাকেন। হয়তোবা সেই অর্কেস্ট্রাতে 200 200 এর মত মানে গানের যন্ত্র আছে বা আমাদের মিউজিক ইন্সট্রুমেন্ট আছে। সেই অর্কেস্ট্রাতে যদি 200 এর উপরে বা 300 এর উপর যদি মিউজিক্যাল ইন্সট্রুমেন্ট থাকে আর সেই অর্কেস্ট্রেট যিনি করছেন সেই অর্কেস্ট্রেটর কিন্তু উনি উনার আঙ্গুলের ইশারায় কিন্তু উনি বলছেন যে কোনটা কোন সময় কখন এটা ইউজ হবে কোনটা কখন বন্ধ হবে কোনটা কখন চালু হবে কোনটা কখন শব্দ লো হবে কোনটা বেশি হবে কোনটা মানে এই যে একটা সিনক্রোনাইজড ভাবে একটা কাজ করা সেটাই কিন্তু একটা নেটওয়ার্ক অর্কেস্ট্রেটর। যদি আমরা নেটওয়ার্কের কথা বলি নেটওয়ার্কের অর্কেস্ট্রেশনটা কিন্তু সেই জায়গাটাতে এবং সেখানে কিন্তু নেটওয়ার্ক অটোমেশন এবং নেটওয়ার্ক অর্কেস্ট্রেশনের মধ্যে পার্থক্য আছে। আমি এই নেটওয়ার্ক অর্কেস্ট্রেশন ব্যাপারটা ধারণা প্রায় এখন থেকে প্রায় আট বছর আগের কথা। আমি বলছি যে আট বছর আমি একটা বিশেষায়িত প্রতিষ্ঠানে কাজ করতে গিয়েছিলাম এবং সেখানে আমি দেখলাম যে সিন্স উই হ্যাভ সো মেনি ডিভাইসেস সো মেনি ডিভাইসেস এন্ড হাউ ডু ইউ ডিল উইথ অল দিস ডিভাইসেস? দেন উই হ্যাড সাম অর্কেস্ট্রেশন এন্ড দেন দ্যাট অর্কেস্ট্রেশন ওয়াজ রানিং দা শো। দ্যাট মিন্স একটা নেটওয়ার্কে যদি 4000 ডিভাইস থাকে ধরা যাক সার্ভার থাকে 3000 রাউটার সুইচ এগুলো থাকে বা আরো অন্যান্য অনেক ধরনের ডিভাইস থাকে হাউ ডু ইউ ম্যানেজ ইট? হাউ ডু ইউ রান ইট? সো ইট ইজ জাস্ট নেটওয়ার্ক অর্কেস্ট্রেশনের যে কাজ সেটা হচ্ছে গিয়ে কাইন্ড অফ লাইক এটা আমাকে একটা ব্রেইন রাখতে হবে হুইচ ইজ দা নেটওয়ার্ক কন্ট্রোলার। সো দ্যাট ব্রেইন দ্যাট নেটওয়ার্ক কন্ট্রোলার উইল ট্রান্সলেট এভরি বিজনেস নিড টু দা নেটওয়ার্ক রিকোয়ারমেন্ট বিকজ বিজনেস নিড হচ্ছে গিয়ে এক ধরনের আন্ডারস্ট্যান্ডিং আর নেটওয়ার্ক রিকোয়ারমেন্ট কিন্তু আলাদা। আমার বিজনেস নিড হতে পারে যে আমাকে এখানে ধরা যাক আমাকে এখানে 400 বা 4000 আমাকে কানেকশন সেল করতে হবে। আমার বিজনেস নিড যদি হয় যে আমাকে এই জায়গায় 4000 কানেকশন সেল করতে হবে সেখানে আমার নেটওয়ার্ক রিকোয়ারমেন্ট কিন্তু সেই বিজনেসের নিডের সাথে ট্রান্সলেট করতে পারাটাই কিন্তু আসল। যেটা অনেক সময় আমরা হিউম্যানলি মানে মানুষ ট্রান্সলেশনটা করে দেয়। সেখানে এখন এটাকে আমরা বলছি নেটওয়ার্ক কন্ট্রোলার। যেই নেটওয়ার্ক কন্ট্রোলারটা আসলে কি করবে? সে কিন্তু একটা নেটওয়ার্ক সেটআপ করবে টু ডেলিভার টু ডেলিভার যে এখানে 4000 কানেকশনকে আসলে সাপ্লাই করতে হবে। 4000 কানেকশনের জন্য নেটওয়ার্কের রিকোয়ারমেন্ট ব্যান্ডউইথ রিকোয়ারমেন্ট তার জন্য কোয়ালিটি অফ সার্ভিস প্যারামিটার তার জন্য যে জিটার বা লস বা তার জন্য যে এক্সট্রা যে ফিউচারিস্টিক প্যারামিটার আছে সেই প্যারামিটারগুলো কিন্তু এখান থেকে সেট করতে হবে এবং সার্ভিস দেবার পরে সার্ভিস এনাবেল করার পর সার্ভিস প্রভিশনিং প্রভিশনিং করার পর এটাকে মনিটর করা যাতে আমার বিজনেস নিড আমার বিজনেস নিডটা যাতে কন্টিনিউয়াসলি মেট হয় বা কন্টিনিউয়াসলি এটাকে সার্ভিস দিতে পারা যায়। সেই জায়গাটাতে হচ্ছে গিয়ে মেইন পয়েন্ট যে আসলে আমরা এই অর্কেস্ট্রেশনের পার্টে আমরা দেখতে চাই যে কিভাবে একটা নেটওয়ার্ককে সে এজ এ হোল তার ব্যাপারটাকে সে দেখতে পাচ্ছে নট এজ এ ইন্ডিভিজুয়াল পার্ট এবং নেটওয়ার্ক অর্কেস্ট্রেশনের একটা বড় অংশ হচ্ছে গিয়ে এটা আমাদের এই নেটওয়ার্কটাকে সিনক্রোনাইজ করে। মানে আমাদের নেটওয়ার্কে যতগুলো ডিভাইস থাকুক না কেন ধরা যাক সবকিছু মিলিয়ে যদি আমার নেটওয়ার্কে যদি 12000 ডিভাইস থাকে বা 14000 ডিভাইস থাকে এই প্রতিটা ডিভাইসটাকে সিনক্রোনাইজ করে যাতে আমাদের বিজনেস অবজেক্টিভ আগে হচ্ছে নেটওয়ার্কিং অবজেক্টিভ এন্ড ফাইনালি বিজনেস অবজেক্টিভটাতে মিট হয়। সেইজন্যই কিন্তু এই নেটওয়ার্ক অর্কেস্ট্রেশনের কথা বলা হয়। আর আমরা যেভাবে আমাদের ডে টু ডে যে আমাদের বিজনেস চালায় সেই বিজনেসের মধ্যে কিন্তু এখন এরকম না যে আমরা আগে যেভাবে হিউম্যান জিনিসটা ডিল করতো এখন কিন্তু সেখানে হিউম্যান আর থাকছে না। সেখানে আমাদের শুধু ইউজার না ইউজারের পাশাপাশি আমাদের এখন নতুন বন্ধু যোগ হয়েছে নতুন ইউজার যোগ হয়েছে যেটাকে আমরা বলছি আইওটি ইন্টারনেট অফ থিংস। এই আইওটি ডিভাইসগুলোকে কিন্তু আমাদেরকে ম্যানেজ করতে পারতে হবে যেই এন্টারপ্রাইজে যা যেভাবে আছে। এখন ব্যাপারটা হচ্ছে যে আমাদের নেটওয়ার্কে কিন্তু শুধুমাত্র আমি যদি বলি এন্টারপ্রাইজ আছে আমাদের রিসোর্সেস গুলোকে আমাদেরকে প্রপারলি ম্যানেজ করতে হবে। আমাদের ডেটা সেন্টারে বিভিন্ন অ্যাপ্লিকেশন থাকবে সেই অ্যাপ্লিকেশনগুলোকে আমাদের প্রপারলি ম্যানেজ করতে পারতে হবে। এর পাশাপাশি আমাদের ক্লাউডে একটা বিশাল অটোমেশন চলে আসছে সেই ক্লাউডের যে জায়গাগুলো সেটা আমাদের দেখতে হবে। এর পাশাপাশি আমাদেরকে এই নেটওয়ার্কে যে এলিমেন্টগুলো অলরেডি ডেপ্লয়েড সেটাকে সিকিউরিটি দিতে হবে। হাউ ডু ইউ ডু ইট? হাউ ডু ইউ ডু অল দিস কাইন্ড অফ থিং উইথ এ হিউম্যান উইথ এ হিউম্যান ব্রেইন? ইউ ক্যাননট ডু ইট। ইউ নিড এ সুপার নেটওয়ার্ক অর্কেস্ট্রেশন হোয়ার ইউ কুড সাপোর্ট অল দিস পার্ট। আর একটা জিনিস হচ্ছে গিয়ে আমাদেরকে এই ধরনের নেটওয়ার্ক যখন আমরা চালাই তখন কিন্তু একটা জায়গায় চেঞ্জ করলে সেটা সিগনিফিকেন্ট চেঞ্জ এপ্লাই করতে হবে মাল্টিপল এরিয়াজ। যে আমার যদি একটা অবজেক্টিভ হয় যে এখানে এই জায়গাটাতে আমাকে ধরা যাক আমাকে একটা নেটওয়ার্ক আপগ্রেড করতে হবে। আমাকে প্যাকেজ আপগ্রেড করতে হবে। আমাকে যাদেরকে বলা হচ্ছে যে ধরা যাক এখন সে 100 এমবিপিএস প্যাকেজ তাকে আমরা হয়তো 200 এমবিপিএস প্যাকেজে আপগ্রেড করবো। হাউ ডু ইউ ডু ইট উইদাউট দা সেটআপ অফ এ নেটওয়ার্ক অর্কেস্ট্রেশন? সো ইউ নিড টু মডিফাই লট অফ সুইচেস ইউ নিড টু মডিফাই লট অফ রাউটারস ফায়ারওয়ালস ট্রিপল এ সার্ভারস। সো দিনশেষে হাউ ডু ইউ ডু ইট উইদাউট এ প্রপার নেটওয়ার্ক অর্কেস্ট্রেশন? আর এদিকে আমরা যখন বলছি সফটওয়্যার ডিফাইন্ড নেটওয়ার্ক এর পাশাপাশি আমাদের কোয়ালিটি অফ সার্ভিস এসিউর করার জন্য বিভিন্ন অ্যাপ্লিকেশনের জন্য বিভিন্ন ট্রাফিক রিকোয়ারমেন্ট থাকে। এর পাশাপাশি বিভিন্ন সুইচ এবং নেটওয়ার্ক এবং রাউটার এগুলোকে প্রপারলি কনফিগার করা যাতে এই যে এক্সেস রাইট যে আমরা কোথায় কোন লেভেলের কোয়ালিটি অফ সার্ভিস দিতে হবে তার কি কি এক্সেস রাইট লাগবে সেগুলো কিন্তু আমাদেরকে এখানে প্রপারলি বুঝতে হবে এন্ড হাউ ডু ইউ ডু ইট উইদাউট মিসিং এ বিট ইউ নিড টু হ্যাভ দা অর্কেস্ট্রেশন। এইজন্যই আমি বলছি যে যেই নেটওয়ার্কে আমি যদি মনে করি যে যেই নেটওয়ার্কে আসলে 250 টার বেশি যদি আমি যদি বলি যে একটা নেটওয়ার্কে যদি 250 টার বেশি ইউজার থাকে বা একটা নেটওয়ার্কে যদি 20 টার বেশি যদি নেটওয়ার্ক ডিভাইস থাকে তাহলে কিন্তু ইউ নিড নেটওয়ার্ক অর্কেস্ট্রেশন। দিস ইজ এ রুল অফ থাম বাট উই কুড উই কুড ডু মেনি মেনি থিংস। এখানে যে জিনিসটা আরেকটা প্রশ্ন আসবে সবসময় সেটা হচ্ছে গিয়ে হোয়াট ইজ দা ডিফারেন্স বিটুইন দা নেটওয়ার্ক অর্কেস্ট্রেশন এন্ড নেটওয়ার্ক অটোমেশন? এখানে যদি আমি সিম্পলিফাই করি যে ব্যাপারটা যে নেটওয়ার্ক অটোমেশন কিন্তু ডিসক্রিট ডিসক্রিট কাজগুলো করে। নেটওয়ার্ক অটোমেশন যে যেগুলোর মধ্যে আমরা মনে করি যে খুবই ফেয়ারলি সিম্পল টাস্ক যেটাকে হিউম্যান ইন্টারভেনশন ছাড়াই আমরা করতে চাই। এগুলো খুবই ডিসক্রিট। বাট দেন এই অটোমেশনের জন্য যদি মনে করি ধরা যাক আমার আমার নেটওয়ার্কে আমাকে অনেকগুলো সুইচে হচ্ছে গিয়ে সুইচের সফটওয়্যার ইমেজ আপডেট করতে হবে। রাইট? সো এটা একটা নেটওয়ার্ক কাইন্ড অফ লাইক একটা সিম্পল অবজেক্টিভ যে আমার যে এক ধরনের রাউটার আছে সেই এক ধরনের রাউটারের একসাথে অনেকগুলো প্যাচ পুশ করতে হবে বা অনেকগুলো নতুন সফটওয়্যার ইমেজ এটাকে আপডেট করতে হবে। সো দ্যাট ইজ দ্যাট ইজ এ কাইন্ড অফ লাইক নেটওয়ার্ক অটোমেশনের কাজ যেটা খুবই খুবই ইজি। বাট দেন অর্কেস্ট্রেশন ইজ মোর অফ এ ভেরি কমপ্লেক্স টাস্ক এবং সেই নেটওয়ার্ক কন্ট্রোলার যদি একটা অটোমেশন অর্কেস্ট্রেশন যদি করতে চায় তাকে কিন্তু অনেকগুলো প্রোগ্রামেবিলিটি ব্যাপার চলে আসবে। যেমন একটা যদি ধরা যাক আমাকে যদি একটা নতুন ওয়্যারলেস এসএসআইডি যদি আমাকে প্রপারলি কনফিগার তারপর হচ্ছে গিয়ে আইডেন্টিফাই করে অর্কেস্ট্রেট করতে হয় তাহলে কিন্তু এর জন্য আমাকে বিভিন্ন এক্সেস পয়েন্ট ওয়্যারলেস ল্যান এবং এর পাশাপাশি এটার জন্য যে প্রপার ক্রেডেনশিয়াল সিকিউরিটি মেকানিজম কার জন্য কতটুকু ব্যান্ডউইথ রিকোয়ারমেন্ট হবে এবং সেই এসএসআইডির জন্য কিভাবে আমাদেরকে প্রতিটা ডিভাইসে ঢুকে সেটাকে রিকনফিগার করতে হবে এবং সেই জায়গাটাতে কোন এক্সেস পয়েন্ট কোথায় কোন ধরনের ওয়্যারলেস ল্যান কন্ট্রোলার আছে এবং সেটার জন্য যেটা আমি আগে বললাম যে প্রপার ক্রেডেনশিয়াল সিকিউরিটি মেকানিজম কাকে কত ব্যান্ডউইথ অ্যালোকেট করতে হবে সেই যে ধরনের এসএসআইডির জন্য সেই কাজগুলো হয়তো একটা অর্কেস্ট্রেশন সিস্টেমের মাধ্যমে করা যেতে পারে। ইট ইজ লট অফ ইট হ্যাজ লট অফ ডিপেন্ডেন্সিস বাট উই ক্যান ডু ইট। সো সেইজন্য বলছি যে উই নিড টু থিংক এবাউট দা নেটওয়ার্ক অর্কেস্ট্রেশন ইন দা নেটওয়ার্ক ইফ ইউ আর রানিং এ কাইন্ড অফ লাইক এ মিড লেভেল অর বিগ নেটওয়ার্ক বিকজ আদারওয়াইজ ইট ইজ এ লট অফ পেইন ম্যানেজিং এ বিগ নেটওয়ার্ক। আজকে এ পর্যন্তই থাকছেন তো সামনে? |
