Din's Dairy

** Loss Vs Cost Function in Linear Regression

1. Loss (Error) for a Single Sample

সংজ্ঞা:
একটি নির্দিষ্ট ডেটা পয়েন্টের (একজন ছাত্র, একটি বাড়ি, একটি নমুনা) জন্য আসল মান (Actual Value) আর প্রেডিক্টেড মান (Predicted Value) এর পার্থক্যকেই Loss বা Error বলে।

ফর্মুলা (Squared Error):

Loss=(yi−yp)^2
যেখানে,
yi = আসল মান
yp= প্রেডিক্টেড মান

2. Cost (Loss for the Entire Dataset)

সংজ্ঞা:
যখন আমরা সমস্ত ডেটাসেটের জন্য Loss যোগ বা গড় করি, তখন সেটাকে বলা হয় Cost Function।
এটি পুরো মডেলের মান (goodness of fit) পরিমাপ করে।

ধরা যাক, একটি বাড়ির আসল দাম = 50 লাখ টাকা, আর মডেল প্রেডিক্ট করেছে = 45 লাখ টাকা।

একক ডেটা পয়েন্টের জন্য:
𝐿𝑜𝑠𝑠 =(50−45)=5

যদি ১০০টা বাড়ির ডেটা থাকে, তাহলে সবার Loss যোগ করে গড় করলে আমরা Cost পাব। সংক্ষেপে:

Loss = একক ডেটা পয়েন্টের ভুল।
Cost = সব ডেটা মিলিয়ে গড় বা মোট ভুল।

** লিনিয়ার রিগ্রেশন (Linear Regression) :

লিনিয়ার রিগ্রেশন একটি গুরুত্বপূর্ণ Supervised Machine Learning Algorithm, যা এক বা একাধিক ইনপুট ফিচারের উপর ভিত্তি করে একটি continuous সংখ্যাগত মান predict করতে ব্যবহার করা হয়।

এটি Dependent Variable (Target/Output) এবং Independent Variable (Feature/Input) এর মধ্যে সম্পর্ককে একটি লিনিয়ার সমীকরণে (linear equation) মডেল করে।

মূল উদ্দেশ্য হলো এমন একটি Best-Fitting Line বের করা (উচ্চতর dimension এ এটিকে hyperplane বলা হয়) যা Actual value এবং Predicted value-এর মধ্যে distance / difference সর্বনিম্ন করে,Error minimize করে।

এই Best-Fitting Line ইনপুট ফিচার এবং টার্গেট ভ্যারিয়েবলের মধ্যে Linear Relationship (রৈখিক সম্পর্ক) নির্দেশ করে।

গাণিতিক সমীকরণ

সাধারণ আকারে:

Yi​=β0​+β1​Xi​
যেখানে,
Yi= Dependent Variable (Target)
Xi= Independent Variable (Feature)
β0 = Constant/Intercept
β1 = Slope/Coefficient

অন্যভাবে:
Y=ax+b অথবা Y=mx+c

এখানে,
m = ইনপুট ফিচার X-এর Coefficient(x এর value ১ ইউনিট পরিবর্তনের ফলে y এর value কি পরিমাণ পরিবর্তন হয়)
c = Intercept ( X এর value ০ হলে যা এর value কত হবে )
x = Features (ইনপুট ডেটা)
Y = Predicted Output / Label

সহজভাবে বললে, লিনিয়ার রিগ্রেশন হলো এমন একটি পদ্ধতি, যেখানে একটি সোজা রেখা ( straight line ) আঁকা হয় যা ডেটার সাথে সবচেয়ে ভালোভাবে / কম ভুল রেখে মিলে যায় এবং সেই রেখার সাহায্যে নতুন মান predict করা হয়।

# লিনিয়ার রিগ্রেশনের প্রকারভেদ :

1. Simple Linear Regression
এখানে শুধু একটি independent variable (feature) ব্যবহার করে dependent variable (target) অনুমান করা হয়।
সমীকরণ:
y = mx + c

উদাহরণ: একজন ছাত্রের নাম্বার (y)অনুমান করা তার পড়াশোনার ঘন্টা (x) থেকে।

2. Multiple Linear Regression
এখানে একাধিক independent variables ব্যবহার করে dependent variable পূর্বাভাস করা হয়।
সমীকরণ:
y = c+ m1x1 + m2x2 +....

