Zerobyte_Coder

গবেষণা সহায়ক কিছু গুরুত্বপূর্ণ টুলস - ২০২৪
রেফারেন্স ম্যানেজমেন্ট

𝐄𝐧𝐝𝐍𝐨𝐭𝐞 (https://endnote.com/): সহজে Citation তৈরি করতে এবং references গুছিয়ে রাখতে সাহায্য করে।
𝐏𝐚𝐩𝐞𝐫𝐩𝐢𝐥𝐞 (https://paperpile.com/): গবেষণাপত্রের সাথে সরাসরি সংযোগ রেখে Citation সহজে সংগঠিত করতে সহায়ক।
𝐌𝐞𝐧𝐝𝐞𝐥𝐞𝐲 (https://www.mendeley.com/): reference management এবং social networking টুল হিসেবে কাজ করে, গবেষণাপত্র সংরক্ষণ ও annotate করতে সহায়ক।
𝐑𝐞𝐟𝐖𝐨𝐫𝐤𝐬 (https://refworks.proquest.com/): অনলাইন ভিত্তিক গবেষণাপত্র সংগঠিত এবং Citation তৈরি করে।
𝐂𝐫𝐨𝐬𝐬𝐫𝐞𝐟 (https://www.crossref.org/): এটি Citation linking-এর প্রক্রিয়া সহজ করে।
𝐂𝐢𝐭𝐞𝐓𝐡𝐢𝐬𝐅𝐨𝐫𝐌𝐞 (https://www.citethisforme.com/): বিভিন্ন Citation style এ খুব দ্রুত Citation তৈরি করতে সহায়তা করে।
𝐙𝐨𝐭𝐞𝐫𝐨 (https://www.zotero.org/): গবেষণার তথ্য সংগ্রহ, সংরক্ষণ এবং cite করতে সহায়ক।
ডেটা বিশ্লেষণ ও ভিজ্যুয়ালাইজেশন
𝐓𝐚𝐛𝐥𝐞𝐚𝐮 (https://www.tableau.com/): জটিল ডেটাকে সহজ ও পরিষ্কার visual-এ রূপান্তর করে।
𝐑𝐒𝐭𝐮𝐝𝐢𝐨 (https://posit.co/): R প্রোগ্রামিং ব্যবহার করে ডেটা বিশ্লেষণ, মডেলিং, এবং visualization এর জন্য খুবই কার্যকরী।
𝐒𝐏𝐒𝐒 (https://www.ibm.com/): গবেষণায় বড় ধরনের পরিসংখ্যান বিশ্লেষণের জন্য জনপ্রিয় software।
𝐏𝐥𝐨𝐭𝐥𝐲 (https://plotly.com/): অত্যাধুনিক visualization টুল, যা data-driven ও interactive graphs তৈরিতে সক্ষম।
𝐍𝐕𝐢𝐯𝐨 (https://lumivero.com/): qualitative ডেটার গভীর বিশ্লেষণ করে থিম বা প্যাটার্ন খুঁজে বের করে।
𝐌𝐢𝐧𝐝𝐌𝐞𝐢𝐬𝐭𝐞𝐫 (https://www.mindmeister.com/): collaborative mind mapping টুল, যা আপনার ধারণাগুলোকে visualize করতে সাহায্য করে।
𝐏𝐨𝐰𝐞𝐫𝐁𝐈 (https://www.microsoft.com/.../power.../products/power-bi): একটি শক্তিশালী business analytics টুল, যা interactive data visualization এবং report তৈরি করতে সহায়তা করে।
