Author Topic: বিজ্ঞানের ছাত্র-ছাত্রী না হয়েও কিভাবে আর্টিফিশিয়াল ইন্টেলিজেন্স শিখবো?  (Read 780 times)

Offline sadekur738

  • Full Member
  • ***
  • Posts: 191
  • Test
    • View Profile
How to learn Artificial Intelligence when you are not a student of Science or you’re student of commerce or arts but you want to pursue Artificial Intelligence. The 3000 words definitive guide!

    Computer Science is a branch which doesn’t depend upon one’s educational background much.

আমাদের সবার মনে এরকম একটা ধারণা আছে যে, কেউ যদি কমার্স বা আর্টস এর ছাত্র হয় অর্থাৎ non-science ব্যাকগ্রাউন্ডের হয় সে বিজ্ঞানের কোন সাবজেক্ট পড়তে পারবেনা কিংবা তাকে দিয়ে বিজ্ঞানের কোন বিষয় পড়ানো উচিৎ হবে না । এটা সত্য যে, বিজ্ঞানের ছাত্র-ছাত্রী যারা তারা একটু জটিল বিষয় গুলো স্কুল থেকেই পড়া শুরু করে ফলে কলেজ — বিশ্ববিদ্যালয়ে গিয়ে তারা বিজ্ঞানের অপেক্ষা কৃৎ কঠিন বিষয় গুলো সহজে বুঝতে পারে । কিন্তু তার মানে এই না যে, অন্য কোন ক্ষেত্রে’র মানুষ জন পারবে না , পড়তে পারবে না । পারা না পারা , পুরো টাই মনের বিষয় । একটু সময়, একটু ধৈর্য নিয়ে কোন কিছু করলে এবং সমস্যা সমাধানের আগ্রহ থাকলে যে কোন কিছু সম্ভব । আর আর্টস ও এক প্রকার বিজ্ঞান , কমার্স ও তাই । যাই হোক এই লেখার উদ্দেশ্য, যারা বিজ্ঞানের ছাত্রছাত্রী নন , কিন্তু কম্পিউটার সায়েন্স নিয়ে কাজ করতে আগ্রহী, বিশেষ করে আর্টিফিশিয়াল ইন্টেলিজেন্স নিয়ে কাজ করতে চান তাদের জন্য এই লেখা । একেবারে ৩০০০ শব্দে’র গাইডলাইন ।

ওহ! আরেকটা কথা । আমরা এমন দুনিয়া’র দিকে আগাচ্ছি যেখানে আপনি শুধু ম্যানেজমেন্ট এর জ্ঞান দিয়ে প্রোডাক্ট ম্যানেজআর হতে পারবেন না , শুধু একাউন্টেন্সির জ্ঞান দিয়ে একাউন্ট্যান্ট হতে পারবেন না, কিংবা শুধু মার্কেটিং এর জ্ঞান দিয়ে কোন কোম্পানি’র মার্কেটিং ডিপার্টমেন্ট এর চাকুরি হবে না । সব কোম্পানি কম-বেশি ডিজিটাল হচ্ছে । সুতরাং আজ হোক , কাল হোক আপনাকে কোম্পানি’র টেক কোম্পানি’র মানুষজন এর সাথে কাজ করতেই হবে । তখন আপনি যদি জানেন , কিভাবে একটা টেকনোলজিকাল প্রোডাক্ট বানানো হয় , এর ম্যানেজ মেন্ট কিভাবে করতে হয় , সফট্ওয়্যার স্ট্যাক কি , গিট কি , লিন ম্যাথড কি , ব্লকচেইন কি , আর্টিফিশিয়াল ইন্টেলিজেন্স কি , এরা কিভাবে কাজ করে , মার্কেটিং এ কিভাবে আর্টিফিশিয়াল ইন্টেলিজেন্স , মেশিন লার্নিং প্রয়োগ করে আরো ইফেক্টিবলি করা যায় আপনার ক্যরিয়ার হবে স্মুথ । আর প্রতিনিয়ত শিখতে থাকতে হবে ।