উদাহরণ: বাড়ির দাম অনুমান করা – আকার (size), অবস্থান (location), কক্ষ সংখ্যা (rooms) ইত্যাদির উপর ভিত্তি করে।

# # # Linear Regression-এর গুরুত্ব

1. সহজ ও বোধগম্য (Simplicity & Interpretability)

লিনিয়ার রিগ্রেশন সবচেয়ে সহজ অ্যালগরিদম।
সমীকরণ সহজবোধ্য, তাই কোন ভ্যারিয়েবল কিভাবে আউটপুটকে প্রভাবিত করছে সেটা সহজে বোঝা যায়।

2. বেসলাইন মডেল (Baseline Model)

অন্য জটিল মডেল বানানোর আগে Linear Regression দিয়ে শুরু করা যায়।
এটি প্রাথমিকভাবে ডেটার সাথে লিনিয়ার সম্পর্ক আছে কিনা তা যাচাই করতে সাহায্য করে।

3. গাণিতিক ভিত্তি শক্তিশালী (Strong Mathematical Foundation)
Ordinary Least Squares (OLS) বা Gradient Descent দিয়ে সহজে সমাধান করা যায়।
Probability ও Statistics-এর সাথে সরাসরি সম্পর্কিত।

4. বিভিন্ন ক্ষেত্রে ব্যবহারযোগ্য (Wide Applications)

অর্থনীতি (Income prediction, Risk analysis)
ব্যবসা (Sales forecasting)
রিয়েল এস্টেট (House price prediction)
স্বাস্থ্য (Disease progression estimation)
শিক্ষাক্ষেত্র (Student performance prediction)

5. কম কম্পিউটেশানাল খরচ (Low Computational Cost)

বড় ডেটাসেটেও দ্রুত কাজ করে।
ট্রেনিংয়ের জন্য অনেক বেশি মেমোরি বা প্রসেসিং পাওয়ার লাগে না।

6. ফিচার সম্পর্ক বোঝা (Understanding Feature Impact)

প্রতিটি coefficient বলে দেয়, নির্দিষ্ট feature আউটপুটে কতটা প্রভাব ফেলছে।
কোন ভ্যারিয়েবল বেশি গুরুত্বপূর্ণ তা সহজেই বোঝা যায়।

সংক্ষেপে:
Linear Regression হলো সহজ, দ্রুত, বোধগম্য, এবং কার্যকরী একটি অ্যালগরিদম, যেটা শুধু prediction নয়, বরং ডেটার ভেতরের সম্পর্ক বোঝাতেও সাহায্য করে।

Types of Regression:

1. Linear Regression
ইনপুট আর আউটপুটের মধ্যে সরল (সোজা রেখার মতো) সম্পর্ক ধরা হয়।
Simple Linear Regression: একটিমাত্র ইনপুট ভ্যারিয়েবল (Independent Variable) দিয়ে আউটপুট predict করা।
যেমন: শুধু ঘরের সাইজ দিয়ে ঘরের দাম predict করা।
Multiple Linear Regression: একাধিক ইনপুট ভ্যারিয়েবল দিয়ে আউটপুট predict করা।
যেমন: ঘরের সাইজ + লোকেশন + বয়স দিয়ে ঘরের দাম predict করা।

2. Polynomial Regression
ডেটাতে যদি সোজা রেখা না হয়ে বাঁকা (curve/নন-লিনিয়ার) সম্পর্ক থাকে, তখন Polynomial Regression ব্যবহার হয়।
যেমন: সময় বাড়লে প্রথমে বিক্রি বাড়ে, পরে কমতে থাকে – একে সোজা রেখায় বোঝানো যাবে না, তাই বাঁকা লাইন (polynomial curve)
ব্যবহার করতে হয়।

