Home » Blog » AI/ML Engineer সিরিজ » Series 01 » Episode 04

গণিত না পারলে AI হবে না? — ভয় বনাম বাস্তবতা

ঠিক কতটুকু গণিত সত্যিই লাগে, আর কোন ভয়গুলো অকারণ (Series 01, Episode 04)

🟢 BEGINNER Series 01 — AI/ML-এর দুনিয়া Episode 04 / 06

📑 এই পর্বে যা যা আছে

১. গল্প: Rahim-এর math-phobia
২. আসল সমস্যা: ভুল ভয় ভুল সিদ্ধান্ত ডেকে আনে
৩. কেন এই ভয়টা তৈরি হয়
৪. দুটো ভিন্ন প্রশ্ন: "গণিত জানা" বনাম "গণিত ব্যবহার করা"
৫. Must Know গণিত (junior-এর জন্য যতটুকু লাগবেই)
৬. Good to Know (থাকলে ভালো)
৭. Learn Later (এখন লাগবে না)
৮. Visual: গণিতের পিরামিড
৯. একটা উদাহরণ: গণিত ছাড়াই কাজ শুরু
১০. তিন স্তরে বোঝা
১১. বাংলাদেশের বাস্তবতা
১২. Boss Question
১৩. Job Requirement Decoder
১৪. সাধারণ ভুল ধারণা
১৫. Interview Prep
১৬. হাতে-কলমে (Mini Exercise)
১৭. Project Connection
১৮. সারসংক্ষেপ
১৯. পরবর্তী পর্বে কী শিখব

🧩 ১. গল্প: Rahim-এর math-phobia

Rahim ভালো developer, কিন্তু বিশ্ববিদ্যালয়ে calculus আর linear algebra তাকে ভুগিয়েছিল। AI শিখতে গিয়ে সে একটা YouTube video খুলল, প্রথম ৫ মিনিটেই matrix, gradient, partial derivative-এর ঝড় — Rahim ভিডিও বন্ধ করে ভাবল, "আমার দ্বারা হবে না, গণিতই তো পারি না।"

Rahim হতাশ হয়ে Arif-কে (ML Engineer) বলল:

"ভাই, AI করতে হলে তো mathematician হতে হয়। আমি তো সেই লেভেলের গণিত জানি না। বাদ দিই?"

Arif বলল: "দাঁড়া দাঁড়া। আমি গত এক বছরে হাতে কলমে একটা derivative-ও বের করিনি। gradient descent কী সেটা বুঝি, কিন্তু calculus করি না — সেটা PyTorch করে দেয়। তোমাকে গণিতের theorem প্রমাণ করতে হবে না; তোমাকে বুঝতে হবে গণিতটা কী করছে আর কেন করছে। এই দুটো সম্পূর্ণ আলাদা জিনিস।"

এই পর্বে আমরা এই ভয়টা যুক্তি দিয়ে ভেঙে ফেলব — এবং একটা পরিষ্কার তালিকা দেব: কী লাগবে, কী লাগবে না।

❓ ২. আসল সমস্যা: ভুল ভয় ভুল সিদ্ধান্ত ডেকে আনে

Math fear-এর দুটো বিপরীত বিপদ, দুটোই ক্ষতিকর:

অতিরিক্ত ভয়: "আগে ৬ মাস পুরো linear algebra + calculus শেষ করি, তারপর ML" — ফল: কেউ কখনো ML-এ পৌঁছায়ই না, মাঝপথে ছেড়ে দেয়।
অতিরিক্ত অবহেলা: "গণিত লাগে না, শুধু model.fit() জানলেই হবে" — ফল: model কেন কাজ করছে বা করছে না, কিছুই বোঝে না; interview-তে আটকে যায়।

সঠিক পথ মাঝখানে: আপনার দরকার গণিতের intuition — গণিতটা কী বলছে সেটা বোঝা। theorem প্রমাণ বা হাতে হাতে জটিল হিসাব — সেটা junior চাকরির জন্য দরকার নেই। "বুঝি" যথেষ্ট, "প্রমাণ করতে পারি" লাগবে না।

