মেশিন লার্নিং-এর জন্য কতটুকু গণিত লাগে?

ছোট উত্তর: এটি নির্ভর করে আপনার লক্ষ্যের উপর। AI টুল ব্যবহার করতে প্রায় কোনো গণিত লাগে না। AI application বানাতে সামান্য লাগে। machine learning engineer হতে হলে linear algebra, probability, statistics ও calculus-এর শক্ত basics দরকার, আর researcher-এর লাগে আরও অনেক বেশি। ভালো খবর হলো, basics এত ছোট যে coding-এর পাশাপাশি শেখা যায়।

লক্ষ্য অনুযায়ী কতটুকু গণিত?

আপনার লক্ষ্য	গণিতের স্তর	এর মানে কী
AI টুল ব্যবহার (ChatGPT, ইমেজ টুল)	প্রায় নেই	পরিষ্কার চিন্তা আর "এই উত্তর কতটা নিশ্চিত?" বোঝার ক্ষমতা
AI engineer (LLM-এর উপর app বানানো)	হালকা	Vector, probability-র ধারণা, মূল্যায়নের জন্য basic statistics
Machine learning engineer	মাঝারি	নিচের চারটি ক্ষেত্রই কাজ চালানোর স্তরে, সঙ্গে code করে দেখা
Researcher	গভীর	চারটি ক্ষেত্রেই বিশ্ববিদ্যালয় স্তরের প্রমাণ ও তত্ত্ব, এবং আরও বেশি

পথ বাছাই করতে থাকলে AI Engineer হওয়ার রোডম্যাপ দেখুন; সেখানে অন্য দক্ষতার মধ্যে গণিত কোথায় বসে তা আছে।

চারটি ক্ষেত্র, প্রতিটির একটি করে উদাহরণ

১. Linear algebra: vector ও matrix

Vector হলো সংখ্যার একটি তালিকা; matrix হলো সংখ্যার ছক। Dot product দুটি vector-এর প্রতিটি অবস্থানের সংখ্যা গুণ করে যোগ করে; এটি মাপে তারা কতটা একই দিকে আছে। কোথায় আসে: embedding একটি বাক্যকে vector বানায়, আর dot product বা cosine similarity বলে দুটি বাক্য কতটা মিল। Neural network ভেতরে ভেতরে অনেকগুলো matrix গুণ। শুরু করুন Vectors for AI দিয়ে।

২. Probability

Probability বলে কোনো ঘটনা কতটা সম্ভব, ০ (অসম্ভব) থেকে ১ (নিশ্চিত)। কোথায় আসে: language model প্রতিটি সম্ভাব্য পরবর্তী শব্দকে একটি probability দেয় এবং একটি বেছে নেয়। temperature সেটিংটি ঠিক করে সেই বাছাই কতটা দুঃসাহসী হবে। spam classifier যখন বলে "৯৩% spam", সেটিও একটি probability।

৩. Statistics

Statistics হলো ডেটা থেকে শেখা: গড়, ছড়ানো (variance), distribution, sample, আর কোনো ফল আসল নাকি কাকতালীয় তা বোঝা। কোথায় আসে: ২০০টি উদাহরণে model পরীক্ষা করে ৯০% স্কোর পেলে, সেই সংখ্যাকে কতটা বিশ্বাস করবেন তা statistics বলে দেয়। এটি ডেটার পক্ষপাত ধরতে এবং correlation ও causation গুলিয়ে ফেলা এড়াতেও সাহায্য করে। দেখুন mean, median, variance ও standard deviation।

৪. Calculus: derivative ও gradient

Derivative বলে কোনো কিছু কত দ্রুত বদলাচ্ছে; gradient একই ধারণা, তবে একসঙ্গে অনেক input-এর জন্য। কোথায় আসে: model train করা মানে তার error কমানো। Gradient descent gradient ব্যবহার করে ঠিক করে প্রতিটি weight কোন দিকে সামান্য সরালে error কমবে, তারপর হাজার বার এটি পুনরাবৃত্তি করে। কঠিন integral সমাধান করার দরকার নেই। পড়ুন Gradient Descent Explained।

ধারণাটির একটি ছোট নমুনা code-এ দেখুন। এটি f(x) = (x - 3)^2 ন্যূনতম করে, যার derivative 2(x - 3):

x = 0.0
learning_rate = 0.1

for step in range(50):
    gradient = 2 * (x - 3)      # derivative of (x - 3)**2
    x = x - learning_rate * gradient

print(round(x, 3))  # close to 3.0

কী দরকার আর শুরুতে কী বাদ দিতে পারেন

ক্ষেত্র	প্রথমে যা দরকার	আপাতত বাদ দেওয়া নিরাপদ
Linear algebra	Vector, matrix, dot product, matrix-এর shape	Eigen-decomposition-এর প্রমাণ, abstract vector space
Probability	মৌলিক নিয়ম, conditional probability, distribution	Measure theory, উন্নত stochastic process
Statistics	Mean, variance, normal distribution, sampling, evaluation metric	ভারী hypothesis-testing তত্ত্ব
Calculus	Derivative-এর ধারণা, gradient, gradient descent	কঠিন integration, multivariable প্রমাণ

Coding-এর পাশাপাশি গণিত শেখার উপায়

1. একটি ধারণা শিখুন, তারপর code করুন। dot product পড়ার পর Python-এ পাঁচ লাইনে লিখে পরীক্ষা করুন।

2. দরকারের সময় শিখুন। embedding দেখলে vector শিখুন, training দেখলে derivative শিখুন। উদ্দেশ্য থাকলে গণিত মনে থাকে।

3. সেশন ছোট রাখুন। দিনে মনোযোগী ৩০ মিনিট সপ্তাহান্তের ম্যারাথনের চেয়ে ভালো।

4. সহজ ভাষার পথ বেছে নিন। Maths for AI: Why and How Much চ্যাপ্টারটি ভালো শুরু।

সাধারণ ভুল

• "যথেষ্ট গণিত জানা" পর্যন্ত অপেক্ষা করা। এখনই coding শুরু করুন, দরকার মতো গণিত শিখুন।

• ধারণা না বুঝে সূত্র মুখস্থ করা। প্রতিবার জিজ্ঞেস করুন, "এই সংখ্যাটির মানে কী?"

• মোটা পাঠ্যবই দিয়ে শুরু করা। ছোট, ব্যবহারিক পাঠ দিয়ে শুরু করুন, গভীরতা পরে যোগ করুন।

মূল কথা

শুরু করতে গণিত লাগে মানুষের ভয়ের চেয়ে অনেক কম; লক্ষ্য বড় হলে তবেই বেশি লাগে। vector, probability, basic statistics ও gradient-এর ধারণা শিখুন এবং প্রতিটি code-এ অনুশীলন করুন।

---

শুরু করতে চান? AI-তে যে vector, probability, statistics ও gradient-এর ধারণা কাজে লাগে, সহজ ভাষায় ঠিক সেগুলোই এখানে আছে। শুরু করুন ফ্রি কোর্স AI-এর জন্য গণিত ও পরিসংখ্যান: মূল বিষয় দিয়ে।