Data-Science-For-Beginners/translations/bn/1-Introduction/01-defining-data-science

ডেটা সায়েন্স সংজ্ঞায়িত করা

ডেটা সায়েন্স সংজ্ঞায়িত করা - স্কেচনোট @nitya দ্বারা

---

পূর্ব-লেকচার কুইজ

ডেটা কী?

আমাদের দৈনন্দিন জীবনে আমরা সর্বদা ডেটা দ্বারা পরিবেষ্টিত থাকি। আপনি এখন যে লেখা পড়ছেন তা ডেটা। আপনার স্মার্টফোনে আপনার বন্ধুদের ফোন নম্বরের তালিকা ডেটা, এবং আপনার ঘড়িতে প্রদর্শিত বর্তমান সময়ও ডেটা। মানুষ হিসাবে, আমরা স্বাভাবিকভাবেই ডেটা নিয়ে কাজ করি, যেমন আমাদের কাছে কত টাকা আছে তা গণনা করা বা আমাদের বন্ধুদের চিঠি লেখা।

তবে, কম্পিউটার আবিষ্কারের সাথে ডেটা আরও গুরুত্বপূর্ণ হয়ে উঠেছে। কম্পিউটারের প্রধান ভূমিকা হল গণনা করা, তবে তাদের কাজ করার জন্য ডেটা প্রয়োজন। তাই, আমাদের বুঝতে হবে কীভাবে কম্পিউটার ডেটা সংরক্ষণ এবং প্রক্রিয়া করে।

ইন্টারনেটের আবির্ভাবের সাথে, ডেটা পরিচালনার যন্ত্র হিসাবে কম্পিউটারের ভূমিকা বৃদ্ধি পেয়েছে। যদি আপনি এটি সম্পর্কে চিন্তা করেন, আমরা এখন আরও বেশি করে ডেটা প্রক্রিয়াকরণ এবং যোগাযোগের জন্য কম্পিউটার ব্যবহার করি, প্রকৃত গণনার জন্য নয়। যখন আমরা কোনও বন্ধুকে ই-মেইল লিখি বা ইন্টারনেটে কিছু তথ্য অনুসন্ধান করি - আমরা মূলত ডেটা তৈরি, সংরক্ষণ, প্রেরণ এবং পরিচালনা করছি।

আপনি শেষবার কখন কম্পিউটার ব্যবহার করে প্রকৃতপক্ষে কিছু গণনা করেছিলেন তা মনে করতে পারেন?

ডেটা সায়েন্স কী?

উইকিপিডিয়া অনুসারে, ডেটা সায়েন্স সংজ্ঞায়িত করা হয়েছে একটি বৈজ্ঞানিক ক্ষেত্র হিসাবে যা কাঠামোগত এবং অ-কাঠামোগত ডেটা থেকে জ্ঞান এবং অন্তর্দৃষ্টি বের করতে বৈজ্ঞানিক পদ্ধতি ব্যবহার করে এবং বিভিন্ন অ্যাপ্লিকেশন ডোমেনে ডেটা থেকে প্রাপ্ত জ্ঞান এবং কার্যকর অন্তর্দৃষ্টি প্রয়োগ করে।

এই সংজ্ঞাটি ডেটা সায়েন্সের নিম্নলিখিত গুরুত্বপূর্ণ দিকগুলি তুলে ধরে:

• ডেটা সায়েন্সের প্রধান লক্ষ্য হল ডেটা থেকে জ্ঞান বের করা, অন্য কথায় - ডেটা বোঝা, কিছু লুকানো সম্পর্ক খুঁজে বের করা এবং একটি মডেল তৈরি করা।
• ডেটা সায়েন্স বৈজ্ঞানিক পদ্ধতি ব্যবহার করে, যেমন সম্ভাবনা এবং পরিসংখ্যান। প্রকৃতপক্ষে, যখন ডেটা সায়েন্স শব্দটি প্রথম চালু হয়েছিল, তখন কিছু লোক যুক্তি দিয়েছিল যে ডেটা সায়েন্স শুধুমাত্র পরিসংখ্যানের জন্য একটি নতুন চটকদার নাম। বর্তমানে এটি স্পষ্ট হয়ে গেছে যে ক্ষেত্রটি অনেক বিস্তৃত।
• প্রাপ্ত জ্ঞান ব্যবহার করে কিছু কার্যকর অন্তর্দৃষ্টি তৈরি করা উচিত, অর্থাৎ বাস্তব ব্যবসায়িক পরিস্থিতিতে প্রয়োগযোগ্য অন্তর্দৃষ্টি।
• আমাদের কাঠামোগত এবং অ-কাঠামোগত উভয় ডেটা পরিচালনা করতে সক্ষম হওয়া উচিত। আমরা পরে কোর্সে বিভিন্ন ধরণের ডেটা নিয়ে আলোচনা করব।
• অ্যাপ্লিকেশন ডোমেন একটি গুরুত্বপূর্ণ ধারণা, এবং ডেটা বিজ্ঞানীদের প্রায়ই সমস্যার ক্ষেত্রে অন্তত কিছু ডিগ্রি দক্ষতা প্রয়োজন হয়, উদাহরণস্বরূপ: অর্থনীতি, চিকিৎসা, বিপণন ইত্যাদি।