3. Ridge Regression
যখন মডেল অনেক বেশি জটিল হয়ে যায় তখন সেটি overfitting করতে পারে।
Ridge Regression মডেলে একটা Penalty (শাস্তির টার্ম) যোগ করে যাতে মডেল খুব বেশি জটিল না হয়।
যেমন: অনেক অপ্রয়োজনীয় ফিচার থাকলেও মডেলকে সরল রাখে।

4. Lasso Regression
Ridge-এর মতোই, তবে এখানে Penalty এমনভাবে কাজ করে যাতে কিছু ফিচারের প্রভাব একদম ০ হয়ে যায়।
মানে, Lasso শুধু মডেলকে সরল করে না, বরং অপ্রয়োজনীয় ফিচার বাদ দিয়ে Feature Selection-ও করে।

5. Logistic Regression
নামটা Regression হলেও এটি আসলে Classification Problem-এ ব্যবহার হয়।
আউটপুট Probability (০ থেকে ১-এর মধ্যে) দেয়।
যেমন:
আগামীকাল বৃষ্টি হবে কি না (Yes/No)
ইমেইল স্প্যাম কি না (Spam/Not Spam)

6. Poisson Regression
যখন আউটপুট count data হয় (অর্থাৎ সংখ্যার গণনা), তখন এটি ব্যবহার হয়।
যেমন:
এক দিনে কতজন কাস্টমার দোকানে আসবে
এক ঘন্টায় কতগুলো গাড়ি টোল প্লাজা পার হলো

7. Time Series Regression
সময়ের সাথে পরিবর্তনশীল ডেটা মডেল করতে ব্যবহার হয়। এখানে ডেটার সময়ের প্যাটার্ন (trend, seasonality, autocorrelation) ধরা হয়।
যেমন:
আগামী মাসে স্টক মার্কেট প্রাইস কেমন হবে
পরের সপ্তাহে আবহাওয়ার তাপমাত্রা কেমন হবে

8. Nonlinear Regression
যখন ডেটার সম্পর্ক একেবারেই জটিল এবং সোজা রেখা বা সাধারণ পলিনোমিয়াল দিয়ে ধরা যায় না, তখন Nonlinear Regression ব্যবহার হয়।
যেমন: Population Growth Curve, Biological Reactions, ইত্যাদি।

9. Support Vector Regression (SVR)
এটি Support Vector Machine (SVM) এর মাধ্যমে Regression করে।
এটি বিশেষ করে High-dimensional data (অনেক ভ্যারিয়েবল থাকলে)-এর জন্য ভালো কাজ করে।
যেমন: অনেক ভিন্ন ফিচার দিয়ে হাউস প্রাইস বা প্রোডাক্ট সেলস predict করা।

# # What is classification in machine learning ?

মেশিন লার্নিং-এ Classification একটি Supervised Learning টেকনিক,
যার মাধ্যমে ইনপুট ফিচারের ওপর ভিত্তি করে একটি Categorical Target Variable Predict করা হয়।

Classification এর মূল লক্ষ্য হলো ইনপুট ডেটাকে পূর্বনির্ধারিত (Predefined) কিছু শ্রেণির (Category) মধ্যে একটির সাথে মিলিয়ে দেওয়া।
Classification মডেলগুলো ট্রেনিং ডেটা থেকে প্যাটার্ন শিখে নেয় এবং সেই শেখা প্যাটার্ন ব্যবহার করে নতুন, অজানা ডেটাকে সঠিকভাবে শ্রেণিবদ্ধ (classify) করে।

Classification-এর প্রধান বৈশিষ্ট্যসমূহ

১.Categorical Output (শ্রেণিভুক্ত আউটপুট):
Target Variable আলাদা আলাদা Class নিয়ে গঠিত থাকে। যেমন: "Spam" বা "Not Spam"।

২.Probabilistic Nature (সম্ভাবনামূলক প্রকৃতি):
অনেক মডেল প্রতিটি ক্লাসের সম্ভাবনা বের করে। যেই ক্লাসের সম্ভাবনা সবচেয়ে বেশি হয়, সেটিই final prediction হিসেবে ধরা হয়।