𝐌𝐒 𝐄𝐱𝐜𝐞𝐥 (https://www.microsoft.com/en/microsoft-365/excel?market=af): বহুল ব্যবহৃত spreadsheet software, যা ডেটা ম্যানিপুলেশন ও বিশ্লেষণের জন্য জনপ্রিয়।
নোট গ্রহণ
𝐄𝐯𝐞𝐫𝐧𝐨𝐭𝐞 (https://evernote.com/): শক্তিশালী নোট গ্রহণের অ্যাপ, যা লেখা, ছবি ও ধারণা গুছিয়ে রাখতে সাহায্য করে।
𝐒𝐜𝐫𝐢𝐯𝐞𝐧𝐞𝐫 (https://www.literatureandlatte.com/): গবেষণাপত্র structuring এবং organizing এর জন্য ব্যবহার হয়।
𝐎𝐧𝐞𝐍𝐨𝐭𝐞 (https://www.onenote.com/): Microsoft এর ডিজিটাল নোটবুক।
𝐆𝐨𝐨𝐠𝐥𝐞 𝐊𝐞𝐞𝐩 (https://accounts.google.com/): সহজ নোট গ্রহণের অ্যাপ, যা Google Drive-এর সঙ্গে সংযুক্ত থাকে।
𝐍𝐨𝐭𝐢𝐨𝐧 (https://www.notion.so/): সবকিছু একত্রে করার জন্য কার্যকরী ওয়ার্কস্পেস।
𝐀𝐮𝐝𝐢𝐨𝐏𝐞𝐧 (https://audiopen.ai/): অডিও ভিত্তিক নোট গ্রহণের টুল।
গবেষণাপত্র লেখা
𝐖𝐫𝐢𝐭𝐞𝐟𝐮𝐥𝐥 (https://www.writefull.com/): একাডেমিক লেখার নির্ভুলতা এবং গুণগত মান বাড়াতে সাহায্য করে।
𝐋𝐚𝐓𝐞𝐗 (https://www.latex-project.org/): উচ্চ-গুণমানের টাইপসেটিং ব্যবস্থা, বিশেষ করে টেকনিক্যাল ডকুমেন্টের জন্য।
𝐓𝐮𝐫𝐧𝐢𝐭𝐢𝐧 (https://www.turnitin.com/): প্লেজিয়ারিজম শনাক্তকরণ টুল, যা গবেষণাপত্রের অরিজিনালিটি চেক করতে এবং Citation সঠিক কিনা তা নিশ্চিত করতে সাহায্য করে।
𝐒𝐜𝐫𝐢𝐛𝐛𝐫 (https://www.scribbr.com/): প্লেজিয়ারিজম চেকার এবং প্রুফরিডিং টুল, যা গবেষণাপত্রের মান উন্নত করতে সাহায্য করে।
𝐎𝐯𝐞𝐫𝐥𝐞𝐚𝐟 (https://www.overleaf.com/): অনলাইন ল্যাটেক্স এডিটর।
𝐆𝐨𝐨𝐠𝐥𝐞 𝐃𝐨𝐜𝐬 (https://accounts.google.com/): সহজ সহযোগিতার জন্য ক্লাউড-বেসড ডকুমেন্ট এডিটর।
𝐏𝐚𝐩𝐞𝐫𝐏𝐚𝐥 (https://paperpal.com/): গবেষণাপত্র সংগঠিত এবং লেখা সহজ করতে সাহায্য করে।
𝐓𝐫𝐢𝐧𝐤𝐚𝐀𝐈 (https://www.trinka.ai/): একাডেমিক লেখা উন্নত করতে এবং grammatical ভুল সংশোধন করতে সহায়তা করে।
𝐆𝐫𝐚𝐦𝐦𝐚𝐫𝐥𝐲 (https://www.grammarly.com/): লেখার গুণগত মান উন্নত করার জন্য জনপ্রিয় টুল।
𝐐𝐮𝐢𝐥𝐥𝐁𝐨𝐭 (https://quillbot.com/): লেখাকে paraphrase, summarize, এবং grammar ঠিক করতে সাহায্য করে।
লিটারেচার রিভিউ টুলস
