1
ধারণা · Concept
কী এবং কেন📘 বাংলা ব্যাখ্যা:
প্রি-ট্রেইনড ভাষা মডেল।
প্রি-ট্রেইনড ভাষা মডেল।
🌐 English:
Pre-trained language model.
Pre-trained language model.
🗂 কোথায় পড়ে
৪. ডিপ লার্নিং ও এআই → ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং → BERT
🎯 এই শাখার লক্ষ্য
Preprocess text, embeddings, transformers
🧰 টুলস
NLTK, spaCy, Hugging Face
🪜
ধাপে ধাপে শিখুন · Step-by-step
কেন শিখবেন → কীভাবে শিখবেন → উদাহরণ → সাধারণ ভুল💡 কেন গুরুত্বপূর্ণ?
বোঝার কাজে (ক্লাসিফিকেশন, NER, প্রশ্নোত্তর) শক্তিশালী প্রি-ট্রেইনড মডেল।
- ধাপ 1প্রি-ট্রেনিং: masked language modeling (১৫% শব্দ লুকিয়ে অনুমান)
- ধাপ 2tokenizer দিয়ে টেক্সট → input_ids, attention_mask
- ধাপ 3AutoModelForSequenceClassification লোড করে নিজের ডেটায় fine-tune (Trainer API)
- ধাপ 4ভেরিয়েন্ট: DistilBERT (ছোট), RoBERTa, BanglaBERT (বাংলা)
🧪 বাস্তব উদাহরণ
csebuetnlp/banglabert দিয়ে বাংলা খবরের বিভাগ শ্রেণিবিন্যাস।
⚠️ সাধারণ ভুল
max_length ছাড়িয়ে যাওয়া দীর্ঘ টেক্সট—কেটে যায়; truncation/chunking ঠিক করুন।
🔑 মূল শব্দ (Key terms)
BERTmasked language modelfine-tuningtokenizerBanglaBERT
3
সাব-টপিক ও বিস্তারিত · Sub-topics
টপিক → সাব-টপিক → সাব-সাব টপিক7.1 Masked language modeling
7.2 প্রি-ট্রেন ও ফাইন-টিউন
7.3 BanglaBERT7.3.1 বাংলার জন্য
🎬
ভিডিও · Videos (বাংলা ও English)
ক্লিক করলে সাইটের ভেতরেই ফ্লোটিং প্লেয়ারে চলবে · ভিডিও MySQL-এ সংরক্ষিত📺 আরও খুঁজুন
💻
হাতে-কলমে · Try it (NLP)
এডিট করে Run চাপুন · Ctrl+Enterfrom sklearn.feature_extraction.text import TfidfVectorizer from sklearn.linear_model import LogisticRegression texts=["খুব ভালো পণ্য","অসাধারণ সার্ভিস","একদম বাজে","খারাপ অভিজ্ঞতা","ভালো লেগেছে","বাজে সার্ভিস"]; y=[1,1,0,0,1,0] v=TfidfVectorizer(analyzer="char_wb",ngram_range=(2,4)); X=v.fit_transform(texts) m=LogisticRegression().fit(X,y) for s in ["সার্ভিস ভালো","বাজে পণ্য"]: print(s,"->","positive" if m.predict(v.transform([s]))[0] else "negative")
❓
সেল্ফ-চেক · Self check
1. “বাংলার জন্য” — এটি কোন সাব-টপিকের বর্ণনা?
🔗