তো এই লেখার মূল উদ্দেশ্যই হলো, যারা কম্পিউটার সায়েন্স এর নন, কিন্তু আর্টিফিশিয়াল ইন্টেলিজেন্স নিয়ে কাজ করতে চান , শিখতে চান তাদের জন্য সহজ ভাষায় একটা গাইডলাইন তৈরি করে দেয়া । আবার যারা কম্পিউটার সায়েন্স এর কিন্তু এখনো আর্টিফিশিয়াল ইন্টেলিজেন্স নিয়ে পড়া শুরু করেন নাই , কিংবা বিশ্ববিদ্যালয়ে এই কোর্স শুরু করে নাই , তারাও এই লেখা থেকে প্রাথমিক ধারনাপাতি এবং পরবর্তী পড়াশুনা’র রসদ পেয়ে যাবেন ।

Always stay ahead of the curve!

প্রথম কথা হচ্ছে গণিতে আপনাকে ভালো হতে হবে । আমরা কম বেশি সবাই ম্যাথ করেছি । স্কুল হোক , কলেজ হোক , কিংবা বিশ্ববিদ্যালয় । আর কোন একটা সমস্যা সামনে পেলে সেটা সমাধানের চেষ্টা থাকতে হবে , ম্যাথ পুরোটাই প্র্যাক্টিস এর বিষয় । আপনি যত বেশি প্র্যাক্টিস করবেন তত বেশি আপনার মাথা খুলবে ।

এই লিস্ট এর প্রথমে থাকবে লিনিয়ার আলজেব্রা ।
Linear Algebra

লিনিয়ার আলজেব্রা — বা বাংলায় বলে যোগাশ্রয়ী বীজগণিত । এটা পিউর এবং এপ্লাইড ম্যাথমেটিক্স । লিনিয়ার এলজেব্রার গাণিতিক পদ্ধতি ব্যবহার করে অনেক জটিল বিষয়কে যেমন সহজে গাণিতিকভাবে উপস্থাপন করা যায়, তেমন অনেক সাধারণ এবংঝামেলাবিহীনভাবে সমস্যার সমাধান বের করা যায় । লিনিয়ার আলজেব্রা’র ভিতর পড়ানো হয় —

১.১ ভেক্টর কি ?

১.২ ভেক্টরের উপাংশ

১.৩ ভেক্টরের উপাংশ সংক্রান্ত গণণা

১.৪ যোগাশ্রয়ী সমাবেশ

২। ম্যাট্রিক্স পরিচিতি ও ম্যাট্রিক্স দিয়ে হিসাব নিকাশ (Matrix and matrix calculations)

৩। রৈখিক সমীকরণ পদ্ধতি (System of linear equations)

৪ । ভেক্টর স্পেস (Vector Space)

৫। ভেক্টরের যোগাশ্রয়ী সমাবেশ এবং নির্ভরশীলতা (Linear combination and dependence of vectors)

৬। ভেক্টর স্পেসের ভিত্তি ও মাত্রা (Basis and dimension of vector space)

৭। যোগাশ্রয়ী রূপান্তর (Linear transformation)

৮। অন্তঃগুণ স্পেস (Inner product space)

৯। নির্ণায়ক (Determinant)

১০। আইগেনমান এবং আইগেনভেক্টর (Eigenvalues and eigenvectors)

১১। জর্দান স্ট্যান্ডার্ড আকার এবং তার ব্যবহার (Jordan standard form and its applications)

১২। দ্বিঘাত আকার এবং হারমিশিয়ান আকার (Quadratic form and Hermitian form)