ডেটা সায়েন্সের আরেকটি গুরুত্বপূর্ণ দিক হল এটি অধ্যয়ন করে কীভাবে ডেটা সংগ্রহ করা যায়, সংরক্ষণ করা যায় এবং কম্পিউটার ব্যবহার করে পরিচালনা করা যায়। পরিসংখ্যান আমাদের গাণিতিক ভিত্তি দেয়, ডেটা সায়েন্স গাণিতিক ধারণাগুলি প্রয়োগ করে ডেটা থেকে অন্তর্দৃষ্টি আঁকতে।

ডেটা সায়েন্সকে দেখার একটি উপায় (যা জিম গ্রে এর সাথে যুক্ত) হল এটিকে বিজ্ঞান একটি পৃথক প্যারাডাইম হিসাবে বিবেচনা করা:

• এম্পিরিক্যাল, যেখানে আমরা প্রধানত পর্যবেক্ষণ এবং পরীক্ষার ফলাফলের উপর নির্ভর করি
• তাত্ত্বিক, যেখানে বিদ্যমান বৈজ্ঞানিক জ্ঞান থেকে নতুন ধারণা উদ্ভূত হয়
• কম্পিউটেশনাল, যেখানে আমরা কিছু কম্পিউটেশনাল পরীক্ষার উপর ভিত্তি করে নতুন নীতিগুলি আবিষ্কার করি
• ডেটা-চালিত, ডেটাতে সম্পর্ক এবং প্যাটার্ন আবিষ্কারের উপর ভিত্তি করে

অন্যান্য সম্পর্কিত ক্ষেত্রসমূহ

যেহেতু ডেটা সর্বব্যাপী, ডেটা সায়েন্স নিজেই একটি বিস্তৃত ক্ষেত্র, যা অনেক অন্যান্য শৃঙ্খলাকে স্পর্শ করে।

ডেটাবেস

একটি গুরুত্বপূর্ণ বিবেচনা হল কীভাবে ডেটা সংরক্ষণ করা যায়, অর্থাৎ কীভাবে এটি এমনভাবে গঠন করা যায় যা দ্রুত প্রক্রিয়াকরণের অনুমতি দেয়। কাঠামোগত এবং অ-কাঠামোগত ডেটা সংরক্ষণ করার জন্য বিভিন্ন ধরণের ডেটাবেস রয়েছে, যা আমাদের কোর্সে আমরা বিবেচনা করব।

বিগ ডেটা

প্রায়শই আমাদের একটি অপেক্ষাকৃত সহজ কাঠামো সহ খুব বড় পরিমাণে ডেটা সংরক্ষণ এবং প্রক্রিয়া করতে হয়। একটি কম্পিউটার ক্লাস্টারে ডেটা বিতরণমূলকভাবে সংরক্ষণ এবং দক্ষতার সাথে প্রক্রিয়া করার জন্য বিশেষ পদ্ধতি এবং সরঞ্জাম রয়েছে।

মেশিন লার্নিং

ডেটা বোঝার একটি উপায় হল একটি মডেল তৈরি করা যা একটি কাঙ্ক্ষিত ফলাফল পূর্বাভাস দিতে সক্ষম হবে। ডেটা থেকে মডেল তৈরি করাকে মেশিন লার্নিং বলা হয়। আপনি আমাদের মেশিন লার্নিং ফর বিগিনার্স কারিকুলামে আরও জানতে চাইতে পারেন।

