Home » Blog » AI/ML Engineer সিরিজ » Series 02 » Episode 01

Python কেন AI-এর ভাষা? আর তুমি কতটুকু Python জানলে যথেষ্ট?

Rahim-এর প্রথম setup — কেন Python, আর 'enough Python'-এর সীমা কোথায় (Series 02, Episode 01)

🟢 BEGINNER Series 02 — AI Engineer-দের জন্য Python Episode 01 / 09

📑 এই পর্বে যা যা আছে

১. গল্প: Rahim-এর প্রথম setup-এর দিন
২. আসল সমস্যা: "কোন ভাষা শিখব?"
৩. Python কেন AI/ML-এর ভাষা হয়ে গেল
৪. তিন লেভেলে বোঝা: Python কেন এত সুবিধাজনক
৫. Visual: AI ecosystem-এ Python কোথায় বসে
৬. "কতটুকু Python জানলে যথেষ্ট?" — junior-এর জন্য সীমা
৭. Hands-on: প্রথম setup (Python install ও যাচাই)
৮. Experiment: প্রথম AI-flavored Python কোড
৯. বাংলাদেশের বাস্তব context
১০. AI Engineer-এর দৃষ্টিকোণ
১১. Boss Question
১২. Job Requirement Decoder: "Strong Python"
১৩. সাধারণ ভুল
১৪. Interview Prep
১৫. হাতে-কলমে (Mini Exercise)
১৬. Project Connection: Bangladesh Tech Career Assistant
১৭. সারসংক্ষেপ
১৮. পরবর্তী পর্বে কী শিখব

🧩 ১. গল্প: Rahim-এর প্রথম setup-এর দিন

Series 01 শেষ করে Rahim ঠিক করল — এবার সে সত্যিই AI/ML শিখবে। কিন্তু প্রথম প্রশ্নেই আটকে গেল। সে PHP আর JavaScript জানে। YouTube-এ কেউ বলছে C++ শেখো, কেউ বলছে R, আবার সবাই কেন যেন Python-এর কথা বলে। Rahim বিভ্রান্ত।

Rahim তার সিনিয়র Maya-কে জিজ্ঞেস করল:

"আপা, আমি তো আগে থেকেই কোডিং জানি। নতুন করে Python শেখার দরকার কী? আর যদি শিখতেই হয়, তাহলে পুরো Python মুখস্থ করতে হবে? সেটা তো months লেগে যাবে!"

Maya বলল: "দুটো ভালো প্রশ্ন। এক — Python কেন, সেটা বুঝলে তুমি motivation পাবে। দুই — তোমাকে পুরো Python লাগবে না, শুধু একটা নির্দিষ্ট অংশ ভালো করে জানলেই AI/ML-এ কাজ শুরু করা যায়। আজ আমরা এই দুটোই clear করব।"

এই episode-এ আমরা ঠিক এই দুটো প্রশ্নের উত্তর দেব, তারপর হাতে-কলমে Python setup করে প্রথম কোড চালাব।

❓ ২. আসল সমস্যা: "কোন ভাষা শিখব?"

নতুনরা প্রায়ই ভাবে — "সবচেয়ে ভালো programming language কোনটা?" কিন্তু এই প্রশ্নটাই ভুল। Programming language হলো একটা tool, আর tool বাছাই করতে হয় কাজের ওপর ভিত্তি করে।

Web-এর frontend-এ JavaScript ছাড়া উপায় নেই। System programming-এ C/C++/Rust এগিয়ে। আর AI/ML-এর দুনিয়ায় — data নিয়ে কাজ, দ্রুত experiment, model বানানো — এখানে Python একরকম de-facto standard হয়ে গেছে। প্রশ্ন "সবচেয়ে ভালো ভাষা কী" নয়; প্রশ্ন "AI/ML কাজের জন্য কোনটা"।

গুরুত্বপূর্ণ কথা: আপনি আগে কোডিং জানলে সেটা এখানে বিশাল সুবিধা। কারণ AI Engineering আসলে software engineering + ML — আর আপনি software engineering-এর অর্ধেক পথ পার হয়ে এসেছেন।

🐍 ৩. Python কেন AI/ML-এর ভাষা হয়ে গেল

Python হঠাৎ AI-এর ভাষা হয়নি — কয়েকটা বাস্তব কারণে হয়েছে:

সহজ, পড়ার মতো syntax: AI-তে idea দ্রুত test করা লাগে। Python-এ কম কোডে বেশি কাজ হয়, তাই experiment দ্রুত হয়।
বিশাল ecosystem: NumPy, Pandas, scikit-learn, PyTorch, Hugging Face, FastAPI — AI/ML-এর প্রায় সব বড় library প্রথমে Python-এ আসে।
"glue language": Python নিজে ধীর হলেও ভারী কাজগুলো (matrix multiplication) C/C++/CUDA-তে চলে; Python শুধু সেগুলোকে সহজ ভাষায় নিয়ন্ত্রণ করে।
community ও চাকরি: প্রায় সব AI/ML job description-এ Python লেখা থাকে। শিখলে সরাসরি employability বাড়ে।