𝐒𝐞𝐦𝐚𝐧𝐭𝐢𝐜 𝐒𝐜𝐡𝐨𝐥𝐚𝐫 (https://www.semanticscholar.org/): গবেষণা পত্র থেকে গুরুত্বপূর্ণ তথ্য খুঁজে বের করতে সাহায্য করে এবং লিটারেচার রিভিউর সময় দ্রুত প্রাসঙ্গিক পেপার খুঁজে দেয়।
𝐋𝐢𝐭𝐦𝐚𝐩𝐬 (https://www.litmaps.com/): গবেষণা পেপার ও লিটারেচারের সংযোগ ভিজ্যুয়ালাইজ করার জন্য ব্যবহৃত হয়।
𝐒𝐜𝐢𝐓𝐞.𝐚𝐢 (https://scite.ai/): গবেষণাপত্র খুঁজে পেতে এবং সেগুলো বুঝতে সহায়তা করে।
𝐑𝐞𝐬𝐞𝐚𝐫𝐜𝐡 𝐑𝐚𝐛𝐛𝐢𝐭 (https://www.researchrabbit.ai/): প্রাসঙ্গিক গবেষণাপত্র খুঁজে পাওয়ার টুল।
𝐂𝐨𝐧𝐧𝐞𝐜𝐭𝐞𝐝 𝐏𝐚𝐩𝐞𝐫𝐬 (https://www.connectedpapers.com/): সম্পর্কিত গবেষণাপত্র খুঁজে বের করার টুল।
𝐑 𝐃𝐢𝐬𝐜𝐨𝐯𝐞𝐫𝐲 (https://discovery.researcher.life/): গবেষণা উপকরণ খুঁজে পাওয়ার প্ল্যাটফর্ম।
আঁকাআঁকি ও ডায়াগ্রাম
𝐅𝐢𝐠𝐦𝐚 (https://www.figma.com/): গবেষণায় জটিল ডায়াগ্রাম এবং ভিজ্যুয়াল তৈরিতে ব্যবহৃত হয়।
𝐃𝐫𝐚𝐰.𝐢𝐨 (https://app.diagrams.net/): ফ্লোচার্ট এবং ডায়াগ্রাম তৈরি করার জন্য উপযুক্ত।
𝐋𝐮𝐜𝐢𝐝𝐜𝐡𝐚𝐫𝐭 (https://www.lucidchart.com/): অনলাইন ডায়াগ্রামিং সফটওয়্যার।
𝐌𝐢𝐜𝐫𝐨𝐬𝐨𝐟𝐭 𝐕𝐢𝐬𝐢𝐨 (https://www.microsoft.com/.../visio/flowchart-software): গবেষণা পেপারে জটিল ফ্লোচার্ট, প্রসেস ম্যাপ এবং ডেটা-চালিত ডায়াগ্রাম তৈরির জন্য কার্যকর।
𝐂𝐚𝐧𝐯𝐚 (https://www.canva.com/): গবেষণা উপস্থাপনার জন্য ভিজ্যুয়াল তৈরিতে সহায়ক।
𝐈𝐧𝐤𝐬𝐜𝐚𝐩𝐞 (https://inkscape.en.softonic.com/): ওপেন-সোর্স ভেক্টর গ্রাফিক্স এডিটর।
𝐈𝐏𝐄 𝐃𝐫𝐚𝐰𝐢𝐧𝐠 (https://ipe.otfried.org/): LaTeX ভিত্তিক আঁকার এডিটর, গবেষণা সম্পর্কিত ডায়াগ্রাম তৈরিতে ব্যবহার করা হয়।
𝐊𝐞𝐞𝐧𝐢𝐨𝐮𝐬 (https://keenious.com/): ধারণার কনসেপ্ট ম্যাপ এবং ডায়াগ্রাম তৈরিতে সহায়তা করে।
𝐁𝐢𝐨𝐫𝐞𝐧𝐝𝐞𝐫 (https://biorender.com/): জীববিজ্ঞান সম্পর্কিত ডায়াগ্রাম এবং ভিজ্যুয়াল তৈরিতে ব্যবহৃত হয়।
𝐆𝐫𝐚𝐩𝐡𝐏𝐚𝐝 𝐏𝐫𝐢𝐬𝐦 (https://www.graphpad.com/scientific-software/prism/): ডেটা বিশ্লেষণ এবং গ্রাফ তৈরি করার একটি শক্তিশালী সফটওয়্যার।
…………………….
লিখেছেন@Azizul Haque

