Explore the latest information technology with Eiconik Academy. Develop your career through your skill. We are here to show you your career path.
Please See First our upcoming courses or visit our website. Eiconik Academy is one of the best it training institute in Bangladesh. We provide emerging technology like Machine Learning, Neural network, Computer Vision BlockChain and Deep Learning opportunities with practical learning and internee facilities collaborating with Indian industry-leading AI organizations. Which is absent in the local f
15/11/2022
আপনি কিভাবে একটি Random Forest Model নির্মাণ করবেন?
একটি random forest অনেক decision tree এর সমন্বয়ে নির্মিত। আপনি যদি data-কে বিভিন্ন প্যাকেজে বিভক্ত করেন এবং ডেটার বিভিন্ন গ্রুপের প্রতিটিতে একটি decision tree তৈরি করেন,random forest সেই সমস্ত tree-কে একত্রিত করে।
একটি random forest model নির্মাণের পদক্ষেপ:
(১) মোট 'm' বৈশিষ্ট্য(features) থেকে এলোমেলোভাবে 'k' বৈশিষ্ট্য(features) নির্বাচন করুন যেখানে k
13/11/2022
Big Final!!!
Who will win the last battle?
Pakistan or England!!
Can Rizwan and Babar make a good start for Pakistan against English Lions? Or Hales & Buttler will get a match winning Innings against "Men in Green" ?
08/11/2022
"Decision tree" তৈরির ধাপগুলো ব্যাখ্যা কর:
(1)ইনপুট হিসাবে সম্পূর্ণ ডেটা সেট নিন।
(2)এখন 'Target variable' এর এনট্রপি(entropy) গণনা করুন, সেইসাথে predictor attributes-গুলিও।
(3)সমস্ত attributes-এর আপনার তথ্য লাভের হিসাব করুন (আমরা একে অপরের থেকে বিভিন্ন বস্তু বাছাই করার তথ্য লাভ করি)।
(4)এবার Root node হিসাবে সর্বাধিক তথ্য লাভ(information gain) সহ attribute চয়ন করুন।
(5)প্রতিটি শাখার decision node চূড়ান্ত না হওয়া পর্যন্ত প্রতিটি শাখায(branch) এ একই পদ্ধতি পুনরাবৃত্তি করুন।
06/11/2022
T20 World Cup Group B points table: Can you guess? Which 2 teams from B Group will make it to Semi-final in this T-20 World Cup?
Have your favourite team have any hope of going to semi?
27/10/2022
পিএইচপির ভবিষ্যত সুযোগ এবং কর্মজীবনের সুযোগ কিরূপ?
1. ওয়েব ডেভেলপমেন্ট ক্যারিয়ার(Web development Career):
প্রাথমিকভাবে, PHP এর ভবিষ্যত সুযোগ ওয়েব ডেভেলপমেন্টে থাকে। তারা ইন্টারনেটের জন্য ওয়েবসাইট এবং অ্যাপ্লিকেশন ডিজাইন, তৈরি এবং রক্ষণাবেক্ষণের জন্য দায়ী। একটি ডাটাবেস সহ পিএইচপি ইন্টারেক্টিভ এবং গতিশীল ওয়েবসাইট এবং অ্যাপ্লিকেশন তৈরি করতে পারে।
2. ডাটাবেস প্রশাসক(Database Administrator):
ডাটাবেস ডাটা সংগঠিত এবং পরিচালনার সাথে কাজ করে। পিএইচপি ডাটাবেস ব্যবস্থাপনা সুবিধাজনক করে তোলে। পিএইচপি ব্যবহার করে, আপনি ডাটাবেসের সাথে সংযোগ করতে এবং ম্যানিপুলেট করতে পারেন। সার্ভার-সাইড ল্যাঙ্গুয়েজ, পিএইচপি আপনাকে ডাটাবেসের সাথে ইন্টারঅ্যাক্ট করতে দেয়। পিএইচপি ডাটাবেস ম্যানেজমেন্ট সিস্টেম তৈরির জন্য সুবিধাজনকভাবে ব্যবহার করা হয়।
3. স্বপ্ন বুনন ব্যবহার করে গ্রাফিক ডিজাইন(Graphic design using dream weaving):
গ্রাফিক ডিজাইনাররা ডিজিটালভাবে আকর্ষণীয় ভিজ্যুয়াল তৈরি করার জন্য দায়ী। Adobe Dreamweaver গ্রাফিক ডিজাইনারদের ইন্টারনেট সামগ্রীর জন্য নজরকাড়া এবং আকর্ষণীয় গ্রাফিক্স তৈরি করতে সাহায্য করে।
23/10/2022
Overfitting কী এবং আপনি কীভাবে এটি এড়াতে পারবেন?