রোড টু হাইটেক ইন্ডাস্ট্রি | Devin AI vs Microsoft AutoDev, Who will eat your job first বাংলা.mp3 | আমরা অনেক ধরনের গল্প শুনছি যে এখন ডেভিনের চেয়ে ডেভিনের পাশাপাশি মাইক্রোসফটের অটোডেভ আসছে মানে সবকিছু মিলিয়ে কিন্তু এখন একটা বিশাল একটা ডিফিকাল্ট অবস্থা। এখন এর মধ্যে আমরা ডেভিন এআই বা ডেভিন এআই এর পাশাপাশি অটোডেভ মাইক্রোসফটের অটোডেভ এই যে একেকটা যে এআই ফ্রেমওয়ার্ক আসছে মানে সেখানে আমাদের আসলে সামনে কি করতে হবে বা সামনে আসলে আমাদের কি করণীয় সেটা নিয়ে একটা বড় ব্যাপার চলে আসছে। তবে এটা ঠিক যে আমরা যেটা বুঝতে পারছি যে সিরিয়াস যারা সিরিয়াস যারা এই ব্যাপারটা নিয়ে সিরিয়াস তারা ছাড়া আসলে এখানে এত বেশি ডেভেলপমেন্ট হচ্ছে সিরিয়াস লোকজন ছাড়া এখানে টেকা খুব ডিফিকাল্ট। আর এইজন্যই আমরা যখন দেখছি যে বিভিন্ন প্লাটফর্ম বা বিভিন্ন জায়গায় কিন্তু আমরা দেখছি যে ডেভিন এআই বা ম্যাক্স অটোডেভ মানে তারা আসলে কিভাবে আমাদের মানে আমি এই ব্যাপারটার সাথে কিন্তু আমি একমত না যে হু উইল ইট ইউর জব ফাস্ট মানে আমি আসলে এটার সাথে একমত না একটাই কারণে যে দিস ইজ নট অল এবাউট ইটিং বিকজ আমরা যখন ছোটবেলায় আমরা দেখেছি যে যখন কম্পিউটার চলে এলো তখন কিন্তু আমরা এরকম একটা ভয় পেয়েছিলাম যে কম্পিউটার চলে এসেছে তার মানে হচ্ছে গিয়ে আমাদের অনেক কাজ চলে যাবে। অফকোর্স কম্পিউটার চলে এসেছে টাইপরাইটারের জায়গা দখল করেছে কিন্তু কম্পিউটার কিন্তু আমাদের কাজ কমাতে পারেনি বরং আমি মনে করি যে কম্পিউটার আমাদেরকে আরো অন্যান্য অনেক কাজে এক্সেস দিয়েছে বলে আরো অনেক জব বেড়েছে। তো আমি সেইজন্য বলছি যে যদি আমরা আসলে এই হু উইল ইট ইউর জব ফাস্ট এটার এই কন্টেক্সটে আমি না গিয়ে আমি বরং বলব যে এই ডেভিন এআই বা মাইক্রোসফটের অটোডেভ এই জিনিসগুলো আমাদেরকে শিখতে পারতে হবে মানে আমার পয়েন্ট হচ্ছে একটাই যে আমাদের এই ডেভিন এআই বা এগুলো যখনই আসবে না কেন এই ধরনের অটোনোমাস এআই ইঞ্জিনিয়ার বা এটা এটাকে চালানোর জন্য লোক লাগবে। আর এই চালানোর জন্য লোক রাখার জন্যই কিন্তু আসলে আমরা এই কথা বলছি যে আমাদেরকে কিন্তু এখানে এই ব্যাপারটা শিখতে হবে। হ্যাঁ এখানে ইন্ডিপেন্ডেন্ট প্রবলেম সলভিং থাকবে এখানে এন্ড টু এন্ড ডেভেলপমেন্ট এনভারমেন্ট আছে মেশিন লার্নিং এক্সপার্টিজ বা অন্যান্য সবকিছু সফটওয়্যার ইঞ্জিনিয়ারিং যে চ্যাম্পিয়ন যে ব্যাপারটা আছে সেই বেঞ্চ চ্যাম্পিয়ন সেই ব্যাপারগুলো কিন্তু এখানে আছে। তো দিনশেষে সবকিছু মিলিয়ে আমরা যেটাকে মনে করি যে এই ডেভিন এআই বা মাইক্রোসফট অটোডেভ মানে এগুলো কিন্তু চালাতে পারতে হবে। কারা চালাবে? মানুষই তো চালাবে। তো এখন আমাদেরকে আমি যে কথাটা বারবার বলব যে এখানে এই ব্যাপারে ভয় পাওয়ার কিছু নেই কারণ এই ধরনের টুলগুলোকে এমব্রেস করতে পারতে হবে। আমি এই ধরনের টুল থেকে দূরে থাকা চলবে না। আমার পয়েন্ট হচ্ছে একটাই যে আমরা যা শিখবো এখন থেকে সিরিয়াসলি শিখবো মানে কোন কিছু ফাঁকি দেওয়া যাবে না। ইউ উই হ্যাভ টু উই হ্যাভ টু লার্ন অল দিস থিংস জাস্ট লাইক মাই অর আওয়ার লাইফ ডিপেন্ডস অন ইট। আমরা অনেক সময় ছাড়া ছাড়া ভাবে শিখতে চাই এটা আসলে হবে না। আর এইজন্যই কিন্তু আমি আসলে এই বইটা লিখেছিলাম যে কৃত্রিম বুদ্ধিমত্তায় শিক্ষা ব্যবস্থা মানে কৃত্রিম বুদ্ধিমত্তা কিভাবে সামনে শিক্ষা ব্যবস্থাটা আসবে এবং সেই জায়গাটায় কিন্তু আমি আসলে এসছি যে কৃত্রিম বুদ্ধিমত্তার সময় আসলে আমরা কিভাবে শিখবো আর সেই জায়গাটাতে আমরা কিভাবে এই কাজটা করব। তো এখন আমার এখানে যে জিনিসটা আজকের আলাপ সেটা হচ্ছে গিয়ে অটোডেভ যে ব্যাপারটা যে অটোমেটেড এআই ড্রিভেন ডেভেলপমেন্ট এটা কিন্তু মাইক্রোসফট থেকে আসলে এই ব্যাপারটা নিয়ে আসছে। তো এখানে আসলে তাদের কি কি ধরনের এনভারমেন্ট এবং তাদের কি ধরনের কনভারসেশন এবং সবকিছু কিন্তু তারা একটা এখানে বলছে যে আসলে এখানে যে সফটওয়্যার ডেভেলপমেন্টের যে ল্যান্ডস্কেপ সেখানে কিন্তু আসলে এই এআই পাওয়ারড অ্যাসিস্টেন্ট কিন্তু একটা বিশাল একটা প্যারাডাইম শিফট দিচ্ছে এবং সেখানে গিটহাব কোপাইলটও ভালো কাজ করছে। আর এখানে এক্সিস্টিং যে সলিউশনগুলো আছে সেটা কিন্তু পটেনশিয়াল ক্যাপাবিলিটি দিতে পারতেছি না আইডিতে যে বিল্ডিং টেস্টিং এক্সিটিং কোড গিট অপারেশন এগুলো কিন্তু একটা জায়গা থেকে করতে পারছে না। আর সেইজন্যই কিন্তু এই টু ফিল দিস গ্যাপ উই প্রেজেন্ট অটোডেভ মানে এ ফুললি অটোমেটেড এআই ড্রিভেন সফটওয়্যার ডেভেলপমেন্ট ফ্রেমওয়ার্ক ডিজাইন ফর অটোনোমাস প্ল্যানিং আমি যেটাকে বলছি অটোনোমাস প্ল্যানিং এন্ড এক্সিকিউশন অফ ইন্টারফেস সফটওয়্যার ইঞ্জিনিয়ারিং টাস্ক। তার মানে হচ্ছে গিয়ে অটোডেভ কিন্তু ইউজারকে ডিফাইন করতে পারছে যে কমপ্লেক্স সফটওয়্যার ইঞ্জিনিয়ারিং এর অবজেক্টিভটা কি হবে তার পাশাপাশি এই অটোডেভের অটোনোমাস এআই এজেন্ট এইটাকেই কিন্তু সে ফাইনালি এচিভ করে দিবে। আর এই এআই এজেন্টগুলো আসলে বিভিন্ন ধরনের ডাইভার্স অপারেশন করবে যেমন আমি মনে করি যে যে কোডবেজের উপরে তারা এডিটিং রিট্রাইভাল বিল্ড প্রসেস এক্সিকিউশন টেস্টিং এন্ড গিট অপারেশন। আর এর পাশাপাশি কিন্তু তাদের ফাইলের অপারেশন যেই ব্যাপার কম্পাইল কম্পাইলের আউটপুট বিল্ড টেস্টিং লগ এবং স্ট্যাটিক অ্যানালিটিক্স টুল এবং অন্যান্য সবকিছু আসলে করবে। দিনশেষে এআই এজেন্ট উইল এক্সিকিউট টাস্ক ইন এ ফুললি অটোনোমাস বা অটোমেটেড ম্যানার উইথ এ কমপ্রিহেনসিভ আন্ডারস্ট্যান্ডিং অফ কন্টেক্সচুয়াল ইনফরমেশন রিকোয়ার্ড। আর এইজন্যই আমি বলছি যে কন্টেক্সটটাই আসলে আলাপ। দিনশেষে সবকিছুই কিন্তু পিছনে কন্টেক্সট কন্টেক্সট কন্টেক্সট। আর সেইজন্যই আমি বারবার বলি যে এখানে এই জিনিসগুলো নিয়ে আমরা যদি কাজ করতে চাই আমার যেটাই আমি সবসময় বিশ্বাস করি দিস ইজ দা লার্নিং ট্যাক্সনমি যে আমরা আসলে এই মুখস্ত করা আর বোঝার মধ্যে থাকলে হবে না। দিস ইজ দা লোয়ার কাইন্ড অফ লাইক আন্ডারস্ট্যান্ডিং। উই নিড টু আন্ডারস্ট্যান্ড দা হায়ার আন্ডারস্ট্যান্ডিং। দিস যে এখানে আসলে আমরা যে ব্লুমসের ট্যাক্সনমি যেটাকে আমরা বলি যে হায়ার অর্ডার মানে হায়ার অর্ডার আন্ডারস্ট্যান্ডিং। এই যে এপ্লাই থেকে শুরু করা যে হায়ার অর্ডার আন্ডারস্ট্যান্ডিং যদি থাকে আমাদের জন্য যেকোনো লাইফের যেকোনো জিনিস করা সোজা। বিকজ দিস দিস হ্যাজ অলরেডি বিন টেকেন কেয়ার অফ বাই এআই। আর এই এপ্লাই অ্যানালাইজ ইভালুয়েট ক্রিয়েট দিস ইজ দা হিউম্যান পার্ট। এই হিউম্যান পার্টে কিন্তু মেশিনও মেশিন এখনো এখানে অতটা আসতে পারবে না। সো ইউজিং এক্সিস্টিং নলেজ ইন ইন নিউ কন্টেক্সট এখানে আসলে আমাদের সামনে কাজ হবে। সো দিনশেষে আমি যেটাকে বলব যে এত ভয় পেলে চলবে না। দেয়ার উইল বি মেনি মেনি মেনি থিংস উইল উইল বি কামিং ইন ইন দা ইন দিস ইয়ার এবং এখানে অনেক কিছুই এন্ড টু এন্ড হয়ে যাবে। আর সেইজন্যই আমি বারবার বলি যে না উই নিড টু ওয়ার্ক অন হাউ উই আর লার্নিং এন্ড হাউ উই আর এক্সিকিউটিং আওয়ার থিং। এইজন্যই আমি বলছি যে উই নিড টু ফোকাস অন হায়ার অর্ডার। গুগল জাস্ট গুগল ইট। হায়ার অর্ডার লার্নিং স্কিল। হায়ার অর্ডার লার্নিং স্কিল। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
রোড টু হাইটেক ইন্ডাস্ট্রি | রোড টু হাইটেক ইন্ডাস্ট্রি Skill vs Degree Why skills, not degrees - will shape the future of work.mp3 | অবশ্যই এটা কিছুটা বিতর্কিত জিনিস। তবে এটা ঠিক যে আমি সাধারণত বিতর্কিত ব্যাপার নিয়ে আলাপ করি না। একটাই কারণে যে আমার মনে হয় যে উনি হয়তোবা উনার পার্সপেক্টিভ থেকে ঐ সময়ে ঠিক ছিলেন। বাট স্টিল আমার কাছে মনে হয় যে ডিগ্রি ভার্সেস স্কিল এবং এর পাশাপাশি আসলে উচ্চশিক্ষিতরা কেন বেকার থাকছেন? এটার ব্যাপারে যদি আমরা কয়েকদিন আগে কয়েকটা নিউজ দেখি তার মধ্যে এই নিউজটা আমি দেখছি যে বিশ্ববিদ্যালয় পাশ যারা বিশ্ববিদ্যালয় থেকে যারা পাশ করে বেরোচ্ছেন তাদের মধ্যে একটা বড় সংখ্যক লোকজন বেকার থাকছেন এবং সেখানে তারা আসলে বেশ কিছু স্ট্যাটিসটিক্স দিয়েছেন এবং স্ট্যাটিসটিক্সটা আসলে আমার কাছে মনে হচ্ছে যে এটা একটা সাইন যে আসলে আমরা কোন দিকে হাঁটছি। মানে আমরা কি আর উই ডুইং দা রাইট থিং অর এখানে আমাদের কিছু কাজ করার স্কোপ আছে। যেহেতু আমি আপনাদেরকে বলেছি যে আই এম একচুয়ালি ওয়ার্কিং উইথ কাইন্ড অফ লাইক হাইটেক ইন্ডাস্ট্রিতে কিভাবে কাজ করছে লোকজন এবং হাইটেক ইন্ডাস্ট্রিতে কিভাবে আসলে কাজগুলো হয় এবং হাইটেক ইন্ডাস্ট্রিতে কিভাবে লোকজনকে এনরোল করা যায় এবং কিভাবে নিয়ে আসা যায় সেটা নিয়ে আমি যেহেতু মাঝে মাঝে কথা বলি আমার কাছে মনে হচ্ছে যে আমরা কি কোথাও ভুল করছি নাকি আসলে কোথাও আমরা কিছু আমরা চিন্তা করছি যে না আসলে এটা এখানে আমাদের কাজ করার স্কোপ আছে। তবে এটা ঠিক যে আমরা কিন্তু গত বছর গত বছরের আগের বছর এরকম একটা নিউজ দেখেছিলাম যে যারা স্নাতকোত্তর বা যারা স্নাতক পাশ করেছেন তাদের একটা বড় সংখ্যক শিক্ষার্থী বেকার থাকছেন। তার মানে কি? তার মানে হচ্ছে কি আমাদের কি এখানে ইকোসিস্টেম তৈরি হয়নি? অফকোর্স এটা ঠিক যে আমাদের এখানে হাইটেক ইন্ডাস্ট্রির ইকোসিস্টেমটা সেভাবে তৈরি হয়নি। বাট এটাও ঠিক যে আমাদেরকে তো কোথাও শুরু করতে হবে। একটা হাইটেক ইন্ডাস্ট্রি ইকোসিস্টেম তৈরি করার জন্য যে ধরনের প্ল্যাটফর্ম, যে ধরনের ইকোসিস্টেম, যে ধরনের এনভায়রনমেন্ট থাকা দরকার সেই এনভায়রনমেন্ট নিয়ে কি আমরা কাজ করতে পারছি কিনা এটাও একটা বড় ইস্যু। বাট এটাও ঠিক যে আমরা কি ডিগ্রিকে বেশি প্রাধান্য দিচ্ছি নাকি আমরা আসলে স্কিলকে প্রাধান্য দিচ্ছি? আমার কাছে মনে হয় যে হয়তোবা চাকরির শুরুতে একদম চাকরির শুরুতে আমার একটা কল পেতে হবে। সেই কলটা পাওয়ার জন্য হয়তোবা আমরা ডিগ্রিকে আমরা হয়তোবা বিবেচনা করি। কিন্তু তারপরে কিন্তু আমরা হয়তোবা আর ডিগ্রির খুব একটা বিবেচনা করি না। কারণ অলরেডি আমি ঐ জায়গাটা স্কিল ডেভেলপ করেছি। আমি একটা স্কিল তৈরি করেছি। সো ঐ স্কিলটাই হচ্ছে গিয়ে একটা বড় একটা অংশ যে আসলে আমাদের স্কিলটাই ইম্পরট্যান্ট। এবং আমি যখন একজনকে হায়ার করি আমি সাধারণত মানে আমি সাধারণত ডিগ্রি দেখি না। আমি সাধারণত ডিগ্রি দেখি না। আমি দেখি যে তার স্কিলটা আছে কিনা। তাকে আমি টেস্ট করে নেই যে সে একটা স্কিলে পারদর্শী কিনা। সেই কাজটা করতে পারছে কিনা। এজন্য হয়তোবা আমাকে আমি দুই তিন দিন আমি একটা ইন্টারভিউ করি। সো ব্যাপারটা হচ্ছে যে একটা প্রপার স্কিলড যিনি আছেন এবং এখনকার যে রিসেশন টাইম, রিসেশন টাইমে আমরা কি খুঁজি? আমরা এ ধরনের রিসেশন টাইমে আমরা খুঁজি যে যিনি বিকজ আমাদের তো আসলে যেকোনো ইন্ডাস্ট্রিতে কিন্তু এখন ইট ইজ বিকামিং টাইটার। এন্ড অটোমেশন এসছে। অটোমেশনের পাশাপাশি আরও অনেক কিছু এসছে এবং বাজারে আমরা দেখছি যে আমাদের প্রফিট মার্জিনগুলো কমে আসছে। তার