মুদ্রার এপিঠ-ওপিঠ! (CSE Graduate)

আমরা যখন কোনো নতুন কিছু শিখতে যাই, তখন যদি জানতে পারি সেই শেখাটা আমাদের কীভাবে উপকারে আসবে, সেটি আমাদের জন্য অত্যন্ত ফলপ্রসু হয়। বর্তমান বিশ্ববিদ্যালয় ভিত্তিক শিক্ষাব্যবস্থায় যোগ হয়েছে Outcome Based Education (OBE), যা স্পষ্টভাবে ব্যাখ্যা করে কেন কোনো কোর্স পড়ানো হচ্ছে এবং এর মাধ্যমে কী কী শেখা যাবে। এর সঙ্গে আরও দুটি গুরুত্বপূর্ণ বিষয় যুক্ত থাকে:
CLO (Course Learning Outcomes)
PLO (Program Learning Outcomes)
প্রতিটি বিষয়কে CLO এবং PLO-র সঙ্গে ম্যাপিং করে সিলেবাসের মাধ্যমে OBE নিশ্চিত করার প্রচেষ্টা করা হচ্ছে। এর কার্যকারিতা একদিন আমাদের শিক্ষাব্যবস্থাকে আরও ফলপ্রসু করবে এটাই মুদ্রার এপিঠ, অর্থাৎ শিক্ষার সুস্পষ্ট দিক।

তবে, মুদ্রার অন্য পিঠ নিয়েও কিছু কথা বলার আছে। সব কিছুতে আমরা যদি শুধুই কারণ খোঁজার চেষ্টা করি, তবে অনেক কিছু শিখতে পারব না। যেমন, আমার ব্যক্তিগত অভিজ্ঞতায় এবং আমার পরিচিতদের মধ্যে দেখেছি, গুগলে অসংখ্যবার সার্চ করা হয়েছে—"কোন প্রোগ্রামিং ভাষা শিখলে ভালো হবে?" বা "কোনটা টিকে থাকবে?"। এমন প্রশ্নের উত্তর খোঁজার ফলে অনেকেই শিখতে শুরু করেনি বা মাঝপথে থেমে গেছে। কেউ হয়তো ভাবলো Laravel শিখবো, কিন্তু কোথাও দেখে নিলো যে Laravel-এর ভবিষ্যৎ নেই, React বা Django শিখতে হবে—এই চিন্তা করে সেই শিখাটাও বাদ দিলো।

ঠিক এমন হাজারো কনফিউশন আর প্রশ্নের কারণে অনেকের শিখা হয়নি কিছুই। অথচ, যদি এমন হতো—"আমার যেটা ভালো লাগে, সেটাই শিখি, কাজে লাগলে লাগবে, না লাগলে নাই"—তাহলে শেখাটা ফলপ্রসু হতো। যেমন, কেউ যদি ভিডিও এডিটিং ভালোবাসে, সে যদি চিন্তা না করতো "এর মার্কেট আছে কি না", তবে সেই শিখা একদিন তার কাজে আসতোই।
এখন আমাদের শেখার পথে সবচেয়ে বড় বাধা হয়ে দাঁড়ায় কিছু সাধারণ প্রশ্ন:
• কোন প্রোগ্রামিং ভাষা ভালো?
• কোন ফ্রেমওয়ার্কে কাজ করবো?
• এর ভবিষ্যৎ কী? (এই নিয়ে কাজ করলে কি হবে )
এইসব প্রশ্নের উত্তর খোঁজার চেষ্টা করতে গিয়ে আমরা অনেক সময় শিখতেই পারি না। সবকিছুতে ভবিষ্যৎ চিন্তা করলে বা আগে থেকেই সাফল্যের নিশ্চয়তা খুঁজতে গেলে শেখার আগ্রহ হারিয়ে যায়।
পরিশেষে বলতে চাই, সবকিছুতে কারণ খুঁজতে গেলে যেমন জীবনে সুখ পাওয়া যায় না, তেমনি "এইটা পড়ে কী হবে?" বা "এটা এক্সামে আসবে কি না?" এমন চিন্তা করলে ছাত্রজীবনে সত্যিকারের কোনো শেখা হয় না।
সামনে যেটা আছে, সেটাই শিখতে হবে—কাজে লাগলে লাগবে, না লাগলেও ক্ষতি নেই। জীবনের কিছু প্রশ্নের উত্তর খোঁজার চেষ্টা না করে শেখার পথে এগিয়ে গেলে, আমি বিশ্বাস করি, সাফল্য অবধারিত। শেখার আনন্দটাই মূল, ফলাফল আসবেই—হয়তো একটু পরে, হয়তো অন্যভাবে, কিন্তু আসবেই।তাই, অজানা ভবিষ্যতের চিন্তা না করে আজকের দিনটাকে কাজে লাগিয়ে, শেখার আনন্দটা অনুভব করা জরুরি। কারণ জীবনের প্রতিটি অভিজ্ঞতা, প্রতিটি শেখা, একেকটা মুদ্রার এপিঠ ওপিঠের মতো—যা একসঙ্গে মিলেই আমাদের সফলতার পথে নিয়ে যায়।