৩.Evaluation Metrics (মূল্যায়নের মাপকাঠি):
Classification মডেল কেমন কাজ করছে তা মাপতে Accuracy, Precision, Recall, F1-score, AUC ইত্যাদি মেট্রিক ব্যবহার করা হয়।

Classification-এর উদাহরণ:

Situation:
একটি ইমেইল Spam নাকি Not Spam তা predict করা।

Example dataset :

Email ID "Buy Now"? words Spam / Not Spam
1 Yes 300 Spam
2 No 100 Not Spam
3 Yes 500 Spam

মডেল: Logistic Regression (Binary Classification)

এই মডেল প্রতিটি ইমেইলের Spam হওয়ার সম্ভাবনা বের করে।

যেমন: P(Spam) = 0.8 (অর্থাৎ 80% সম্ভাবনা Spam)।
তাই ইমেইলটিকে Spam হিসেবে শ্রেণিবদ্ধ করবে।

***Types of Classification:

i)Binary Classification (দ্বৈত শ্রেণিবিন্যাস):
এখানে মাত্র দুইটি ক্লাস থাকে। যেমন : 0/1, Yes/No, True/False।
উদাহরণ: কোন লেনদেন Fraud নাকি Not Fraud সেটা প্রেডিক্ট করা।

ii)Multi-Class Classification (বহু-শ্রেণি শ্রেণিবিন্যাস):
এখানে দুইটির বেশি ক্লাস থাকে।
উদাহরণ: ফুলের প্রজাতি নির্ধারণ করা— Iris Setosa, Iris Versicolor, Iris Virginica এর মধ্যে কোনটি।

iii)Multi-Label Classification (একাধিক লেবেল শ্রেণিবিন্যাস):
একেকটা ইনপুট একসাথে একাধিক ক্লাসের মধ্যে থাকতে পারে।
উদাহরণ: একটি আর্টিকেলে ট্যাগ দেওয়া— Technology, Science, Education একসাথে থাকতে পারে।

iv)Imbalanced Classification (অসমান শ্রেণিবিন্যাস):
যখন ডেটাসেটে একটি ক্লাস অন্যগুলোর তুলনায় অনেক বেশি থাকে।
উদাহরণ: স্বাস্থ্যসেবার ডেটায় Rare Disease প্রেডিক্ট করা (খুব অল্প রোগীর এই রোগ থাকে, আর বাকি সবাই সুস্থ থাকে)।

***Classification Algorithms (শ্রেণিবিন্যাস অ্যালগরিদমসমূহ)

১.Logistic Regression (লজিস্টিক রিগ্রেশন):
সাধারণত Binary Classification-এ ব্যবহার হয়। এটি সম্ভাবনা (probability) আউটপুট দেয়।

২.Decision Tree(ডিসিশন ট্রি):
গাছের মতো (tree-like) কাঠামো তৈরি করে ধাপে ধাপে সিদ্ধান্ত নেয়।

৩.Random Forest (রান্ডম ফরেস্ট):
অনেকগুলো Decision Tree একসাথে ব্যবহার করে। এতে সঠিকতার (accuracy) হার বেড়ে যায়।

৪.Support Vector Machine – SVM (সাপোর্ট ভেক্টর মেশিন):
বিভিন্ন ক্লাস আলাদা করার জন্য একটি Hyperplane (রেখা/প্লেন) খুঁজে বের করে।

৫.Naive Bayes (নাইভ বেয়েস):
Bayes’ Theorem-এর ওপর ভিত্তি করে সম্ভাবনা ব্যবহার করে প্রেডিকশন করে।

৬.Neural Networks (নিউরাল নেটওয়ার্ক):
জটিল ও উচ্চমাত্রিক (high-dimensional) ডেটার জন্য ব্যবহার হয়। নন-লিনিয়ার সম্পর্কও ধরতে পারে।

What is Regression in Machine Learning?