মানে হচ্ছে কি এভরিথিং ইজ বিকামিং টাইটার। থিংস এভরিথিং ইজ বিকামিং টাইটার। দ্যাটস হোয়াই আমরাও কিন্তু চেষ্টা করছি এবং খুঁজছি যে যিনি হচ্ছে একজন স্কিলড। যিনি আসলে কাজটা জানেন এবং আরেকটা জিনিস আমরা খুঁজে নেই সেটা হচ্ছে গিয়ে অ্যাটিটিউড। বিশেষ করে আমি সাধারণত এটাকে দেখি যে সে কি টিচেবল কিনা। সে কি টিচেবল কিনা। টিচেবল না হলে কিন্তু আমার জন্য এটা প্রবলেম। বিকজ টিচেবল একটা মানুষকে শিখিয়ে নেওয়া যায় এবং শিখিয়ে নেওয়ার জন্য তার অ্যাটিটিউডটা কিন্তু খুব ইম্পরট্যান্ট এবং অ্যাটিটিউড যদি আমরা সেই মতো যদি না পাই তাহলে কিন্তু এটা একটা ব্যাড হায়ারিং হয়। সো আসলে এইজন্যই আমরা আমরা দেখছিলাম যে যদি উচ্চশিক্ষার্থীরা বেকার থাকে তাদেরকে আমরা প্রপারলি এমপ্লয় করতে পারছি না। বিকজ আমাদের হয়তোবা ইকোসিস্টেম এখনো তৈরি হচ্ছে না বা তৈরি হলেও আমাদের একটু সময় লাগছে। আর এর পাশাপাশি আসলে যারা এই ইকোসিস্টেমে যারা কাজ করতে চাচ্ছেন তারা আসলে সেই লেভেলে বা সেখানে কি তারা সেই স্কিলটা নেওয়ার জন্য তৈরি কিনা। আমরা অনেক সময় ভাবি যে ইউনিভার্সিটিতে যখন আমরা পড়ছি বিশেষ করে ব্যাচেলরস এর সময় তখন আমাদের ইউনিভার্সিটির ডিগ্রিটাই মনে হয় মেইন। এর পাশাপাশি আমরা অন্যান্য সার্টিফিকেশন করি না। অন্যান্য জিনিসপত্র আমরা নিতে চাই না। আমরা ভাবি যে আমাদের ইউনিভার্সিটির ডিগ্রিটা হয়ে গেলেই হয়তোবা আমাদের চাকরি হবে। বাট এখন কিন্তু ব্যাপারটা সেরকম না। আমরা দেখছি যে এখন স্কিলটাকে আমরা প্রাধান্য দিচ্ছি। বিকজ স্কিলটাই কিন্তু আমাদেরকে আসলে নেক্সট লেভেলে নিতে পারছে এবং সেজন্যই আমরা এটা নিয়ে আলাপ করি যে আসলে ডিগ্রি নাকি স্কিল। এবং আপনি যদি আমাকে প্রশ্ন করেন অফকোর্স হাইটেক ইন্ডাস্ট্রির জন্য কিন্তু স্কিলটা একটা বড় ইম্পরট্যান্ট ইস্যু। ডিগ্রি ওকে। অনেক সময় ইটস নাইস টু হ্যাভ। বাট দেন স্কিল ইজ এ মাস্ট হ্যাভ। বিকজ এন্ড অফ দা ডে হাইটেক ইন্ডাস্ট্রিতে ইট রিকোয়ারস দ্যাট কাইন্ড অফ স্কিল। আজকে আমি যদি অটোমেশনের কথা বলি, আজকে আমি যদি সাইবার সিকিউরিটি স্কিলের কথা বলি, আমি যদি আজকে বিকজ সবসময় আমি যেটাকে বলি যে অটোমেশন সাইবার সাইবার সিকিউরিটি স্কিল এবং এআই এই তিনটা বিশেষ করে ডেটা অ্যানালিটিক্স, সাইবার সিকিউরিটি এবং অটোমেশন এবং তার সাথে পাইথনটাকে আমি মনে করি যে এটা গ্লু ল্যাঙ্গুয়েজ। পাইথনের মাধ্যমে কিন্তু আমরা আসলে উই ক্যান গো প্লেসেস। সো ইফ উই ওয়ান্ট টু স্টার্ট এনিহোয়্যার ফর দা হাইটেক ইন্ডাস্ট্রি উই শুড স্টার্ট উইথ পাইথন এন্ড দেন উই নো অ্যাবাউট লাইক আমাদের ডেটা অ্যানালিটিক্স। বিকজ ডেটা নিয়ে আমাদের কাজ করতে হবে। ডেটা অ্যানালিটিক্স আমাকে বুঝতে হবে। অফকোর্স দিস ইজ হোয়াট হোয়াট আই অলওয়েজ সে যে আমাকে ডেটা নিয়ে বোঝার চেষ্টা করতে হবে যে আসলে ডেটা কি। এন্ড দেন আমি ডেটা নিয়ে বুঝলাম। বাট এই ডেটার সিকিউরিটি কে দেবে? সাইবার সিকিউরিটি। এই ডেটার সিকিউরিটি নিয়ে আমার আমাকে ওয়ার্ক আউট করতে হবে যে এই ডেটার সিকিউরিটি কি দিবে। সো আমাদের আসলে এই তিনটা জিনিস কিন্তু আসলেই একটা বড় স্কিল এই মুহূর্তে। প্রথম কথা হচ্ছে পাইথন ইজ এ গ্লু। পাইথন ইজ এভরিহোয়্যার। পাইথন ইজ ইন অটোমেশন। পাইথন ইজ ইন ডেটা অ্যানালিটিক্স। পাইথন ইজ ইন এআই। পাইথন ইজ ইন এভরিহোয়্যার। এন্ড অলসো পাইথন ইজ ইন অটোমেশন। বিকজ অটোমেশনে পাইথন ইজ ইন অলসো ইন কাইন্ড অফ লাইক আমি বলব সাইবার সিকিউরিটি। সাইবার সিকিউরিটিতে প্রচুর অটোমেশনের কাজ আছে এবং সেই অটোমেশনের কাজের জন্য কিন্তু আমার পাইথন লাগে। সো অফকোর্স ইফ ইউ আস্ক মি আই উইল গো ফর স্কিল। আজকে এই পর্যন্তই। থাকছেন তো সামনে? |
রোড টু হাইটেক ইন্ডাস্ট্রি | রোড টু হাইটেক ইন্ডাস্ট্রি অটোমেশন কেন Why automation is vital for business - Automation Tools.mp3 | চশমা খুঁজে পাচ্ছি না তাই বলে কি আমার কাজটা করবো না। আসলে আপনি কিন্তু প্রায় আমাকে বলতে পারেন যে কেন আমি অটোমেশন বা কেন আমি কৃত্রিম বুদ্ধিমত্তা বা কেন আমি এই নতুন প্রযুক্তি নিয়ে এত লেগে আছি। লেগে থাকার পেছনে একটাই কারণ যে আমরা মানুষ যেভাবে একটা কাজ করি তার থেকে অনেক অনেক দক্ষতার সাথে আসলে যান্ত্রিক বুদ্ধি অনেক কাজ করতে পারে। বিকজ যান্ত্রিক বুদ্ধি কিন্তু মানুষের তৈরি। মানুষ আসলে চায় যে যান্ত্রিক বুদ্ধি যাতে যন্ত্রের মাধ্যমে তার কাজটা বের করতে পারে। আজকে যদি মানুষ নিজেই ভাবে যে আমি নিজেই ক্রেন হয়ে যাব মানে আমি আসলে দেখা যাচ্ছে যে ধরা যাক 15 টনের একটা জিনিসপত্র আমি এখান থেকে ওখানে নিব। সো আই উইল ইউজ ক্রেন মানে আই উইল বি মেকিং ক্রেন। রাদার আমি নিজে এটা করার চেষ্টা করব। সেভাবে কিন্তু আমরা বিমান তৈরি করেছি সেভাবে আমরা অনেক কিছু তৈরি করেছি যাতে মানুষের সাহায্যে আসে। সেইম আপনি যদি চিন্তা করেন যে অটোমেশন বা এই এআই নিয়ে আমি কেন কথা বলছি এইজন্য যে ধরা যাক আমাদের দেশে আমরা এনআইডি, পাসপোর্ট, জমির নামজারি বা এই যে আমরা সুরক্ষা অ্যাপের মাধ্যমে বিভিন্ন সার্ভিস দেওয়া বা আমি মনে করি যে গভমেন্ট প্রচুর সার্ভিস আছে যেই সার্ভিস ডেলিভারির মধ্যে যদি আমরা অটোমেশন নিয়ে আসি কারণ দিনশেষে আমাদের দেশে এত এত মানুষ সেই মানুষকে যদি আমরা সময়মতো মানে তাদের লাইফটাইমে তাদের সময়মতো যদি তাদেরকে আমরা সার্ভিস দিতে চাই দেন উই নিড অটোমেশন উই নিড এআই বিকজ আদার দেন দিস অটোমেশন অর এআই উই ক্যান নট একচুয়ালি গিভ দা প্রপার সার্ভিস। লাইক আমি যদি চাই যে আজকে আমার এনআইডি করব, আজকে আমার পাসপোর্ট করব, আজকে আমার নামজারি করব, আজকে আমরা এটা করব। মানে আমার কথা হচ্ছে যে ধরা যাক ভূমি রিলেটেডই কিন্তু আমাদের অনেক কাজ আছে। সেগুলো যদি আমি শুধুমাত্র অটোমেশনের মাধ্যমে করি হয়তোবা দেখা যাবে যে সেই জিনিসটা করতে আমার এক থেকে দুই দিন লাগবে। কিন্তু আমি এই জিনিসটা ম্যানুয়ালি মানুষের মাধ্যমে যদি করাতে যাই তাহলে কিন্তু এটা সময় লাগবে প্রায় দু মাস, তিন মাস, চার মাস। সো আমার কথা হচ্ছে যে আমাদের লাইফটাইমে আমাদের লাইফটাইমে আমরা যেই সময়গুলো পার করছি আমরা কি আমাদের লাইফটাইমে এটা দেখে যেতে পারব? যেমন আমি আমার বাবাকে প্রায় বলতাম যে বাবা আমি এটা করছি, ওটা করছি, ওটা করছি। আমার বাবা প্রশ্রয়ের একটা হাসি আসতো। ঠিক আছে ইউ ডু ইউর জব। কিন্তু আমি আমি ফিল করতাম যে আসলে দেশে আমাদের দেশে এই অ্যাডভান্সমেন্টটা কি আসলে সব জায়গায় পৌঁছাবে কিনা বা সব জায়গায় যেতে পারবে কিনা। সেটা নিয়ে হয়তোবা উনি একটু মনে সন্দেহান প্রকাশ করতেন কিন্তু এটা উনি কখনোই আমাকে বলতেন না। সো আসলে অটোমেশন ইজ দেয়ার টু একচুয়ালি হেল্প পিপলস লাইফ। লাইক আমি আমার লাইফে হয়তোবা আমার আমি সবকিছু করতে চাই। আমি গান গাইতে চাই, আমি পডকাস্ট করতে চাই, আমি বই লিখতে চাই, আমি ধরা যাক বিদেশ ঘুরতে চাই, আমি সব জায়গায় ঘুরতে চাই, আমি বাংলাদেশের সব জায়গায় যেতে চাই, আমি সবকিছু করতে চাই। আই ওয়ান্ট টু ডু অল। হাউ ডু ইউ ডু ইট? হাউ ডু ইউ ডু ইট? আনলেস ইউ ডু দা অটোমেশন। বিকজ আমাদের লাইফে টাইম কিন্তু লিমিটেড। আওয়ার টাইম ইজ লিমিটেড। সো যদি আমার লিমিটেড টাইমের মধ্যে আমাকে সবকিছু করতে হয়, আমার ইচ্ছামত আমি যদি সবকিছু করতে চাই দেন আই নিড টু ডু থিংস ফাস্টার। আই নিড মাই গভমেন্ট সার্ভিস ডেলিভারি প্ল্যাটফর্ম টু বি ফাস্টার। এন্ড অলসো আই নিড লাইক আমি যদি বলি যে আজকে আমি ধরা যাক একটা দেশে যাব। সেই দেশ থেকে আমার ভিসা কবে পাবো না পাবো সেটা একটা কাইন্ড অফ লাইক একটা প্রবলেম। সো সেই দেশে যদি ভিসা প্ল্যাটফর্মটা অটোমেটেড হয় ধরা যাক আমি ভিসা এপ্লাই করলাম আমি জিনিসটা পেয়ে গেলাম হয়তো দুই বা তিন দিনের মধ্যে। এই যে একটা জিনিস ইট অল রিকোয়ারস অটোমেশন। আজকে আমি ধরা যাক অ্যামাজন থেকে আমি জিনিস কিনতে চাই। অ্যামাজন থেকে আমাদের দেশে আসবে এটা আসবে সেটা আসবে কত দেরি হবে। আমি আলি এক্সপ্রেস থেকে কিনতে চাই। আলি এক্সপ্রেস থেকে আসবে হয়তোবা এক মাস পরে। আই ওয়ান্ট টু ডু ইট ফাস্টার। আলি এক্সপ্রেস এবং আমাদের যে সিস্টেমের মধ্যে প্রচুর এপিআই কানেক্টেড থাকবে। এপিআই কানেক্টেড আমি যখনই হয়তোবা অর্ডার দিব সে অর্ডারটাকে সেই হিসাবে প্যাকেজ হবে সেই হিসাবে যে লজিস্টিক চেইন আছে সেই লজিস্টিক চেইনটা সেটা স্মার্ট হবে। তার মানে হচ্ছে কি যদি আমার লজিস্টিক চেইনটা যদি সেরকম স্মার্ট হয় আমি দারাজ একটা জিনিস কিনছি আমার কাছে আসে এসে পৌঁছাচ্ছে হয়তোবা তিন দিন পরে। ইট ক্যান বি মেড ইন ওয়ান ডে। অফকোর্স উইথ অটোমেশন উইথ এআই উইথ এভরিথিং ইট ক্যান বি ডান ইভেন উইথইন উইথইন এ ডে। সো এখন যেভাবে অ্যামাজন প্রাইম শিপিং অ্যামাজন প্রাইম শিপিং পুরো আমেরিকাতে অ্যামাজন প্রাইম শিপিং যেই টাইমের মধ্যে তারা ডেলিভারি করতে পারছে ইটস অ্যামেজিং বিকজ ইট হ্যাজ মেনি মেনি অটোমেশনস। ইট হ্যাজ মেনি মেনি এআই রিলেটেড থিংস। বিকজ আমি এই জিনিসটা কিনবো এবং এটা আমার পাশের লজিস্টিক চেইন এসে পড়ে থাকবে দিস ইজ হোয়াট ইজ সাইন্স। আপনারা গুগল করে দেখেন যে এন্টিসিপেটরি শিপিং এন্টিসিপেটরি শিপিং অ্যামাজন মানে অ্যামাজন ক্যান এন্টিসিপেট আপনি আসলে কোন জিনিসটা কিনবেন। ইট ক্যান এন্টিসিপেট। যদি অ্যামাজন যদি এন্টিসিপেট করতে পারে যে আমি কি কি জিনিস কিনবো, কবে কিনবো, কবে আমি শিপমেন্ট চাইবো তাহলে তো দে ক্যান ডু ইট ইভেন মেবি মেবি ওয়ান ডে মেবি 12 আওয়ার্স। সো আমার কথা হচ্ছে যে এইজন্যই কিন্তু আমরা এই অটোমেশন টুলের কথা বলি, এইসব কিছু বলি। তো আজকে আমি যদি ফিরে আসি অটোমেশন টুলের ব্যাপারে অটোমেশন টুলটা আসলে আমি মনে করি যে আমরা কোথায় কোথায় ব্যবহার করতে পারি সেটার জন্য আমি যদি কিছু ধারণা নিয়ে আসি। তার আগে আমি বলে রাখি যে অটোমেশন নিয়ে যদি আমি অনেক কাজ করি এবং অটোমেশন নিয়ে বাংলায় বেশ কিছু জিনিস আমি লিখেছি। সো বাংলায় কৃত্রিম বুদ্ধিমত কৃত্রিম বুদ্ধিমত্তা প্যাকেজ আপনারা যদি বাংলায় কৃত্রিম বুদ্ধিমত্তা প্যাকেজ দেখেন এখানে প্রায় ছয়টা বই আছে। আমার টোটাল সাতটা বইয়ের মধ্যে ছয়টা বই এখানে আছে। সো এখানে কিন্তু ইউ কুড একচুয়ালি সি যে কৃত্রিম বুদ্ধিমত্তা মানবিক রাষ্ট্র এই বইটা আপনারা যদি দেখেন তাহলে কিন্তু বুঝতে