মূল বিষয়ে যান
WebGuideBD AI Academy

পাঠ্যক্রম রোডম্যাপ

প্রথম দুই অধ্যায় বিনা লগইনে পড়ুন। বাকি অধ্যায়গুলো বিনা মূল্যে পড়তে লগইন করুন।

সব অধ্যায়

হোমে ফিরুন »

AI ও LLM পরিচিতি পাবলিক

AI, machine learning, deep learning ও LLM-এর সম্পর্ক; training বনাম inference; model, parameter, dataset; সক্ষমতা ও সীমা; শেখার পথ।

  1. AI কী এবং কেন গুরুত্বপূর্ণ · 20 মিনিট
  2. Machine Learning, Deep Learning ও LLM · 25 মিনিট
  3. Training বনাম Inference · 20 মিনিট
  4. Model, Parameter, Dataset, Feature, Label · 25 মিনিট
  5. সক্ষমতা ও সীমাবদ্ধতা · 20 মিনিট
  6. AI Engineer বনাম AI Researcher · 15 মিনিট
  7. শেখার রোডম্যাপ · 15 মিনিট
  8. অ্যাক্টিভিটি: নিয়ম বনাম উদাহরণ-ভিত্তিক আচরণ · 30 মিনিট

AI শেখার জন্য প্রয়োজনীয় JavaScript পাবলিক

Variables থেকে async/await—AI অনুশীলনের জন্য JavaScript ভিত্তি এবং একটি rule-based সাপোর্ট অ্যাসিস্ট্যান্ট প্রজেক্ট।

  1. Variables, Values ও Types · 30 মিনিট
  2. Arrays ও Objects · 30 মিনিট
  3. Functions ও Conditions · 35 মিনিট
  4. Loops, Modules ও Execution Flow · 35 মিনিট
  5. JSON, Async/Await ও Errors · 40 মিনিট
  6. Practical Debugging · 30 মিনিট
  7. প্রজেক্ট: Rule-based Support Assistant · 60 মিনিট

গণিতের ভিত্তি

Scalar, vector, matrix ও shape; dot product ও cosine similarity; weighted sum; সম্ভাব্যতা; logarithm; derivative, gradient, chain rule ও gradient descent।

  1. Scalar, Vector ও Dimension · 30 মিনিট
  2. Dot Product, দৈর্ঘ্য ও Cosine Similarity (প্রজেক্ট: Similarity Explorer) · 45 মিনিট
  3. Matrix, Shape ও Matrix Multiplication · 45 মিনিট
  4. Function, Graph ও Weighted Sum · 35 মিনিট
  5. সম্ভাব্যতা, শর্তসাপেক্ষ সম্ভাব্যতা ও Distribution · 40 মিনিট
  6. Logarithm ও Derivative · 40 মিনিট
  7. Gradient ও Chain Rule · 45 মিনিট
  8. Gradient Descent ও Learning Rate (প্রজেক্ট: Visualizer) · 50 মিনিট

Machine Learning-এর ভিত্তি

ডেটার মান ও feature scaling; train/validation/test ভাগ; regression ও classification; loss ও optimization; overfitting ও regularization; accuracy, precision, recall, F1; data leakage।

  1. Feature, Label ও ডেটার মান · 35 মিনিট
  2. Train, Validation ও Test Split · 30 মিনিট
  3. Regression, Loss ও Optimization · 40 মিনিট
  4. Classification, Sigmoid ও Cross-Entropy · 45 মিনিট
  5. Underfitting, Overfitting ও Regularization · 40 মিনিট
  6. Accuracy, Precision, Recall ও F1 · 40 মিনিট
  7. Data Leakage ও বিভ্রান্তিকর মূল্যায়ন · 35 মিনিট
  8. প্রজেক্ট: গ্রাহক-মেসেজ Classifier · 70 মিনিট

Neural Network ও Deep Learning

Neuron ও activation; layer ও forward pass; backpropagation; training loop; initialization ও optimizer (SGD, momentum, Adam); normalization, residual connection, dropout।

  1. Neuron ও Activation Function · 35 মিনিট
  2. Layer, Shape ও Forward Pass · 35 মিনিট
  3. Backpropagation: স্তর ধরে Gradient · 50 মিনিট
  4. Training Loop: XOR শেখানো · 45 মিনিট
  5. Optimizer: SGD, Momentum ও Adam · 40 মিনিট
  6. Normalization, Residual ও Dropout · 40 মিনিট
  7. প্রজেক্ট: ছোট Neural Network, সম্পূর্ণ ট্রেসসহ · 70 মিনিট