🤔 ৩. কেন এই ভয়টা তৈরি হয়

এই ভয়ের তিনটা উৎস:

একাডেমিক course: বিশ্ববিদ্যালয় গণিত শেখায় theorem-প্রমাণের দৃষ্টিকোণ থেকে, ব্যবহারিক দৃষ্টিকোণ থেকে নয়। ফলে মনে হয় সব মুখস্থ ও প্রমাণ করতে হবে।
Research paper: paper-এ ভরা থাকে সমীকরণ — কিন্তু ওগুলো Researcher-দের জন্য, junior Engineer-দের জন্য নয়।
ভুল content: অনেক tutorial "impressive" দেখাতে গিয়ে অপ্রয়োজনীয় গণিত সামনে এনে ভয় ধরিয়ে দেয়।

মনে রাখুন — আধুনিক library (NumPy, scikit-learn, PyTorch) আপনার হয়ে সব ভারী হিসাব করে দেয়। gradient বের করা, matrix গুণ করা, optimize করা — সব automatic। আপনার কাজ সঠিক input দেওয়া আর output ব্যাখ্যা করা।

⚖️ ৪. দুটো ভিন্ন প্রশ্ন: "গণিত জানা" বনাম "গণিত ব্যবহার করা"

Mathematician / Researcher

• theorem প্রমাণ করে
• নতুন সমীকরণ আবিষ্কার করে
• হাতে derivative/integral করে
• গভীর proof-based বোঝা লাগে

AI/ML Engineer (junior)

• গণিত কী করছে সেটা বোঝে
• library দিয়ে গণিত চালায়
• output ঠিক আছে কিনা যাচাই করে
• intuition-based বোঝা যথেষ্ট

এই পার্থক্যটাই মূল। আপনি একজন driver হতে চান, engine-designer নয়। গাড়ি চালাতে জানতে হবে accelerator কী করে, brake কী করে — কিন্তু engine-এর thermodynamics প্রমাণ করতে হবে না।

✅ ৫. Must Know গণিত (junior-এর জন্য যতটুকু লাগবেই)

এই টুকু আপনার intuition লেভেলে বোঝা থাকা চাই (Series 04-এ আমরা প্রতিটা সহজ গল্পে শেখাব):

বিষয়	কতটুকু বুঝলেই হবে
Vector ও Matrix	data আসলে সংখ্যার টেবিল; matrix গুণ কী করে — ধারণা
Mean, Median, Std	data-র "গড়" ও "ছড়ানো" বোঝা
Distribution	normal distribution দেখতে কেমন, কেন গুরুত্বপূর্ণ
Probability basics	"কতটা সম্ভব" — classification-এর ভিত্তি
Gradient descent (intuition)	model কীভাবে "ঢাল" ধরে ভুল কমায় — গল্প হিসেবে
Bias vs Variance	overfitting/underfitting-এর মূল ধারণা

চাকরির আগে যা লাগবে: শুধু এই তালিকার intuition। এগুলো নিয়ে দুই লাইনে সহজ ভাষায় ব্যাখ্যা করতে পারলেই junior interview-র জন্য যথেষ্ট।

🟡 ৬. Good to Know (থাকলে ভালো)

Derivative/gradient কী জিনিস — সংজ্ঞা লেভেলে (হাতে বের করা লাগবে না)।
Covariance ও correlation — feature-রা কীভাবে সম্পর্কিত।
Bayes theorem — conditional probability-র intuition।
Loss function কী মাপে — MSE, cross-entropy-র ধারণা।

এগুলো interview-তে আপনাকে আত্মবিশ্বাসী করবে, কিন্তু না জানলেও প্রথম চাকরি আটকাবে না।

🔴 ৭. Learn Later (এখন লাগবে না)