কৃত্রিম বুদ্ধিমত্তা

মেশিন লার্নিংয়ের একটি ক্ষেত্র যা কৃত্রিম বুদ্ধিমত্তা (AI) নামে পরিচিত, এটি ডেটার উপরও নির্ভর করে এবং এতে মানব চিন্তার প্রক্রিয়াগুলিকে অনুকরণ করে উচ্চ জটিলতার মডেল তৈরি করা জড়িত। AI পদ্ধতিগুলি প্রায়শই আমাদের অ-কাঠামোগত ডেটা (যেমন প্রাকৃতিক ভাষা) কাঠামোগত অন্তর্দৃষ্টিতে পরিণত করতে দেয়।

ভিজ্যুয়ালাইজেশন

মানুষের জন্য বিশাল পরিমাণে ডেটা বোঝা কঠিন, তবে একবার আমরা সেই ডেটা ব্যবহার করে দরকারী ভিজ্যুয়ালাইজেশন তৈরি করলে, আমরা ডেটা সম্পর্কে আরও ভালভাবে বুঝতে পারি এবং কিছু সিদ্ধান্ত নিতে পারি। তাই তথ্য ভিজ্যুয়ালাইজ করার অনেক উপায় জানা গুরুত্বপূর্ণ - এটি আমরা আমাদের কোর্সের সেকশন ৩ এ কভার করব। সম্পর্কিত ক্ষেত্রগুলির মধ্যে রয়েছে ইনফোগ্রাফিক্স, এবং সাধারণভাবে মানব-কম্পিউটার ইন্টারঅ্যাকশন।

ডেটার ধরণ

আমরা ইতিমধ্যেই উল্লেখ করেছি, ডেটা সর্বত্র রয়েছে। আমাদের কেবল এটি সঠিকভাবে ক্যাপচার করতে হবে! কাঠামোগত এবং অ-কাঠামোগত ডেটার মধ্যে পার্থক্য করা দরকার। প্রথমটি সাধারণত কিছু সু-গঠিত আকারে উপস্থাপিত হয়, প্রায়শই একটি টেবিল বা টেবিলের সংখ্যা হিসাবে, যখন দ্বিতীয়টি কেবল ফাইলগুলির একটি সংগ্রহ। কখনও কখনও আমরা আংশিক কাঠামোগত ডেটা সম্পর্কেও কথা বলতে পারি, যার কিছু ধরণের কাঠামো থাকে যা ব্যাপকভাবে পরিবর্তিত হতে পারে।

কাঠামোগত	আংশিক কাঠামোগত	অ-কাঠামোগত
ফোন নম্বর সহ লোকেদের তালিকা	লিঙ্ক সহ উইকিপিডিয়া পেজ	এনসাইক্লোপিডিয়া ব্রিটানিকার টেক্সট
গত ২০ বছরে প্রতি মিনিটে একটি ভবনের সমস্ত কক্ষের তাপমাত্রা	লেখক, প্রকাশনার তারিখ এবং সারাংশ সহ JSON ফরম্যাটে বৈজ্ঞানিক কাগজপত্রের সংগ্রহ	কর্পোরেট ডকুমেন্ট সহ ফাইল শেয়ার
ভবনে প্রবেশকারী সমস্ত লোকের বয়স এবং লিঙ্গের ডেটা	ইন্টারনেট পেজ	নজরদারি ক্যামেরা থেকে কাঁচা ভিডিও ফিড

কোথায় থেকে ডেটা পাওয়া যায়

ডেটার অনেক সম্ভাব্য উৎস রয়েছে, এবং সেগুলি সব তালিকাভুক্ত করা অসম্ভব! তবে, আসুন কিছু সাধারণ জায়গা উল্লেখ করি যেখানে আপনি ডেটা পেতে পারেন:

• কাঠামোগত
  • ইন্টারনেট অফ থিংস (IoT), বিভিন্ন সেন্সর থেকে ডেটা সহ, যেমন তাপমাত্রা বা চাপ সেন্সর, অনেক দরকারী ডেটা প্রদান করে। উদাহরণস্বরূপ, যদি একটি অফিস বিল্ডিং IoT সেন্সর দিয়ে সজ্জিত থাকে, আমরা স্বয়ংক্রিয়ভাবে খরচ কমানোর জন্য গরম এবং আলো নিয়ন্ত্রণ করতে পারি।
  • জরিপ যা আমরা ব্যবহারকারীদের কেনাকাটা করার পরে বা একটি ওয়েবসাইট পরিদর্শন করার পরে সম্পূর্ণ করতে বলি।
  • আচরণের বিশ্লেষণ আমাদের বুঝতে সাহায্য করতে পারে, উদাহরণস্বরূপ, একজন ব্যবহারকারী কীভাবে একটি সাইটে গভীরভাবে যায় এবং সাইটটি ছেড়ে যাওয়ার সাধারণ কারণ কী।
• অ-কাঠামোগত
  • টেক্সট অন্তর্দৃষ্টির একটি সমৃদ্ধ উৎস হতে পারে, যেমন সামগ্রিক মনোভাব স্কোর, বা কীওয়ার্ড এবং অর্থপূর্ণ অর্থ বের করা।
  • ছবি বা ভিডিও। একটি নজরদারি ক্যামেরা থেকে একটি ভিডিও রাস্তার ট্র্যাফিকের অনুমান করতে এবং সম্ভাব্য যানজট সম্পর্কে লোকেদের জানাতে ব্যবহার করা যেতে পারে।
  • ওয়েব সার্ভার লগ আমাদের সাইটের কোন পৃষ্ঠাগুলি সবচেয়ে বেশি পরিদর্শন করা হয় এবং কতক্ষণ ধরে তা বুঝতে ব্যবহার করা যেতে পারে।
• আংশিক কাঠামোগত
  • সোশ্যাল নেটওয়ার্ক গ্রাফগুলি ব্যবহারকারীর ব্যক্তিত্ব এবং তথ্য ছড়িয়ে দেওয়ার সম্ভাব্য কার্যকারিতা সম্পর্কে ডেটার দুর্দান্ত উৎস হতে পারে।
  • যখন আমাদের কাছে একটি পার্টি থেকে অনেকগুলি ফটোগ্রাফ থাকে, তখন আমরা একটি গ্রাফ তৈরি করে গ্রুপ ডায়নামিক্স ডেটা বের করার চেষ্টা করতে পারি যেখানে লোকেরা একে অপরের সাথে ছবি তুলছে।

ডেটার বিভিন্ন সম্ভাব্য উৎস সম্পর্কে জেনে, আপনি বিভিন্ন পরিস্থিতি সম্পর্কে চিন্তা করতে পারেন যেখানে ডেটা সায়েন্স কৌশলগুলি পরিস্থিতি আরও ভালভাবে জানতে এবং ব্যবসায়িক প্রক্রিয়াগুলি উন্নত করতে প্রয়োগ করা যেতে পারে।

ডেটা দিয়ে আপনি কী করতে পারেন

ডেটা সায়েন্সে, আমরা ডেটা যাত্রার নিম্নলিখিত ধাপগুলিতে ফোকাস করি:

১) ডেটা সংগ্রহ

প্রথম ধাপ হল ডেটা সংগ্রহ করা। অনেক ক্ষেত্রে এটি একটি সরল প্রক্রিয়া হতে পারে, যেমন একটি ওয়েব অ্যাপ্লিকেশন থেকে একটি ডেটাবেসে ডেটা আসা, কখনও কখনও আমাদের বিশেষ কৌশল ব্যবহার করতে হয়। উদাহরণস্বরূপ, IoT সেন্সর থেকে ডেটা অত্যধিক হতে পারে, এবং এটি একটি ভাল অনুশীলন সমস্ত ডেটা আরও প্রক্রিয়াকরণের আগে সংগ্রহ করতে IoT হাবের মতো বাফারিং এন্ডপয়েন্ট ব্যবহার করা।

২) ডেটা সংরক্ষণ

ডেটা সংরক্ষণ করা চ্যালেঞ্জিং হতে পারে, বিশেষ করে যদি আমরা বড় ডেটা সম্পর্কে কথা বলি। ডেটা কীভাবে সংরক্ষণ করা হবে তা সিদ্ধান্ত নেওয়ার সময়, ভবিষ্যতে আপনি ডেটা কীভাবে অনুসন্ধান করতে চান তা অনুমান করা বুদ্ধিমানের কাজ। ডেটা সংরক্ষণের কয়েকটি উপায় রয়েছে:

• একটি সম্পর্কিত ডেটাবেস একটি টেবিলের সংগ্রহ সংরক্ষণ করে এবং SQL নামে একটি বিশেষ ভাষা ব্যবহার করে সেগুলি অনুসন্ধান করে। সাধারণত, টেবিলগুলি বিভিন্ন গ্রুপে সংগঠিত হয় যা স্কিমা বলা হয়। অনেক ক্ষেত্রে আমাদের ডেটাকে মূল আকার থেকে স্কিমায় ফিট করার জন্য রূপান্তর করতে হয়।
• একটি NoSQL ডেটাবেস, যেমন CosmosDB, ডেটাতে স্কিমা প্রয়োগ করে না এবং আরও জটিল ডেটা সংরক্ষণ করার অনুমতি দেয়, উদাহরণস্বরূপ, হায়ারারকিকাল JSON ডকুমেন্ট বা গ্রাফ। তবে, NoSQL ডেটাবেসগুলির SQL-এর সমৃদ্ধ অনুসন্ধান ক্ষমতা নেই এবং টেবিলগুলিতে ডেটা কীভাবে গঠন করা হয় এবং টেবিলগুলির মধ্যে সম্পর্ক পরিচালনা করার নিয়ম প্রয়োগ করতে পারে না।
• ডেটা লেক স্টোরেজ কাঁচা, অ-কাঠামোগত আকারে ডেটার বড় সংগ্রহের জন্য ব্যবহৃত হয়। ডেটা লেকগুলি প্রায়শই বড় ডেটার সাথে ব্যবহৃত হয়, যেখানে সমস্ত ডেটা এক মেশিনে ফিট করতে পারে না এবং এটি সার্ভারের একটি ক্লাস্টার দ্বারা সংরক্ষণ এবং প্রক্রিয়া করতে হয়। Parquet হল ডেটা ফরম্যাট যা প্রায়শই বড় ডেটার সাথে ব্যবহৃত হয়।

৩) ডেটা প্রক্রিয়াকরণ

এটি ডেটা যাত্রার সবচেয়ে উত্তেজনাপূর্ণ অংশ, যা ডেটাকে তার মূল আকার থেকে এমন একটি আকারে রূপান্তরিত করার সাথে জড়িত যা ভিজ্যুয়ালাইজেশন/মডেল প্রশিক্ষণের জন্য ব্যবহার করা যেতে পারে। অ-কাঠামোগত ডেটা যেমন টেক্সট বা ছবি নিয়ে কাজ করার সময়, আমরা ডেটা থেকে বৈশিষ্ট্য বের করতে কিছু AI কৌশল ব্যবহার করতে পারি, এইভাবে এটি কাঠামোগত আকারে রূপান্তরিত করি।

৪) ভিজ্যুয়ালাইজেশন / মানব অন্তর্দৃষ্টি

ডেটা বোঝার জন্য প্রায়শই আমাদের এটি ভিজ্যুয়ালাইজ করতে হয়। আমাদের টুলবক্সে অনেক ভিন্ন ভিজ্যুয়ালাইজেশন কৌশল থাকার কারণে, আমরা একটি অন্তর্দৃষ্টি তৈরি করতে সঠিক দৃশ্যটি খুঁজে পেতে পারি। প্রায়শই, একজন ডেটা বিজ্ঞানীকে "ডেটা নিয়ে খেলতে" হয়, এটি বারবার ভিজ্যুয়ালাইজ করতে হয় এবং কিছু সম্পর্ক খুঁজতে হয়। এছাড়াও, আমরা কিছু ডেটার মধ্যে সম্পর্ক প্রমাণ করতে বা একটি অনুমান পরীক্ষা করতে পরিসংখ্যানগত কৌশল ব্যবহার করতে পারি।

৫) পূর্বাভাসমূলক মডেল প্রশিক্ষণ

কারণ ডেটা সায়েন্সের চূড়ান্ত লক্ষ্য হল ডেটার উপর ভিত্তি করে সিদ্ধান্ত নিতে সক্ষম হওয়া, আমরা মেশিন লার্নিং এর কৌশলগুলি ব্যবহার করে একটি পূর্বাভাসমূলক মডেল তৈরি করতে চাইতে পারি। আমরা তারপর এটি ব্যবহার করে অনুরূপ কাঠামোর নতুন ডেটা সেট ব্যবহার করে পূর্বাভাস তৈরি করতে পারি।

অবশ্যই, প্রকৃত ডেটার উপর নির্ভর করে, কিছু ধাপ অনুপস্থিত থাকতে পারে (যেমন, যখন আমাদের কাছে ইতিমধ্যে ডেটাবেসে ডেটা থাকে, বা যখন আমাদের মডেল প্রশিক্ষণের প্রয়োজন হয় না), বা কিছু ধাপ একাধিকবার পুনরাবৃত্তি হতে পারে (যেমন ডেটা প্রক্রিয়াকরণ)।

