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

ML-এর জন্য ঠিক কতটুকু গণিত লাগে? (আর কতটুকু লাগে না)

গণিতের মানচিত্র — ভয় ভাঙা (Series 04, Episode 01)

🟢 BEGINNER Series 04 — Math, Statistics ও Probability Episode 01 / 07

📑 এই পর্বে যা যা আছে

১. গল্প: Rahim-এর গণিত-ভয়
২. আসল সমস্যা: ভুল জায়গায় সময় নষ্ট
৩. কেন এই confusion তৈরি হয়
৪. Level 1 — গাড়ি চালানো বনাম গাড়ি বানানো
৫. Level 2 — ML-এর চার স্তম্ভ গণিত
৬. Level 3 — junior AI Engineer বাস্তবে কতটুকু গণিত ব্যবহার করে
৭. Visual: গণিতের মানচিত্র
৮. Must Know / Good to Know / Learn Later
৯. ছোট experiment: গণিত ছাড়াই একটা model
১০. বাংলাদেশের context: JD আসলে কী চায়
১১. Boss Question
১২. Job Requirement Decoder
১৩. সাধারণ ভুল ধারণা
১৪. Interview Prep
১৫. হাতে-কলমে (Mini Exercise)
১৬. Project Connection
১৭. সারসংক্ষেপ
১৮. পরবর্তী পর্বে কী শিখব

😰 ১. গল্প: Rahim-এর গণিত-ভয়

Rahim তিন বছর ধরে ভালো web development করছে। কিন্তু "AI/ML শিখব" ঠিক করার পর প্রথম যে জিনিসটা তাকে থামিয়ে দিল, সেটা কোনো কোড না — একটা YouTube thumbnail। সেখানে লেখা: "Linear Algebra + Calculus + Probability না জানলে ML সম্ভব না!" নিচে গাদা গাদা matrix আর integral-এর চিহ্ন।

Rahim তার সিনিয়র Nila-কে (একজন data scientist) মেসেজ করল:

"আপা, আমি তো university-তে Calculus-এ কোনোমতে পাস করেছিলাম। এখন শুনছি ML করতে হলে আবার পুরো গণিত নতুন করে শিখতে হবে। ৬ মাস কি শুধু math-ই করব? তাহলে তো আমি কোনোদিন শুরুই করতে পারব না।"

Nila উত্তর দিল: "থামো। এই একটা ভুল ধারণার কারণে ৮০% মানুষ শুরুই করে না। সত্যিটা হলো — junior AI Engineer হতে তোমার যতটুকু গণিত লাগবে, সেটা তুমি ভাবছ তার এক-দশমাংশ। আর সেটাও equation মুখস্থ করা না, intuition বোঝা। আজকে আমরা ঠিক করব — কোনটা লাগবে, কোনটা লাগবে না।"

এই পুরো Series 04-এ আমরা ঠিক সেই "যতটুকু লাগে" গণিতটাই শিখব — গল্প দিয়ে, intuition দিয়ে, equation পরে। কিন্তু আজকের এই প্রথম পর্বটা সবচেয়ে গুরুত্বপূর্ণ, কারণ এটা আপনার মানচিত্র।

🎯 ২. আসল সমস্যা: ভুল জায়গায় সময় নষ্ট

সমস্যাটা "গণিত কঠিন" না। আসল সমস্যা হলো — নতুনরা বুঝতে পারে না কোন গণিতটা লাগবে। ফলে দুটো দলে ভাগ হয়ে যায়:

দল ১ — অতিরিক্ত ভয়
"সব গণিত master না করে ML ছোঁব না।" ফলে ৬ মাস ধরে theorem prove করতে থাকে, কখনো একটা model-ও train করে না। motivation শেষ, career শুরুই হয় না।

দল ২ — সম্পূর্ণ এড়িয়ে যাওয়া
"গণিত লাগে না, শুধু model.fit() কল করলেই হলো।" ফলে model overfit করলে বা metric খারাপ এলে কেন হচ্ছে বুঝতে পারে না। interview-তে প্রথম "why" প্রশ্নেই আটকে যায়।

সঠিক পথ মাঝখানে: ঠিক ততটুকু গণিত যতটুকু দিয়ে আপনি বুঝতে পারবেন model ভেতরে কী করছে এবং কেন করছে — কিন্তু গবেষণাগারের গভীরতায় নয়।