Multivariable calculus-এর proof, chain rule হাতে হাতে বের করা
Eigenvalue/eigenvector-এর গভীর গণিত
Optimization theory (convexity proof ইত্যাদি)
Measure theory, advanced statistics, backprop-এর পূর্ণ derivation

এগুলো Researcher বা advanced specialization-এর জন্য। চাকরি পাওয়ার পর, প্রয়োজন হলে, নির্দিষ্ট বিষয়ে গভীরে যেতে পারবেন। এখন এগুলোর জন্য অপেক্ষা করবেন না — অপেক্ষা করলে কখনোই শুরু করা হবে না।

🔺 ৮. Visual: গণিতের পিরামিড

┌────────────────────────┐ │ Learn Later (🔴) │ ← Researcher-এর জগৎ │ proof, calculus, theory │ (junior-এর লাগে না) ├────────────────────────┤ │ Good to Know (🟡) │ ← interview-এ সুবিধা │ derivative, Bayes, loss │ ├────────────────────────┤ │ Must Know (🟢) │ ← চাকরির আগে যতটুকু │ vector, mean/std, prob, │ লাগবেই (শুধু intuition) │ gradient descent idea │ └────────────────────────┘ উপরে যাওয়া ঐচ্ছিক; ভিত্তি (নিচের সবুজ অংশ) বাধ্যতামূলক।

নিচের সবুজ স্তরটুকু শক্ত করুন — সেটাই যথেষ্ট শুরু করতে। উপরের স্তরগুলো ধীরে ধীরে, প্রয়োজন অনুযায়ী।

💻 ৯. একটা উদাহরণ: গণিত ছাড়াই কাজ শুরু

দেখুন — নিচের কোডে একটা linear regression model বানানো হচ্ছে। কোথাও কি আপনাকে derivative বের করতে হচ্ছে? matrix হাতে গুণ করতে হচ্ছে? না। library সব করছে। আপনার কাজ শুধু বোঝা — এটা কী করছে।

from sklearn.linear_model import LinearRegression # X = feature (যেমন ঘরের আয়তন), y = target (দাম) model = LinearRegression() model.fit(X_train, y_train) # <-- এখানেই gradient/optimization # library নিজে করে ফেলছে prediction = model.predict(X_test) print("model শিখেছে coefficient:", model.coef_)

fit()-এর ভেতরে যে optimization চলছে, সেটার intuition জানা দরকার (Series 04-এ শিখব), কিন্তু গণিতটা হাতে করা লাগছে না। এটাই "গণিত বোঝা বনাম গণিত করা"-র বাস্তব প্রমাণ।

🧠 ১০. তিন স্তরে বোঝা

Level 1 — সহজ intuition: AI-এর গণিত মানে "সংখ্যা দিয়ে decision নেওয়ার নিয়ম"। ভয় পাওয়ার কিছু নেই — এটা প্রতিদিন আপনি অজান্তেই করেন (গড় বের করা, "সম্ভবত বৃষ্টি হবে" ভাবা)।

Level 2 — technical: ML-এর মূল গণিত তিন ভাগ — linear algebra (data-র গঠন), calculus (কীভাবে শেখে), probability/statistics (অনিশ্চয়তা সামলানো)। junior-এর জন্য প্রতিটার শুধু "কী ও কেন" জানা যথেষ্ট।

Level 3 — engineer perspective: বাস্তবে আপনি গণিতটা library-কে দিয়ে করান, আর নিজে ব্যাখ্যা করেন — "model overfit করছে (high variance)", "এই feature-এর সাথে target-এর correlation বেশি"। গণিত এখানে সিদ্ধান্তের ভাষা, calculation-এর বোঝা নয়।

🇧🇩 ১১. বাংলাদেশের বাস্তবতা

বেশিরভাগ junior ML/AI Engineer interview-তে গণিতের theorem প্রমাণ চাওয়া হয় না; চাওয়া হয় intuition — "overfitting কী?", "precision-recall পার্থক্য?"।
যাদের CSE background আছে, তাদের বিশ্ববিদ্যালয়ের গণিতই যথেষ্ট ভিত্তি — শুধু ব্যবহারিক দৃষ্টিতে refresh করলেই হয়।
যাদের non-CSE background — চিন্তা নেই; Series 04-এর intuition-focused গণিতই আপনাকে যথেষ্ট প্রস্তুত করবে।

💼 ১২. Boss Question

💼 Boss Question

Boss: "তুমি যে model বানালে, সেটা কেন এই দামটা predict করল? গণিত তো বোঝো না বললে!"