Regression হলো মেশিন লার্নিং-এর একটি supervised learning technique যার মাধ্যমে আমরা ইনপুট ফিচার (independent variables) এবং আউটপুট / টার্গেট ভেরিয়েবল (dependent variable) এর সম্পর্কের উপর ভিত্তি করে একটি continuous numeric value (ধারাবাহিক সংখ্যাগত মান) predict করি।

আরও সহজভাবে বললে:
Regression- এর main goal হলো —
ইনপুট ফিচার (features) আর আউটপুট ভেরিয়েবলের (target) মধ্যে সম্পর্ক বের করা এবং সেই সম্পর্ক ব্যবহার করে নতুন ডেটার জন্য সঠিকভাবে একটি continuous মান predict করা।

Regression- এর মূল উদ্দেশ্যগুলো :

১.Prediction:
নতুন ইনপুট এলে তার জন্য একটি সংখ্যাগত মান বের করা।
যেমন —Weather Forecasting (আবহাওয়ার পূর্বাভাস), House Price Prediction (বাড়ির দাম অনুমান), Electricity Demand Prediction (বিদ্যুৎ ব্যবহারের অনুমান) ইত্যাদি।

২.Relationship finding:
কোন ইনপুট ফিচার কিভাবে আউটপুটকে প্রভাবিত করছে সেটা বোঝা।
যেমন — বাসার দাম কোন ফিচারে বেশি প্রভাবিত হয়? লোকেশনে নাকি সাইজে ?

৩.Trend analysis:
ডেটার মধ্যে ট্রেন্ড বা ধারা বোঝা, যাতে ভবিষ্যতের জন্য ভালো সিদ্ধান্ত নেয়া যায়।

Regression-এর (Key Characteristics) মূল বৈশিষ্ট্য:

১. Continuous Output (ধারাবাহিক ফলাফল)
সংখ্যাগত মান ভবিষ্যদ্বাণী করে।
যেমন: দাম, ওজন, তাপমাত্রা।

২. Model (মডেল)
ইনপুট আর আউটপুটের মধ্যে সম্পর্ক তৈরি করে।
যেমন: লিনিয়ার, পলিনোমিয়াল ইত্যাদি।

৩. Evaluation Metrics (মূল্যায়ন পদ্ধতি)
মডেল ভালো কাজ (Perform) করছে কি না তা মাপার উপায়।

যেমন: MSE(Mean Squared Error), MAE(Mean Absolute Error), R²(R-squared) মডেল কত ভালোভাবে (Data Variance) ডেটা ব্যাখ্যা করতে পারে তা দেখায়।

Regression Application Example: Student Performance Prediction (শিক্ষার্থীর ফলাফল অনুমান)

ইনপুট (Features):

পড়াশোনার সময় (Study Hours),ক্লাস অ্যাটেনডেন্স (Class Attendance),ঘুমের সময় (Sleep Hours),প্র্যাকটিসের সংখ্যা (Practice Count)

আউটপুট (Target):

পরীক্ষার নম্বর (Exam Score)

Regression মডেল ব্যবহার করে পূর্বাভাস দেওয়া যাবে যে, একজন ছাত্র কত নম্বর পেতে পারে তার পড়াশোনার অভ্যাস, ক্লাসে উপস্থিতি, ঘুম, এবং প্র্যাকটিসের ওপর ভিত্তি করে.

*** Example Dataset (Student Performance Prediction)

Study Attendance(%) Sleep Practice Score
2 60 5 1 45
3 70 6 2 55
4 80 7 3 68
5 85 6 4 74
6 90 7 5 82
7 95 8 6 90

মডেল শিখে যাবে ইনপুট ফিচার (Study, Attendance, Sleep, Practice) আর আউটপুট (Exam Score)-এর সম্পর্ক।

এরপর কোনো নতুন স্টুডেন্টের input ডেটা দিলে মডেল ভবিষ্যদ্বাণী করতে পারবে সে পরীক্ষায় আনুমানিক কত নাম্বার পেতে পারে।