পারবেন যে আমি যেটা বলছি যে কিভাবে কৃত্রিম বুদ্ধিমত্তা বা ডেটা আসলে বা অটোমেশন কিভাবে একটা দেশকে মানবিক রাষ্ট্রে নিয়ে যেতে পারে। সো আসলে এবং এই বইটা কিনতে হবে না। এই বইটা অলরেডি পিডিএফ কপি অনলাইনে দেওয়া আছে। সো আমি যদি এখন ফিরে আসি এখন আমি চশমায় দেখতে পাচ্ছি না। সো আমি যদি ফিরে আসি আমার যে অটোমেশনের গল্প সেই অটোমেশনের মধ্যে সবচেয়ে বড় ব্যাপার হচ্ছে যে আমি অটোমেশন কিন্তু এখন ইউজ করি হচ্ছে গিয়ে সফটওয়্যার টেস্টিং এ বা আমি অটোমেশন ইউজ করি অনেক কিছু যেই জিনিসগুলোতে আসলে প্রচুর টেস্টিং দরকার। আমি অটোমেশন ইউজ করি হচ্ছে গিয়ে সিআইসিডি পাইপলাইনে। আমি অটোমেশন ইউজ করি হচ্ছে গিয়ে বিভিন্ন রকম কাজের কোলাবরেশনে বিকজ উই হ্যাভ টু ওয়ার্ক ফাস্টার। আমরা অটোমেশন ইউজ করি নেটওয়ার্ক প্রভিশনিং মানে অটোমেটেড নেটওয়ার্ক প্রভিশনিং যাতে করতে পারি। আমরা অটোমেশন ইউজ করি অটোমেটেড অ্যাপ্লিকেশন মনিটরিং। সো মেনি মেনি থিংস। এন্ড হোয়াট আর দা অ্যাপ্লিকেশন উই উড ওয়ান্ট টু একচুয়ালি ওয়ার্ক অন? অবভিয়াসলি দেয়ার আর মেনি মেনি টুলস যেটাতে আমি আই লাভ ডকার। ডকার ইজ দা ওয়ান যেটা আপনাকে পাগল করে ফেলবে যে ডকার আসলে কিভাবে হেল্প করবে। এন্ড দেন অফকোর্স এনসিবল। মাই প্রেফারড ওয়ান ইজ এনসিবল ফর নেটওয়ার্কিং। বাট অলসো জেনকিন্স, গিট এন্ড দেন মানে এখানে আসলে আসলে প্রচুর প্রচুর প্রচুর টুল আছে যে টুলগুলো যদি আমি শুরু করতে চাই তো আমি মনে করি যে উই শুড স্টার্ট উইথ ডকার, উই শুড স্টার্ট উইথ কুবারনেটিস, উই শুড স্টার্ট উইথ জেনকিন্স, উই শুড স্টার্ট উইথ এনসিবল এন্ড দেন দেয়ার উই গো উই ক্যান উই ক্যান সলভ ইচ আদারস প্রবলেম। আজকে এই পর্যন্তই থাকছি কিন্তু সামনে। |
রোড টু হাইটেক ইন্ডাস্ট্রি | Why We Should Embrace AI Instead of Fearing It কেন আমরা এআইকে ভয় পাবো না.mp3 | আমরা হয়তোবা এআইকে ভয় পাচ্ছি। অনেকে ভাবছেন যে এআই আমাদের অনেক কিছু কেড়ে নিবে। কিন্তু যে জিনিসটা আসলে ঘটছে যে এআই ইজ জাস্ট এ টুল। আমি যে জিনিসটাকে সবসময় বলি যে আমরা যদি এআইকে টুল হিসেবে ব্যবহার করি তাহলে কিন্তু আমাদের এই এআই এটা আমাদের যে কাজগুলোকে এনহ্যান্স করবে। আমার মনে আছে যে আমি আসলে কয়েকটা ডকুমেন্ট পড়ছিলাম যে যখন আমরা প্রথম ক্যালকুলেটর ব্যবহার করি আমাদের ক্লাসরুমে ক্যালকুলেটর ব্যবহার করা যখন শুরু করি তখন প্রায় ১৯৫০ সালের দিকে অনেকগুলো কিন্তু প্রটেস্ট হয়েছিল। স্কুলের টিচাররা কিন্তু প্রটেস্টে নেমেছিলেন যে স্কুলে যাতে ক্যালকুলেটর ব্যবহার না করা হয়। এই একই জিনিস কিন্তু আমরা দেখেছি যখন আমরা চ্যাট জিপিটি মাত্র শুরু হলো তখন কিন্তু চ্যাট জিপিটি স্কুলে ব্যান হয়েছিল এবং চ্যাট জিপিটিকে ব্যবহার করার ব্যাপারে অনেকেই কিন্তু অনেক ধরনের কথাবার্তা বলেছে। আসলে দিনশেষে চ্যাট জিপিটি হোক আর যেটাই হোক না কেন আমরা আসলে এ ধরনের টুল ব্যবহার করার জন্য আমি সবসময় উৎসাহ দিয়ে থাকি একটাই কারণে যে আমাদের লাইফে সময় কম। উই হ্যাভ টু গেট থিংস ডান এবং আমার লাইফে ধরা যাক আমার যে লাইফের এক্সপেক্টেশন এবং লাইফ এক্সপেকটেন্সি এই দুটো মিলিয়ে যদি আমি একটা চিন্তা ভাবনা করি যে না আমি আসলে আমার লাইফ টাইমে আমি চারটা জিনিস করতে চাই। সেই চারটা জিনিস করতে গেলে হয়তোবা আমাদের প্যারেন্টসদের লাইফ টাইমে উনারা হয়তোবা উনাদের লাইফ টাইমে একটা জিনিস করতে পারতেন। তার আগে হয়তোবা সেভাবে করতে পারতেন না। কিন্তু আমরা একই সাথে চারটা জিনিস হয়তোবা আমাদের লাইফ টাইমে আমরা সাকসেস পেতে পারি। এন্ড হাউ ডু ইউ হাউ ডু ইউ গেট সাকসিড অর হাউ ডু ইউ গেট সাকসেস ইন লাইফ আনলেস ইউ ইউজ সাম অফ দা টুলস। আর সেইজন্যই কিন্তু আমি সবসময় বলি যে এই টুল ব্যবহার করার জন্য উই ক্যান নট বি শাই এওয়ে। আমরা আসলে টুল ব্যবহার করার জন্য ভয় পেয়ে টুল থেকে দূরে থাকলাম। কিন্তু যে জিনিসটা হচ্ছে যে আমাদের বিপিও ইন্ডাস্ট্রি বলি আর যেখানে বলি না কেন আগে যেই ধরনের ফ্রিল্যান্সিং কাজ বা যে যে কাজগুলো আমাদের ফ্রিল্যান্সাররা কাজ করতে হয়তোবা ৩০ দিন লাগতো সেটা এখন ধরা যাচ্ছে যে অন্য দেশের কোন ফ্রিল্যান্সাররা তারা দুই ঘন্টায় নামিয়ে দিতে পারছে বিকজ অফ দে আর ইউজিং জেনারেটিভ এআই। সো আমার কথা হচ্ছে যে আমরা যদি আগে যে জিনিসটার জন্য ৩০ ৩০ দিন সময় নিতাম সেখানে যদি আমরা এ ধরনের জেনারেটিভ এআই ব্যবহার করে যদি আমরা এটাকে দুই ঘন্টায় নামিয়ে আসতে পারি সো ইটস ইটস এ বেনিফিট ফর আস। আর আমরা যদি এখান থেকে দূরে থাকি তাহলে কিন্তু দিনশেষে আমরাই ক্ষতিতে পড়ে যাব। আর আমাদের পার্শ্ববর্তী দেশে বা আমি ফিলিপিন্সে দেখছি বা যেসব জায়গায় একটা ভালো ডেস্টিনেশন মানে ফ্রিল্যান্সিং ডেস্টিনেশন এবং ইভেন আমি ইন্দোনেশিয়াতে দেখছি যে কিভাবে দে আর এমব্রেসিং এআই। ইটস অল অ্যাবাউট আমরা যেটাকে সবসময় বলি যে এআই উইল নট রিপ্লেস ইউ। মানে যে কথাটা কিন্তু আমি সবসময় বলি যে এআই উইল নট রিপ্লেস ইউ। রাদার এ পারসন ইউজিং এআই উইল। এআই উইল নট রিপ্লেস ইউ। এ পারসন ইউজিং এআই উইল। তার মানে হচ্ছে কি আমি বা এআই কিন্তু কোন কাউকে রিপ্লেস করবে না। কোন মানুষ কোন মানুষকে কিন্তু এআই রিপ্লেস করবে না। রাদার একজন মানুষ আরেকজন মানুষকে রিপ্লেস করবে যখন সেই মানুষটা এআই ব্যবহার করবে। আমার কথা হচ্ছে যে যিনি এআই ব্যবহার করবেন উনি আরেকজন মানুষ যিনি এআই ব্যবহার করছেন না তাকে রিপ্লেস করবেন বা তার জবটা উনি নিয়ে নিবেন। সো এইজন্য আমি বারবার বলছি যে উই শুড এমব্রেস এআই এন্ড উই শুড অ্যাপ্রোচ এআই উইথ দ্যাট আন্ডারস্ট্যান্ডিং যে এটা একটা হেল্পিং টুল। ইট ইজ এ টুল যেটা আসলে আমার লাইফ টাইমকে এক নেক্সট লেভেলে নিয়ে যাবে। আমি সবসময় এই কথাটা বিশ্বাস করি যে যদি আমরা এআই না ব্যবহার করি তাহলে কিন্তু আসলে আমাদের লাইফে অনেক কিছুই কিন্তু আমরা সময় নষ্ট করব। যেমন এই রেকর্ডিং যে এই রেকর্ডিংটা আপনি দেখছেন যে এই ধরনের রেকর্ডিং। আগে এই ধরনের রেকর্ডিং আমার করতে হয়তোবা সময় লাগতো প্রায় দুই থেকে তিন ঘন্টা। কারণ ভিডিও আলাদা করে রেকর্ড করতে হতো, অডিও আলাদা করে রেকর্ড করতে হতো, আলাদা করে অডিও প্রসেস করতে হতো, আলাদা করে ভিডিও প্রসেস করতে হতো। কিন্তু এখন উইথ দা হেল্প অফ কাইন্ড অফ লাইক সুপারভাইজড এআই অর মেবি মেশিন লার্নিং অর সাম বিট অফ কাইন্ড অফ রুল সেট এন্ড এভরিথিং আমার কিন্তু একটা ভিডিও তৈরি করতে কিন্তু এই একই সময় লাগে। মানে যেই যতটুকু সময় আমি কথা বলেছি ততটুকু সময়ই কিন্তু আমার লাগে। কারণ এর মধ্যে অডিও প্রসেসিং, ভিডিও প্রসেসিং সবকিছু কিন্তু একটা প্রসেসিং এর মধ্যে পড়ে গেছে। একটা কাইন্ড অফ লাইক একটা সিস্টেমের মধ্যে পড়ে গেছে। যে সিস্টেমের মধ্যে তাকে কিন্তু এলাইন করা সবকিছু করা মানে সবকিছুই কিন্তু একভাবেই কিন্তু হয়ে যাচ্ছে। অবভিয়াসলি দিস ইজ নট স্টেট অফ আর্ট কাইন্ড অফ থিং। বাট আই ক্যান টেল ইউ দ্যাট দিস অডিও এন্ড ভিডিও এন্ড এভরিথিং উইথ অল দা থিং হোয়াট ইউ সি এটা কিন্তু একই মানে এক জায়গাতেই হয়ে যাচ্ছে। মানে আমাকে কিন্তু আলাদা করে অডিও প্রসেস করতে হচ্ছে না। আমাকে আলাদা করে ভিডিও প্রসেস করতে হচ্ছে না। আমাকে আলাদা করে যেই উপরে যে স্ক্রিনে যে আপনি দেখছেন যে এই এইটা এই জিনিসটা এবং এইটা এটাকে কিন্তু আমাকে আলাদা করে লাগাতে হচ্ছে না। সবকিছুই কিন্তু একসাথে হয়ে যাচ্ছে। সো এটাই হচ্ছে গিয়ে পয়েন্ট যে এআই ইজ জাস্ট এ হেল্পার টুল। উই নিড টু টেক হেল্প ফ্রম দা এআই এন্ড উই নিড টু টেক হেল্প অফ দিস ডেটা সো দ্যাট উই ক্যান ডু লট অফ থিং ইন আওয়ার লাইফ। আমরা এআইকে আমরা কামলা হিসেবে খাটাবো আরকি। যে যে জিনিসটা হচ্ছে গিয়ে আমাকে এটাকে যাতে সে আমার একজন হেল্পার হিসেবে কাজ করে। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
রোড টু হাইটেক ইন্ডাস্ট্রি | রোড টু হাইটেক ইন্ডাস্ট্রি Do you need Programming in the Age of AI.mp3 | এই প্রশ্নটা প্রায় বাই দা ফিউচার অফ এডুকেশন। সো ফিউচার অফ এডুকেশনে যদি আমরা আসলে আলাপ করি তাহলে যেই ব্যাপারটা সবসময় আসে যে কৃত্তি বুদ্ধিমত্তায় শিক্ষা ব্যবস্থা কোথায় যাবে আর সেজন্যই কিন্তু আমি আসলে এই বইটি লিখেছিলাম যে কৃত্রিম বুদ্ধিমত্তায় শিক্ষা ব্যবস্থা বিশেষ করে আমাদের এআই যুগে আমাদের এডুকেশন কোথায় যাবে এর পাশাপাশি আমাদের যে ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং মানে আমরা আসলে যন্ত্রের সাথে আমরা কিভাবে যোগাযোগ করব সেটার একটা ধারণা কিন্তু আমরা এখানে পাই। তবে ফিরে আসি দা বেস্ট ল্যাঙ্গুয়েজ টু লার্ন ইজ ইংলিশ এটা আসলে অনেক আগে এন্ডেস কাপারথি বলেছিলেন যে আমাদের এআই যুগে সনাতন প্রোগ্রামিং হয়তোবা জানতে নাও হতে পারে। উনি বলছেন যে বেস্ট ল্যাঙ্গুয়েজ টু লার্ন ইজ ইংলিশ বিকজ ইংলিশ আমি যদি প্রম্পট ইঞ্জিনিয়ারিং এর মাধ্যমে যদি আমি যদি আমার যন্ত্রকে বলতে পারি যে দিস ইজ হোয়াট আই ওয়ান্ট দে উইল গিভ মি দা আউটকাম। সো এর মধ্যে প্রোগ্রামিং লাগবে না কি লাগবে দ্যাট দে উইল ডিসাইড এন্ড ফিগার ইট আউট এন্ড দেন গেটিং গেট ইট আউট টু মাই ডেস্ক। সো আজকে আমি এলাম হচ্ছে গিয়ে এনভিডিয়া সিইও ইয়ানসেন বা জেনসেন উনি কিন্তু একই কথা বলেছেন যে আসলে ফিউচার অফ প্রোগ্রামিং অর ফিউচার অফ এডুকেশন প্রোগ্রামিং লাগবে কিনা উনি এটা খুব ডিফিকাল্ট একটা কথা বলেছেন যে না লাগবে না বাট আমি মনে করি যে বাংলাদেশের পারস্পেক্টিভে এখনো লাগবে এবং আমি কেন প্রোগ্রামিং এ জোর দিব সেটা আমি এর আগেও বলেছি যে না এআই আমাদের দেশে পিকআপ করতে সময় নেবে। সো আমরা এই প্রোগ্রামিংটা আমাদের লাগবে টু আন্ডারস্ট্যান্ড হাউ টু সলভ প্রবলেম। সো প্রোগ্রামিং ইজ দা ওয়ে টু গো এবং আমি মনে করি যে আমরা সামনে এআই আমাদেরকে সবকিছু করে দিবে কিন্তু এর পাশাপাশি আমাদের বেসিক আন্ডারস্ট্যান্ডিংটা থাকা উচিত। তো আমি আসলে এনভিডিয়া সিইওর ইয়ানসেন উনার উনার আমি টকে যাচ্ছি। সেখানে উনি আসলে ক্লিয়ারলি কি বলতে চাচ্ছেন সেটা আসলে আপনারা বুঝতে পারবেন। Let's move to a non AI related topic for a second. I want to talk about education. So today knowing what you know, seeing what you see and being at