অনলাইন এ জোশ জোশ কিছু ওয়েবসাইট আছে যেখান থেকে আপনি খুব সহজে এগুলো শিখতে পারেন। এরকম কিছু সাইট হলো —
Vector

https://www.khanacademy.org/math/linear-algebra — খান একাডেমি ( এর থেকে ভালো টিউটোরিয়াল আর কোথাও পাবেন না ।

খান একাডেমির লিনিয়ার এলজেব্রা’র প্লে লিস্ট — https://www.youtube.com/playlist?list=PLFD0EB975BA0CC1E0

এমআইটি’র কোর্স — https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/index.htm

বেটার এক্সপ্লেইন্ড — https://betterexplained.com/articles/linear-algebra-guide/

Quora — https://www.quora.com/topic/Linear-Algebra

ফিলিপ কেইনে’র Coding The Matrix [ এই ওয়েবসাইট এ আপনি image morphing, keystone correction, error-correcting codes, searching within an audio clip, face detection এর বিষয় গুলো শিখতে পারবেন ]

ম্যাট্রিক্স থিউরি — https://www.youtube.com/playlist?list=PL05CD03A43A56AE66

লিনিয়ার আলজেব্রা — Dr. K.C. Sivakumar,Department of Mathematics,IIT Madras — https://www.youtube.com/playlist?list=PLbMVogVj5nJQ2vsW_hmyvVfO4GYWaaPp7
Talent Hunt July’ 2017

তারপর আসে ক্যালকুলাস — গণিত এবং বিজ্ঞানের অনেক গুলা সমৃদ্ধ শাখা গুলোর একটা । হাজারো রকম গাণিতিক সমস্যার সমাধান করা হয় ক্যাল্কুলাস দিয়ে । বিশেষ করে জ্যামিতিক । পদার্থবিজ্ঞানে’র থিওরি’তে প্রচুর পরিমানে ব্যবাহার পাবেন । আর্টিফিশিয়াল ইন্টেলিজেন্স এর লিনিয়ার আলজেব্রা’র পর বেশি ব্যবহার হয় ।

    Remember Professor Calculus?

Remember Professor Calculus?

ক্যালকুলাস আসলে অ্যাডভান্সড বীজগণিত এবং জ্যামিতির এক অসাধারণ সমন্বয়। গণিতের পরিপ্রেক্ষিতে বলা যায় এটা কোন নতুন বিষয় বা সাবজেক্ট নয়। ক্যালকুলাসে সাধারণ বীজগণিতীয় এবং জ্যামিতিক সূত্রাবলি ব্যবহৃত হয় কিন্তু ক্যালকুলাসের সমস্যাগুলি অবশ্যই বীজগণিত এবং জ্যামিতির চেয়ে আলাদা ও একটু জটিল। যেখানে বীজগণিত, জ্যামিতি এবং ত্রিকোণমিতির শেষ সেখান থেকেই ক্যালকুলাসের শুরু।

খান একাডেমি — https://www.khanacademy.org/math/differential-calculus

লামার ইউনিভার্সিটি — http://tutorial.math.lamar.edu/Classes/CalcI/CalcI.aspx

Quora — https://www.quora.com/topic/Calculus

প্রি ক্যাল্কুলাস নাম এ আরেকটা কোর্স হয় । যেখানে ত্রিকোণমিতি এবং বৃত্ত নিয়ে শেখানো হয় । এগুলো — powers of x (including non-integer powers), sines, cosines, tangents, exponential functions and logarithms

এছাড়া রয়েছে Multivariable Calculus —

উইকিপিডিয়া থেকে — Multivariable calculus (also known as multivariate calculus) is the extension of calculus in one variable to calculus with functions of several variables: the differentiation and integration of functions involving multiple variables, rather than just one.