উত্তর: এখানেই intuition-এর দাম। আপনাকে derivative বলতে হবে না, বলতে হবে business-এর ভাষায়: "model শিখেছে ঘরের আয়তন বাড়লে দাম বাড়ে, আর location-এর প্রভাব সবচেয়ে বেশি — তাই এই flat-টার দাম বেশি predict করেছে।" এটা বলতে গণিতের intuition লাগে, calculation নয়। Boss-কে সংখ্যা নয়, ব্যাখ্যা দিতে হয় — আর সেটাই একজন junior-ও সহজে পারে, যদি সে গণিতটা কী করছে সেটা বোঝে।

🔎 ১৩. Job Requirement Decoder

JD-তে প্রায়ই থাকে:

"Solid understanding of statistics, probability, and linear algebra fundamentals."

🔎 Job Requirement Decoder

১. এর মানে কী? তারা চায় আপনি ML-এর ভিত্তি-গণিতের intuition বোঝেন — mean/std/probability/vector।

২. কেন চায়? কারণ এগুলো না বুঝলে আপনি model-এর ফলাফল ব্যাখ্যা বা debug করতে পারবেন না।

৩. কোন সমস্যা সমাধান করে? "model কাজ করছে না কেন" বুঝতে statistics লাগে; অন্ধভাবে চালালে আটকে যাবেন।

৪. junior-এর কী জানা লাগে? mean/median/std, distribution, probability basics, correlation, gradient descent-এর গল্প — intuition লেভেলে।

৫. এখনই কী master লাগে না? proof, multivariable calculus, eigen-decomposition — এসব পরে।

৬. GitHub-এ কীভাবে দেখাবে? একটা EDA notebook যেখানে আপনি distribution, correlation, outlier ব্যাখ্যা করেছেন।

৭. Interview-তে কী? "variance কী?", "correlation আর causation-এর পার্থক্য?", "gradient descent সহজ ভাষায় বোঝাও।"

⚠️ ১৪. সাধারণ ভুল ধারণা

ভুল ১: "AI করতে হলে mathematician হতে হয়।" → ঠিক: intuition লাগে, proof করার দক্ষতা নয়।

ভুল ২: "আগে সব গণিত শেষ করি, তারপর ML।" → ঠিক: প্রয়োজন অনুযায়ী গণিত শিখুন; নাহলে কখনো শুরুই হবে না।

ভুল ৩: "গণিত একদম লাগে না।" → ঠিক: intuition অবশ্যই লাগে, নাহলে ফলাফল ব্যাখ্যা/debug করা যায় না।

ভুল ৪: "হাতে derivative বের করতে জানতে হবে।" → ঠিক: library করে দেয়; আপনার জানা লাগে এটা কী করছে।

ভুল ৫: "non-CSE হলে AI হবে না।" → ঠিক: intuition-focused শিখলে যেকোনো background থেকেই সম্ভব।

🎤 ১৫. Interview Prep

🎤 Interview Prep

প্রশ্ন ১: ML-এর জন্য কতটা গণিত লাগে বলে মনে করো?
উত্তর: ভিত্তি-intuition — linear algebra (data structure), statistics/probability (uncertainty), gradient descent (learning)। proof-level গণিত junior role-এ দরকার নেই।

প্রশ্ন ২: Standard deviation কী বোঝায়?
উত্তর: data গড় থেকে কতটা ছড়িয়ে আছে তার পরিমাপ; বেশি std মানে বেশি বিচ্ছুরণ।

