মেশিন লার্নিং ক্লাসিফিকেশন অ্যালগরিদম কোর্স

পাঠ 1 • ডেটা রিপ্রেজেন্টেশন ও প্রিপ্রসেসিং

ক্লাসিফায়ারের জন্য ডেটাসেট প্রস্তুত করতে এনকোডিং, স্কেলিং এবং অনুপস্থিত মান হ্যান্ডলিং কভার করে। এটি সরাসরি মডেলের নির্ভুলতাকে প্রভাবিত করে এবং যেকোনো অ্যালগরিদম প্রয়োগের আগে প্রয়োজন।

পাঠ 2 • মেশিন লার্নিং ওয়ার্কফ্লো

কাঁচা ডেটা থেকে ডিপ্লয়ড মডেল পর্যন্ত এন্ড-টু-এন্ড পাইপলাইন ধাপে ধাপে বোঝানো হয়েছে। একটি পুনরাবৃত্তিমূলক ফ্রেমওয়ার্ক প্রদান করে যা শিক্ষার্থীরা পরবর্তী প্রতিটি অধ্যায়ে প্রয়োগ করবে।

পাঠ 3 • ডেভেলপমেন্ট এনভায়রনমেন্ট সেটআপ

ডেটা ম্যানিপুলেশন ও মডেলিংয়ের জন্য মূল লাইব্রেরিসহ পাইথন-ভিত্তিক টুলিং কনফিগার করে। শিক্ষার্থীদের সমস্ত কোর্স অনুশীলন তাৎক্ষণিকভাবে চালানোর জন্য একটি কার্যকর পরিবেশ প্রদান করে।

পাঠ 4 • ক্লাসিফিকেশনের জন্য গাণিতিক পূর্বশর্ত

ক্লাসিফায়ার বোঝার জন্য অপরিহার্য প্রোবাবিলিটি, লিনিয়ার অ্যালজেব্রা ও ক্যালকুলাসের ধারণাগুলো পর্যালোচনা করে। পরবর্তী অধ্যায়গুলোতে শিক্ষার্থীরা যাতে অ্যালগরিদমের ডিরিভেশন অনুসরণ করতে পারে তা নিশ্চিত করে।

পাঠ 1 • কনফিউশন ম্যাট্রিক্স ব্যাখ্যা

সমস্ত ক্লাসিফিকেশন মেট্রিক্সের ভিত্তি হিসেবে কনফিউশন ম্যাট্রিক্স পরিচয় করিয়ে দেয়। কাঁচা প্রেডিকশন গণনাকে কার্যকরী কর্মদক্ষতার অন্তর্দৃষ্টির সাথে সংযুক্ত করে।

পাঠ 2 • বায়াস, ভ্যারিয়েন্স ও ওভারফিটিং

বায়াস-ভ্যারিয়েন্স ট্রেড-অফ এবং জেনারেলাইজেশনে এর প্রভাব ব্যাখ্যা করে। যেকোনো অ্যালগরিদম টিউন করার আগে শিক্ষার্থীদের আন্ডারফিটিং ও ওভারফিটিং নির্ণয়ের জন্য প্রস্তুত করে।

পাঠ 3 • থ্রেশহোল্ড-ভিত্তিক ও র‌্যাঙ্কিং মেট্রিক্স

প্রোবাবিলিটি আউটপুটকারী ক্লাসিফায়ারের জন্য ROC কার্ভ, AUC ও প্রিসিশন-রিকল কার্ভ কভার করে। থ্রেশহোল্ড টিউনিংয়ের প্রয়োজন এমন পরিস্থিতিতে মেট্রিক জ্ঞান সম্প্রসারিত করে।

পাঠ 4 • ক্রস-ভ্যালিডেশন কৌশল

নির্ভরযোগ্য কর্মদক্ষতা অনুমান তৈরি করতে কে-ফোল্ড, স্ট্র্যাটিফাইড ও লিভ-ওয়ান-আউট ক্রস-ভ্যালিডেশন শেখায়। একটি একক ট্রেন-টেস্ট বিভাজনে ওভারফিটিং প্রতিরোধ করে।

