নিউরাল নেটওয়ার্ক দিয়ে জটিল প্যাটার্ন শেখা।
Learning complex patterns with neural networks.
Build, train and regularise neural networks
PyTorch, TensorFlow/Keras
MNIST from scratch, then with PyTorch
🎯 Supervised Learning 📏 Model Evaluation 📐 Mathematics for AI
💡 ছবি, ভাষা, শব্দ—জটিল ডেটা থেকে নিজে ফিচার শেখার মডেল।
💡 অ্যাক্টিভেশন ছাড়া যত লেয়ারই হোক, নেটওয়ার্ক শুধু রৈখিক—অরৈখিকতাই শক্তি।
💡 লক্ষ লক্ষ ওজন কীভাবে একসাথে শেখে—ডিপ লার্নিংয়ের ইঞ্জিন।
💡 কোন অপ্টিমাইজার ও লার্নিং রেট—প্রশিক্ষণের গতি ও সাফল্য নির্ধারণ করে।
💡 দ্রুত প্রোটোটাইপ ও প্রোডাকশনের জনপ্রিয় উচ্চস্তরের API।
💡 গবেষণা ও আধুনিক মডেলের (LLM, ভিশন) প্রধান ফ্রেমওয়ার্ক।
💡 বড় নেটওয়ার্ক সহজে ওভারফিট করে ও অস্থিরভাবে শেখে—এগুলো সমাধান।
💡 অল্প ডেটা ও কম কম্পিউটেও শক্তিশালী মডেল—আগে শেখা জ্ঞান পুনঃব্যবহার।
import numpy as np
# 2-layer neural net from scratch learning XOR
rng=np.random.default_rng(0); X=np.array([[0,0],[0,1],[1,0],[1,1]]); y=np.array([[0],[1],[1],[0]])
W1,b1=rng.normal(size=(2,8)),np.zeros(8); W2,b2=rng.normal(size=(8,1)),np.zeros(1); sig=lambda z:1/(1+np.exp(-z))
for ep in range(5000):
h=np.tanh(X@W1+b1); o=sig(h@W2+b2); d2=o-y; d1=(d2@W2.T)*(1-h**2)
W2-=0.1*h.T@d2; b2-=0.1*d2.sum(0); W1-=0.1*X.T@d1; b1-=0.1*d1.sum(0)
if ep%1000==0: print("epoch",ep,"loss",round(float(((o-y)**2).mean()),4))
print("XOR predictions:",o.round(2).ravel())1. ভ্যানিশিং গ্রেডিয়েন্টে কম ভোগে?
2. Adam কী?