মেশিন লানিং সেই সাথে ডেটা সায়েন্স :->
বর্তমান যুগে প্রয়োজনীয় তথ্যপ্রযুক্তি দক্ষতার ক্ষেত্রে ওপরের দিকেই রয়েছে মেশিন লার্নিং বা এমএল-বিষয়ক দক্ষতা। বিশেষজ্ঞরা বলছেন, ভবিষ্যতে মেশিন লার্নিং ও আর্টিফিশিয়াল ইনটেলিজেন্সের মতো বিষয়গুলোতে অমিত সম্ভাবনা রয়েছে। তাই এ ধরনের প্রযুক্তি খাতে দক্ষতা অর্জন করা জরুরি।
এ ধরনের প্রযুক্তি আমাদের অজ্ঞাতসারে জীবনকে সহজ করে তুলছে। আমরা এ ধরনের প্রযুক্তির ওপর নির্ভরশীল হয়ে উঠছি। উদাহরণ হিসেবে বলা যায়, আপনি যখন ফোনে ভয়েস কমান্ড দেন বা ইন্টারনেট ছবির খোঁজ করতে বলেন, মেশিন লার্নিং আপনার চাহিদা অনুযায়ী ফল দেখাতে পারে।
সম্প্রতি পেশাদার ব্যক্তিদের সামাজিক যোগাযোগের সাইট লিঙ্কডইন যুক্তরাষ্ট্রসহ কয়েকটি দেশে আগামী বছর সবচেয়ে চাহিদাসম্পন্ন দক্ষতার তালিকা প্রকাশ করেছে। লিঙ্কডইনের বার্ষিক ইমার্জিং জবস রিপোর্টে যুক্তরাষ্ট্রের সবচেয়ে চাহিদাসম্পন্ন তালিকার শীর্ষে শিল্প খাতে আর্টিফিশিয়াল ইনটেলিজেন্স ও ডেটা সায়েন্স পদের চাহিদা বাড়ছে বলে দেখা গেছে, যা ভবিষ্যতেও বাড়বে।
এ বছর ফেসবুকের প্রতিষ্ঠাতা ও প্রধান নির্বাহী মার্ক জাকারবার্গ প্রযুক্তি বিশ্বের হালনাগাদ বিষয়গুলো জানার ও সে বিষয়ে দক্ষতা অর্জনের পরিকল্পনার কথা জানান। তাঁর তালিকায় মেশিন লার্নিংয়ের বিষয়টিও ছিল।
প্রযুক্তি বিশ্লেষকেরা পূর্বাভাস দিয়েছেন, ২০২৪ সাল নাগাদ প্রযুক্তি খাতে চাকরির সুযোগ ১২ শতাংশ বেড়ে যাওয়ার সম্ভাবনা রয়েছে। এতে তথ্যপ্রযুক্তি খাতের পেশাদারদের সামনে আরও নতুন চাকরির দরজা খুলে যাবে।
আর্টিফিশিয়াল ইনটেলিজেন্স বা এআই আগামী বছরও গুরুত্ব পাবে। প্রযুক্তি খাতের নেতৃত্বস্থানীয় পদ, যেমন: আইও, সিটিও, প্রোডাক্ট হেড প্রভৃতি ক্ষেত্রে এআই প্রযুক্তিতে অভিজ্ঞ ব্যক্তিরা প্রাধান্য পাবেন। যাঁরা এআই বিশেষজ্ঞদের দল ব্যবস্থাপনা, ডেটা সায়েন্স ও উদ্ভাবনী পণ্য তৈরিতে দক্ষতা দেখাবেন, তাঁরা এগিয়ে যাবেন। আগামী বছরেও যে দক্ষতাগুলো কাজে লাগবে তার মধ্যে একটি হচ্ছে অ্যাপ্লাইড মেশিন লার্নিং। বর্তমানে ডেটা সায়েন্সের কদর দ্রুত বাড়ছে। ডেটা ব্যবহার করে তা কাজে লাগানোর দক্ষতা দেখাতে পারলে তাদের চাহিদা বেশি থাকবে।
মেশিন লার্নিং কী?