একটা গুরুত্বপূর্ণ ভুল ধারণা: অনেকে বলে "Python ধীর, তাই AI-তে খারাপ।" আসলে ML-এর heavy computation Python-এ চলে না — চলে NumPy/PyTorch-এর ভেতরের C/CUDA কোডে। Python শুধু orchestration করে। তাই Python-এর "slowness" এখানে বড় সমস্যা নয়।

🎯 ৪. তিন লেভেলে বোঝা: Python কেন এত সুবিধাজনক

Level 1 — সহজ intuition:
Python হলো এমন একটা রান্নাঘর যেখানে সব উপকরণ (library) আগে থেকে সাজানো, আর রেসিপি (কোড) লেখা এত সহজ যে আপনি নতুন idea দ্রুত রান্না করে চেখে দেখতে পারেন।

Level 2 — technical ভাবে:
Python একটা high-level, dynamically-typed, interpreted ভাষা। এর মানে আপনি type declare না করেই দ্রুত কোড লিখতে পারেন, আর compile ধাপ ছাড়াই চালাতে পারেন — যা experimentation-এর জন্য আদর্শ। ভারী numerical কাজ NumPy-র মতো library-তে vectorized হয়ে C-তে চলে।

Level 3 — AI Engineer-এর দৃষ্টিকোণ:
একজন AI Engineer সারাদিন Python-এই data load করে, model train করে, API বানায়, deploy করে। একই ভাষায় পুরো pipeline (data → model → API → deployment) থাকায় context switch কম হয়, এবং team-এর সবাই একই ভাষা বোঝে। এটাই বড় production সুবিধা।

🖼️ ৫. Visual: AI ecosystem-এ Python কোথায় বসে

┌───────────────────────────────────────────────┐ │ আপনার Python কোড (idea, logic, orchestration) │ └───────────────────────────────────────────────┘ │ calls ▼ ┌───────────────────────────────────────────────┐ │ Python Libraries │ │ NumPy · Pandas · scikit-learn · PyTorch · ... │ └───────────────────────────────────────────────┘ │ heavy work delegated to ▼ ┌───────────────────────────────────────────────┐ │ C / C++ / CUDA (GPU) — আসল দ্রুত computation │ └───────────────────────────────────────────────┘

খেয়াল করুন — আপনি ওপরের স্তরে সহজ Python লেখেন, কিন্তু আসল ভারী গণিত নিচের স্তরে দ্রুত ভাষায় চলে। এটাই Python-কে "সহজ অথচ শক্তিশালী" করে।

📏 ৬. "কতটুকু Python জানলে যথেষ্ট?" — junior-এর জন্য সীমা

সবচেয়ে বড় ভুল হলো "পুরো Python master করার" চেষ্টায় মাসের পর মাস আটকে থাকা। একজন junior AI/ML Engineer-এর জন্য নিচের অংশটুকু ভালো করে জানলেই কাজ শুরু করা যায়:

✅ Must Know (চাকরির আগে যা লাগবে):
variables ও data types · list/dict/tuple/set · loops ও conditionals · functions · basic OOP (class) · modules/packages · virtual environment · file ও JSON handling · type hints (basic) · Git basics।

🟡 Good to Know: async, decorators, logging, testing (pytest), context managers।

🔵 Learn Later (চাকরির পরে শিখলেও চলবে): metaclass, advanced typing (Generics/Protocol), packaging internals, C-extension, multiprocessing-এর গভীর কৌশল।

এই পুরো Series 02 ঠিক এই Must Know অংশটাই AI/ML-এর দৃষ্টিকোণ থেকে শেখাবে — generic Python textbook নয়।

🛠️ ৭. Hands-on: প্রথম setup (Python install ও যাচাই)

কেন এই ধাপ? AI/ML-এ প্রতিটা project-এর আলাদা library version লাগে। তাই আমরা শুরু থেকেই পরিষ্কারভাবে Python চালানো ও যাচাই করা শিখব (virtual environment পরে E05-এ বিস্তারিত)।

# terminal-এ Python version যাচাই করুন # (AI/ML-এ Python 3.10+ ব্যবহার করাই ভালো) python3 --version # Python 3.11.6 <-- এমন কিছু দেখা উচিত # pip (package installer) আছে কিনা যাচাই python3 -m pip --version # একটা ফাইল বানান: hello_ai.py # তারপর চালান: python3 hello_ai.py