পাঠ 1 • ম্যাক্সিমাম লাইকলিহুড ও লগ-লস

ম্যাক্সিমাম লাইকলিহুড এস্টিমেশন থেকে লগ-লস উদ্দেশ্য ডিরাইভ করে। গণিতকে অপ্টিমাইজেশন প্রক্রিয়ার সাথে সংযুক্ত করে যা শিক্ষার্থীরা ট্রেনিংয়ে প্রয়োগ করবে।

পাঠ 2 • মাল্টিক্লাস লজিস্টিক রিগ্রেশন

OvR ও softmax কৌশল ব্যবহার করে বাইনারি লজিস্টিক রিগ্রেশনকে মাল্টিক্লাস সমস্যায় সম্প্রসারিত করে। দুইটির বেশি টার্গেট ক্লাসের ডেটাসেটের জন্য শিক্ষার্থীদের প্রস্তুত করে।

পাঠ 3 • লিনিয়ার রিগ্রেশন থেকে লজিস্টিক রিগ্রেশন

ক্লাসিফিকেশনের জন্য লিনিয়ার রিগ্রেশন কেন ব্যর্থ হয় এবং সিগময়েড ফাংশন কীভাবে তা ঠিক করে তা দেখায়। লজিস্টিক রিগ্রেশনের কেন্দ্রীয় প্রোবাবিলিস্টিক ব্যাখ্যা প্রতিষ্ঠা করে।

পাঠ 4 • লজিস্টিক মডেল ব্যাখ্যা ও ডিপ্লয় করা

কোএফিশিয়েন্ট ব্যাখ্যা, অডস রেশিও ও প্রশিক্ষিত মডেল এক্সপোর্ট করা কভার করে। মডেল বিল্ডিংকে ব্যবহারিক ডিপ্লয়মেন্ট ও স্টেকহোল্ডার যোগাযোগের সাথে সেতুবন্ধন করে।

পাঠ 1 • রুল এক্সট্রাকশন ও ব্যাখ্যাযোগ্যতা

প্রশিক্ষিত ট্রি থেকে মানব-পাঠযোগ্য ইফ-দেন রুল কীভাবে বের করতে হয় তা দেখায়। ট্রি আউটপুটকে ব্যবসায়িক যুক্তি ও কমপ্লায়েন্স প্রয়োজনীয়তার সাথে সংযুক্ত করে।

পাঠ 2 • ট্রি থেকে ফিচার ইম্পরট্যান্স

ইম্পিউরিটি হ্রাসের ভিত্তিতে ট্রি কীভাবে ফিচার ইম্পরট্যান্স স্কোর গণনা করে তা ব্যাখ্যা করে। শিক্ষার্থীদের ফিচার সিলেকশন ও মডেল ব্যাখ্যার জন্য একটি অন্তর্নির্মিত সরঞ্জাম দেয়।

পাঠ 3 • স্প্লিটিং ক্রাইটেরিয়া: Gini ও Entropy

সেরা স্প্লিট নির্বাচনের পরিমাপক হিসেবে Gini ইম্পিউরিটি ও ইনফরমেশন গেইন ডিরাইভ করে। প্রতিটি নোডে এই ক্রাইটেরিয়া কীভাবে লার্নিং অ্যালগরিদম চালায় তা ব্যাখ্যা করে।

পাঠ 4 • ট্রিতে ওভারফিটিং নিয়ন্ত্রণ

ওভারফিটিং কমাতে প্রি-প্রুনিং হাইপারপ্যারামিটার ও পোস্ট-প্রুনিং কৌশল কভার করে। অধ্যায় ২ থেকে বায়াস-ভ্যারিয়েন্স ধারণা ট্রি-নির্দিষ্ট নিয়ন্ত্রণে প্রয়োগ করে।