Computer Vision-এর ভিত্তি

ছবি = সংখ্যার গ্রিড; filter ও convolution; CNN ও feature map; pooling; সিন্থেটিক প্যাটার্ন ক্লাসিফায়ার; transfer learning ধারণা ও vision↔LLM সেতু।

  1. Pixel, Shape ও নরমালাইজেশন · 35 মিনিট
  2. Filter ও Convolution · 40 মিনিট
  3. CNN Layer ও Feature Map · 40 মিনিট
  4. Pooling ও Hierarchy · 35 মিনিট
  5. সিন্থেটিক প্যাটার্ন ক্লাসিফায়ার · 45 মিনিট
  6. Transfer Learning ও Vision↔LLM · 35 মিনিট
  7. প্রজেক্ট: ৮×৮ প্যাটার্ন ক্লাসিফায়ার · 70 মিনিট

Tokenization ও Language Modeling

Unicode ও বাংলা অক্ষর; word, character ও subword token; BPE; vocabulary ও অজানা token; next-token prediction; bigram ও n-gram মডেল; smoothing; cross-entropy ও perplexity।

  1. টেক্সট থেকে সংখ্যা: Unicode ও বাংলা অক্ষর · 35 মিনিট
  2. Word ও Character Token, Vocabulary · 35 মিনিট
  3. Subword ও Byte Pair Encoding (BPE) · 45 মিনিট
  4. Next-Token Prediction ও Bigram মডেল · 40 মিনিট
  5. Smoothing, Cross-Entropy ও Perplexity · 45 মিনিট
  6. প্রজেক্ট: বাংলা-ইংরেজি N-gram Next-Token Predictor · 70 মিনিট

Embeddings ও Semantic Search

One-hot বনাম dense embedding; embedding lookup; co-occurrence ও PPMI; skip-gram দিয়ে embedding শেখা; vector গাণিতিক ও তার সীমা; bias; cosine দিয়ে semantic search ও threshold।

  1. One-hot থেকে Embedding Lookup · 30 মিনিট
  2. প্রসঙ্গ থেকে অর্থ: Co-occurrence ও PPMI · 40 মিনিট
  3. Skip-gram: Embedding শেখা · 50 মিনিট
  4. Vector গাণিতিক, সীমা ও Bias · 35 মিনিট
  5. প্রজেক্ট: Teaching Vector দিয়ে বাংলা পণ্য-সার্চ · 70 মিনিট

Attention ও Transformer

প্রসঙ্গ-নির্ভর অর্থ; attention = similarity-ভিত্তিক weighted average; Q, K, V ও shape; √d দিয়ে scaling; stable softmax; causal mask; positional encoding; multi-head; Transformer block (residual, LayerNorm, feed-forward)।

  1. কেন Attention: প্রসঙ্গ-নির্ভর অর্থ · 35 মিনিট
  2. Query, Key, Value ও Scaled Dot-Product · 45 মিনিট
  3. Causal Mask ও Positional Encoding · 40 মিনিট
  4. Multi-Head Attention ও Transformer Block · 50 মিনিট
  5. প্রজেক্ট: Attention Calculator · 60 মিনিট

LLM Training ও Text Generation

Pretraining-এর next-token loss ও teacher forcing; temperature, greedy, top-k, top-p sampling; seed ও পুনরুৎপাদন; fine-tuning, instruction tuning, preference optimization (DPO); calibration ও hallucination।

  1. Pretraining: প্রতিটি অবস্থানে Next-Token Loss · 40 মিনিট
  2. Greedy ও Temperature Sampling · 40 মিনিট
  3. Top-k ও Top-p (Nucleus) Sampling · 40 মিনিট
  4. Fine-tuning, Instruction Tuning ও Preference (DPO) · 45 মিনিট
  5. Hallucination, Calibration ও মূল্যায়ন · 40 মিনিট
  6. প্রজেক্ট: Sampling Playground · 60 মিনিট

LLM Application Engineering

API request ও message role, prompt-এর গঠন, structured output ও schema validation, streaming, timeout ও cancellation, backoff-সহ retry, rate limit, token-খরচ ও latency, secret ব্যবস্থাপনা, এবং যাচাই-করা tool calling।

  1. API Request, Message Role ও Prompt-এর গঠন · 40 মিনিট
  2. Structured Output ও Schema Validation · 45 মিনিট
  3. Streaming, Timeout ও Cancellation · 40 মিনিট
  4. Retry, Exponential Backoff, Jitter ও Rate Limit · 45 মিনিট
  5. Token, খরচ, Latency ও Secret · 45 মিনিট
  6. যাচাই-করা Tool Calling · 45 মিনিট
  7. প্রজেক্ট: গ্রাহক-বার্তা শ্রেণিবিন্যাস ও উত্তর-খসড়া (স্থানীয় অনুশীলন মোড) · 60 মিনিট

