AI vs ML vs DL — পার্থক্য কোথায়?

Hook — চায়ের দোকানের গল্প

রহিম চাচার চায়ের দোকান। প্রতিদিন সকালে তিনি দেখেন কোন দিন কতজন কাস্টমার আসে। এক বছর পর তিনি বুঝে গেলেন — বৃষ্টির দিনে কাস্টমার বেশি, পরীক্ষার সময় ছাত্ররা বেশি আসে। এই যে অভিজ্ঞতা থেকে শেখা — এটাই Learning।

এবার কল্পনা করো, আমরা একটি কম্পিউটারকে গত এক বছরের কাস্টমার data দিলাম। সেও pattern বুঝে predict করল — “আজ ১২০ জন আসতে পারে।” এই শেখার ক্ষমতা যখন কম্পিউটার এর মধ্যে আনি — সেটাই Machine Learning।

Concept — তিনটি শব্দ, তিনটি স্তর

AI, ML, DL — এই তিনটি শব্দ আমরা প্রায়ই মিশিয়ে ফেলি। কিন্তু এদের মধ্যে রয়েছে একটি সুন্দর hierarchy — একটির ভেতরে আরেকটি।

এক বাক্যে

AI হলো বড় ছাতা, ML সেই ছাতার নিচে একটি পদ্ধতি, আর DL হলো ML এর একটি শক্তিশালী শাখা।

Artificial Intelligence (AI)

AI হলো কম্পিউটারকে এমনভাবে বানানো যাতে সে মানুষের মত চিন্তা ও সিদ্ধান্ত নিতে পারে। Chess খেলা, voice assistant, self-driving car — সব AI এর উদাহরণ।

Machine Learning (ML)

ML হলো AI অর্জনের একটি বিশেষ পদ্ধতি — যেখানে আমরা explicit rule না লিখে data দেখিয়ে কম্পিউটারকে শেখাই। যেমন: হাজারো spam email দেখিয়ে শেখানো — কোনটা spam।

Deep Learning (DL)

DL হলো ML এর এমন একটি শাখা যা multi-layer neural network ব্যবহার করে। Image, voice, language — যেখানে raw data থেকে নিজে feature বের করা দরকার, সেখানে DL অসাধারণ।

Mathematical Intuition

ML কে গণিতের ভাষায় বললে — আমরা একটি function f(x) খুঁজছি যেটি input x থেকে output y predict করতে পারে।

y ≈ f(x; θ), যেখানে θ হলো model এর parameter

Training মানে data দেখে এমন θ বের করা যাতে predict করা y আর actual y এর difference (loss) সবচেয়ে কম হয়।

বাস্তব জীবনে কোথায় দেখি?

AI — Siri, Google Assistant, ChatGPT।
ML — Netflix recommendation, Gmail spam filter।
DL — Face unlock, Google Translate, self-driving car।

Step-by-step — একটি ML সমস্যা কীভাবে আগায়

Problem ঠিক করা (যেমন: spam কিনা detect করব)।
Data সংগ্রহ করা (হাজারো labeled email)।
Data clean ও preprocess করা।
Model নির্বাচন করা (Logistic Regression / Naive Bayes)।
Train করা ও evaluate করা।
Deploy করা ও real user এর কাছে পৌঁছানো।

Python Code — একদম ছোট্ট প্রথম ML

first_ml.py

from sklearn.linear_model import LinearRegression
import numpy as np

# Training data: hours studied vs marks
X = np.array([[1], [2], [3], [4], [5]])
y = np.array([35, 50, 60, 72, 88])

model = LinearRegression()
model.fit(X, y)

predicted = model.predict([[6]])
print(f"6 hours study => predicted marks: {predicted[0]:.2f}")

লাইন-বাই-লাইন ব্যাখ্যা

Line 1–2: Scikit-learn থেকে LinearRegression ও NumPy import করছি।
Line 5–6: X হলো input (study hours), y হলো output (marks)।
Line 8: একটি Linear Regression model তৈরি করলাম।
Line 9: fit() মানে model কে data দিয়ে train করানো।
Line 11: 6 ঘন্টা পড়লে কত নম্বর হতে পারে — predict করছি।

যেসব ভুল নতুনরা করে

সাবধান

AI ≠ ML ≠ DL — এদের একসাথে গুলিয়ে ফেলো না।

Deep Learning সবসময় ভালো — এটা ভুল ধারণা। ছোট dataset এ classic ML অনেক ভালো কাজ করে।
Data ছাড়া ML হয় না — algorithm কতটা ভালো সেটা গুরুত্বপূর্ণ, কিন্তু data এর quality আরও গুরুত্বপূর্ণ।
ML মানেই accuracy 100% — বাস্তবে কখনো হয় না, এবং হলে সেটাই সন্দেহজনক।

Practice Tasks

Task 1: তোমার পরিচিত ৫টি app বের করো যেখানে AI/ML/DL ব্যবহার হয়েছে।
Task 2: উপরের কোড copy করে X এবং y নিজে বানিয়ে চালাও।
Task 3: তোমার নিজের একটি দৈনন্দিন সমস্যা চিন্তা করো যেখানে ML কাজে লাগতে পারে।

Mini Project — Study vs Marks Predictor

ক্লাসের ৫ জন বন্ধুর কাছ থেকে data নাও — তারা প্রতিদিন কত ঘন্টা পড়ে এবং গত পরীক্ষায় কত পেয়েছে। উপরের code এ এই data বসিয়ে predict করো — তুমি ৭ ঘন্টা পড়লে কত পেতে পারো।

Summary

মনে রাখো

AI > ML > DL — এই hierarchy টা যদি মনে থাকে, পুরো ML journey সহজ হয়ে যাবে।

AI = মানুষের মত আচরণ করার ক্ষমতা।
ML = data থেকে শেখা।
DL = neural network দিয়ে শেখা।
Function f(x; θ) — এটাই ML এর গোড়ার গণিত।