MIT — https://ocw.mit.edu/courses/mathematics/18-02sc-multivariable-calculus-fall-2010/index.htm

এগুলো সহ —

    line and surface integrals
    Green’s Theorem
    Stokes’ Theorem
    Divergence Theorem
    partial derivatives
    multiple integration

ফাংশন কি , ডোমেন রেঞ্জ কি, কেন , কিভাবে এগুলো ও শিখতে হবে ।—
Talent Hunt July’ 2017

আমরা নিচের ফাংশন টি লক্ষ্য করি —

f(x)= y²
এখানে f(x) একটা মেশিন (বা রান্নার পাত্র)
x হচ্ছে কাঁচামাল (ধরো ডিম)
y² হচ্ছে প্রোডাক্ট (ডিম পোস)

x কে আমরা বলি ডোমেন!
y হচ্ছে রেঞ্জ!
এখন চিন্তা করি! ডিম পোস পাইতে হইলে আমাদের ( x ) কি কি হইতে পারে? মুরগীর ডিম,হাঁসের ডিম তাহলে এগুলাই আমাদের ডোমেন! আচ্ছা ঘোড়ার ডিম দিলে কি পোস পাব???

পাবনা কারণ এইটা অবাস্তব জিনিস! তাই ডোমেন এ x সবসময় এমন দিতে হবে যেন y বাস্তব হয়!
আবার রেঞ্জ এর ক্ষেত্রেও একই কথা! আমরা হাসের ডিম দিলে কি মাছের ডিমের পোস পাব???

মাছের ডিমের পোস বলেই তো কিছু নাই! তাহলে রেঞ্জ ও এমন হইতে হবে যেন বাস্তব ডিমের পোস মানে বাস্তব ডোমেন পাওয়া যায়! [ সংগৃহীত ]

বাংলায় ভালো একটা লেখা — http://shoshikkha.com/archives/500

তারপর শিখতে হবে প্রবাবিলিটা বা সম্ভাব্যতা —

প্রবাবিলিটি বা সম্ভাব্যতা —

প্রবাবিলিটি হচ্ছে কোন কিছু ঘটবে কি ঘটবে না, পরীক্ষায় পাশ হবে কি হবে না, আজ সন্ধ্যায় বৃষ্টি হলে কাল সকালে বৃষ্টি হবে কি হবে না, ক্রীড়া উন্নয়ন তহবিলের লটারীর টিকিট কিনলে আপনি প্রথম পুরস্কারটি পাবেন কি পাবেন না — এ ধরনের সম্ভাবনা নিয়ে যে লেখাপড়া হয় সেটা ।
What is Probability?

খুব মজার একটা প্রশ্ন — একটি কয়েন টস করলে হেড ওঠার সম্ভবনা কত? একই কয়েন ১০ বার টস করলে ৫বার হেড আসার সম্ভাবনা কত? কিংবা একই কয়েন ১০০০ বার টস করলে ৪৯৫ থেকে ৫০৫ বার হেড আসার সম্ভবনা কত?
সম্ভাবনা কী?

সম্ভাবনা একটি ধারণা। এই ধারনার মাধ্যমে কোন কিছু ঘটবে কি ঘটবে না তা গাণিতিক ভাবে (সংখ্যা বা অংকের মাধ্যমে) প্রকাশ করা হয়। যে অংক বা সংখ্যাটি দিয়ে আমরা সেই জিনিসটি ‘ঘটবে কি ঘটবে না’ প্রকাশ করি সেই সংখ্যাটিই সম্ভাবনা।

যেমন, একটি কয়েন টস করলে হেড উঠবে কি উঠবে না তা আমরা একটা সংখ্যা দিয়ে প্রকাশ করি। আমরা সবাই জানি যে হেড ওঠার সম্ভবনা ৫০%. কিন্তু কীভাবে তা জানি? এটি বোঝার চেষ্টা করুন । ;)
কোথায় শিখবেন?