পাঠ 1 • স্ট্যাকিং ও ব্লেন্ডিং এনসেম্বল

বেস ক্লাসিফায়ার আউটপুটের উপর দ্বিতীয়-স্তরের মডেল প্রশিক্ষণ দিয়ে মেটা-লার্নিং শেখায়। প্রেডিক্টিভ শক্তি সর্বাধিক করে এমন নমনীয় আর্কিটেকচারে এনসেম্বল জ্ঞান সম্প্রসারিত করে।

পাঠ 2 • XGBoost ও LightGBM

রেগুলারাইজেশন ও গতি উন্নতি সহ অপ্টিমাইজড গ্রেডিয়েন্ট বুস্টিং লাইব্রেরি পরিচয় করিয়ে দেয়। প্রতিযোগিতা-গ্রেড ও প্রোডাকশন-গ্রেড ক্লাসিফিকেশন টাস্কের জন্য শিক্ষার্থীদের প্রস্তুত করে।

পাঠ 3 • গ্রেডিয়েন্ট বুস্টিং মেশিন

ফাংশন স্পেসে গ্রেডিয়েন্ট ডিসেন্ট ব্যবহার করে অনুক্রমিক রেসিডুয়াল ফিটিং হিসেবে গ্রেডিয়েন্ট বুস্টিং ডিরাইভ করে। আধুনিক উচ্চ-কর্মদক্ষতা ক্লাসিফায়ারের পেছনের মূল অ্যালগরিদম ব্যাখ্যা করে।

পাঠ 4 • র‌্যান্ডম ফরেস্ট গভীরভাবে

র‌্যান্ডম ফরেস্টে বুটস্ট্র্যাপ অ্যাগ্রিগেশন, র‌্যান্ডম ফিচার সাবসেট ও মেজরিটি ভোটিং কভার করে। অধ্যায় ৪ থেকে ডিসিশন ট্রি জ্ঞানের উপর সরাসরি ভিত্তি করে।

পাঠ 1 • গ্রিড ও র‌্যান্ডম সার্চ দিয়ে SVM টিউনিং

SVM ক্লাসিফায়ারের জন্য C ও গামা অপ্টিমাইজ করতে হাইপারপ্যারামিটার সার্চ কৌশল প্রয়োগ করে। SVM প্রসঙ্গে অধ্যায় ২ থেকে ক্রস-ভ্যালিডেশন দক্ষতা শক্তিশালী করে।

পাঠ 2 • সফট-মার্জিন SVM ও C প্যারামিটার

অ-বিভাজনযোগ্য ডেটা হ্যান্ডল করতে স্ল্যাক ভ্যারিয়েবল ও C রেগুলারাইজেশন প্যারামিটার পরিচয় করিয়ে দেয়। SVM টিউনিংকে অধ্যায় ২ থেকে বায়াস-ভ্যারিয়েন্স ট্রেড-অফের সাথে সংযুক্ত করে।

পাঠ 3 • মাল্টিক্লাস ও ভারসাম্যহীন ডেটার জন্য SVM

SVM-কে মাল্টিক্লাস সেটিংসে সম্প্রসারিত করে এবং ক্লাস ওয়েট দিয়ে ক্লাস ভারসাম্যহীনতা সমাধান করে। বাস্তবসম্মত, ভারসাম্যহীন ক্লাসিফিকেশন সমস্যায় SVM প্রয়োগ করতে শিক্ষার্থীদের প্রস্তুত করে।

পাঠ 4 • ম্যাক্সিমাম মার্জিন ক্লাসিফিকেশন

হার্ড-মার্জিন SVM উদ্দেশ্য ডিরাইভ করে এবং সাপোর্ট ভেক্টর জ্যামিতিকভাবে ব্যাখ্যা করে। সফট-মার্জিন ও কার্নেল এক্সটেনশন বোঝার জন্য প্রয়োজনীয় ধারণা প্রদান করে।

