পাইথন রিফ্রেশার

কেন Python — Deep Learning-এর প্রিয় ভাষা?

C++ দ্রুত, Java এন্টারপ্রাইজ-ফ্রেন্ডলি, JavaScript ব্রাউজারের রাজা — তবু Deep Learning জগতে Python-ই রাজত্ব করে। কারণ তিনটি: সহজ syntax, বিশাল ecosystem (NumPy, PyTorch, TensorFlow), এবং গবেষকদের প্রথম পছন্দ হওয়ায় নতুন গবেষণা সবার আগে Python-এ আসে।

Setup — Google Colab দিয়ে শুরু

কম্পিউটারে কিছুই ইনস্টল করতে হবে না। শুধু colab.research.google.com খুলুন → New Notebook → ফ্রি GPU চালু করুন (Runtime → Change runtime type → GPU)। ব্যস, আপনার Deep Learning ল্যাব রেডি।

Python-এর মূল ডেটা স্ট্রাকচার — ঝটপট রিভিউ

List — সবচেয়ে ব্যবহৃত

# তৈরি
numbers = [1, 2, 3, 4, 5]

# slicing — শুরু থেকে শেষ
print(numbers[1:4])   # [2, 3, 4]
print(numbers[::-1])  # উল্টো — [5, 4, 3, 2, 1]

# comprehension — Pythonic উপায়
squares = [x**2 for x in numbers]
even = [x for x in numbers if x % 2 == 0]

Dictionary — key-value জোড়া

student = {"name": "Rahul", "score": 92, "subjects": ["math", "physics"]}

# access
print(student["name"])
print(student.get("age", 0))   # নেই হলে default 0

# loop
for key, value in student.items():
    print(f"{key} -> {value}")

Function — DL-এ যেভাবে দরকার

def relu(x):
    """Rectified Linear Unit — Deep Learning-এর সবচেয়ে জনপ্রিয় activation।"""
    return x if x > 0 else 0

# default argument + type hint
def predict(x: float, weight: float = 1.0, bias: float = 0.0) -> float:
    return weight * x + bias

print(predict(5, weight=2, bias=1))   # 11

NumPy — সংখ্যার জাদু

NumPy হলো Python-এ ম্যাট্রিক্স ও ভেক্টর নিয়ে কাজ করার লাইব্রেরি। Deep Learning-এর প্রতিটি গণনা আসলে ম্যাট্রিক্স গুণ। NumPy এই গণনাগুলোকে সাধারণ Python loop-এর চেয়ে ১০০ গুণ দ্রুত করে — কারণ ভেতরে C লেখা।

import numpy as np

# array তৈরি
a = np.array([1, 2, 3, 4, 5])
b = np.array([[1, 2], [3, 4]])

# গাণিতিক অপারেশন — element-wise
print(a * 2)        # [2 4 6 8 10]
print(a + a)        # [2 4 6 8 10]

# ম্যাট্রিক্স গুণ (DL-এর মূল অপারেশন)
W = np.array([[1, 2], [3, 4]])
x = np.array([5, 6])
print(W @ x)        # [17 39]

# shape দেখা
print(b.shape)      # (2, 2)
print(b.reshape(4)) # [1 2 3 4]

# ❌ ধীর — Python loop
result = []
for i in range(1_000_000):
    result.append(i * 2)

# ✅ দ্রুত — vectorized
arr = np.arange(1_000_000)
result = arr * 2

Pandas — ডেটা টেবিল

Pandas হলো Excel-এর Python ভার্সন। CSV পড়া, ফিল্টার, গ্রুপিং — সব এক লাইনে।

import pandas as pd

# CSV পড়া
df = pd.read_csv("students.csv")

# প্রথম ৫ row
print(df.head())

# ফিল্টার — যাদের score 80-এর বেশি
top = df[df["score"] > 80]

# নতুন column
df["grade"] = df["score"].apply(lambda s: "A" if s > 85 else "B")

# গড় বের করা
print(df["score"].mean())

Matplotlib — ছবি আঁকা

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-5, 5, 100)
y = np.maximum(0, x)   # ReLU function

plt.plot(x, y)
plt.title("ReLU Activation")
plt.xlabel("Input")
plt.ylabel("Output")
plt.grid(True)
plt.show()

Class — মডেল লেখার ভিত্তি

PyTorch-এ প্রতিটি মডেল একটা class। তাই OOP-এর basic বোঝা জরুরি।

class Neuron:
    def __init__(self, weight, bias):
        self.weight = weight
        self.bias = bias

    def forward(self, x):
        return self.weight * x + self.bias

n = Neuron(weight=2, bias=1)
print(n.forward(5))   # 11

সাধারণ ভুল ধারণা

অনুশীলন

মিনি প্রজেক্ট

ইন্টারভিউ প্রশ্ন

1. Python list ও NumPy array-এর মধ্যে পার্থক্য কী?
2. Vectorization কী এবং কেন গুরুত্বপূর্ণ?
3. Pandas-এ loc ও iloc-এর পার্থক্য কী?
4. *args এবং **kwargs কী কাজে আসে?
5. Python-এ shallow copy ও deep copy-এর পার্থক্য?

সারসংক্ষেপ