খান একাডেমি — https://www.khanacademy.org/math/statistics-probability

খান একাডেমি — https://www.khanacademy.org/math/probability/probability-geometry/probability-basics/a/probability-the-basics

এমআইটি — https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-041-probabilistic-systems-analysis-and-applied-probability-fall-2010/

হার্ভার্ড — https://www.youtube.com/playlist?list=PLLVplP8OIVc8EktkrD3Q8td0GmId7DjW0

এগুলো হলে আমরা শিখবো —

কম্বিনেটরিক্স এবং ডিসক্রিট ম্যাথ —

কম্বিনেটরিক্স হলো গুন নিয়ে কাজ কারবার । তবে সাধারণ কোন গুন না । গুণ বলে গোনা । যেমন ধরেন একটা ক্লাস রুমে ৩ জন শিক্ষার্থী আর ৩ টা চেয়ার আছে । এখন প্রশ্ন হচ্ছে তারা কত ভাবে বসতে পারবে চেয়ার গুলো তে?
কম্বিনেটরিক্স

উপরের ছবিটা খেয়াল করেন , এইখানে তিন রঙের চেয়ার দিয়ে তিন শিক্ষার্থী কে বোঝানো হয়েছে । এখন প্রথম বার লাল-নীল-সবুজ পাশাপাশি বসলো , দ্বিতীয়বার নীল-সবুজ-লাল এভাবে প্রত্যেকে প্রত্যেকে’র অবস্থান পালটিয়ে ঠিক কতভাবে বসতে পারবে? এই ধরনের ক্যালকুলেশন করা হয় কম্বিনেটরিক্স এ! এখন বলেন তো উপরের প্রশ্নের উত্তর কত?

ডিসক্রিট ম্যাথ — কম্পিউটার সায়েন্সের একটি মৌলিক কোর্স হচ্ছে বিচ্ছিন্ন গণিত, যা ডিসক্রিট ম্যাথমেটিকস্ ( Discrete Mathematics ) নামেই বেশি পরিচিত। এই বিষয়ে জ্ঞানলাভের মাধ্যমে একজন শিক্ষার্থী কম্পিউটার প্রোগ্রামকে আরো গভীরভাবে বুঝতে পারে। তাই পৃথিবীর প্রায় সমস্ত বিশ্ববিদ্যালয়ে এটি একটি বাধ্যতামূলক কোর্স।
Why Learn Discrete Mathematics?
কোথায় শিখবেন?

বাংলা বই — https://enogor.com/review/product/list/id/623/category/49/

বাংলায় ডিসক্রিট ম্যাথ — https://discrete-math.appspot.com/preview

MIT — https://ocw.mit.edu/courses/mathematics/18-312-algebraic-combinatorics-spring-2009/index.htm

কোর্সেরা — https://www.edx.org/course/combinatorial-mathematics-zu-he-shu-xue-tsinghuax-60240013x-2
Collection of Combinatorics Videos —

http://www.math.ucla.edu/~pak/lectures/Math-Videos/comb-videos.htm

Describing graphs — https://www.khanacademy.org/computing/computer-science/algorithms/graph-representation/a/describing-graphs

Discrete Mathematics — https://www.youtube.com/playlist?list=PLBC7084341FB2A03A

Discrete Structures — https://learn.saylor.org/course/cs202

Discrete Mathematics [Instructor: Shai Simonson] — http://www.aduni.org/courses/discrete/index.php?view=cw

এরপর আসবে স্ট্যাটিসটিক্স —

স্ট্যাটিসটিক্স — সোজা বাংলায় জরিপ বা পরিসংখ্যান । উপাত্তের বিশ্লেষণ, ব্যাখ্যা ও পরিবেশন সম্পর্কিত যে বিজ্ঞান সেটাই স্ট্যাটিসটিক্স বা পরিসংখ্যান ।
What is Statistics?
কোথায় শিখবেন?