🤔 ৩. কেন এই confusion তৈরি হয়

Confusion-টা তৈরি হয় কারণ "AI/ML"-এর ভেতরে আসলে দুটো ভিন্ন পেশা মিশে আছে, আর তাদের গণিতের চাহিদা আকাশ-পাতাল আলাদা:

AI Researcher — যিনি নতুন algorithm, নতুন architecture আবিষ্কার করেন। এঁর জন্য গভীর Linear Algebra, Calculus, Optimization theory সত্যিই লাগে। কিন্তু এটা PhD-স্তরের কাজ।
AI/ML Engineer — যিনি বিদ্যমান tool (scikit-learn, PyTorch, LLM API) দিয়ে বাস্তব সমস্যা সমাধান করেন ও production-এ deploy করেন। বাংলাদেশের প্রায় সব চাকরি এই দ্বিতীয় দলের।

Internet-এর বেশিরভাগ "you need heavy math" কনটেন্ট আসলে প্রথম দলকে লক্ষ্য করে লেখা। আপনি যদি দ্বিতীয় দলের চাকরি চান — আর ৯৫% junior সেটাই চায় — তাহলে আপনার গণিতের চাহিদা সম্পূর্ণ ভিন্ন।

🚗 ৪. Level 1 — গাড়ি চালানো বনাম গাড়ি বানানো

একটা সহজ analogy দিয়ে ভাবুন:

🏎️ গাড়ি চালানো (AI/ML Engineer): আপনাকে জানতে হবে — accelerator কী করে, brake কখন চাপবেন, engine গরম হলে কী মানে। অর্থাৎ গাড়িটা কীভাবে আচরণ করে তার intuition। কিন্তু engine-এর thermodynamics-এর সমীকরণ derive করা লাগে না।

🔧 গাড়ির engine ডিজাইন করা (AI Researcher): এখানে combustion-এর প্রতিটা সমীকরণ, তাপগতিবিদ্যা, উপাদানের ধর্ম — সব গভীরভাবে জানতে হবে।

ML-এও ঠিক তাই। gradient descent "কীভাবে ঢালে নামে" সেই intuition আপনার লাগবে (গাড়ি চালানো), কিন্তু নতুন optimizer-এর convergence proof লেখা (engine ডিজাইন) আপনার junior চাকরিতে লাগবে না।

🏛️ ৫. Level 2 — ML-এর চার স্তম্ভ গণিত

ML-এর জন্য প্রাসঙ্গিক গণিত মূলত চারটা ভাগে পড়ে। এই পুরো Series 04 এই চারটাই intuition-ভিত্তিকভাবে কভার করবে:

স্তম্ভ	কী কাজে লাগে	ML-এ উদাহরণ
Linear Algebra (vector, matrix)	data-কে সংখ্যার টেবিল হিসেবে প্রকাশ ও দ্রুত হিসাব	একটা image আসলে একটা matrix; feature-রা একটা vector
Calculus (derivative, gradient)	model কীভাবে ভুল কমায় সেই শেখার প্রক্রিয়া	gradient descent — loss-এর ঢাল ধরে নামা
Statistics (mean, variance, distribution)	data-র চরিত্র বোঝা ও summarize করা	feature scaling, outlier চেনা, metric বোঝা
Probability (Bayes, conditional)	"কতটা নিশ্চিত" — অনিশ্চয়তা নিয়ে সিদ্ধান্ত	classifier-এর probability output, spam filter

খেয়াল করুন: এই চারটার মধ্যে junior-দের জন্য Statistics ও Probability সবচেয়ে বেশি প্রতিদিন কাজে লাগে — Linear Algebra ও Calculus বেশিরভাগ সময় library-র ভেতরে লুকানো থাকে, শুধু intuition-টুকু লাগে।

👷 ৬. Level 3 — junior AI Engineer বাস্তবে কতটুকু গণিত ব্যবহার করে

একদম সৎ কথা: একজন junior AI/ML Engineer দিনের বেশিরভাগ সময় গণিত লেখে না। কিন্তু গণিতের intuition ব্যবহার করে — প্রতিটা সিদ্ধান্তে। উদাহরণ:

Feature scaling করব কেন? — কারণ জানি বড়-স্কেলের feature gradient descent-কে বিভ্রান্ত করে (Calculus intuition)।
Accuracy 95% কিন্তু model খারাপ কেন? — কারণ data imbalanced, mean/distribution বুঝি (Statistics)।
Model "70% sure" বলছে মানে কী? — probability output ব্যাখ্যা করতে পারি (Probability)।
Embedding দুটো কতটা কাছাকাছি? — vector-এর dot product/cosine বুঝি (Linear Algebra)।

অর্থাৎ গণিত আপনার হাতে কলমের মতো না, বরং চশমার মতো — এটা দিয়ে আপনি দেখেন model-এর ভেতরে কী হচ্ছে। এই চশমাটা না থাকলে আপনি অন্ধভাবে fit() কল করবেন আর প্রার্থনা করবেন।

🗺️ ৭. Visual: গণিতের মানচিত্র

ML-এর জন্য গণিত (junior-এর দৃষ্টিতে) ┌────────────────────────────────────────────────────┐ │ অবশ্যই লাগবে (intuition স্তরে) │ │ • Statistics: mean, variance, distribution │ │ • Probability: Bayes, conditional, "confidence" │ │ • Vector/Matrix: data = সংখ্যার টেবিল │ │ • Gradient descent-এর ধারণা: ঢাল ধরে ভুল কমানো │ └────────────────────────────────────────────────────┘ │ ▼ ┌────────────────────────────────────────────────────┐ │ ভালো হলে ভালো (গভীরে গেলে সুবিধা) │ │ • Covariance/correlation-এর সূত্র │ │ • Matrix multiplication হাতে করা │ │ • Expected value, ভিন্ন distribution │ └────────────────────────────────────────────────────┘ │ ▼ ┌────────────────────────────────────────────────────┐ │ পরে / Researcher-দের জন্য (junior চাকরিতে লাগে না) │ │ • Eigenvalue/eigenvector proof │ │ • Multivariable calculus derivation │ │ • Measure theory, convergence proof │ └────────────────────────────────────────────────────┘

এই মানচিত্রটা মাথায় রাখলে আপনি আর কখনো "সব গণিত শেষ করে তবে ML" — এই ফাঁদে পড়বেন না।

✅ ৮. Must Know / Good to Know / Learn Later

🟢 Must Know (চাকরির আগে যা লাগবে): mean/median/variance/std, distribution-এর ধারণা, probability ও conditional probability-র intuition, vector-matrix কী, gradient descent কীভাবে ভুল কমায়।

🟡 Good to Know (থাকলে এগিয়ে থাকবেন): covariance/correlation-এর সূত্র, matrix multiplication হাতে করা, Bayes theorem প্রয়োগ, bias-variance-এর গভীর ব্যাখ্যা।

🔴 Learn Later (চাকরির পরে শিখলেও চলবে): optimization proof, eigen-decomposition, তথ্য-তত্ত্ব (information theory), heavy multivariable calculus।

স্পষ্ট distinction: "concept বোঝা" মানে আপনি ব্যাখ্যা করতে পারেন কী হচ্ছে ও কেন; "technology master করা" মানে আপনি নিজে derive/optimize করতে পারেন। junior-দের জন্য Must Know-তে বোঝা যথেষ্ট, master লাগে না।

🧪 ৯. ছোট experiment: গণিত ছাড়াই একটা model

প্রমাণ করি — গভীর গণিত ছাড়াও আপনি আজই একটা কাজ করা model বানাতে পারেন। এই কোডে কোথাও একটাও equation লিখতে হয়নি, তবু ভেতরে পুরোটাই গণিত (library সামলাচ্ছে)। আমরা scikit-learn ব্যবহার করছি কারণ এটা বাস্তবে সবচেয়ে বেশি ব্যবহৃত classical ML library।

# pip install scikit-learn from sklearn.linear_model import LinearRegression import numpy as np # ধরুন: experience (বছর) থেকে salary (হাজার টাকা) predict X = np.array([[1], [2], [3], [4], [5]]) # feature y = np.array([25, 30, 40, 48, 55]) # target model = LinearRegression() model.fit(X, y) # ভেতরে: derivative + optimization চলছে print("6 বছরের জন্য predicted salary:", model.predict([[6]])) print("slope (ঢাল):", model.coef_) # এটাই Calculus-এর ফল

