মূল content-এ যাও

Learning Path · ০২

Mathematics for AI

Linear algebra, probability, calculus আর optimization — সূত্র মুখস্থ না, ছবি আর code দিয়ে বোঝা।

শুরু করো: Function কী? →

৭টা module · ২৮টা lesson

28lessons
available: ৮শীঘ্রই: ২০

  1. MODULE 01

    Functions ও Graph

    Function, line, exponent, log আর Σ — ML-এর ভাষার বর্ণমালা।

    1. 01NextFunction কী?
    2. 02Line: y = wx + b
    3. 03Exponent ও Log
    4. 04Σ notation: সূত্র পড়তে শেখা

  2. MODULE 02

    Vectors

    সংখ্যার তালিকা থেকে দিক আর দূরত্ব — embedding বোঝার ভিত্তি।

    1. 05Vector কী?
    2. 06Vector যোগ ও scale
    3. 07Dot product ও similarity
    4. 08Norm ও দূরত্ব

  3. MODULE 03

    Matrices

    Data-র table থেকে neural network layer — matrix দিয়ে।

    1. 09শীঘ্রইMatrix কী?
    2. 10শীঘ্রইMatrix গুণ
    3. 11শীঘ্রইTranspose, Identity ও Inverse
    4. 12শীঘ্রইMatrix = Transformation

  4. MODULE 04

    Probability

    অনিশ্চয়তার গণিত — classification-এর প্রতিটা output একটা probability।

    1. 13শীঘ্রইProbability-র মূল ধারণা
    2. 14শীঘ্রইConditional probability ও Bayes
    3. 15শীঘ্রইRandom variable ও distribution
    4. 16শীঘ্রইNormal distribution

  5. MODULE 05

    Statistics

    Data থেকে সিদ্ধান্ত — কোন পার্থক্য আসল, কোনটা কাকতালীয়।

    1. 17শীঘ্রইMean, variance, std
    2. 18শীঘ্রইCovariance ও correlation
    3. 19শীঘ্রইSampling ও Central Limit Theorem
    4. 20শীঘ্রইHypothesis testing

  6. MODULE 06

    Calculus

    পরিবর্তনের হার — model কোন দিকে নিজেকে ঠিক করবে।

    1. 21শীঘ্রইDerivative: ঢাল
    2. 22শীঘ্রইDerivative-এর নিয়ম
    3. 23শীঘ্রইPartial derivative ও gradient
    4. 24শীঘ্রইChain rule: backpropagation-এর হৃদয়

  7. MODULE 07

    Optimization

    সব একসাথে — loss কমিয়ে model শেখানো।

    1. 25শীঘ্রইLoss function
    2. 26শীঘ্রইGradient descent
    3. 27শীঘ্রইLearning rate
    4. 28শীঘ্রইProject: Gradient descent দিয়ে Linear Regression