the cutting edge of this technology, what should people focus on when it comes to education? What should they learn? How should they educate their kids and their societies? Well, excellent question. I'm going to say something and it's it's going to sound completely opposite of what people feel. Uh you you you probably recall over the course of the last 10 years, 15 years, almost everybody who sits on a stage like this would tell you, it is vital that your children learn computer science. Um everybody should learn how to program. And in fact, it's almost exactly the opposite. It is our job to create computing technology such that nobody has to program. And that the programming language, it's human. Everybody in the world is now a programmer. This is the miracle. This is the miracle of artificial intelligence. For the very first time, we have closed the gap, the technology divide has been completely closed. And this is the reason why so many people can engage artificial intelligence. It is the reason why every আমি এই কথাটাই বলতে চাচ্ছি যে আসলে এআই ইজ ব্রিজিং দা গ্যাপ। বাট দেন এই ব্রিজ গ্যাপ করার যে সময়টা সেই সময়টা আসলে আমাদের জন্য একটু একটু সময় লাগবে। বাট আমি মনে করি যে উই গেট দা এসেন্স যে আসলে পৃথিবী কোথায় যাচ্ছে এবং এই প্রোগ্রামিং এর যে বিতর্ক সেই বিতর্কটা আসলে শেষ কোথায়। তবে আমি এইটুকু বলতে পারি যে উই শুড লার্ন প্রোগ্রামিং টু ব্রেকডাউন দা প্রবলেম টু আন্ডারস্ট্যান্ড দা প্রবলেম এন্ড টু সলভ দা প্রবলেম এন্ড দেন লেটার অন এআই উইল টেক ওভার এন্ড এন্ড টেক ইট টু দা লেভেল। বাট আমাদেরকে এই মুহূর্তে এটলিস্ট আমাদের সামনে দুই বছর উই শুড আন্ডারস্ট্যান্ড হাউ টু প্রোগ্রাম এন্ড দেন দা এআই উইল টেক ওভার। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
রোড টু হাইটেক ইন্ডাস্ট্রি | রোড টু হাইটেক ইন্ডাস্ট্রি Apache Spark Large-scale Data Analytics EDA.mp3 | অনেকে আমাকে জিজ্ঞাসা করেন যে আমি কি ডেটা সাইন্স থেকে সরে যাচ্ছি কিনা মানে ডেটা সাইন্স অথবা ডেটা অ্যানালিটিক্স থেকে আমি সরে যাচ্ছি কিনা। আসলে ব্যাপারটা সেরকম না। আমি ডেটা সাইন্স এআই মেশিন লার্নিং বা এই ধরনের নতুন যে জিনিসগুলো নিয়ে আসলে এখন গ্লোবালি কাজ হচ্ছে আমি সেগুলো নিয়ে আসলে খুব ইন্টারেস্টেড সবসময় থাকি একটাই কারণে যে দিস ইজ দা ফিউচার এবং আমাদের যদি বাংলাদেশে ধরা যাক আমরা যদি গভমেন্ট অটোমেশন বা এই ধরনের কাজ নিয়ে যখন কাজ শুরু হবে তখন কিন্তু এই জিনিসগুলোই লাগবে। তো সেইজন্য আমি এই লার্জ স্কেল ডেটা অ্যানালিটিক্স বা লার্জ স্কেল ডেটা সাইন্সের যে কাজগুলো বা যে ধরনের লাইব্রেরিগুলো বা যে ধরনের প্যাকেজগুলো আসলে ব্যবহার হয় সেটা নিয়ে আমি মাঝে মাঝে কথা বলি। তো আমি যখন সরকারের একটা বিশ্বস্ত প্রতিষ্ঠানে ছিলাম তখন আমি এখন থেকে প্রায় 10 বছর 15 বছর আগে কথা বলছি তখন আমি মানে হাডুপের একটা বড় কাজ আমি করেছি এবং হাডুপ নিয়ে একটা পর্যায়ে একটা লেভেলে কাজ করেছি কিন্তু হাডুপের এই ধারণাটা যখন আস্তে আস্তে আমরা অ্যাপাচি স্পার্কে পেলাম মানে এখন যদি আমাকে বলি যে অ্যাপাচি স্পার্ক আসলে কি মানে এটা আসলে জিনিসটা কি? আসলে আমি এটাকে বলব যে এটা একটা ইউনিফাইড ইঞ্জিন মানে এটা একটা ইউনিফাইড ইঞ্জিন ফর লার্জ স্কেল ডেটা অ্যানালিটিক্স। যেহেতু আমরা ডেটা অ্যানালিটিক্স করি এখন ডেটা অ্যানালিটিক্স করতে গেলে তো ধরা যাক আমার ল্যাপটপে বা আপনার পিসিতে যখন আমরা ডেটা অ্যানালিটিক্স করি তখন দেখা যাচ্ছে যে ডেটা অ্যানালিটিক্সের একটা হার্ট হচ্ছে গিয়ে সিকুয়েল। সিকুয়েল বা এসকিউএল আমরা যেটাই বলি না কেন। এই ডেটা অ্যানালিটিক্সের হার্ট যদি এই সিকুয়েল হয় সেই সিকুয়েল যদি আমি চালাই আমার ল্যাপটপে বা আমার পিসিতে দেখা যাচ্ছে যে সেই সিকুয়েল বা সেটার আউটপুটটা যখন নিয়ে আসে তখন বাই দেন ইটস মিডনাইট অর মেবি ইট টেক্স মেবি টু ডেইজ। সো এ ধরনের যখনই আপনার সিকুয়েল মিলিয়ন মিলিয়ন রো হয় বা এটার থেকে যখন আপনার একটা সিকুয়েল কোয়েরি যখন আপনি চালাচ্ছেন সেই সিকুয়েল কোয়েরি চালানোর জন্য আপনার ঐরকম ফাস্ট মেশিন তো আসলে আপনি আর ঐভাবে আপনি কিনতে পারবেন না। বাট তার জায়গায় আমরা যেটা করতে পারি যে আমরা ডিস্ট্রিবিউটেড আমরা কিছু সলিউশন দেখতে পারি যেটার মধ্যে হচ্ছে গিয়ে অ্যাপাচি স্পার্ক ইজ নাম্বার ওয়ান টু মাই লিস্ট যেটা আসলে আমি ব্যবহার করি এবং এটা আসলে অনেক জায়গায় আমি আসলে এটাকে প্রমোট করি একটাই কারণে যে এটা ওপেন সোর্স এবং এটার সাথে আরো অন্যান্য অনেকগুলো লাইব্রেরি আছে যেটা যেমন আমার আমার একটা খুব মানে খুব একটা প্রিয় লাইব্রেরি হচ্ছে গিয়ে অ্যাপাচি এয়ারফ্লো। আমি এটা নিয়ে আরো আরেকদিন আলাপ করব। সো দিনশেষে একটা ইকোসিস্টেমের সাথে কাজ করতে পারাটা একটা বড় জিনিস। আর আরেকটা জিনিস আমি সবসময় বলি যে আমি যেহেতু রোড টু হাইটেক ইন্ডাস্ট্রি এই যে সিরিজটা চালাচ্ছি এই রোড টু হাইটেক ইন্ডাস্ট্রির একটা বড় পার্ট হচ্ছে গিয়ে কিভাবে হাইটেক ইন্ডাস্ট্রি চলে এবং কিভাবে হাইটেক ইন্ডাস্ট্রিতে আমরা যেতে পারি এবং সেখানে আমাদের ব্যাচিং বা স্ট্রিমিং ডেটা যেটাকে আসলে এই ডেটাকে কিভাবে স্ট্রিমিং ডেটা বা এই ব্যাচিং ডেটাকে আমার প্রসেস করতে হবে সেটাকে কাইন্ড অফ রিয়েল টাইম নাথিং ইজ রিয়েল টাইম সো কাইন্ড অফ রিয়েল টাইম এটাকে আসলে কিভাবে কাজ করা যায় এবং তার সাথে পাইথনকে আমাকে কাজ করাতে হবে আমাকে সিকুয়েল নিয়ে কাজ করাতে হবে সো দেয়ার আর মেনি মেনি থিংস এন্ড অলসো ইট সাপোর্টস আর। সো বেস্ট অফ দা বোথ ওয়ার্ল্ড। আরেকটা জিনিস হচ্ছে গিয়ে সিকুয়েল অ্যানালিটিক্স এখানে চমৎকারভাবে কাজ করে বিশেষ করে ডিস্ট্রিবিউটেড এনসি সিকুয়েল। ডিস্ট্রিবিউটেড এনসি সিকুয়েল এখানে মানে ড্যাশবোর্ডিং এর জন্য অসাধারণ একটা প্ল্যাটফর্ম হিসেবে কাজ করে এবং এখানে আরেকটা জিনিস হচ্ছে গিয়ে আমরা যখন ডেটা সাইন্স এট স্কেল আমি যখন ডেটা সাইন্স এট স্কেল চালাতে চাইবো তখন কিন্তু আমাকে অ্যাপাচি স্পার্ক ছাড়া আসলে আমার গতি নেই। সুতরাং আমাকে যদি এক্সপ্লোরেটরি ডেটা অ্যানালিটিক্স যেটাকে আমরা বলি ইডিএ এই ইডিএ যদি করতে চাই তাহলে আমাদের সেখানে পেটাবাইট স্কেলে যদি আমার ডেটা যদি দেখতে হয় তাহলে এখানে সাধারণত আমরা কি করি আমরা ডাউন স্যাম্পলিং করি। ডাউন স্যাম্পলিং করে সেখানে কাজটা করি। এখানে ডাউন স্যাম্পলিং এর প্রয়োজন হবে না। আমরা সরাসরি আমরা ইডিএ এক্সপ্লোরেটরি ডেটা অ্যানালিটিক্স চালাতে পারবো। তার মানে হচ্ছে গিয়ে ডেটা সাইন্স ইজ এট স্কেল মানে এটাকে আসলে অন্য লেভেলে এটা নিয়ে কাজ করা যায়। আর দিনশেষে মেশিন লার্নিং বিকজ মেশিন লার্নিং এর যে অ্যালগরিদমগুলোকে ট্রেন করতে হবে সেটার জন্য আসলে একই জিনিস আমরা যখন এটাকে বিভিন্ন ধরা যাক আমি ল্যাপটপে চালাচ্ছি এবং সেটাকে যখন আমি এট স্কেল চালাবো একটা ক্লাস্টারে বা এই এক একটা ক্লাস্টার যেখানে থাউজেন্ড নোড আছে থাউজেন্ড নোডগুলোকে আসলে কিভাবে চালানো যায় সেটাই কিন্তু এখানে আমি মনে করি যে এটা খুব বেশি ব্যবহার করা হয় এবং সেখানে এর অ্যাপাচি স্পার্কের অনেকগুলো ফ্রেমওয়ার্কের সাথে ইকোসিস্টেম আছে তার মধ্যে সাইকিট লার্ন অফকোর্স প্যান্ডাস টেন্সর ফ্লো পাইটর্চ আরো অন্যান্য অনেক কিছু আর তো আছেই নাম পাই মেনি থিংস এবং আমি সেখানে সুপার সেটের সাথে কাজ করেছি এটা নিয়ে পাওয়ার বিআই নিয়ে কাজ করা হয়। তারপর হচ্ছে গিয়ে এখানে অনেক কিছু আসলে ট্যাবলু বা অন্যান্য সব জায়গায় কিন্তু আমরা আসলে এই বিশেষ করে এসকিউএল সিকুয়েল অ্যানালিটিক্স এবং বিআই এর জন্য আসলে এটার উপরে কাজ করে এবং দেন শেষে আমরা তো স্টোরেজ বা ইনফ্রাস্ট্রাকচারের কথা যখন বলি তখন তো সেখানে ইলাস্টিক সার্চ তো আসবেই কাফকা আসবে তারপর হচ্ছে কুবারনেটিস আসবে এয়ারফ্লো তো আসবেই সিকুয়েল সার্ভার আসবে ক্যাসান্ড্রা আসবে সো মেনি মেনি থিংস উইল বি ওয়ার্কিং অন দ্যাট। বাট মেইন যে জিনিসটা আমি সবসময় বিশ্বাস করি যে আমরা যাই করি না কেন আমাদেরকে আপস্কেল করতে হবে। আমাদেরকে উপরের দিকে শিখতে হবে। আমাদের উপরের দিকে যেতে হবে। উপরের দিকে শেখার জন্য এটা খুবই খুবই প্রয়োজনীয়। আমি যখন যেহেতু মিলিটারি একাডেমিতে ছিলাম এই এই জিনিসটা আমি সবসময় আমি খুব মানে আমি এই এনালজিটা দিতে খুব পছন্দ করি একটাই কারণে যে ধরা যাক আমাদের বিভিন্ন টার্মে আমাদের ফাইনাল কিছু রান মানে বিশেষ করে ওয়ান মাইল 3.2 মানে এগুলো হচ্ছে গিয়ে আমরা হচ্ছে গিয়ে যেই ধরনের ইয়েগুলো আমরা বলি যে ওয়ান মাইল টেস্ট বা 3.2 কিলোমিটার টেস্ট বা আমাদের 10 কিলোমিটার টেস্ট। সো এই ধরনের টেস্টগুলোতে বিশেষ করে শর্ট যেগুলো যেটা হচ্ছে গিয়ে আপনার ওয়ান মাইল বা আমার যদি এটাতে যদি আমাকে স্পিড আপ করতে হয়। ধরা যাক আমাদের টিমে তারা যেটা করবে সেটা হচ্ছে গিয়ে এই মাইল টেস্টের আগে যেটা করবে যে তারা চেষ্টা করবে যে তাদের যে গ্রুপটা টেন পায় মানে যে গ্রুপটা সবচেয়ে বেশি পায় সেই গ্রুপটা কিন্তু চেষ্টা করে যে পুরা জিনিসটাকে টেনে নিতে। একটা মাইল টেস্টে যারা হচ্ছে গিয়ে স্পিয়ার হেডিং করে যারা স্পিয়ার হেডিং বা যারা এটাকে টেনে নিয়ে যায়। আমরা যারা পিছনে ধরা যাক আমরা আট পাচ্ছি নয় পাচ্ছি বা অনেক সময় সাত পাচ্ছি। সো আমরা যখন দেখব যে আমাদের স্পিয়ার হেডার মানে যারা হচ্ছে গিয়ে আমাদেরকে টেনে নিয়ে যাচ্ছে তারা যখন স্পিড বাড়াবে আমিও কিন্তু তাদের সাথে স্পিড বাড়াবো। সো সেইম জিনিস তারা হয়তোবা 10 ফেলার আগেই ঢুকে যাচ্ছে। তার মানে হচ্ছে গিয়ে আমরা বাকিরা হয়তো আট নয় পেয়ে যাচ্ছি। সো ইটস এ গ্রুপ এফোর্ট যে যারা পুরো টিমটাকে টেনে নিয়ে কিন্তু দেখা যাচ্ছে যে আটের মধ্যে সবাই ঢুকে যাচ্ছে। মানে আট নাম্বারের মধ্যে ঢুকে যাচ্ছে। সো দিস ইজ এ টিম এফোর্ট। সো আমি একই জিনিস বলবো যে নলেজের ক্ষেত্রে কিন্তু একই জিনিস। আমাদের কাজ হচ্ছে গিয়ে আমাদের নলেজটাকে এমন একটা লেভেলে নেওয়া যাতে আমরা সবাই মিলে এগোতে পারি। আমরা যদি এখনো সেই পুরনো স্টাইলে যদি চলি তাহলে হবে না। আমরা এখন এআই এমএল এবং যেভাবে সবকিছু সামনে আসছে সেখানে কিন্তু আমাদেরকে টানতে পারতে হবে। আমাদের যারা প্রযুক্তি নিয়ে কাজ করে তাদেরকে টানতে হবে যাতে পুরো দেশের সবাই মিলে কিন্তু একটা গতি পায় একটা স্পিড পায়। আমি সেজন্য বলি যে অ্যাপাচি স্পার্ক উই শুড বি ট্রাইং ইট উই শুড বি ট্রাইং ইট। ইউ জাস্ট ডাউনলোড দা ডকার ইউ জাস্ট ডাউনলোড দা ডকার এন্ড ট্রাই ইট বিকজ ইফ ইউ ইফ ইউ ডোন্ট ট্রাই ইট ইউড নট আন্ডারস্ট্যান্ড যে এটা আসলে হোয়াট ম্যাজিক ইট ইট ক্যান প্রোভাইড এন্ড হাইটেক ইন্ডাস্ট্রিতে এটা আসলে কত দাম এবং এটার স্যালারি থেকে শুরু করে কত ভ্যালু এটা অ্যাড করে। আজকে এই পর্যন্তই থাকছেন তো সামনে? |