Machine Learning এর প্রকারভেদ।
Machine Learning তিন প্রকার :
1. Supervised Learning
2. Unsupervised Learning
3. Reinforcement Learning

1. Supervised machine learning কি ?
Supervised Learning এ labeled data দেওয়া থাকে। অর্থাৎ , ইনপুট ডেটা সহ আউটপুট ও আগে থেকে দেওয়া থাকে। মডেল শিখে কিভাবে ইনপুটের ভিত্তিতে আউটপুট দিতে হয়।
উদাহরণ :
* Email Spam Detection
* House Price Prediction
* Heart Disease Prediction
* Student Marks এর উপর ভিত্তি করে grade prediction ইত্যাদি।

→Popular Algorithms:
Linear Regression, Decision Tree,Random Forest, Naive Bayes

2. Unsupervised Machine Learning কি?
Unsupervised machine learning এ, labeled data(output) দেওয়া থাকে না। মডেল নিজেই ডেটা থেকে প্যাটার্ন খুজে বের করে এবং Similarity দেখে আলাদা আলাদা group এ ভাগ করে।
উদাহরণ :
* Customer Segmentation ( একই ধরনের কাস্টমারকে আলাদা গ্রুপে ভাগ করে)
*News Article Clustering
* Anomaly Detection

→Popular Algorithms:
K-Means, Hierarchical Clustering, PCA, KNN

3. Reinforcement Learning কি?
Reinforcement Learning হলো একটি reward এবং punishment এর মতো পদ্ধতি। মডেল পরিবেশের সাথে কাজ করে,সিদ্ধান্ত নেয়, এবং প্রতিবার ফলাফল অনুযায়ী পুরস্কার বা শাস্তি পায়। সে যদি ভুল করে তাহলে শাস্তি পায় এবং এই ভুল থেকে শিখে। এর মাধ্যমে সে ধীরে ধীরে শেখে কোন সিদ্ধান্ত ভালো এবং সর্বোচ্চ পুরস্কার লাভের চেষ্টা করে,এতে মডেলের ভুল কম হয়।
উদাহরণ :
*Self-driving Car ( Object দেখে decision নেয়,কোন পথে যাবে,কোথায় ব্রেক করবে)
* Game Playing AI
* Robot control

→Popular Algorithms:
Q-Learning, Deep Q Network (DQN)

আরেকটি উদাহরণ দিয়ে আরও সহজ ভাবে বুঝাতে গেলে :
ধরো তুমি একটি কুকুর (dog) কে শেখাতে চাও — “বসো” (Sit) কমান্ড।

তুমি বললে: "Sit!"

কুকুরটি যদি বসে যায় — তুমি তাকে খাবার (treat) দাও
সে বুঝে, “এই কাজ করলে পুরস্কার পাবে”

যদি বসে না — তুমি কিছু দাও না
সে বুঝে, “এইবার কিছু পেলাম না, তাহলে ঠিক করি”

এভাবে বারবার ট্রায়াল & error এর মাধ্যমে কুকুরটি শেখে,
"Sit" শব্দ শুনলে বসতে হবে — তাহলে পুরস্কার মিলবে।

Reinforcement Learning ঠিক এমনটাই করে:
Agent (যেমন: কুকুর)
Environment (তাকে ঘিরে থাকা পরিস্থিতি)
Action নেয় → Reward বা Penalty পায় → শেখে

Machine Learning কি ?

Machine Learning (ML) হলো একটি কৌশল যেখানে Machine/Computer আগে থেকে প্রোগ্রাম করা লজিক ছাড়াই পূর্বের ডেটা থেকে নিজে নিজে প্যাটার্ন শিখে সিদ্ধান্ত নিতে শেখে।

সহজ ভাষায়:
সাধারণ প্রোগ্রামিং-এ, আমরা নিজেরাই নিয়ম (logic) লিখি। এরপর সেই লজিক অনুযায়ী
মেশিনকে ইনপুট দিলে, মেশিন আউটপুট দেয়।