Statistics for business — https://www.edx.org/course/statistics-business-i-iimbx-qm101-1x-0 & https://www.edx.org/course/statistics-business-ii-iimbx-qm101-2x-0

Quora — https://www.quora.com/topic/Statistics-academic-discipline

Engineering Statics — http://oli.cmu.edu/courses/free-open/engineering-statics-course-details/

Youtube — https://www.youtube.com/playlist?list=PLRqDfxcafc23LXGoItpkYMKtUdHaQwSDC

Class Central — https://www.class-central.com/subject/statistics

Markov Chain — https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-041-probabilistic-systems-analysis-and-applied-probability-fall-2010/video-lectures/lecture-16-markov-chains-i/

Fundamentals of Probability — https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-436j-fundamentals-of-probability-fall-2008/index.htm

Linear Model —

উইকিপিডিয়া থেকে — Linear models describe a continuous response variable as a function of one or more predictor variables. They can help you understand and predict the behavior of complex systems or analyze experimental, financial, and biological data.Linear regression is a statistical method used to create a linear model.
কোথায় শিখবেন?

হার্ভার্ড ইউনিভার্সিটি — https://www.edx.org/course/introduction-linear-models-matrix-harvardx-ph525-2x-1

স্ট্যানফোর্ড ইউনিভার্সিটি — http://online.stanford.edu/course/statistical-learning-winter-2014

বই — Extending the Linear Model with R লেখক — Julian J. Faraway

কনভেক্স অপ্টমাইজেশন —

স্ট্যানফোর্ড — http://online.stanford.edu/course/convex-optimization-winter-2014

এমাইটি — https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-079-introduction-to-convex-optimization-fall-2009/

আরো শিখতে পারেন — (augmented) least squares, least norm solutions, QR factorization, properties of semi-definite matrice

অগমেন্টেড লিস্ট স্কোয়ার, লিস্ট নর্ম সল্যুশন, কিউআর ফ্যাক্টরাইজেশন, সেমি ডেফিনিট মেট্রিক্স ।

[1] Convex Analysis and Optimization by Bertsekas, Nedich, and Ozdaglar.
[2] Numerical Optimization by Nocedal and Wright
[3] NPTEL Phase II :: Electrical Engineering

এছাড়াও পড়তে পারেন

Epistemology — জ্ঞান নিয়ে পড়াশোনা ! ইংরেজিতে The Study Of Knowledge. পড়ুন এখানে ।

Systems science — সিস্টেম সায়েন্স হচ্ছে প্রবাবিলিটি থিওরি , ডিসিশন থিউরি, গেইম থিওরি , অরগানাইজেশনাল সোশিয়লজি , বিহেবিওড়াল ইকোনমিক্স , কগনিটিভ সাইকোলজি নিয়ে থিওরেটিক্যাল বা তাত্ত্বিক পড়াশোনা । সিস্টেম ডিজাইন এবং ইঞ্জিনিয়ারিং এ কাজে লাগে । বিস্তারিত পড়তে পারেন এখানে ও এখানে ।

Model Free Methods — আর্টিফিশিয়াল ইন্টেলিজেন্স এর একটা গুরুত্বপূর্ণ বিষয় । কোন একটা বস্তু বা কম্পিউটার বা ব্রেইন কে এমন বা ট্রেইন করতে পারা যেখানে কোন মডেল এর দরকার নাই । সাধারণত আমরা যারা আর্টিফিশিয়াল ইন্টেলিজেন্স নিয়ে কাজ করি তখন আমাদের ট্রেইনিং ডাটা সেটস বা মডেল এর প্রয়োজন পড়ে । এখানে পড়তে পারেন আরো বিস্তারিত — মডেল ফ্রি মেথড , এখানে এবং এখানে

Modern Connectionism — আর্টিফিশিয়াল ইন্টেলিজেন্স , কগনিটিভ সাইকোলজি , কগনিটিভ সায়েন্স , নিউরোসায়েন্স, ফিলোসফি অব মাইন্ড এই সব নিয়ে মডার্ন কানেকশনিজম । এই কানেকশিজম অনেক রকম হতে পারে , তার মধ্যে নিউরাল নেটওয়ার্ক অন্যতম । বিস্তারিত পড়ুন এখানে — উইকিপিডিয়া ।