রোড টু হাইটেক ইন্ডাস্ট্রি | রোড টু হাইটেক ইন্ডাস্ট্রি My First Dataset Extended Version.mp3 | সত্যি কথা বলতে ডেটার গুরুত্ব নিয়ে কথাবার্তা কিন্তু কোন শেষ নেই। আর যারা ডেটাকে ক্যারিয়ার হিসেবে নিতে চান তাদের জন্য কিন্তু প্রথম ডেটা সেটটা খুব ইম্পর্টেন্ট। একটাই কারণে যে আমি যেই জিনিসটা শিখতে চাচ্ছি আমি যদি ডেটা এনালিস্ট হতে চাচ্ছি বা আমি যদি ডেটা সাইন্টিস্ট হতে যাচ্ছি আমার জন্য যদি প্রথম ডেটা সেট যেই প্রথম ডেটা সেটটাকে আমি চুজ করছি শেখার জন্য আমি যদি প্রথম ডেটা সেটটাকে যদি আমি ঠিকমত না বুঝি তাইলে কিন্তু আমার এই ডেটা ফিল্ডে ঢোকাটাই একটু প্রতিবন্ধকতার মধ্যে পড়তে পারে। আমি এইজন্য বলছি যে আমি যদি একটা ডেটা সেট চুজ করলাম যেই যে ডেটা সেটটা নিয়ে আমি কাজ করব কিন্তু সেই ডেটা সেটটাকে আমি পছন্দ করি না। পছন্দ করি না আমি সেই ডেটা সেটটাকে আমার পছন্দ হলো না পছন্দ না হলে তাহলে তো ওই ডেটা সেট নিয়ে আসলে কাজ করার কোন স্কোপ থাকে না এবং দিনশেষে আমি যেহেতু ডেটা নিয়ে কাজ করতে চাই আমি ডেটা সায়েন্স নিয়ে কাজ করতে চাই কিন্তু যেহেতু আমার এই ডেটা সেটটাকে আমি ঠিকমতো বুঝতে পারিনি ফলে যেটা হচ্ছে যে ভবিষ্যতে আমি ডেটা সায়েন্সের প্রতি আগ্রহ হারিয়ে ফেলতে পারি বা ডেটা এনালিটিক্সের মধ্যে আমার আগ্রহটা কিন্তু চলে যেতে পারে। আর সেজন্যই কিন্তু দা ফার্স্ট ডেটা সেট ইজ ভেরি ইম্পরট্যান্ট বিকজ দা ফার্স্ট ডেটা সেট ইফ ইউ ডোন্ট লাইক ইট ইফ ইউ ডোন্ট লাইক ইট এন্ড ইফ ইউ ডোন্ট গেট ইনটু ইট বিকজ যদি আমি ডেটা সেটটাকে পছন্দ না করি আমি যদি এটার ভিতরে যদি না ঢুকি তাহলে কিন্তু আমার ডেটা সম্বন্ধে ধারণাটা কিছুটা ভাসা ভাসা থাকবে। আর এই ভাসা ভাসা থাকলে কিন্তু আমি এর ভেতরে ঢুকতে পারব না। আর সেজন্যই আমি বারবার বলি যে দা ফার্স্ট ডেটা সেট ইজ ভেরি ইম্পরট্যান্ট। এন্ড আমি যদি সত্যি কথা বলি আমার প্রথম ডেটা সেট কিন্তু আমি পছন্দ করিনি। এক নম্বর হচ্ছে গিয়ে আমার প্রথম ডেটা সেটটা ছিল ফুল নিয়ে। অফকোর্স আমি ফুল পছন্দ করি কি করি না সেটা প্রশ্ন না। প্রশ্নটা হচ্ছে গিয়ে ফুল নিয়ে ডেটা সেট। ফুল নিয়ে ডেটা সেট এটা কি আমার পছন্দ হবে? অফকোর্স এটা আমার পছন্দ হয়নি শুরুতে। তারপরে যখন এটার এই ফুলগুলো নিয়ে যখন আমি ওয়ার্কআউট শুরু করলাম যখন আমি এটার প্রজাতিগুলোর নামগুলো যখন ওয়ার্কআউট করা শুরু করলাম প্রজাতির নাম দেখেই তো আমি সেকেন্ড লেভেল আরেকটা অসহ্যকর একটা লেভেলে চলে গেলাম যে নামগুলো এরকম কেন? সো আমার জন্য কিন্তু এই ডেটা সেটটা মানে প্রথম ডেটা সেটটা নিয়ে কাজ করতে গিয়ে আমার জন্য যে বিব্রতকর অবস্থা ছিল যে আমি আসলে ডেটা সেটটাকে পছন্দ করছি না। অথচ এই ডেটা সেট নিয়ে কাজ করছি। অথচ এই ডেটা সেটটা আমাকে বাধ্য করা হচ্ছে ডেটা সেট নিয়ে কাজ করার জন্য। তাহলে আমার জন্য ইট ওয়াজ এ ডিফিকাল্ট টাস্ক। বাট দেন আই মাইট আই আই শুড টেল ইউ দা ফার্স্ট ডেটা সেট ইফ ইউ সিলেক্ট দিস অসহ্যকর মানে আমি বলছি যে এই যেই ডেটা সেটটাকে আমি সহ্য করতে পারিনি সেই ডেটা সেটটাকে যদি আপনি আপনার প্রথম ডেটা সেট হিসেবে যদি নিয়ে নেন আই ক্যান টেল ইউ দা রাইট দা রাইট থ্রু দা ডেটা সেন্টার দা রাইটস থ্রু দা ডেটা স্ট্র্যাটেজি অর দা রাইট থ্রু দা ডেটা কাইন্ড অফ লাইক আমি মনে করছি এই যে ডেটার রাস্তায় হাঁটা এই রাইটটা কিন্তু আপনার জন্য ইজি হবে। সো আমার প্রথম ডেটা সেটটা আমি এর আগে অলরেডি অলরেডি একটা ভিডিও বানিয়েছি সেই একই ভিডিওটার আবার এক্সটেন্ডেড ভার্সন আমি আসলে দেখাতে চাচ্ছি বিকজ আই ওয়ান্ট ইউ টু অলসো ল্যান্ড ইনটু দিস ফার্স্ট ডেটা সেট। এটা অসহ্যকর মনে হতে পারে। এটাকে ডিফিকাল্ট মনে হতে পারে মনে হতে পারে এটা এটা আপনার পছন্দ নাও হতে পারে। বাট আই শুড টেল ইউ যে এই ডেটা সেটটা কিন্তু আপনার লাইফ পাল্টে দেবে এবং সেই ডেটা সেট নিয়েই কিন্তু আমি আমার দ্বিতীয় বইটি লিখেছিলাম। মনে আছে আমার দ্বিতীয় বইটা? এইটা হচ্ছে আমার দ্বিতীয় বই যেটার মধ্যে সেই ডেটা সেটটার নাম লেখা আছে যে আইরিস ডেটা সেট প্রজেক্ট। আপনি যদি দেখেন যে আইরিস ডেটা সেট প্রজেক্ট এবং আইরিস ডেটা সেট প্রজেক্টটা কিন্তু আমার জন্য ইট ওয়াজ এ ডিফিকাল্ট যে আমি এটাকে ভালোবাসতে পারছিলাম না। আমি এই ডেটা সেটটাকে ভালোবাসতে পারছিলাম না বলেই কিন্তু আমার যত ঝামেলা। বাট আমি মনে করি যে ফাইনালি আমার ভালোবাসা শুরু করলো যখন আমি আসলে আমাকে একজন গাইড করলেন। আমাকে একজন বোঝালেন যে হোয়াই দিস ডেটা সেট ইজ সো ইম্পরট্যান্ট। আমি আপনাকে সেই ছোট গাইড গাইডেন্সটাই দিতে চাচ্ছি। সেই গাইডের ট্যুরটাই দিতে চাচ্ছি এখন। সো অফকোর্স এটা হচ্ছে সেই ডেটা সেট আইরিস ডেটা সেট এবং আইরিস ফুলটা দেখতে এরকম কিন্তু। সো আইরিস ফুল দেখলাম অফকোর্স এটা পছন্দ আমি জানিনা এটা আপনার পছন্দ হয়েছে কিনা বাট আমার পছন্দ হয়নি তখন। সো দিস ইজ দা ডেটা সেট। এই ডেটা সেটটা হচ্ছে গিয়ে মাত্র ফোর কিলোবাইট। মাত্র ফোর কিলোবাইট। ফোর কিলোবাইটের ডেটা সেট নিয়ে এত আলাপ দিচ্ছি আমি। বাট টেল ইউ ফ্র্যাঙ্কলি এই ছোট ডেটা সেটটাই কিন্তু আমার চোখ খুলে দিয়েছে এবং এই ডেটা সেটের আমরা যদি কিছুটা ডিসপারশন দেখি যে এই ডিসপারশনটা দেখলেই কিন্তু বোঝা যায় যে ডেটা সেটটা কেমন। সেটা নিয়ে আমি একটু পরে আসছি। তারপর হচ্ছে গিয়ে এটা হচ্ছে সেইটা যে যেটা আমাকে পুট অফ করেছিল মানে যেই ডেটা সেটটা আমি মনে করি যে এই নামটা আমার কাছে মনে হচ্ছিল যে এটা কি ধরনের নাম? আইরিস সেটওসা, আইরিস ভার্সিকালার, আইরিস ভার্জিনিকা মানে তিনটা প্রজাতি। তিনটা প্রজাতি নিয়ে আমি কি করব? সেটা নিয়েই তো আমার প্রথম প্রশ্ন। আসলে ব্যাপারটা হচ্ছে যে এটার যে অংশটা আপনি দেখেন যে এটার পিটাল সেপাল পিটাল সেপাল লেখা আছে। সো আমরা যদি দেখি এই একই ফুলের যে পিটালটা হচ্ছে গিয়ে এর পাপড়ি আর এই সিপালটা হচ্ছে গিয়ে এর বৃতাংশ। বৃতাংশ। আমি কি আবার আপনাদেরকে আমি বুঝতেছি না আমি বায়োলজির দিকে নিচ্ছি কিনা। বাট স্টিল আই মনে করি যে পিটালটা হচ্ছে গিয়ে পাপড়ি আর সিপালটা হচ্ছে গিয়ে বৃতাংশ। সো এটার লেন্থ এবং উইডথ এটার লেন্থ এবং উইডথ মানে এটার যে আমরা দেখছি যে এটার লেন্থ এবং এই উইডথ। এই লেন্থ আর উইডথটাই হচ্ছে মেইন যে আমার আসলে এই লেন্থ এবং উইডথ এটার উপর ভিত্তি করে এটা কোন প্রজাতি সেটা কি আমাকে বের করতে হবে। সো আসলে আপনি বুঝতে পারছেন যে একটা ফুলের পিটাল এবং সিপাল মানে পাপড়ি এবং বৃতাংশ তার লেন্থ তার লেন্থ এবং তার উইডথ এটা দিয়েই আমি এর ভবিষ্যৎ আরেকটা ফুলকে যদি আমি নিয়ে আসি সেই ফুলটা আসলে কোন প্রজাতি হবে সেটা আমি বলে দিতে পারব এবং সেটা মেশিন লার্নিং বলে দিতে পারবে। সেটাই হচ্ছে গিয়ে এই জিনিসটার মজার জায়গা যে আসলে আমরা এখানে এই জায়গাটাতে কাজ করছি। তারপরে এটা ডেটা সেটটা কিন্তু খুবই আরেকটা মানে ভজঘট টাইপ মানে এটা প্রথম দেখায় বোঝা যাবে না। বাট আমি যেটাকে বলছি যে সিপাল লেন্থ যেটা সিপাল লেন্থ তারপর সিপাল উইডথ পিটাল লেন্থ পিটাল উইডথ এবং এটার পরে এটা হচ্ছে গিয়ে ক্লাস মানে এটা কোন প্রজাতি। সেটওসা একটা প্রজাতি ভার্জিনিকা একটা প্রজাতি। তার মানে হচ্ছে গিয়ে এই যে সিপাল লেন্থ এটা হচ্ছে 5.1 তারপর হচ্ছে গিয়ে 3.5 এগুলো সব সেন্টিমিটার। তারপর হচ্ছে গিয়ে 1.4 তারপর হচ্ছে গিয়ে পয়েন্ট পয়েন্ট জিরো 0.2 হচ্ছে গিয়ে পিটাল উইডথ। মানে এগুলো হচ্ছে গিয়ে আমার সেন্টিমিটার। এই সেন্টিমিটার দেখেই কিন্তু আমার ফাইনালি হোয়াট শুড বি দা ক্লাস বা আমার আসলে প্রজাতি কি সেটাই হচ্ছে গিয়ে আমার বের করার জিনিস এবং 150 তম রেকর্ড হচ্ছে গিয়ে ভার্জিনিকা। সো এটা হচ্ছে গিয়ে আমার সেই জিনিসটা যেটাকে যখন আমরা প্লট করছি ধরা যাক এটা হচ্ছে গিয়ে একটা সেন্টিমিটার। ধরা যাক আমি এই ডেটাটাকে এই ডেটাটাকে আমি প্লট করছি। সিপাল লেন্থ এবং পিটাল লেন্থ। আমি এই ডেটাটাকে প্লট করছি। এই ডেটাকে যদি প্লট করি তাহলে হয়তোবা ডেটাটা হবে এরকম যে এই এই ছোট যে অংশটা এই আমি যদি এখানে ধরা যাক এই ছবিতে যদি আমি দেখাই যে এটা হচ্ছে সেটওসা। এই সেটওসা এই সেটওসার যে অংশটা সেটা হচ্ছে গিয়ে 5.1, 3.5, 1.4, .2 এইটাকে যখন আমরা প্লট করছি সেই প্লট যখনই করতে গেলাম এখানে আমি যখন প্লট করছি তখন প্লটের মধ্যে কিন্তু ধরা যাক এই এটা সেট হতে পারে এবং সেটা কিন্তু আসলে সেটওসা। এটাকে আমি প্লট করছি এবং সেটা আমি এখানে সেন্টিমিটার এখানে সেন্টিমিটার ধরে আমি প্লট করছি এবং সেটা সেটওসা। তার মানে হচ্ছে গিয়ে এটা একটা ক্লাস্টার এই ভার্সিকালার একটা ক্লাস্টার এবং ভার্জিনিকা একটা ক্লাস্টার। আমরা এই ক্লাস্টারগুলো মানে আমার ক্লাস্টারগুলোকে এই যে আমরা এটাকে প্লট করছি। দা মোমেন্ট আই হ্যাভ প্লটেড দা ফার্স্ট টাইম আই হ্যাভ প্লটেড জিজি প্লট আর এর জিজি প্লট দিয়ে আমি প্লট করেছিলাম। আমার এখনো মনে আছে এবং এটা আমি করেছিলাম শিকাগোতে। সো তখন কিন্তু আমার ডেটা সায়েন্সের প্রতি ভালোবাসাটা বেড়ে যায়। মাই গড একটা জিনিসকে আমি প্লট করলাম মেশিন লার্নিং ছাড়াই আমি কিন্তু বলতে পারতেছি যে ভবিষ্যতে যদি নতুন একটা ফুল হয় এবং সেই ফুলটা যদি এখানে প্লটিং হয় এখানে প্লটিং হয় এই জায়গাটাতে প্লটিং হয় তাহলে এটা কিন্তু অফকোর্স সেটওসা হবে। আর এটা যদি এখানে হয় সরি এটা যদি এখানে হয় তাহলে অফকোর্স ভার্সিকালার হবে। এটা ভার্সিকালার। আর এটা যদি এখানে হয় তাহলে অফকোর্স এটা সেটওসা