Model, Parameter, Dataset, Feature, Label

সমস্যাটা কী?

কুরিয়ার কোম্পানি জানতে চায় একটি পার্সেল পৌঁছাতে কত দিন লাগবে। তাদের কাছে গত মাসের ৫০০টি পার্সেলের রেকর্ড আছে। এই রেকর্ড থেকে অনুমান বানাতে হলে প্রথমে জানতে হবে টেবিলের কোন কলাম কী ভূমিকা পালন করে।

শেখার লক্ষ্য

• একটি ডেটাসেট টেবিলে feature ও label চিহ্নিত করতে পারবেন
• model ও parameter-এর পার্থক্য বলতে পারবেন
• prediction ও label আলাদা করে ভুল হিসাব করতে পারবেন

আনুমানিক সময়: 25 মিনিট

পূর্বশর্ত

• Training বনাম Inference

ব্যাখ্যা

• ডেটাসেট (dataset): পুরো টেবিল—উদাহরণের সংগ্রহ। প্রতিটি সারি একটি উদাহরণ (example/sample)।
• ফিচার (feature): ইনপুট হিসেবে ব্যবহৃত কলাম—দূরত্ব, ঢাকার ভেতরে কিনা, ওজন। লক্ষ্য করুন “হ্যাঁ/না”-কে ১/০ সংখ্যায় রূপান্তর করা হয়েছে, কারণ মডেল সংখ্যা নিয়ে কাজ করে।
• লেবেল (label): যে উত্তর আমরা অনুমান করতে চাই—আসল সময়। Training-এ label জানা থাকে।
• মডেল (model): একটি ফাংশন যা feature নিয়ে সময় অনুমান করে, যেমন সময় = a × দূরত্ব + b × ঢাকা + c।
• প্যারামিটার (parameter): মডেলের সমন্বয়যোগ্য সংখ্যা—এখানে a, b, c। Training এগুলো খোঁজে।
• প্রেডিকশন (prediction): মডেলের অনুমান। এটি label-এর সাথে মিলতেও পারে, না-ও পারে। দুটির পার্থক্যই ভুল (error)।

উপমা — এবং কোথায় ভাঙে

উপমা: ডেটাসেট হলো পুরনো পরীক্ষার প্রশ্ন ও উত্তরপত্রের সংকলন; feature হলো প্রশ্ন, label হলো সঠিক উত্তর, মডেল হলো ছাত্রের উত্তর দেওয়ার পদ্ধতি, parameter হলো সেই পদ্ধতির খুঁটিনাটি অভ্যাস।

কোথায় ভাঙে: ছাত্র প্রশ্নের অর্থ বোঝার চেষ্টা করে; মডেল শুধু সংখ্যার প্যাটার্ন দেখে। আর ছাত্রের “অভ্যাস” হাজারটা নয়, কিন্তু বড় মডেলের parameter কোটি কোটি।

ধাপে ধাপে উদাহরণ

ধরুন training শেষে parameter পাওয়া গেল: a = ০.০১, b = −০.৫, c = ১.২। তাহলে মডেল: সময় = ০.০১ × দূরত্ব − ০.৫ × ঢাকা + ১.২।

1. সারি ১: ০.০১×৫ − ০.৫×১ + ১.২ = ০.০৫ − ০.৫ + ১.২ = ০.৭৫ দিন। label ১ → ভুল = ১ − ০.৭৫ = ০.২৫।
2. সারি ২: ০.০১×২৫০ − ০ + ১.২ = ২.৫ + ১.২ = ৩.৭ দিন। label ৩ → ভুল = ৩ − ৩.৭ = −০.৭ (বেশি অনুমান)।
3. লক্ষ্য করুন ওজন feature এই মডেলে ব্যবহৃত হয়নি—কোন feature নেওয়া হবে সেটাও একটি নকশার সিদ্ধান্ত।

অনুশীলন / অ্যাক্টিভিটি

সারি ৩ ও ৪-এর জন্য একই মডেলে prediction ও ভুল হিসাব করুন। তারপর ভাবুন: ওজন কলামটি কি সময় অনুমানে সাহায্য করতে পারত? কেন বা কেন নয়?

সাধারণ ভুল

• label-কে feature হিসেবে ইনপুটে দিয়ে ফেলা (তাহলে মডেল “উত্তর দেখে” ফেলে—একে data leakage বলে, অধ্যায় ৪)
• model ও parameter শব্দ একই অর্থে ব্যবহার করা
• prediction-কে সত্য ধরে নেওয়া

জ্ঞান যাচাই

নিচের 3টি প্রশ্নের উত্তর দিয়ে “জমা দিন” চাপুন। স্কোর সার্ভারে যাচাই হয়; প্রতিটি উত্তরের পর কেন সঠিক বা ভুল তা দেখাবে। লগইন থাকলে ফল আপনার অগ্রগতিতে সংরক্ষিত হয়।

সংক্ষেপে মনে রাখুন

• ডেটাসেটের সারি = উদাহরণ, কলাম = feature বা label
• মডেল একটি ফাংশন; parameter তার সংখ্যা
• ভুল মাপতে prediction ও label তুলনা করতে হয়

পরবর্তী পাঠ

এই সংজ্ঞাগুলো দিয়ে এবার দেখব AI কী পারে আর কী পারে না: সক্ষমতা ও সীমাবদ্ধতা

সূত্র ও যাচাই

• Google — Machine Learning Crash Course
• Zhang et al. — Dive into Deep Learning (d2l.ai)

যাচাইয়ের তারিখ: 2026-10-19; লেখক: Muhibbullah Ansary। এই পাঠে চালানোর মতো JavaScript নেই; ধারণাগত দাবিগুলো নিচের সূত্রের সাথে মিলিয়ে লেখা। এই পাঠের ডেটা/উদাহরণ শেখানোর জন্য তৈরি সিন্থেটিক ডেটা—বাস্তব কোনো দোকান বা গ্রাহকের নয়। স্বাধীন বিশেষজ্ঞ রিভিউ এখনও হয়নি; ভুল পেলে যোগাযোগ পাতায় জানান।