যদি python3 কাজ না করে, Windows-এ সাধারণত python লিখতে হয়। macOS/Linux-এ python3। version 3.10 বা তার বেশি হলেই আমরা নিশ্চিন্ত।

🧪 ৮. Experiment: প্রথম AI-flavored Python কোড

সাধারণ "Hello World" নয় — আমরা এমন কিছু লিখব যা AI-এর গন্ধ দেয়: কয়েকটা job description থেকে একটা নির্দিষ্ট skill ("python") কতবার এসেছে, তা গোনা। এটাই আমাদের flagship project-এর প্রথম বীজ।

# hello_ai.py job_descriptions = [ "We need a Python developer with ML experience.", "Backend engineer: Python, FastAPI, PostgreSQL.", "Data analyst role: SQL and Excel, no coding.", ] skill = "python" count = 0 for jd in job_descriptions: if skill in jd.lower(): # lower() করলে case মেলে count += 1 print(f"'{skill}' skill mentioned in {count} of {len(job_descriptions)} jobs") # আউটপুট: 'python' skill mentioned in 2 of 3 jobs

যা লক্ষ্য করবেন: এখানে কোনো "AI" নেই — শুধু simple counting। কিন্তু এই একই pattern (text পড়া → শব্দ খোঁজা → গোনা) পরে আমরা ধীরে ধীরে ML ও NLP দিয়ে replace করব। AI শুরু হয় এমন সাধারণ data-processing দিয়েই।

🇧🇩 ৯. বাংলাদেশের বাস্তব context

বাংলাদেশে bKash/Nagad-এর data team, Daraz-এর recommendation team, কিংবা health/agri startup — প্রায় সবাই Python-এই ML কাজ করে। Bdjobs বা LinkedIn-এ "Machine Learning Engineer" বা "AI Engineer" job খুললে প্রথম requirement-ই থাকে "Strong Python"।

তাই একজন web/backend developer হিসেবে যদি আপনি AI-তে transition করতে চান, Python-ই আপনার সবচেয়ে দ্রুত ও নিরাপদ প্রবেশপথ — কারণ এতে চাকরির সুযোগ সবচেয়ে বেশি এবং শেখার resource সবচেয়ে বেশি।

👷 ১০. AI Engineer-এর দৃষ্টিকোণ

একজন AI Engineer Python-কে "ভাষা" হিসেবে নয়, "সবকিছু জোড়া লাগানোর আঠা" হিসেবে দেখে। তার কাছে Python মানে:

Pandas দিয়ে data পরিষ্কার করা,
scikit-learn/PyTorch দিয়ে model বানানো,
FastAPI দিয়ে সেই model-কে API বানানো,
একই ভাষায় সব — তাই দ্রুত iterate করা যায়।

মূল বার্তা: Python শেখা মানে শুধু syntax শেখা নয়। মানে হলো — data থেকে production পর্যন্ত পুরো পথের common ভাষা আয়ত্ত করা।

💼 ১১. Boss Question

Boss: "ঠিক আছে, Python শিখলে। কিন্তু আমার business-এ এটা কোথায় লাগবে? আমি তো JavaScript দিয়েও তো software বানাই।"

উত্তর: লাগবে যখন business-এ data-চালিত সিদ্ধান্ত দরকার হবে — "কোন customer চলে যাবে", "কোন product recommend করব", "এই document থেকে auto উত্তর দাও"। এসব কাজের ready-made, battle-tested library প্রায় সব Python-এ। JavaScript দিয়ে এগুলো করতে গেলে আপনি ভাঙা রাস্তায় হাঁটবেন — কম library, কম community, বেশি সময়, বেশি খরচ। Python বাছাই মানে দ্রুত delivery আর কম risk — এটাই business value.

🔎 ১২. Job Requirement Decoder: "Strong Python / Proficient in Python"

প্রশ্ন	উত্তর
এর মানে কী?	আপনি Python-এ নিজে থেকে data নিয়ে কাজ, function/class লেখা, library ব্যবহার ও ছোট script বানাতে পারেন।
কোম্পানি কেন চায়?	কারণ পুরো AI/ML stack Python-ভিত্তিক; আপনি না জানলে কোনো কাজই এগোবে না।
কোন সমস্যা সমাধান করে?	data processing, model building, API — সব একই ভাষায় দ্রুত করা যায়।
junior-এর কী জানা লাগে?	Section ৬-এর "Must Know" তালিকা: data structure, function, OOP basics, file/JSON, venv, type hints।
এখনই কী master লাগে না?	metaclass, advanced typing, C-extension, deep concurrency।
GitHub-এ কীভাবে দেখাবেন?	একটা ছোট, পরিষ্কার Python CLI/script project + README (আমাদের flagship এর V1)।
Interview-তে কী জিজ্ঞেস করতে পারে?	"list vs tuple পার্থক্য?", "একটা text file পড়ে শব্দ গুনে দেখান", "কেন Python AI-তে জনপ্রিয়?"