উদাহরণস্বরূপ:
আমরা যদি একটি আয়কর ক্যালকুলেটর বানাই,তাহলে লিখি:
if income > 50000:
tax = income * 0.2
else:
tax = income * 0.1

“যদি আয় ৫০,০০০ টাকার বেশি হয়, তাহলে tax ২০%,নইলে ১০%”
এই লজিকটা আমরা প্রোগ্রামে লিখে দেই।

কিন্তু Machine Learning-এ:
আমরা মেশিনকে শুধু ইনপুট(data) আর আউটপুট(data) দেই, লজিক বা নিয়ম দিই না।
মেশিন নিজেই এই ইনপুট-আউটপুট ডেটার সম্পর্ক থেকে লজিক শেখে। এটাকে বলা হয় মডেল ট্রেইনিং।

উদাহরণ: আমরা যদি একটা ডেটাসেট দিই:
Income (ইনপুট) Tax (আউটপুট)
৩০,০০০ ৩,০০০
৭০,০০০ ১৪,০০০
৫০,০০০ ১০,০০০
তখন Machine Learning মডেল এই তথ্য দেখে নিজে বুঝে নেয় কোন আয়-এর জন্য tax কত হতে পারে।
এরপর, আমরা যখন নতুন ইনপুট (যেমন: ৬০,০০০ টাকা) দেই,
তখন মেশিন তার শেখা অনুযায়ী বলে দেয়:
“এর tax হবে হয়তো ১২,০০০ টাকা।”
এটাই হল Prediction.

** ইউটিউব বা ফেসবুক রিকমেন্ডেশন:
আপনারা যদি নিয়মিত reels ভিডিও দেখেন, ইউটিউব / ফেসবুক আপনাকে reels ভিডিও-ই সাজেস্ট করবে।
কারণ: ইউটিউব আপনার দেখা ভিডিওর ইতিহাস থেকে শেখে আপনি কী পছন্দ করেন, তারপর নতুন ভিডিও সাজেস্ট করে দেয়
এটিও মেশিন লার্নিংয়ের কাজ।

Traditional Programming - এ :
*মানুষ নিয়ম তৈরি করে
*ইনপুট + লজিক → আউটপুট
*লজিক নিজে লিখতে হয়

Machine Learning - এ :
*মেশিন নিজে নিয়ম শেখে
*ইনপুট + আউটপুট → লজিক শেখে
*লজিক শেখে নিজে থেকে Predict করতে পারে

মেশিন লার্নিং কিভাবে কাজ করে?
শেখার তিনটি ধাপ:
1. Data Collection ,Data prepossessing -- তথ্য সংগ্রহ, মডেলের জন্য ডেটা প্রস্তুত করা
2. Training the Model -- ডেটা থেকে মডেলকে শেখানো
3. Making Predictions -- নতুন ডেটা এলে ভবিষ্যদ্বাণী করা

কোথায় কোথায় মেশিন লার্নিং ব্যবহার হয়?
১.ব্যাংক -- জালিয়াতি শনাক্তকরণ (Fraud Detection)
২.হাসপাতাল -- রোগ নির্ণয় (যেমন ক্যান্সার শনাক্তকরণ)
৩.ফেসবুক -- কনটেন্ট ফিল্টার বা অটোমেটিক রিকমেন্ডেশন
৪.ই-কমার্স -- কাস্টমার রিকমেন্ডেশন
৫.মোবাইল অপারেটর -- গ্রাহক ধরে রাখার অ্যালগরিদম
এছাড়াও গবেষণা,কৃষি, শিক্ষা, বিজ্ঞান ইত্যাদি প্রায় সকল ক্ষেত্রেই মেশিন লার্নিং ব্যবহার করা হয়।

মেশিন লার্নিং এমন এক প্রযুক্তি যা কম্পিউটারকে ডেটা দেখে শেখায় এবং সে শেখা থেকে ভবিষ্যতের সিদ্ধান্ত নিতে পারে।
এক কথায়,
মেশিন লার্নিং = ডেটা + শেখা + ভবিষ্যৎ সিদ্ধান্ত