Retrieval-Augmented Generation (RAG)

নথি, chunking ও metadata; keyword (BM25), vector ও hybrid search; reranking ও context assembly; উৎস-উল্লেখ (citation); জ্ঞান হালনাগাদ; access control ও tenant isolation; retrieval-মূল্যায়ন বনাম উত্তর-মূল্যায়ন।

  1. নথি, Chunking ও Metadata · 40 মিনিট
  2. Keyword Search: BM25 · 45 মিনিট
  3. Vector Search ও Hybrid (RRF) · 45 মিনিট
  4. Reranking, Context Assembly ও Citation · 45 মিনিট
  5. জ্ঞান হালনাগাদ, Access Control ও Tenant Isolation · 45 মিনিট
  6. Retrieval-মূল্যায়ন বনাম উত্তর-মূল্যায়ন · 45 মিনিট
  7. প্রজেক্ট: বাংলা পণ্য-জ্ঞান সহকারী · 60 মিনিট

Workflow, Agent ও Evaluation

নির্ধারিত workflow বনাম agent-এর সিদ্ধান্ত; টুল, state, memory ও orchestration; কখন সরল workflow যথেষ্ট; গুরুত্বপূর্ণ কাজে মানুষের অনুমোদন; prompt injection ও অবিশ্বস্ত কনটেন্ট; কাজ-নির্দিষ্ট ডেটাসেট, regression test, ব্যর্থতা-বিশ্লেষণ ও monitoring।

  1. Workflow বনাম Agent: কখন কোনটি · 40 মিনিট
  2. Tool, State, Memory ও Orchestration · 45 মিনিট
  3. গুরুত্বপূর্ণ কাজে মানুষের অনুমোদন · 40 মিনিট
  4. Prompt Injection ও অবিশ্বস্ত কনটেন্ট · 50 মিনিট
  5. কাজ-নির্দিষ্ট ডেটাসেট, Regression Test, ব্যর্থতা-বিশ্লেষণ ও Monitoring · 50 মিনিট
  6. প্রজেক্ট: সিমুলেটেড ই-কমার্স সহকারী · 70 মিনিট

JavaScript থেকে Python ও PyTorch

JavaScript জানা শিক্ষার্থীর জন্য Python: সিনট্যাক্সের মিল-অমিল, list/dict, function, class, module ও virtual environment; NumPy array ও broadcasting; PyTorch tensor, shape, device, autograd, Dataset/DataLoader, training loop ও checkpoint; দুটি প্রজেক্ট—অধ্যায় ৫-এর নেটওয়ার্ক PyTorch-এ এবং একটি ছোট character-level language model।

  1. JavaScript থেকে Python: সিনট্যাক্স, list ও dict · 45 মিনিট
  2. Function, class, module ও virtual environment · 50 মিনিট
  3. NumPy array, shape ও broadcasting · 45 মিনিট
  4. PyTorch tensor, device ও autograd · 50 মিনিট
  5. Dataset, DataLoader, training loop ও checkpoint · 50 মিনিট
  6. প্রজেক্ট: অধ্যায় ৫-এর নেটওয়ার্ক PyTorch-এ · 60 মিনিট
  7. প্রজেক্ট: ছোট character-level language model · 70 মিনিট

ক্যাপস্টোন: Engineering ও Research ট্র্যাক

দুটি ট্র্যাক: engineering (মেপে মডেল বাছাই, caching, batching, observability, privacy, reliability, ব্যর্থতা সামলানো, multi-tenant স্থাপত্য, evaluation-চালিত উন্নতি) ও research (পেপার পড়া, প্রশ্ন, baseline, hypothesis, নিয়ন্ত্রিত পরীক্ষা, ablation, seed ও variance, reproducibility, benchmark-এর সীমা, নেতিবাচক ফল)। ক্যাপস্টোন A: বাংলা knowledge assistant; ক্যাপস্টোন B: পুনরুৎপাদনযোগ্য ছোট-মডেল পরীক্ষা।

  1. দুই ট্র্যাক, সৎ পরিধি ও পরিকল্পনা · 35 মিনিট
  2. Engineering ১: মেপে মডেল বাছাই, caching ও batching · 55 মিনিট
  3. Engineering ২: observability, privacy, reliability ও multi-tenant · 55 মিনিট
  4. ক্যাপস্টোন A: বাংলা knowledge assistant · 120 মিনিট
  5. Research: প্রশ্ন, baseline, ablation, seed ও variance · 55 মিনিট
  6. ক্যাপস্টোন B: পুনরুৎপাদনযোগ্য ছোট-মডেল পরীক্ষা · 120 মিনিট