Table lookup — কম্পিউটার এর ক্যাল্কুলেশন কিংবা কোন একটা অপারেশন সিগনেফিকেন্টলি কমিয়ে আনতে টেবল লুক আপ নামের এক ধরনের array ব্যবহার করা হয় । কম্পিউটার বিজ্ঞান এর উন্নতি হবার পূর্বে টেবল লুক আপ ব্যবহার করা হত ত্রিকোণমিতি , লগারিদম এবং স্ট্যাটিস্টিক্যাল ডেনসিটি ফাংশন নিয়ে কাজ করার সময়। এখন হয় মেমরি অপ্টিমাইজেশন , প্রসেস অপ্টিমাইজেশন এ ।

Graph Theory — কম্পিউটার সায়েন্স এর আরেকটা মেজর কন্সেপ্ট । সোজা কথায় গ্রাফ নিয়ে লেখা পড়া । যেখানে দুই বা ততোধিক বস্তুর মধ্যেকার সম্পর্ক নিয়ে আলোচনা হয় । আরো পড়তে চাইলে — উইকিপিডিয়া , এখানে , এখানে , এই ভিডিও’তে , এই ইউটিউব সিরিজ ।

গ্রাফ থিওরি নিয়ে আমি পরে আরেকটা সিরিজ লিখব সময় পেলে। অনেক কিছু লেখার আছে এই অংশ নিয়ে । আমি গ্রাফ থিওরি শিখেছি হ্যারারে’র গ্রাফ থিওরি বই থেকে । বই ।

গ্রাফ থিওরি নিয়ে আরেকটা সুন্দর ব্লগ হচ্ছে — A Gentle Introduction To Graph Theory

Evolutionary Computing — কম্পিউটার সায়েন্স এবং আর্টিফিশিয়াল ইন্টেলিজেন্স এর আরেকটা রিসার্চ ফিল্ড । প্রানীজাতির বায়োলজিক্যাল ইভ্যুলুশান থেকে ইন্সপায়ারড হয়ে এই অ্যালগরিদম বানানো । আর্টিফিশিয়াল ইন্টেলিজেন্স এর সাব ফিল্ড । উইকিপিডিয়া লিঙ্ক ।

ইভ্যুলুশান কম্পিউটিং নিয়ে এমআইটি’র জার্নাল বের হয় । এখানে সাবস্ক্রাইব করতে পারেন ।

এই বইটা জোশ ইভ্যুলুশান কম্পিউটিং এর জন্য ।

এই কোর্সটাও করতে পারেন । এখানে —

discovery based methods — এই মেথডে একজন শিক্ষার্থী তার সাথে ঘটা অতীতের কোন ঘটনা এবং তার বর্তমান জ্ঞান কাজে লাগিয়ে কোন একটা সমস্যা সমাধান করে । পড়ুন এখানে এবং এখানে । উইকিপিডিয়া এবং এখানে সুন্দর দুটো আর্টিকেল রয়েছে ।

এই টার্ম গুলার সাথেও পরিচিত হোন —

Bayesian logic, and Fuzzy logic

Qualia, Chinese Rooms, the Turing Test
Chinese Rooms

Offline mushfiq.swe

  • Full Member
  • ***
  • Posts: 109
    • View Profile
বিজ্ঞানের ছাত্র-ছাত্রী না হয়েও ... এত্তকিছু?!!!  :o
Muhammad Mushfiqur Rahman
Lecturer, Dept. of SWE,
FSIT, DIU.


Offline Saba Fatema

  • Sr. Member
  • ****
  • Posts: 304
    • View Profile
Saba Fatema
Senior Lecturer
Department of GED
FSIT, DIU