ডিজিটালাইজেশন এবং ডিজিটাল রূপান্তর

গত দশকে, অনেক ব্যবসা সিদ্ধান্ত নেওয়ার সময় ডেটার গুরুত্ব বুঝতে শুরু করেছে। ব্যবসা পরিচালনার জন্য ডেটা সায়েন্সের নীতিগুলি প্রয়োগ করতে, প্রথমে কিছু ড

আপনি হয়তো যুক্তি দিতে পারেন যে এই পদ্ধতি আদর্শ নয়, কারণ মডিউলগুলোর দৈর্ঘ্য বিভিন্ন হতে পারে। সম্ভবত মডিউলের দৈর্ঘ্য (অক্ষরের সংখ্যা) অনুযায়ী সময় ভাগ করা এবং সেই মানগুলো তুলনা করা আরও ন্যায্য হবে।

যখন আমরা বহু-বিকল্প প্রশ্নের পরীক্ষার ফলাফল বিশ্লেষণ শুরু করি, তখন আমরা চেষ্টা করতে পারি কোন কোন ধারণাগুলো শিক্ষার্থীদের বুঝতে সমস্যা হচ্ছে তা নির্ধারণ করতে এবং সেই তথ্য ব্যবহার করে বিষয়বস্তু উন্নত করতে। এটি করতে হলে, আমাদের পরীক্ষাগুলো এমনভাবে ডিজাইন করতে হবে যাতে প্রতিটি প্রশ্ন একটি নির্দিষ্ট ধারণা বা জ্ঞানের অংশের সাথে সম্পর্কিত হয়।

যদি আমরা আরও জটিল হতে চাই, তাহলে আমরা প্রতিটি মডিউল সম্পন্ন করতে যে সময় লাগে তা শিক্ষার্থীদের বয়সের ক্যাটাগরির সাথে তুলনা করতে পারি। আমরা হয়তো দেখতে পাব যে কিছু বয়সের ক্যাটাগরির জন্য মডিউল সম্পন্ন করতে অযথা দীর্ঘ সময় লাগে, অথবা শিক্ষার্থীরা এটি সম্পন্ন করার আগেই বাদ দিয়ে দেয়। এটি আমাদের মডিউলের জন্য বয়সের সুপারিশ প্রদান করতে সাহায্য করতে পারে এবং ভুল প্রত্যাশা থেকে মানুষের অসন্তোষ কমাতে পারে।

🚀 চ্যালেঞ্জ

এই চ্যালেঞ্জে, আমরা ডেটা সায়েন্স ক্ষেত্রের সাথে সম্পর্কিত ধারণাগুলো খুঁজে বের করার চেষ্টা করব টেক্সট বিশ্লেষণ করে। আমরা ডেটা সায়েন্স সম্পর্কিত একটি উইকিপিডিয়া নিবন্ধ নেব, টেক্সট ডাউনলোড এবং প্রক্রিয়া করব, এবং তারপর একটি ওয়ার্ড ক্লাউড তৈরি করব যা এরকম দেখতে হবে:

notebook.ipynb পরিদর্শন করুন কোডটি পড়ার জন্য। আপনি কোডটি চালাতে পারেন এবং দেখতে পারেন এটি কীভাবে রিয়েল টাইমে সমস্ত ডেটা রূপান্তর সম্পন্ন করে।

যদি আপনি জুপিটার নোটবুকে কোড চালানোর পদ্ধতি না জানেন, তাহলে এই নিবন্ধটি দেখুন।

পোস্ট-লেকচার কুইজ

অ্যাসাইনমেন্ট

• টাস্ক ১: উপরের কোডটি পরিবর্তন করুন যাতে বিগ ডেটা এবং মেশিন লার্নিং ক্ষেত্রের সাথে সম্পর্কিত ধারণাগুলো খুঁজে বের করা যায়।
• টাস্ক ২: ডেটা সায়েন্সের পরিস্থিতি নিয়ে চিন্তা করুন

ক্রেডিটস

এই পাঠটি ♥️ দিয়ে লিখেছেন দিমিত্রি সশনিকভ

---

অস্বীকৃতি:
এই নথিটি AI অনুবাদ পরিষেবা Co-op Translator ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসাধ্য সঠিকতার জন্য চেষ্টা করি, তবে অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল ভাষায় থাকা নথিটিকে প্রামাণিক উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য, পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদ ব্যবহারের ফলে কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যা হলে আমরা দায়বদ্ধ থাকব না।