Overfitting হল এমন একটি অবস্থা যা ঘটে যখন কোনো মডেল training set-গুলো খুব ভালভাবে শিখে, আর ধারণা হিসাবে training data-এর এলোমেলো ওঠানামা গ্রহণ করে। এগুলি মডেলের সর্বজনীন করার ক্ষমতাকে প্রভাবিত করে কিন্তু নতুন ডেটাতে তা প্রযোজ্য নয়। Overfitting একটি মডেলকে শুধুমাত্র এর ডেটা সেটের সাথে প্রাসঙ্গিক(relevant) করে তোলে এবং অন্য কোনো ডেটা সেটের সাথে সেটিকে অপ্রাসঙ্গিক(irrelevant) করে তোলে। Overfitting প্রতিরোধের জন্য ব্যবহৃত কিছু পদ্ধতির মধ্যে রয়েছে ensembling, data augmentation, data simplification, এবং cross-validation।
Overfitting এড়ানোর একাধিক উপায় রয়েছে, যেমন:
(১)Regularization:
এটি objective function-এর সাথে জড়িত বৈশিষ্ট্যগুলির জন্য একটি cost term যুক্ত করে।
(২)Making a simple model:
এর ফলে, কম variable এবং parameter এর জ্ন্য ,variance কমানো যেতে পারে।
(৩)K-folds এর মত cross-validation পদ্ধতিও ব্যবহার করা যেতে পারে।
(৪)যদি কিছু model parameter এর overfitting হওয়ার সম্ভাবনা থাকে, তাহলে LASSO-এর মতো regularization-এর কৌশলগুলি(Technique) অবলম্বন করা যেতে পারে যা এই প্যারামিটারগুলিকে(parameter) দমিয়ে ফেলে।
22/10/2022
Supervised Learning এর প্রকারভেদ?
Supervised Learning আবার ২ প্রকার। যথাঃ
(১)"Classification" সমস্যা:
Classification একটি অ্যালগরিদম ব্যবহার করে সঠিকভাবে test data গুলো নির্দিষ্ট বিভাগে নিযুক্ত করে। এটি ডেটাসেটের(dataset) মধ্যে নির্দিষ্ট entity গুলিকে স্বীকৃতি দেয় এবং সেই entity গুলিকে কীভাবে লেবেল(label) বা সংজ্ঞায়িত(define) করা উচিত সে সম্পর্কে কিছু যুগোপযুগী সিদ্ধান্ত নেওয়ার চেষ্টা করে।
যেমন ধরি, কোনো প্রাণীর প্রজাতির মাপ নিয়ে আমাদেরকে বলতে হবে প্রাণীটা কোন প্রজাতির। এর মানে হচ্ছে মেশিন লার্নিং মডেলকে তিনটা প্রজাতির মধ্যে কোনটা সেই প্রজাতি তা নির্ণয় করতে হবে। এখানে, আমাদের আউটকাম কিন্তু তিনটা প্রজাতির মধ্যেই সীমাবদ্ধ। এর অর্থ হচ্ছে আমাদের প্রেডিকশন আউটকাম আসবে এই তিনটা ভাগে। কোনো রোগের নানা সিম্পটম(symptoms) থেকে সেভাবে আমরা বের করতে পারি রোগীর সেই রোগটা আছে কিনা? এর আউটকাম হবে হ্যাঁ অথবা না। এটা হচ্ছে‘Classification’ সমস্যা।
পরিচিত কিছু Classification Algorithms গুলো হল linear classifiers, support vector machines (SVM), decision trees, k-nearest neighbor, and random forest.
(২)"Regression" সমস্যা:
Dependent(নির্ভরশীল) এবং Independent(স্বাধীন) ভেরিয়েবলের(variable) মধ্যে সম্পর্ক বোঝার জন্য regression ব্যবহার করা হয়। এটি সাধারণত অনুমান করতে ব্যবহৃত হয় । যদি কারো চাকরির বয়স বা অভিজ্ঞতার সাথে বেতনের আউটকাম জানতে চাওয়া হয়, তাহলে সেটা হবে ‘Regression’ সমস্যা। কারণ বেতনের আউটকাম হচ্ছে Continuous variable। ঐ লোকের অভিজ্ঞতার সাথে যেই বেতনটাকে আমরা predict করতে চাইবো সেটার ভ্যালু যে কোন সংখ্যা হতে পারে। সেজন্য এটা ‘Regression’ সমস্যা। এর আউটকাম হচ্ছে ‘Continuous variable’। Linear regression, logistic regression, and polynomial regression হল জনপ্রিয় Regression algorithm.
20/10/2022
Semi-supervised Machine Learning কি? Unsupervised Machine Learning Techniques কি?