কী observe করবেন: model.coef_ আসলে একটা "ঢাল" — প্রতি ১ বছর experience বাড়লে salary কত বাড়ে। এই ঢাল বের করতেই ভেতরে derivative-optimization হয়েছে। আপনি equation লেখেননি, কিন্তু ফলটা বুঝতে পারছেন। এটাই junior-স্তরের গণিত।

🇧🇩 ১০. বাংলাদেশের context: JD আসলে কী চায়

বাংলাদেশের বাস্তব AI/ML junior job description-এ আপনি প্রায় কখনোই দেখবেন না "prove the convergence of Adam optimizer"। বরং দেখবেন:

"Solid understanding of statistics and probability" — মানে Statistics ও Probability-র intuition চাই।
"Familiarity with linear algebra concepts" — মানে vector/matrix কী বোঝেন, master না।
"Understanding of how ML models learn" — মানে gradient descent-এর গল্পটা বলতে পারেন।

bKash/Nagad-এর fraud-detection team হোক বা Daraz-এর recommendation team — তারা এমন junior চায় যে metric ব্যাখ্যা করতে পারে ("precision কেন কম হলো"), data-র distribution বুঝে সিদ্ধান্ত নেয়। এগুলো Statistics + Probability, heavy calculus না।

💼 ১১. Boss Question

💼 Boss Question

Boss: "ঠিক আছে, গণিত না হয় দরকার। কিন্তু আমি তো তোমাকে model বানাতে বলছি, অঙ্ক করতে না। এই গণিত শেখা আমার business-এ কোথায় কাজে লাগবে?"

উত্তর: লাগবে যখন model ভুল করবে। ধরুন আপনার customer-churn model বলছে "৯৭% accurate" — Boss খুশি। কিন্তু বাস্তবে সে সব customer-কে "থেকে যাবে" বলছে, একজন churn-ও ধরছে না (কারণ মাত্র ৩% churn করে)। যে engineer Statistics বোঝে, সে সাথে সাথে বলবে — "accuracy এখানে মিথ্যা বলছে, precision/recall দেখুন।" ফলে আপনি এমন model deploy করবেন না যেটা টাকা বাঁচানোর বদলে ক্ষতি করে। গণিতের intuition = ব্যয়বহুল ভুল সিদ্ধান্ত এড়ানো। এটাই business value.

🔎 ১২. Job Requirement Decoder

JD-তে প্রায়ই দেখবেন এই লাইন:

"Strong foundation in mathematics, statistics, and probability for machine learning."

প্রশ্ন	উত্তর
এর মানে কী?	আপনি model-এর behavior গণিতের চোখে ব্যাখ্যা করতে পারেন — শুধু tool চালান না।
কোম্পানি কেন চায়?	যাতে model ভুল করলে আপনি "কেন" বুঝে ঠিক করতে পারেন, অন্ধভাবে না।
কোন সমস্যা সমাধান করে?	ভুল metric বাছাই, wrong scaling, misleading result — এসব ধরা পড়ে।
junior-এর কী জানা লাগে?	Statistics ও Probability-র intuition, vector/matrix কী, gradient descent-এর গল্প।
এখনই কী master লাগে না?	optimization proof, eigen-decomposition, measure theory।
GitHub-এ কীভাবে দেখাবেন?	একটা notebook-এ EDA করে distribution/correlation ব্যাখ্যা; metric কেন এই বাছাই — README-তে লিখে।
Interview-তে কী জিজ্ঞেস করতে পারে?	"gradient descent কী?", "accuracy কখন misleading?", "correlation vs causation?"

⚠️ ১৩. সাধারণ ভুল ধারণা

ভুল ১: "সব গণিত master করে তবে ML শুরু করব।" → ঠিক: intuition যথেষ্ট; শিখতে শিখতে গণিত গভীর করুন, উল্টোটা নয়।

ভুল ২: "গণিত একদমই লাগে না, tool জানলেই হলো।" → ঠিক: tool চালাতে লাগে না, কিন্তু model কেন ভুল করছে বুঝতে লাগে।

ভুল ৩: "AI Engineer আর AI Researcher একই গণিত জানে।" → ঠিক: Researcher গণিত derive করে; Engineer গণিতের intuition ব্যবহার করে।