হবে। এই যে আমরা হিউম্যান ব্রেইন যেভাবে আমরা প্লট করতে পারছি মেশিন লার্নিং সে কিন্তু একইভাবে প্লট করতে পারছে এবং ভবিষ্যৎ যে ফুলটাকে নিয়ে আসবো সেটার যদি প্লটিং পয়েন্ট যদি এখানে হয় এখানে সেন্টিমিটার এখানে সেন্টিমিটার দিয়ে যদি এখানে প্লটিং হয় অফকোর্স ডেফিনেটলি এটা একটা ভার্জিনিকা হবে। এই যে একটা আন্ডারস্ট্যান্ডিং এটাই কিন্তু আমার লাইফটাকে ডেটার প্রতি আমার লাইফটাকে পাল্টে দিয়েছে এবং এটাই কিন্তু একটা মজার জিনিস যে আসলে কিভাবে আমরা একটা ডেটা নিয়ে ডেটার আন্ডারস্ট্যান্ডিংটা পেতে পারি এবং সবচেয়ে বড় ব্যাপার হচ্ছে যে আমরা যখন এটা বুঝলাম তখন এটার ক্লাস্টারটা আমরা এভাবে ভাগ করতে পারতেছি যে না ক্লাস সেটওসা হচ্ছে গিয়ে এটা ক্লাস ভার্সিকালার এটা ক্লাস ভার্জিনিকা এটা। তার মানে হচ্ছে গিয়ে আমরা কিন্তু এটাকে আলাদা আলাদা করতে পারতেছি। এই আলাদা আলাদা করতে পারাটাই হচ্ছে গিয়ে এই মেশিন লার্নিং এর একটা বড় অংশ যে আমি আসলে ভবিষ্যৎ যদি একটা ফুল নিয়ে আসি সেই ভবিষ্যৎ ফুলটা যেখানেই আমি প্লটিং করি না কেন সবচেয়ে কাছাকাছি যেটা হবে সেটাই সেই প্রজাতি হবে। এটাই হচ্ছে গিয়ে পয়েন্ট যে আমার আসলে নতুন ফুল যেখানে নিয়ে আসবো সেই নতুন ফুলটাকে আমি এই যেখানে প্লটিং পয়েন্ট হবে সেই প্লটিং পয়েন্ট থেকে সবচেয়ে কাছাকাছি যেই ক্লাস্টার পাবে সেটাই সেই গোত্রের সেটাই সেই প্রজাতির। এতে কিন্তু আমার মাথাটা খুলে গেল এবং তারপরের থেকে কিন্তু আমি এই মানে এই প্রজাতি বা এই আইরিস ফ্লাওয়ার ডেটা সেটটা আমার খুবই পছন্দ। শুধু আমার পছন্দ না পুরো পৃথিবী পছন্দ করে। কারণ আমি যখন এই ডেটা সায়েন্সের আরও অনেকগুলো বই কিনেছি আমার কাছে ডেটা সায়েন্সের মনে হয় আরও অনেক অনেক অনেক বই আছে প্রায় 100 এর মত বই আছে। প্রায় আমি মনে করি যে 75% বইতে কিন্তু এই ডেটা সেট নিয়ে আলাপ আছে। হোয়াই? হোয়াই? বিকজ দা হোল ওয়ার্ল্ড লাভস ইট এন্ড এটা এত ছোট ডেটা সেট কিন্তু এই ছোট ডেটা সেটের মধ্যে কিন্তু ডেটার মধ্যে যে খেলা সেই খেলাটা আসলে খুব সহজে বোঝা যায়। আর সেইজন্যই আসলে আমি বারবার বলি যে এই আমাদের এই ডেটা সেটটা নিয়ে আসলে আমাদেরকে কাজ করতে হবে এবং সেই ডেটা সেট নিয়ে কাজ করার জন্যই কিন্তু আমি এই বইটি লিখেছিলাম। এই বইটি লিখেছিলাম একটাই কারণে যাতে আমাদের যারা ইয়াং জেনারেশন আছেন তারা আসলে বুঝতে পারেন যে কিভাবে একটা ডেটা সেট একটা মানুষের লাইফকে পাল্টে দিতে পারে এবং সেই জিনিসটা আসলে আমরা এখানে দেখিয়েছি এবং সেই ডেটা সেটটা যদি আপনারা এখানে দেখেন যে সেই ডেটা সেট নিয়ে কাজ কাজগুলো কিন্তু এখানে আমি আসলে দেখিয়েছি এবং সবচেয়ে বড় ব্যাপার হচ্ছে যে এই ধরনের কাজগুলো কিন্তু আসলে মানে কিভাবে আমরা পাইথন দিয়ে এই জিনিসগুলো কাজ করাতে পারি সেটা হচ্ছে গিয়ে এখানে আমি দেখিয়েছি। সো আসলে ইউ ডোন্ট নিড টু বাই ইট। ইউ ডোন্ট নিড টু বাই ইট বিকজ এটা অলরেডি অনলাইনে পড়া যায়। আমার প্রতিটা বই অনলাইনে ফুল পড়া যায়। বাট পয়েন্ট বিয়িং আপনি কিনছেন কি কিনেননি বাট পয়েন্ট হচ্ছে গিয়ে আপনাদের ইউ শুড স্টার্ট উইথ আইরিস ডেটা সেট বিকজ আইরিস ডেটা সেট আপনার জীবনটাকে পাল্টে দিবে। আজকে এই পর্যন্তই থাকছি কিন্তু সামনে। |
রোড টু হাইটেক ইন্ডাস্ট্রি | রোড টু হাইটেক ইন্ডাস্ট্রি What is Generative AI এটা নিয়ে কি বই লেখা যায়.mp3 | ঈদের কয়েকদিন ছুটি এই ছুটির দিনে আসলে কি করা যায় আর সবচেয়ে বড় ব্যাপার হচ্ছে যে আসলে আমি অনেকদিন ধরে দেখছিলাম যে এই এআই বিশেষ করে এআই টাকে আমরা কিভাবে ব্যবহার করব বা এআই টাকে আসলে আমাদের লাইফে কিভাবে আমাদের লাইফটাকে ইজি করা যায় সেটা নিয়ে কিন্তু আসলে আমি বেশ চিন্তা করছিলাম যে আমাদের যেহেতু এআই চাকরি খাবে তাহলে আমি কেন এআই টাকে ব্যবহার করে আমার যে সুবিধাটা সেটা আমি নিতে পারছি না আর সেখানে আমি আসলে চিন্তা করছিলাম যে আসলে আমাদের যে এআই গুলো নিয়ে আমি কাজ করছি বা এআইটা আমাদের যে সুবিধা দিচ্ছে এবং সেই সুবিধাটা কিভাবে আমাদের কাজে লাগবে সেটা নিয়ে আসলে আমি একটু দেখছিলাম তো মোহাম্মদ রিদওয়ান আরেফিন উনি একটা কথা বলেছেন যে বই বইয়ের কোন অল্টারনেটিভ নেই বুক ইজ অলওয়েজ দা বেস্ট আপনার প্রতিটা বই আমি কিনেছি আসলে যে জিনিসটা থ্যাংক ইউ সো মাচ পড়েছি এন্ড অনেক কিছু জেনেছি এন্ড রিকোয়েস্ট করছি প্লিজ লেখা থামাবেন না আরো বই চাই আপনার কাছ থেকে থ্যাংক ইউ সো মাচ আসলে যে জিনিসটা আমাদের এজ এ রাইটার যে জিনিসটা আমাদেরকে সবসময় টানে যে আমরা যেটা লিখছি বা আমরা যেটা নিয়ে কাজ করছি সেটা আসলে মানুষের কাজে লাগছে কিনা বা আমাদের পাঠকের কাজে লাগছে কিনা বা পাঠক আসলে এখান থেকে কোন বেনিফিট পাচ্ছে কিনা সেজন্যই কিন্তু এত বই লেখা আর আমার মাঝখানে একটা বই আমি লিখে অর্ধেক লিখে রেখে দিয়েছি সেটা হচ্ছে গিয়ে অটোমেশনের উপরে আইএসপি অটোমেশনের উপরে কারণ আমি দেখছি যে আইএসপি অটোমেশনের একটা বড় কাজ হচ্ছে গ্লোবালি সো এর পাশাপাশি আমি জেনারেটিভ এআই নিয়ে আসলে একটা বই লেখার প্ল্যান করছিলাম অনেক কিছুই মাথায় রেখেছি অনেক জায়গায় নোটে রেখেছি যে কিভাবে জেনারেটিভ এআই নিয়ে আসলে আমরা নেক্সট লেভেলে যেতে পারি বিকজ দিনশেষে যেই জিনিসটা আমাদের চাকরি খাবে যেই জেনারেটিভ আমাদের চাকরি খাবে আমি কেন সেই জেনারেটিভ এআই শিখছি না ব্যাপারটা এরকম যে এআই উইল নট রিপ্লেস ইউ যে জিনিসটা সবাই বলে যে এআই উইল নট রিপ্লেস ইউ রাদার এ পারসন ইউজিং এআই উইল আমি যদি আবার বলি এআই উইল নট রিপ্লেস ইউ রাদার এ পারসন ইউজিং এআই উইল তার মানে হচ্ছে গিয়ে এআই আমাকে সরাসরি রিপ্লেস করবে না কিন্তু একজন মানুষই আরেকজন মানুষকে রিপ্লেস করবে যেই মানুষটা এআই জানেন উনি আরেকজনকে রিপ্লেস করবেন যিনি এআই জানেন না তার মানে হচ্ছে গিয়ে আমাদেরকে এআই জানা শিখতে হবে আমাদের এআইটা বুঝতে হবে আমাদেরকে এআই টাকে আসলে নেক্সট লেভেলে নিতে পারতে হবে তো আমরা আসলে যেটা নিয়ে সবসময় আমরা চিন্তা করি যে না এই জেন এআই জেন এআই জিনিসটা কি এবং জেন এআই নিয়ে আসলে আমাদের কাজটা কিভাবে করছি সেটা নিয়ে আসলে যদি আমি একটু দেখাই যে জেন এআইটা আসলে আমি মনে করি যে এনভিডিয়া আমাদের এখন এনভিডিয়ার যে লার্নিং বিশেষ করে ডিপ লার্নিং ইনস্টিটিউটে আমাদের দেখা উচিত সেখানে কিন্তু ওরা আসলে অনেক অনেক অনেক চমৎকার অনেক ম্যাটেরিয়াল দেখে দিয়ে রেখেছে তো আমি এখানে যেটা বলতে পারি যে হোয়াট ইজ জেন এআই মানে আমি আসলে তার আগে যদি এই ব্যাপারটা বলি যে আমি ওখানে না হয় ওখান থেকে না হয় আমি আপনাকে বলতে পারি বাট আমি আপনাকে যদি ক্লিয়ারলি বলি যে জেনারেটিভ এআই টা ব্যাপারটা এরকম যে যেই এআইটা জেনারেট করছে মানে আপনি যদি ক্লিয়ারলি মাথায় নেন যে যেই এআইটা জেনারেট করতে পারছে সেটাই হচ্ছে জেনারেটিভ এআই মানে এটা কিন্তু খুবই খুবই ইজি ব্যাপার যে আগে আমরা কি করতাম আগে আমরা প্রেডিক্টিভ এআই করতাম বা ডিসক্রিমিনেটিভ এআই করতাম যে প্রেডিক্টিভ এআই এর ব্যাপারটা কি যে আমি ধরা যাক আমার একটা বড় একটা ইমেজ লাইব্রেরি আছে যেখানে আমি কুকুর বিড়াল তারপর হচ্ছে গিয়ে আমাদের অনেক ধরনের ডেটা আমি ট্রেন করে রেখেছি এখন আমি নতুন একটা ডেটা দিলাম নতুন একটা ধরা যাক একটা বিড়ালের ছবি দিলাম সেই মডেলটাকে তো সেই নতুন নতুন মডেলটা যখন সে পেল তখন কিন্তু সে তার যে ট্রেনিং ডেটা আছে সেই ট্রেনিং ডেটা থেকে সে প্যাটার্নটা বুঝে সে বের করতে চাইল যে আসলে আমি নতুন যেই ইমেজটা দিয়েছি মডেলে যেটা সে আগে কখনো দেখেনি সেই নতুন ইমেজটা আসলে কি তখন সে যদি এটা বিড়ালের ছবি হয় যেই ছবিটা দিয়ে কখনোই তাকে ট্রেন করা হয় নাই নতুন একটা ছবি সেই ছবিটা দেখে কিন্তু সে বলে দিবে যে না এটা আসলে প্যাটার্ন ম্যাচ করে এটা একটা বিড়ালের ছবি তার মানে হচ্ছে গিয়ে এটা একটা প্রেডিক্টিভ এআই মানে এটাকে সে প্রেডিক্ট করতে পারে সে এটাকে প্রেডিক্ট করে তারপর সেখান থেকে ফাইনালি একটা আমাকে আউটকাম দেয় যে এটা আসলে বিড়াল তার মানে হচ্ছে গিয়ে আমি ওকে যখন ফাংশনের মধ্যে এফএক্স ইকুয়ালস টু ওয়াই যখন আমি বলছি তার মানে হচ্ছে গিয়ে আমার ওয়াই তে আমি যে জিনিসটা দিচ্ছি আর আমার ফাংশন এক্স এর মধ্যে আমি যে জিনিসটা দিচ্ছি তার ইনপুট এবং আউটপুট এটার ভিত্তিতে যদি আমি বলি যে আমার ইনপুটের ট্রেনিং ডেটা আছে এবং আমি সেখানে যখন আমি বলছি যে এই জায়গাটাতে আমার ফাংশনটাকে আমি যখন কল করছি তখন কিন্তু আমাকে বলছি যে না আসলে দিস ইজ মাই ইনপুট ডেটা নতুন একটা ইমেজ দিলাম সেটা আসলে কি এই নতুন ইমেজটা দেখে কিন্তু সে বলছে যে উত্তর দিয়ে দিচ্ছে সেটা হচ্ছে ক্যাট সি এ টি ক্যাট তার মানে হচ্ছে গিয়ে এটা প্রেডিক্টিভ মডেল মানে আমি ওকে ইমেজ দিচ্ছি ইমেজে উত্তরে সে আমাকে একটা বিড়ালের নাম মানে আমাকে সি এ টি ক্যাট লিখে দিচ্ছে আর এখন যদি আমি জেনারেটিভ এআই এর কথা বলি জেনারেটিভ এআই কিন্তু প্রচুর অডিও ভিডিও তারপর হচ্ছে গিয়ে টেক্সট তারপর হচ্ছে গিয়ে তারপর হচ্ছে গিয়ে ইমেজ সবকিছু দিয়ে কিন্তু তাকে ট্রেন করা হয়েছে এখন আমি যদি তাকে বলি যে প্লিজ মেক এ অডিও অর মেক এ ভিডিও অর মেক এ ইমেজ অফ এ ক্যাট হুইচ উড বি লাইক সিএমএস ক্যাট হুইচ ইজ সিটিং অন এ ফ্লোর হুইচ ইজ সিটিং অন এ বারান্দা অর হুইচ ইজ সিটিং অন এ কাইন্ড অফ বেড এন্ড দা বেডশিট কালার শুড বি দিস অর দ্যাট অর সো ইউ ইউ হ্যাভ সেইড ইন টেক্সট যে আমি চাই তুমি আমার একটা বিড়ালের ছবি এঁকে দাও যে বিড়ালের ছবির মধ্যে বিড়ালটা হচ্ছে সিয়ামিস ক্যাট হবে তার কালারটা বেগুনী হবে বেগুনী কোন কালার আছে কিনা আমি জানিনা বিড়ালে বাট স্টিল কালো বিড়াল বা কিছু একটা তারপর হচ্ছে গিয়ে তার বেডশিটের রং হবে হচ্ছে গিয়ে নীল তারপর হচ্ছে গিয়ে পিছনের আয়না থাকবে আয়নার মধ্যে এটা থাকবে তুমি আমাকে একটা এরকম একটা ছবি জেনারেট করে দাও অথবা তুমি একটা ভিডিও জেনারেট করে দাও সো দিস ইজ দা জব অফ জেন এআই জেনারেটিভ এআই তখন কি করবে সেটার ভিত্তিতে তার ট্রেনিং ইনপুট ডেটার ভিত্তিতে সে কিন্তু ফাইনালি একটা ইমেজ বা ভিডিও জেনারেট করে দিবে যেটা কিন্তু আগে প্রেডিক্টিভ এআই তে বা ডিসক্রিমিনেটিভ এআই তে কিন্তু সে শুধু সি এ টি ক্যাট লিখে দিত বিকজ আমি তাকে ইনপুট