Supervised Machine Learning এমন ডেটা ব্যবহার করে যা সম্পূর্ণরূপে লেবেলযুক্ত(labelled data), যেখানে Semi-supervised Machine Learning এর ক্ষেত্রে, training data-তে অল্প পরিমাণে লেবেলযুক্ত ডেটা এবং প্রচুর পরিমাণে লেবেলবিহীন(unlabelled) ডেটা থাকে।
তবে, Unsupervised Machine Learning কোনও প্রশিক্ষণ ডেটা(training data) ব্যবহার করে না।
Unsupervised machine learning আপনাকে ডেটাতে সব ধরনের অজানা প্যাটার্ন খুঁজে পেতে সাহায্য করে। Clustering এবং Association হল Unsupervised machine learning এর ২টি প্রকারভেদ। চার ধরনের ক্লাস্টারিং পদ্ধতি হল :
1)Exclusive,
2)Agglomerative,
3)Overlapping &
4)Probabilistic.
19/10/2022
Unsupervised Learning কি? এটা কিভাবে কাজ করে?
Unsupervised machine learning এবং supervised machine learning প্রায়শই একসাথে আলোচনা করা হয়। কিন্তু Supervised learning এর বিপরীতে, unsupervised learning এ লেবেলবিহীন(Unlabelled) ডেটা ব্যবহৃত হয়। সেই ডেটা থেকে, এটি এমন নিদর্শনগুলি খুঁজে বের করে যা clustering বা association সমস্যার সমাধান করতে সহায়তা করে। এটি বিশেষভাবে কার্যকর যখন subject matter experts-রা একটি ডেটা সেটের(dataset) মধ্যে সাধারণ বৈশিষ্ট্য সম্পর্কে অনিশ্চিত হন। পরিচিত কিছু ক্লাস্টারিং অ্যালগরিদমগুলি(clustering algorithms) হল hierarchical, k-means, and Gaussian mixture মডেল।
Unsupervised machine learning লেবেলবিহীন(Unlabelled) ডেটাসেটগুলিকে বিশ্লেষণ এবং ক্লাস্টার(Cluster) করতে machine learning algorithm ব্যবহার করে থাকে। এই অ্যালগরিদমগুলি(algorithm) মানুষের হস্তক্ষেপ(human intervention) ছাড়াই লুকানো প্যাটার্ন(hidden patterns) বা ডেটা গ্রুপিং খুঁজে বের করে।
18/10/2022
Supervised Learning কিভাবে কাজ করে?
Supervised Learning, একটি training set ব্যবহার করে মডেলকে শেখানোর জন্য, যাতে মডেলটি পছন্দসই আউটপুট প্রদান করে। এই প্রশিক্ষণ-ডেটাসেটে(training-dataset) ইনপুট এবং সঠিক আউটপুট রয়েছে, যা মডেলটিকে সময়ের সাথে সাথে শিখতে দেয়। অ্যালগরিদম loss function এর মাধ্যমে এর যথার্থতা পরিমাপ করে, যতক্ষণ না ত্রুটি(error) যথেষ্ট পরিমাণে কমানো হয়, ততক্ষণ পর্যন্ত এটি সামঞ্জস্য করতে থাকে।
মানুষ অভিজ্ঞতা থেকে শেখে। মেশিনের ক্ষেত্রেও তাই। মেশিনের কাছে, অভিজ্ঞতা হল ডেটা। ডেটা হল আমাদের কাছে এখন যা আছে। 'Supervised Learning' বলতে বোঝায়, মেশিনের জন্য এমন একটা মডেল তৈরি করা, যা আমাদের কাছে রাখা বিভিন্ন ডেটার মধ্যকার সম্পর্ক বোঝার চেষ্টা করে। Supervised Learning মডেল এর কাজ হচ্ছে পুরানো ডেটার ভেতরের প্যাটার্ন(Pattern) বা সম্পর্ক(relation)গুলোকে বের করে নতুন বা অজানা(unknown) ডেটার ওপর ঐ সম্পর্কটাকে প্রয়োগ করতে পারা। যেমন ধরা যাক, আমাদের কাছে রাখা আগের ডেটা বলছে বিগত কয়েক বছরে একটা কোম্পানি কি হারে তার revenue বৃদ্ধি করেছে। তাহলে সামনের বছরগুলোতে কত revenue বৃদ্ধি পেতে পারে সেটা বলতে পারবে Supervised Learning মডেল। পুরনো ডেটা থেকে বিভিন্ন ফিচার(feature)গুলোর সম্পর্ক(relation) বুঝতে পারলে সেটাকে সামনের বছরের predicted ডেটার উপর প্রয়োগ করলে তখন আমরা কি হতে পারে সামনের বছরগুলোতে কি হতে পারে সে ব্যপারে অনুমান করতে পারবো।