⚠️ ১৩. সাধারণ ভুল

ভুল ১: পুরো Python "master" করার আগে ML ধরব না — ঠিক: Must Know অংশ শিখেই এগিয়ে যান, বাকিটা কাজ করতে করতে আসবে।

ভুল ২: "Python ধীর, তাই AI-তে অকেজো" — ঠিক: ভারী গণিত C/CUDA-তে চলে; Python শুধু orchestrate করে।

ভুল ৩: Python 2 শেখা — ঠিক: Python 2 মৃত; সবসময় Python 3.10+ ব্যবহার করুন।

ভুল ৪: syntax মুখস্থ করার চেষ্টা — ঠিক: সমস্যা সমাধান করতে করতে শিখুন; documentation দেখা লজ্জার কিছু না।

🎤 ১৪. Interview Prep

প্রশ্ন ১: AI/ML-এ Python কেন এত জনপ্রিয়?
উত্তর: সহজ syntax দ্রুত experimentation, বিশাল library ecosystem (NumPy/Pandas/PyTorch), এবং heavy computation নিচের C/CUDA স্তরে চলায় performance ঠিক থাকে।

প্রশ্ন ২: Python interpreted না compiled?
উত্তর: মূলত interpreted (bytecode-এ compile হয়ে interpreter চালায়); তাই আলাদা compile ধাপ ছাড়াই চালানো যায়।

প্রশ্ন ৩: Python ধীর হলে ML-এ সমস্যা হয় না কেন?
উত্তর: ভারী কাজ vectorized হয়ে NumPy/PyTorch-এর C/CUDA backend-এ চলে; Python শুধু glue।

প্রশ্ন ৪: junior হিসেবে Python-এর কতটুকু জানা যথেষ্ট?
উত্তর: data structures, functions, basic OOP, module, file/JSON, venv, type hints — এতটুকু দিয়ে কাজ শুরু করা যায়।

✍️ ১৫. হাতে-কলমে (Mini Exercise)

১. Python 3.10+ install করে python3 --version দিয়ে যাচাই করুন।
২. উপরের hello_ai.py চালান। তারপর নিজে job_descriptions list-এ আরও ৩টি বাক্য যোগ করুন এবং skill পরিবর্তন করে "sql" দিন — output কী আসে দেখুন।
৩. একটা কাগজে লিখুন: আপনি যে ভাষা আগে জানেন (JS/PHP/...) তার সাথে Python-এর ৩টা মিল আর ৩টা অমিল।

🚀 ১৬. Project Connection: Bangladesh Tech Career Assistant

এই পুরো সিরিজে আমরা একটা flagship project ধাপে ধাপে বানাব — Bangladesh Tech Career Assistant। আজকের hello_ai.py হলো এর V1-এর প্রথম বীজ: job description থেকে skill খোঁজা।

Roadmap: V1 Python CLI → V2 data analysis → V3 ML → V5 NLP → V7 RAG → V8 FastAPI → V10 production। Series 02-এর শেষে (E09) আমরা এই V1-কে GitHub-এ publish করব — যা হবে আপনার প্রথম portfolio artifact।

📌 ১৭. সারসংক্ষেপ

এই Episode-এ আমরা শিখলাম:

✓ programming language একটা tool — কাজ অনুযায়ী বাছতে হয়; AI/ML কাজের জন্য Python de-facto standard
✓ Python জনপ্রিয় সহজ syntax, বিশাল ecosystem ও "glue language" চরিত্রের কারণে
✓ Python ধীর হলেও heavy computation নিচের C/CUDA স্তরে চলে — তাই ML-এ সমস্যা নয়
✓ junior-এর জন্য পুরো Python নয়, একটা নির্দিষ্ট "Must Know" অংশই যথেষ্ট
✓ Python setup যাচাই করে প্রথম AI-flavored কোড চালালাম (flagship V1-এর বীজ)

➡️ ১৮. পরবর্তী পর্বে কী শিখব

পরবর্তী Episode (S02E02): "Variables আর Data Structures: ML data আসলে এখানেই বসে"।

একটা dataset আসলে কীভাবে Python-এ থাকে? list, dict, tuple, set — কোন data-র জন্য কোনটা? পরের পর্বে আমরা দেখব কীভাবে সঠিক data structure বাছাই আপনার ML কোডকে সহজ ও দ্রুত করে।

⬅ পূর্ববর্তী: সম্পূর্ণ Roadmap পরবর্তী: Data Structures ➡