কম্পিউটারকে এমন একটি ক্ষমতা দেওয়া হয়, যার জন্য সেটি যেকোনো কিছু আগে থেকে ওই বিষয়ক প্রোগ্রাম লেখা ছাড়াই শিখতে পারে—এটিই মেশিন লার্নিং। নিজে থেকে শেখার ক্ষমতার কারণে কম্পিউটার যেকোনো কিছুই করতে পারে খুব সহজে। অন্যভাবে বলা যেতে পারে, যদি কম্পিউটারের খেলার সংখ্যা বাড়ানোর পাশাপাশি তার জেতার হার বেড়ে যায়, তাহলে বুঝতে হবে সেই কম্পিউটারটি আসলেই শিখছে। মানে সে খেলতে খেলতে শিখছে, আর নিজে থেকে এই শেখার ক্ষমতাকেই বলে মেশিন লার্নিং।
মেশিন লার্নিং’-এর মূল তত্ত্ব হচ্ছে, বিপুল পরিমাণ ডেটা বা তথ্য-উপাত্ত থেকে কোনো নির্দিষ্ট তথ্যের প্যাটার্ন বা ‘মডেল’ সঠিকভাবে বের করা। এরপর সেটি ব্যবহার করে নতুন কোনো তথ্যের শ্রেণিবিন্যাস করা, যেটি ‘ক্লাসিফিকেশন’ হিসেবে পরিচিত। কথা হচ্ছে, এই ক্লাসিফিকেশন কেন করা দরকার? উত্তর হচ্ছে—ধরুন আপনাকে বলা হলো এক, দুই ও পাঁচ পয়সার শ্রেণিবিন্যাস করতে, আপনি কীভাবে সেটি করবেন? একটি উপায় হচ্ছে, আপনি পয়সাগুলো তাদের পরিধি আর ওজন অনুযায়ী ভাগ করতে পারেন। কারণ, একেক পয়সার পরিধি আর ওজন একটু ভিন্নই হয়ে থাকে। এই শ্রেণিবিন্যাস জিনিসটি মানুষের জন্য হয়তোবা অনেক সহজ, কিন্তু একটি কম্পিউটার প্রোগ্রামের জন্য নয়। এই শ্রেণিবিন্যাস কোনো প্রোগ্রামারের বোঝার জন্য দরকার অনেক ডেটা, যা থেকে প্রোগ্রাম বুঝতে পারবে সঠিকভাবে পয়সার শ্রেণিবিন্যাস ও শনাক্তকরণ।
মেশিন লার্নিয়ের প্রয়োগের ক্ষেত্রগুলো হচ্ছে—স্পিচ রিকগনিশন, ইমেজ রিকগনিশন ও অনুমান।
স্পিচ রিকগনিশন: সফটওয়্যার অ্যাপ্লিকেশনের মাধ্যমে মানুষের কথা শুনে তা টেক্সটে রূপান্তর করতে পারে স্পিচ রিকগনিশন। মেশিন লার্নিং অ্যাপ্লিকেশন হচ্ছে একসেট সংখ্যা, যা স্পিচ সংকেত তুলে ধরে। বিভিন্ন ভাগে এ সংকেত ভাগ করে নির্দিষ্ট শব্দ বা ধ্বনিকে পৃথক করা যায়। বিভিন্ন সময় ও ফ্রিকোয়েন্সি হিসাব করে এসব স্পিচ সংকেত তৈরি করা হয়।
ইমেজ রিকগনিশন: মেশিন লার্নিং অ্যাপ্লিকেশনের আরেকটি গুরুত্বপূর্ণ প্রয়োগ হচ্ছে ছবি শনাক্তকরণ প্রক্রিয়ায় কাজ করা। অনেক সময় বস্তুকে ডিজিটাল ইমেজ হিসেবে নির্ধারণ করা হয়। ডিজিটাল ইমেজের ক্ষেত্রে প্রতিটি ছবির পিক্সেল হিসাব করে তা পরিমাপ করা হয়। এতে ফেস ডিটেকশন ও ক্যারেক্টার ডিটেকশন দুটি পদ্ধতিতে কাজ করে।
অনুমান: মেশিন লার্নিং ও আর্টিফিশিয়াল ইনটেলিজেন্স ব্যবহার করে কোনো বিষয়ে অনুমানের কাজে লাগানো যেতে পারে। উদাহরণ হিসেবে বলা যায়, কোনো ব্যাংকের ঋণ দেওয়ার আগে কোনো ব্যক্তি ঋণ পরিশোধ করবে কি না, তার পূর্বানুমান মেশিন লার্নিং দিয়ে বের করা যায়। সম্ভাব্যতা যাচাইয়ে প্রয়োজন হয় নির্দিষ্ট তথ্য কাজে লাগানোর বিষয়টি। এ ক্ষেত্রে ডেটা অ্যানালিস্টদের ভূমিকা রাখতে হয়।
বর্তমানে বড় বড় প্রযুক্তি প্রতিষ্ঠানের পাশাপাশি সাধারণ প্রতিষ্ঠানেও মেশিন লার্নিং প্রকৌশলীদের চাহিদা বাড়ছে। প্রতিষ্ঠানের বিভিন্ন তথ্য কাজে লাগিয়ে তা থেকে প্রয়োজনীয় সুবিধা পেতে উৎসাহ দেখাচ্ছে বিভিন্ন প্রতিষ্ঠান। মেশিন লার্নিং প্রকৌশলী, ডেটা সায়েন্টিস্ট, এআই আর্কিটেক্ট, বিজনেস অ্যানালিস্ট ও পরিসংখ্যানবিদ হিসেবে কাজের সুযোগ রয়েছে এ খাতের কর্মীদের। তথ্যসূত্র: টাইমস অব ইন্ডিয়া
মেশিন লার্নিং বা ডেটা সায়েন্সে কিভাবে আগাতে পারি?