হিসেবে আমি তাকে একটা নতুন একটা নেভার সিন ডেটা ক্যাট দিয়েছি নেভার সিন ডেটা ক্যাটটা দিয়েছি সে এটা বুঝে সে কিন্তু ফাইনালি একটা আউটকাম দিয়েছে কি আউটকাম সি এ টি জাস্ট একটা টেক্সট উত্তর দিয়ে দিয়েছে যে এটা একটা এটা একটা ক্যাট কিন্তু এখন জেন এআই কিন্তু ইজ গিভিং মি মোর গিভিং মি মোর ইন এ সেন্স যে আমি তাকে টেক্সটে একটা গল্প লিখে দিচ্ছি আমি টেক্সটে তাকে একটা গল্প লিখে দিচ্ছি এবং টেক্সটে এই গল্পটা লেখার সময় কিন্তু সে ফিগার আউট করতে পারছে উইথ দেয়ার অল ট্রেনিং ডেটা যে আসলে একটা প্যাটার্ন ম্যাচিং এ কিভাবে ফাইনাল আউটকাম হিসেবে একটা ইমেজ যেটার মধ্যে বিড়াল থাকবে ঘর থাকবে বেডশিট থাকবে অথবা একটা ভিডিও যে ভিডিওর মধ্যে এই সবকিছু কন্টেক্সট থাকবে সো দিস ইজ জেন এআই সো আমি যদি এখন এই এনভিডিয়ার এখানে যদি যাই তো ওখানে কিন্তু সে বলছে যে জেনারেটিভ এআই এনাবেলস ইউজার টু কুইকলি জেনারেট নিউ কন্টেন্ট বেসড অন এ ভ্যারাইটি অফ ইনপুটস ইনপুটস এন্ড আউটপুটস টু দিস মডেল ক্যান ইনক্লুড টেক্সট ইমেজেস সাউন্ডস এনিমেশন থ্রিডি মডেলস অর আদার টাইপ অফ ডেটা তার মানে হচ্ছে গিয়ে জেনারেটিভ এআই ক্যান টেক মেনি মেনি থিংস এবং যেহেতু সে ইনপুট হিসেবে সে সবকিছু নেয় আমি যদি তাকে একটা ইমেজ দিয়ে বলি ধরা যাক তাকে আমি ইমেজ দিয়ে বললাম যে এই ইমেজটার তুমি ব্যাকগ্রাউন্ডে ব্যাকগ্রাউন্ড কালারটা তুমি নীল করে দাও বা ব্যাকগ্রাউন্ড কালারটা এটা করে দাও সেটা করে দাও তুমি আমার ইমেজটাকে অল্টার করে দাও বা আমার যে ছবিটা আছে ধরা যাক আমার যে এখন একটা হেডশট আপনারা দেখছেন যে এটা আমার একটা হেডশট তো এই ছবিটা দিয়ে আমি জেনারেটিভ এআই কে বলতে পারি যে তুমি আমাকে একটা অফিশিয়াল একটা সেটিং এর ছবি দাও হয়তোবা আমি এখন একটা ড্রেস পরে আছি যেটা অফিশিয়াল সেটিং না হয়তোবা আমি একটা গেঞ্জি পরে আছি বা কিছু পরে আছি বাট আমি জেনারেটিভ এআই কে বলছি না তুমি আমাকে এই হেডশট সহ তুমি একটা ফরমাল ড্রেসের তুমি একটা আমাকে অফিশিয়াল ছবি তৈরি করে দাও সো দ্যাট ইজ দা জব অফ জেন এআই আদারওয়াইজ আমি যেটা করতাম সেটা হচ্ছে গিয়ে আমি অনেক মানুষের ছবি আছে একটা প্রেডিক্টিভ মডেলে যেটা হচ্ছে নরমাল এআই তে সেখানে আমার ছবি যেখানে ছিল না আমার ছবি যেই মডেলের ট্রেনিং এ ছিল না সেই আমার ট্রেনিং এর ছবির বাইরের একটা ছবি আমি প্রেডিক্টিভ এআই কে দিলে সে বলে দিতে পারবে যে হ্যাঁ আমি একটা মানুষ সে বলে দিতে পারবে আমি একটা মানুষ কারণ আমার প্যাটার্ন অন্যের সাথে মিলবে আমার প্যাটার্ন মিলবে অথবা যেটা হয় যে আমি আমার ছবি যদি সেই প্রেডিক্টিভ মডেলে থাকেও তাহলে সে বলে দিতে পারবে যে হ্যাঁ আমার নাম সে দিতে পারবে যে আমার ছবি ইনপুটে আমি দিলেই সে আউটপুট হিসেবে রকিবুল হাসান হিসেবে আমার নামটা দিয়ে দিবে তার মানে হচ্ছে গিয়ে এটা হচ্ছে গিয়ে কাইন্ড অফ প্রেডিক্টিভ মডেল সে প্রেডিক্ট করে বলে দিতে পারবে যে হ্যাঁ দিস ইজ মি বাট জেনারেটিভ এআই ইজ ইজ ডিফারেন্ট হোয়াট আই সেড টু ইউ বলা হচ্ছে এট দা সেইম টাইম আমার কাছে মনে হচ্ছে যে এই জেনারেটিভ এআই টা আসলে কিভাবে কাজ করে তার মধ্যে একটা বড় অংশ হচ্ছে গিয়ে আসলে জেনারেটিভ এআই মডেলস ইউজ নিউরাল নেটওয়ার্ক টু আইডেন্টিফাই দা প্যাটার্ন এন্ড স্ট্রাকচারস উইথইন এক্সিস্টিং ডেটা টু জেনারেট নিউ এন্ড অরিজিনাল কন্টেন্ট মানে তাকে একদম নতুন একটা কন্টেন্ট তাকে জেনারেট করতে হচ্ছে বা নিউ বা অরিজিনাল কন্টেন্ট এবং সেই কন্টেন্টগুলোই কিন্তু তার তার মডেলের মধ্যে ডিফারেন্ট লার্নিং লেভারেজটা সে নেয় সো এখানে আসলে অনেক ধরনের গল্প আছে বাট আমি আমি চিন্তা করছি যে আসলে এই জেনারেটিভ এআই নিয়ে আমার একটা বই লেখা উচিত যেহেতু আমাকে অনেকেই বলেছেন যে আই শুড নট স্টপ আই শুড নট স্টপ রাইটিং বিকজ আমি আসলে সত্যি কথা বলতে আমি টেকনোলজি বই লিখতে চাইনি কখনোই আমি ফিকশন বই লিখতে চেয়েছি আমি মাই এইম ওয়াজ টু রাইট ফিকশন দ্যাট মিন্স রাইট স্টোরিজ নোভেলস এভরিথিং বাট দেন আই গেট ইনটু আই গট ইনটু দিস বিকজ আই থট যে আসলে এই নতুন যে প্রযুক্তি আমাদের নতুন প্রজন্মদেরকে জানাতে হবে শেখাতে হবে যাতে তাদের তাদের লাইফে তারা এই ধরনের প্রযুক্তিগুলোকে কামলা হিসেবে ব্যবহার করে বা তাদের প্রযুক্তি তাদেরকে সহযোগী হিসেবে ব্যবহার করে যাতে তাদের লাইফে তারা চাকরি না হারায় বা তাদের যেই জিনিসটা তারা আনস্কিল না থাকে সো সেজন্যই আসলে এত এত গল্প সো আমার কাছে যেটা মনে হয় যে আই এম স্টিল ফাইন্ডিং টাইম হাউ শুড আই রাইট দিস জেনারেটিভ এআই বুক বিকজ আমি এটা বিশ্বাস করি এটা আমি বিশ্বাস করি যে জেনারেটিভ এআই বই পড়ার আগে বা জেনারেটিভ এআই নিয়ে আসলে জেনারেটিভ এআই নিয়ে যারাই আসলে জেনারেটিভ এআই নিয়ে পড়াশোনা করতে চান বা জেনারেটিভ এআই নিয়ে যারা কাজ করতে চান তাদের জন্য এই বইটা আমি মনে করি যে দিস ইজ দা বুক এভরিবডি শুড রিড বিকজ জেনারেটিভ এআই ডিপেন্ডস অন অর জেনারেটিভ এআই কিন্তু পুরোপুরি ডিপেন্ড করে আছে নিউরাল নেটওয়ার্কের উপরে ডিপ লার্নিং এর উপরে নিউরাল নেটওয়ার্ক ডিপ লার্নিং এর উপরে নিউরাল নেটওয়ার্ক এবং ডিপ লার্নিং যদি আমরা না জানি তাহলে কিন্তু এই জেনারেটিভ এআই টা বোঝাটা কষ্ট হবে এবং জেনারেটিভ আই এআই ইজ নাথিং বাট দিস ট্রান্সফর্মার আমি আগেও বলেছি যে জেনারেটিভ এআই ইজ নাথিং বাট ট্রান্সফর্মার আজকে জিপিটি বলছি জিপিটি ইজ অল এবাউট যে জেনারেটিভ প্রিট্রেইনড ট্রান্সফর্মার সো আপনি দেখতে পাচ্ছেন যে রিকারেন্ট নিউরাল নেটওয়ার্ক থেকে ট্রান্সফর্মার এই যে একটা জিনিস যে কিভাবে ট্রান্সফর্মার লেভেলে পৌঁছানো যায় সেই আন্ডারস্ট্যান্ডিংটা কিন্তু আমাদেরকে পেতে হবে যে কিভাবে ট্রান্সফর্মার কাজ করে বা এটেনশন অল ইউ নিড এই পেপারগুলো পড়তে হবে যে কিভাবে আসলে ট্রান্সফর্মার ওই লেভেলে চলে গেছে সো আসলে দিনশেষে অবভিয়াসলি আই প্ল্যান টু রাইট দা বুক অন জেনারেটিভ এআই বিকজ দিস ইজ দা ফিউচার এন্ড দিস ইজ গোইং টু চেঞ্জ আওয়ার হোল পারসপেক্টিভ আর আজকে এই পর্যন্তই থাকছেন তো সামনে |
রোড টু হাইটেক ইন্ডাস্ট্রি | Road to High-tech Industry How to Make Learning Machine বাংলা.mp3 | কৃত্রিম বুদ্ধিমত্তা নিয়ে কাজ করার সময় সবচেয়ে প্রথম যে জিনিসটা আমরা বুঝতে পারি যে আসলে আমাদের ব্রেইন মানে আমাদের হিউম্যান ব্রেইন কিভাবে কাজ করে এবং হিউম্যান ব্রেইন থেকে কিভাবে আমরা এটাকে মিমিক করে নিয়ে আসছি একটা লেভেলে যেখানে আমরা আসলে বুঝতে পারি যে মানুষের যে নিউরন আছে মানে আমাদের হিউম্যান ব্রেইনের যে নিউরন আছে সেই নিউরনটা আসলে কিভাবে কাজ করে আর এই নিউরনটাকে আমরা যখন রিয়েলি আমরা সেই নিউরনটাকে একটা লেভেলে যখন আনলাম তখন আমাদেরকে বুঝতে চাই যে আসলে আমাদের এই হিউম্যান ব্রেইন যখন মিমিক করছি টু দা আর্টিফিশিয়াল নিউরন সেই আর্টিফিশিয়াল নিউরনটা আসলে কিভাবে কাজ করছে সেটা নিয়ে আজকে আলাপ তবে এটা ঠিক যে এই হাতে কলমে পাইথন ডিপ লার্নিং বইটা লেখার সময় আমার যে জিনিসটা সবসময় মনে হচ্ছে যে এই হিউম্যান ব্রেইন যে কিভাবে কাজ করে এবং হিউম্যান ব্রেইনের পাশাপাশি আমাদের আর্টিফিশিয়াল ব্রেইনটা কিভাবে কাজ করবে সেটা নিয়ে আমরা দেখছিলাম যে আসলে এটা কিভাবে থিংকিং মেশিন বানানো যায় এবং থিংকিং মেশিন বানাতে গিয়ে কিন্তু আসলে আমরা দেখছিলাম যে ঝিঝি পোকার যে গল্পটা এবং ঝিঝি পোকার থার্মোমিটার আপনি মনে আছে যে এই যে ঝিঝি পোকার থার্মোমিটারের যে গল্পটা এই ঝিঝি পোকার থার্মোমিটার গল্পটা কিন্তু আমরা এনেছিলাম যে যাতে কিভাবে একটা থিংকিং মেশিন মানে কিভাবে একটা যন্ত্র কে থিংকিং মেশিনে ফেলা যায় এবং কিভাবে একটা যন্ত্র আসলে ফাইনালি মানুষের মত করে সিদ্ধান্ত দিতে পারে বা একটা প্রেডিক্ট করতে পারে বা সামনে ও যাতে নতুন একটা সমস্যা তাকে দিলে সেই সমস্যাটাকে সমাধান করতে পারে আর সেজন্যই কিন্তু এই পাইথনের এই বইটা লেখা মানে পাইথনের এই ডিপ লার্নিং বইটা লেখা একটাই কারণে যে হিউম্যান কিভাবে চিন্তা করে এবং হিউম্যানের চিন্তাটা কিভাবে মেশিনকে দেওয়া যায় এবং মেশিন কিভাবে হিউম্যানের যে আন্ডারস্ট্যান্ডিংটা আছে সেই আন্ডারস্ট্যান্ডিংটা দিতে পারে সেটা নিয়েও কিন্তু এখানে একটা বড় আলাপ আমি করেছি তবে একটা জিনিস কি যে কিভাবে ব্রেইন ওয়ার্ক করে সেই ব্রেইন ওয়ার্ক করে ওয়ার্কের আগে আমাকে বুঝতে হবে যে আমরা আসলে যেই সমস্যাটার সমাধান করতে যাচ্ছি সেই সমস্যাটার সমাধান আসলে ফলাফলটা কি আসলে আমাদের একটা কৃত্রিম ব্রেইন বানায়ে কি হবে কিনা আর সেজন্য আমি এই বইটাতে আমি বিশেষ করে এই বইটাতে কিন্তু এটাই বলেছি যেহেতু বইটা বেশ মোটা 400 পেজের বই মানে এই বইটাতে আমি এটাই বলার চেষ্টা করেছি যে একটা কৃত্রিম ব্রেইন একটা কৃত্রিম ব্রেইন কিভাবে আমাদের সমস্যাটা সমাধান করতে পারে এবং সেই কৃত্রিম ব্রেইনটা যখন আমাদের ফলাফলটা দেখাচ্ছে সেই ফলাফলটাই কিন্তু আমরা এখানে বলার চেষ্টা করেছি আর এর পাশাপাশি আরেকটা জিনিস হচ্ছে গিয়ে মানুষ কিভাবে সিদ্ধান্ত নেয় তার একটা বড় অংশ আমি এখানে দেখিয়েছি যে ডিপ লার্নিং এর যে লেয়ারিং কনসেপ্ট এই লেয়ারিং কনসেপ্ট কিন্তু হিউম্যান ব্রেইন থেকে এসছে এবং হিউম্যান ব্রেইন আসলে কিভাবে কাজ করে তার যে পার্সপেক্টিভটা এখানে আমরা বলার চেষ্টা করেছি যে একটা লেয়ার বা কয়েকটা লেয়ার আসলে কিভাবে এখানে কাজ করতে পারে এবং লেয়ারগুলোই কিন্তু আসলে ফাইনালি আমাকে কিন্তু অ্যাবস্ট্রাকশন দেয় যে ধরা যাক আমাদের যন্ত্রকে বললাম যে আমি হচ্ছে মানুষ কিন্তু যন্ত্র আমার এটার এইজ এটার এইজ এখানকার এইজ বা মুখের এইজ বা আমার চশমা আমার চোখ চোখের এইজ এইসব কিছু দেখে কিন্তু ফাইনালি একেকটা অ্যাবস্ট্রাকশন থেকে কিন্তু বুঝতে পারে যে আসলে এটা মানুষ না এটা হচ্ছে গিয়ে রকিব সো এই যে একটা আন্ডারস্ট্যান্ডিং এই আন্ডারস্ট্যান্ডিংটা কিন্তু যন্ত্রকে পেতে হবে এবং যন্ত্রকে পাওয়ার জন্যই কিন্তু এই এতগুলো বই লেখা আটটা বই লেখা এবং সেটার মধ্যে হাতে কলমে পাইথন ডিপ লার্নিং বইটা কিন্তু আপনারা পড়লে বুঝতে পারবেন যে কিভাবে হিউম্যান ব্রেইন আস্তে আস্তে মাইগ্রেট করলো হচ্ছে গিয়ে যান্ত্রিক ব্রেইনে আজকে এই পর্যন্তই থাকছেন তো সামনে |
Subsets and Splits