কিভাবে ডাটা সায়েন্স শুরু করবেন??? লিখেছেন আবু তারেক রনি

ডাটা আসলে কি ? আপনি যে ফেসবুক এ স্ট্যাটাস দিচ্ছেন, ইন্সটাগ্রাম এ ছবি পোস্ট করতেসেন, স্ন্যাপচ্যাট এ ভিডিও দিচ্ছেন, ইউটিউবে ভিডিও দেখতেসেন, লাইক, কমেন্ট করতেসেন এগুলোর সবই ডাটা । এটা গেলো অনলাইনের উদাহরণ । অফলাইন এর উদাহরণ দিতে বললে বলবো আপনি প্রতিদিন যা যা করেন , তার সবই কোন না কোন ডাটা বা তথ্যের জন্ম দিচ্ছে ।

এখন প্রশ্ন হচ্ছে ডাটা সায়েন্স কি তাহলে? ডেটা সায়েন্স হলো কয়েকটা বিষয় মিলে হাইব্রিড (Hybrid) একটা বিষয় এবং ডাটা সায়েন্স যেসব বিষয়কে ফোকাস করে গঠিত সেগুলা হলো — পরিসংখ্যান (Statistics), ফলিত গণিত (Applied Mathematics) এবং কম্পিউটার সায়েন্স (Computer Science), বায়োইনফরমেটিক্স(Bioinformatics), বিজেনেস এনালাইসেস(Business Analysis) ইত্যাদি। আর মেশিন লার্নিং হল কৃত্রিম বুদ্ধিমত্তার (AI) এবং ডাটা সায়েন্সের একটি উপ-ক্ষেত্র যা মেশিনগুলিকে কেবলমাত্র ডেটা থেকে শিখতে সক্ষম করার চেষ্টা করে যেমন পরিবেশের সাথে মিথস্ক্রিয়া করার সময় সংগৃহীত তথ্য থেকে শেখার মতো।

আপনার হয়তো মনে প্রশ্ন জাগতে পারে বিজনেস গ্রোথ রেট বৃদ্ধি করার সাথে ডাটা সায়েন্স এর সম্পর্ক কি? হ্যা অবশ্যই আছে। আপনাকে একটা ছোট্ট উদাহরণ এর মাধ্যমে বিষয়টি পরিস্কার করছি, ধরুন আপনি একটি বই বিষয়ক ই-কমার্স ওয়েবসাইট তৈরি করেছেন। এই ই-কমার্স ওবেবসাইটে আপনার সেল বৃদ্ধি করতে, আপনি চাইলেই ডেটা সায়েন্স এর ব্যাবহার করতে পারেন। যেমন ধরুন কোন কাস্টমার প্রোগ্রামিং এর ওপরে একটা বই সার্চ করলো। তার মানে ওই কাস্টমার প্রোগ্রামিং এ আগ্রহী। আপনি এমনভাবে সিস্টেমটি ডেভলপ করেছেন যেন কাস্টমারের সার্চের ওপরে ভিত্তি করে সেটি প্রোগ্রামিং রিলেটে নতুন আরও কিছু বই রিকমেন্ড করবে। আরও সহজ করে বলতে চাইলে ধরুন আপনি ইউটিউবে সার্চ করলেন ‘ Data Science Tutorial’ এটা সার্চ করার পরে হয়তো ইউটিউব আপনার হোমপেজে অনেকগুলো টিউটোরিয়াল সাজেশনে এনে দেবে এবং আপনি যখন একটা ভিডিও ক্লিক করার পরে কিছুক্ষণ দেখে হয়তো কেটে দেবেন। পরবর্তীতে যখনি আপনি ইউটিউবে যাবেন আশা করা যায় অন্য সব ভিডিওর পাশাপাশি কমপক্ষে ১-৩ টি পাইথন প্রোগ্রামিং এর ভিডিও হোমপেজে এনে দেবেই। তবে এর কারণ কি? আপনি যখন সার্চ করেছেন তখনি ইউটিউব বুঝতে পেরেছে আপনি Data Science এ আগ্রহী। তাই পরবর্তীতে আপনার সামনে এই ধরনের ভিডিও সাজেস্ট করেছে। শুধু এটাই নয় সামনে আপনি যত ভিডিও দেখবেন সেখানে ভিডিওর মাঝে পেইড এড হিসেবে ইউটিউব আপনাকে যা দেখাবে সেগুলোও হবে Data Science রিলেটেড। এখন মনে প্রশ্ন জাগা টা স্বাভাবিক যে এই কাজগুলো হয় কিভাবে? এটা নিয়ে বিস্তারিত আলোচনা করতে গেলে কথা বলতে হবে মেশিন লার্নিং, এনএলপি এবং ডেটা মাইনিং নিয়ে। ML, NLP, DM সবকিছুই ডেটা সায়েন্স এর সাবসেট বলতে পারেন।