.......আরেকটা কমন প্রশ্নের উত্তর দেই (মানে আমার মতামত আর কী)। ভাই, আমি পাইথন শেখা শুরু করেছি, মেশিন লার্নিং (বা ডেটা সায়েন্স)-এ আমার আগ্রহ। কিভাবে আগাতে পারি? কাছাকাছি আরেকটা প্রশ্ন হচ্ছে : আমি অমুক বিশ্ববিদ্যালয়ে সিএসই-তে ভর্তি হয়েছি (বা ফার্স্ট ইয়ারে পড়ি), মেশিন লার্নিং (বা ডেটা সায়েন্স)-এ আমার অনেক আগ্রহ, কিভাবে শিখতে পারি?
উত্তরঃ মেশিন লার্নিং (বা ডেটা সায়েন্স) নিয়ে যারা কাজ করে, তাদের কাছে পাইথন খুবই জনপ্রিয় একটা টুলস্। কিন্তু তার মানে এই না যে পাইথন শিখেই তারপরে মেশিন লার্নিং শেখা শুরু করা যাবে। গণিত (লিনিয়ার অ্যালজেবরা, ক্যালকুলাস) জানতে ও বুঝতে হবে। পরিসংখ্যান জানতে হবে এবং প্রবাবিলিটি ভালো বুঝতে হবে। প্রোগ্রামিংয়ে অনেক দক্ষ হতে হবে, প্রবলেম সলভিংয়ের দক্ষতা থাকা লাগবে। কম্পিউটার সায়েন্সের বেসিক জিনিসগুলোতে (যেমন : ডাটা স্ট্রাকচার, অ্যালগরিদম) ভালো দখল থাকা লাগবে। চতুর্থ বর্ষে অনেক ভার্সিটিতেই আর্টিফিশিয়াল ইন্টিলিজেন্স, মেশিন লার্নিং কোর্স আছে - এগুলো ভালো করে পড়তে হবে। তারপরে Coursera-তে Machine Learning-এর ওপর Andrew Ng-এর একটা কোর্স আছে, সেটা করে নিলে ভালো (কোর্সটা বেসিক লেভেলের তবে খুব ভালো, আমি নিজেও করেছি)। এতটুকু পথ পার হলে আর তখন কাউকে জিজ্ঞাসা করতে হবে না, নিজেই মেশিন লার্নিং এক্সপার্ট হওয়ার পথ পেয়ে যাবে। পোস্টটা আমি কাউকে ভয় দেখানোর জন্য দেই নাই, শুরু বাস্তব কথাটা বলার চেষ্টা করেছি। সায়েন্স ফিকশন বই পড়লেই যেমন বিজ্ঞানী হওয়া যায় না, তেমনি ইলন মাস্কের খবরাখবর বা আর্টিফিশিয়াল ইন্টিলিজেন্স বিষয়ক টুকটাক পোস্ট পড়লে আর একটার পর একটা অনলাইন কোর্সে এনরোল করলে মেশিন লার্নিং শেখা হবে না। পথ কঠিন, তবে লেগে থাকলে হবে। আর হ্যাঁ, পোস্টটা হচ্ছে ভার্সিটির প্রথম বা দ্বিতীয় বর্ষের শিক্ষার্থীদের জন্য।
[ পোস্টটা কালেক্টেড তথ্যগুলো নেট থেকে নেওয়া, আর অল্প কিছু আমার নিজের থেকে অ্যাড করা ]
Comments
Post a Comment