পাঠ 1 • প্রোবাবিলিস্টিক ও ইনস্ট্যান্স-ভিত্তিক মডেল তুলনা

লজিস্টিক রিগ্রেশন ও ট্রি-ভিত্তিক মডেলের বিপরীতে নাইভ বেইস ও KNN-কে বেঞ্চমার্ক করে। প্রদত্ত সমস্যা প্রোফাইলের জন্য সঠিক ক্লাসিফায়ার নির্বাচনে শিক্ষার্থীদের গাইড করে।

পাঠ 2 • KNN-এ স্কেলিং ও দক্ষতা

KNN-এর কম্পিউটেশনাল খরচ ও প্রতিবেশী অনুসন্ধান দ্রুত করার কৌশল সম্বোধন করে। শিক্ষার্থীরা ব্যবহারিক আকারের ডেটাসেটে KNN প্রয়োগ করতে সক্ষম হয় তা নিশ্চিত করে।

পাঠ 3 • কে-নিয়ারেস্ট নেইবারস অ্যালগরিদম

KNN ডিসিশন রুল, ডিসট্যান্স মেট্রিক্স ও বাউন্ডারিতে k-এর প্রভাব ব্যাখ্যা করে। একটি নন-প্যারামেট্রিক বেসলাইন প্রদান করে যার কোনো স্পষ্ট ট্রেনিং পর্বের প্রয়োজন নেই।

পাঠ 4 • টেক্সট ক্লাসিফিকেশনের জন্য নাইভ বেইস

ব্যাগ-অফ-ওয়ার্ডস ও TF-IDF রিপ্রেজেন্টেশনে মাল্টিনোমিয়াল নাইভ বেইস প্রয়োগ করে। ন্যাচারাল ল্যাঙ্গুয়েজ টাস্কের জন্য একটি ব্যবহারিক, উচ্চ-গতির ক্লাসিফায়ার প্রদর্শন করে।

পাঠ 1 • Scikit-learn পাইপলাইন তৈরি

প্রিপ্রসেসিং ও মডেলিং ধাপগুলোকে একটি একক পাইপলাইন অবজেক্টে আবদ্ধ করে। ডেটা লিকেজ প্রতিরোধ করে এবং ক্রস-ভ্যালিডেশন ও ডিপ্লয়মেন্ট ওয়ার্কফ্লো সরল করে।

পাঠ 2 • অটোমেটেড মেশিন লার্নিং সংক্ষিপ্ত বিবরণ

অ্যালগরিদম নির্বাচন ও হাইপারপ্যারামিটার সার্চ স্বয়ংক্রিয় করে এমন AutoML টুল পরিচয় করিয়ে দেয়। বোঝার প্রতিস্থাপন হিসেবে নয়, উৎপাদনশীলতার সরঞ্জাম হিসেবে অটোমেশনকে অবস্থান করে।

পাঠ 3 • পরিসংখ্যানগত মডেল তুলনা

মডেলগুলোর মধ্যে কর্মদক্ষতার পার্থক্য পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ কিনা তা নির্ধারণ করতে পরিসংখ্যানগত পরীক্ষা প্রয়োগ করে। প্রকৃত উন্নতির পরিবর্তে নয়েজের ভিত্তিতে মডেল নির্বাচন প্রতিরোধ করে।

পাঠ 4 • চূড়ান্ত মডেল নির্বাচন ও ডকুমেন্টেশন

প্রোডাকশন মডেল নির্বাচন ও পছন্দ ডকুমেন্ট করার জন্য একটি সিদ্ধান্ত ফ্রেমওয়ার্ক স্থাপন করে। কারিগরি ও ব্যবসায়িক স্টেকহোল্ডারদের কাছে মডেল নির্বাচনের ন্যায্যতা প্রমাণ করতে শিক্ষার্থীদের প্রস্তুত করে।