প্রশ্ন ৩: Gradient descent সহজ ভাষায় বোঝাও।
উত্তর: পাহাড়ের ঢাল ধরে ধাপে ধাপে নিচে নামার মতো — model প্রতি ধাপে error-এর "ঢাল" মেপে সেদিকে একটু নড়ে, যাতে ভুল কমে।

প্রশ্ন ৪: Correlation মানেই কি causation?
উত্তর: না। দুটো জিনিস একসাথে বাড়তে/কমতে পারে কোনো কার্যকারণ ছাড়াই (যেমন আইসক্রিম বিক্রি ও গরম — তৃতীয় কারণ)।

✍️ ১৬. হাতে-কলমে (Mini Exercise)

✍️ হাতে-কলমে

নিচের ৪টা পদ পড়ে নিজের ভাষায় (এক-দুই লাইন) লিখুন, কোনো সূত্র ছাড়াই:

১. Mean আর Median আলাদা কেন হতে পারে?
২. একটা model "overfit" করা মানে কী?
৩. Probability 0.9 বলতে কী বোঝায়?
৪. Gradient descent কেন "ধাপে ধাপে" কাজ করে?

লক্ষ্য: প্রমাণ করা যে গণিতের ভয়টা অকারণ — intuition দিয়েই আপনি এগুলো ব্যাখ্যা করতে পারেন।

🚀 ১৭. Project Connection

আমাদের flagship "Bangladesh Tech Career Assistant" কখনোই আপনাকে হাতে গণিত করতে বলবে না। যখন আমরা job data বিশ্লেষণ করব (Series 03) বা model বানাব (Series 05), তখন সব হিসাব NumPy/Pandas/sklearn করবে —

আপনার কাজ হবে ফলাফল ব্যাখ্যা করা: "এই skill-গুলোর demand বেশি (mean দেখে)", "এই দুটো skill প্রায়ই একসাথে চাওয়া হয় (correlation দেখে)"। অর্থাৎ গণিতের intuition-টাই project-এ কাজে লাগবে, calculation নয়। এটাই প্রমাণ — গণিত ভয়ের জিনিস নয়, বরং সিদ্ধান্তের হাতিয়ার।

📌 ১৮. সারসংক্ষেপ

এই Episode-এ আমরা শিখলাম:

✓ "গণিত জানা" (proof করা) আর "গণিত ব্যবহার করা" (intuition) — সম্পূর্ণ আলাদা; junior-এর দ্বিতীয়টাই লাগে
✓ Must Know: vector/matrix ধারণা, mean/std, distribution, probability, gradient descent-এর intuition, bias/variance
✓ Good to Know: derivative/gradient সংজ্ঞা, correlation, Bayes, loss function
✓ Learn Later: proof, advanced calculus, optimization theory — চাকরির পরে, প্রয়োজন হলে
✓ Library (NumPy/sklearn/PyTorch) ভারী হিসাব করে দেয়; আপনি বোঝেন ও ব্যাখ্যা করেন
✓ "আগে সব গণিত শেষ করি" — এই ফাঁদে পা দেবেন না; intuition নিয়ে এগিয়ে যান

➡️ ১৯. পরবর্তী পর্বে কী শিখব

পরবর্তী Episode (S01E05): "বাংলাদেশে AI/ML চাকরির বাজার: Job Description কীভাবে পড়তে হয়"

গণিতের ভয় কাটল, role বোঝা হলো — এবার সবচেয়ে ব্যবহারিক দক্ষতা: একটা job description পড়ে বুঝে ফেলা, তারা আসলে কী চাইছে। পরের পর্বে আমরা শিখব কীভাবে যেকোনো JD-কে Must Know / Strong Advantage / Specialization — এই তিন ভাগে ভেঙে ফেলে বুঝবেন আপনি এখন কোথায় দাঁড়িয়ে।

⬅ পূর্ববর্তী: কর্মদিবস পরবর্তী: BD job market ➡