Chapter 05

জৈবিক বনাম কৃত্রিম নিউরন

Biological vs Artificial Neuron

🎬 গল্প দিয়ে শুরু

১৯৪৩ সালে দুই বিজ্ঞানী — Warren McCulloch (নিউরোসায়েন্টিস্ট) এবং Walter Pitts (গণিতবিদ) — একটা প্রশ্ন করেছিলেন: "মস্তিষ্কের নিউরন কীভাবে চিন্তা করে, সেটা কি গণিত দিয়ে লিখা যায়?" তাঁদের উত্তর — হ্যাঁ। সেদিনই জন্ম নিয়েছিল কৃত্রিম নিউরন।

জৈবিক নিউরন — মস্তিষ্কের ছোট্ট প্রসেসর

আমাদের মস্তিষ্কে প্রায় ৮৬ বিলিয়ন নিউরন আছে। প্রতিটি নিউরনের তিনটি প্রধান অংশ — Dendrite (ইনপুট), Cell Body (প্রসেসিং), এবং Axon (আউটপুট)। একটি নিউরন অন্য নিউরন থেকে সংকেত নেয়, প্রক্রিয়া করে, যদি যথেষ্ট শক্তিশালী হয় — তবে পরবর্তী নিউরনে সংকেত পাঠায় (fire করে)।

কৃত্রিম নিউরন — গণিতের ভাষায়

কৃত্রিম নিউরনও ঠিক একই কাজ করে — শুধু সংখ্যা দিয়ে। প্রতিটি input-এর একটি weight থাকে (কতটা গুরুত্বপূর্ণ), সব input × weight যোগ হয়, একটি bias যোগ হয়, এবং activation function ঠিক করে — fire করবে কিনা।

y = f(w₁x₁ + w₂x₂ + ... + wₙxₙ + b)

তুলনা — পাশাপাশি

জৈবিক নিউরন

কৃত্রিম নিউরন

Dendrite (ইনপুট নেয়)

Input vector x

Synapse strength

Weight w

Cell body summation

Σ wᵢxᵢ + b

Threshold firing

Activation function f()

Axon output

Output y

শেখা = synapse-এর strength বদলানো

শেখা = weight update

৮৬ বিলিয়ন

মানব মস্তিষ্কের নিউরন সংখ্যা।

১০০ ট্রিলিয়ন

synapse — নিউরনের মাঝের সংযোগ।

~200 Hz

নিউরন firing rate।

20 watts

মস্তিষ্কের power consumption।

একটি কৃত্রিম নিউরন — Python-এ

import numpy as np

def neuron(inputs, weights, bias):
    """একটি কৃত্রিম নিউরন — মস্তিষ্কের অনুকরণে।"""
    total = np.dot(inputs, weights) + bias
    # Activation: যদি ০-এর বেশি হয়, fire করো
    return 1 if total > 0 else 0

x = np.array([1, 0, 1])
w = np.array([0.5, -0.3, 0.8])
b = -0.2

print(neuron(x, w, b))   # output: 1 (fire)

পার্থক্য কোথায়?

🔑 জৈবিক বনাম কৃত্রিম

জৈবিক নিউরন asynchronous — কৃত্রিম synchronous।
মস্তিষ্ক spike পাঠায় — কৃত্রিম নিউরন continuous সংখ্যা পাঠায়।
মস্তিষ্ক ৩D structure — কৃত্রিম নেটওয়ার্ক বেশিরভাগ layered।
মস্তিষ্ক শেখে কয়েকটি উদাহরণে — কৃত্রিম মডেলের লাখ লাখ লাগে।

সাধারণ ভুল ধারণা

⚠️ যা সত্যি নয়

"কৃত্রিম নিউরাল নেটওয়ার্ক মানুষের মস্তিষ্কের মতোই কাজ করে" — খুব সরলীকৃত অনুকরণ মাত্র।
"যত বেশি নিউরন, তত স্মার্ট" — architecture ও ডেটাই বেশি গুরুত্বপূর্ণ।

অনুশীলন

১. উপরের neuron function-এ বিভিন্ন input ও weight দিয়ে দেখুন কখন 1 ও কখন 0 আসে।

২. কাগজে এঁকে দেখান — দুটি input ও একটি output সহ একটি কৃত্রিম নিউরন।

মিনি প্রজেক্ট

🚀 আজকের চ্যালেঞ্জ

৩টি নিউরন দিয়ে একটি ছোট layer বানান (3 input → 3 neurons → 1 output)। সব weight random দিন। কোনো input vector দিয়ে শেষ output হিসাব করে দেখান।

ইন্টারভিউ প্রশ্ন

জৈবিক ও কৃত্রিম নিউরনের ৩টি পার্থক্য বলুন।
Weight ও bias-এর ভূমিকা কী?
Activation function কেন দরকার?

সারসংক্ষেপ

✨ এই অধ্যায়ে যা শিখলাম

মস্তিষ্কের নিউরন কাজ করে input → process → output পদ্ধতিতে।
কৃত্রিম নিউরন এর গাণিতিক অনুকরণ — weight, bias, activation।
পরের অধ্যায়ে আমরা সবচেয়ে প্রথম কৃত্রিম নিউরন — Perceptron — শিখব।