ভুল ৪: "Calculus-ই সবচেয়ে বেশি লাগে।" → ঠিক: junior-দের প্রতিদিন সবচেয়ে বেশি লাগে Statistics ও Probability।

🎤 ১৪. Interview Prep

প্রশ্ন ১: ML-এর জন্য কোন গণিত সবচেয়ে গুরুত্বপূর্ণ?
উত্তর: junior-স্তরে Statistics ও Probability সবচেয়ে বেশি প্রতিদিন লাগে; এরপর linear algebra ও calculus-এর intuition (গভীর derivation নয়)।

প্রশ্ন ২: ML-এ derivative/gradient কেন লাগে?
উত্তর: loss কমানোর দিক বলে দেয় gradient — model কোন দিকে weight বদলালে ভুল কমবে, সেটাই gradient descent।

প্রশ্ন ৩: আপনি তো heavy math জানেন না, তাহলে ML কীভাবে করবেন?
উত্তর: junior AI Engineer-এর কাজ tool দিয়ে সমস্যা সমাধান; আমি গণিতের intuition দিয়ে model-এর behavior ব্যাখ্যা ও debug করতে পারি — যেটা এই role-এ দরকার।

✍️ ১৫. হাতে-কলমে (Mini Exercise)

একটা কাগজে নিচের প্রশ্নগুলোর নিজের উত্তর লিখুন (equation লাগবে না, শুধু চিন্তা):

১. আপনার university/self-study থেকে চারটা স্তম্ভের (Linear Algebra, Calculus, Statistics, Probability) কোনটায় আপনি এখন সবচেয়ে দুর্বল? সেটাই Series 04-এ বেশি মনোযোগ দিন।
২. উপরের salary-prediction কোডটা চালান, তারপর X-এ একটা নতুন data point যোগ করে দেখুন coef_ বদলায় কিনা — কেন বদলাল ভাবুন।
৩. নিজের ভাষায় এক লাইনে লিখুন: "গণিত ML-এ চশমা, কলম নয়" — মানে কী?

🚀 ১৬. Project Connection

আমাদের flagship project "Bangladesh Tech Career Assistant" এখন Series 03-এ একটা data analyzer (V2)। Series 05-এ এটা একটা ML model (V3) হবে — যেটা job description থেকে seniority বা salary-band predict করবে।

আজকের গণিত-মানচিত্র সেই V3-এর ভিত্তি। যখন model বানাব, তখন feature scaling করব কিনা (Calculus intuition), কোন metric দেখব (Statistics), model কতটা "নিশ্চিত" (Probability) — এই সিদ্ধান্তগুলো নিতে আজকের চার স্তম্ভই কাজে লাগবে। এই Series-এর বাকি ৬ পর্বে আমরা একটা একটা করে স্তম্ভ শিখব।

📌 ১৭. সারসংক্ষেপ

এই পর্বে আমরা শিখলাম:

✓ ML-এর জন্য গণিত-ভয় বেশিরভাগই অতিরঞ্জিত — junior-দের চাহিদা Researcher-দের থেকে সম্পূর্ণ আলাদা
✓ প্রাসঙ্গিক গণিত চার স্তম্ভে: Linear Algebra, Calculus, Statistics, Probability
✓ junior-দের প্রতিদিন সবচেয়ে বেশি লাগে Statistics ও Probability-র intuition
✓ গণিত ML-এ "চশমা" (model বোঝার) — "কলম" (নিজে derive করার) নয়
✓ Must Know / Good to Know / Learn Later ভাগ করে শিখলে সময় নষ্ট হয় না
✓ "concept বোঝা" junior-দের জন্য যথেষ্ট; "master করা" লাগে না

➡️ ১৮. পরবর্তী পর্বে কী শিখব

পরবর্তী Episode (S04E02): "Scalar, Vector, Matrix: data আসলে সংখ্যার টেবিল"।

চার স্তম্ভের প্রথমটা — Linear Algebra — দিয়ে শুরু করব। দেখব কেন একটা image, একটা customer, এমনকি একটা শব্দ পর্যন্ত আসলে সংখ্যার একটা টেবিল, আর matrix multiplication-এর intuition কীভাবে পুরো ML-কে দ্রুত করে তোলে — কোনো ভয় ছাড়াই।

⬅ পূর্ববর্তী: Project P1 পরবর্তী: Vector ও Matrix ➡