আর ডাটা নিয়ে কাজ করে তাদের বলে ডাটা সায়েন্টিস্ট!

ডাটা সায়েন্টিস্টদের ডিমান্ড কেমন?

বর্তমান যুগে যেকোনো ক্ষেত্রেই ডাটা প্রয়োজন। একটি সঠিক ডাটার অভাবে যেমন কোনো ব্যবসা নিমিষেই ধ্বংস হয়ে যেতে পারে; তেমনি একটি সঠিক ডাটা ব্যবহার করে কোনো ব্যবসা শুন্য থেকে সফল ও হতে পারে। বড় বড় কোম্পানিগুলো তাদের ব্যবসা এগিয়ে নিতে সবার আগে চায় ডাটা।তাই তারা সবার আগে একজন ডাটা সায়েন্টিস্ট এর খোঁজ করে। সম্প্রতি লিংকডইনের এক তথ্য অনুসারে ডাটা সায়েন্টিস্ট দের চাহিদা চাকরির বাজার খুব বেশি এবং তা সবসময় বেড়েই চলছে। ২০১৯ সাল থেকে বর্তমানে চাকরির বাজারে ডাটা রিলেটেড জবের চাহিদা বেড়েছে ৪৬ শতাংশ।

বিশেষজ্ঞরা বলেন, “এখন যুগ ডাটা সায়েন্সের। গত কয়েক বছর ধরে চাকরির বাজারে সব চেয়ে বেশি আলোচিত শব্দ “ডাটা সায়েন্টিস্ট”।”
এক পরিসংখ্যান থেকে জানা যায়, ২০১২ সালে বিশ্বব্যাপী ডাটার পরিমাণ যা ছিলো, তা ২০২০ সালে এসে ৫০ গুণ বৃদ্ধি পেয়েছে।

একটা জরিপ মতে ২০৩০ সালের মধ্যে প্রায় ১৩টি জব সেক্টর পুরোপুরি স্বয়ংক্রিয় (Automated) হয়ে যাবে এবং World Economic Forum এর জরিপ থেকে ধারণা করা হয় অটোমেশন (Automation) এর কারণে প্রায় ৭৫ মিলিয়ন চাকরী ডিসপ্লেস হয়ে গেলেও মজার বিষয় হলো মোট প্রায় ১৩৩ মিলিয়ন নতুন চাকরী জেনারেট করবে। তবে অটোমেশন (Automation) এর কারণে কিছু নিম্ন এবং মধ্যম স্কিল এর জব অটোমেটেড(Automated) করা সম্ভব হলেও কখনোই ডাটা সায়েন্স (Data Science) এর চাকরী নস্ট করা সম্ভব নয়। অটোমেশন কেন ডেটা সায়েন্স এর জবগুলো নস্ট করতে পারবে না সেটা বুঝতে চাইলে ডেটা সায়েন্স কি এবং ডেটা সায়েন্স ইকোসিস্টেম কিভাবে কাজ করে এটা বুঝতে হবে। বর্তমানে ভারতে এক লাখের ও বেশি ডাটা সায়েন্টিস্টদের জন্য চাকরির সুযোগ রয়েছে। ডাটা খাতে পেশাদার কর্মীর চাহিদা বাড়ায় এখন অনেকেই ডাটা সায়েন্সের পথে যাচ্ছেন। Glassdoor এর তথ্য অনুযায়ী আমেরিকায় একজন ডাটা সায়েন্টিস্ট তার অভিজ্ঞতা অনুসারে বছরে প্রায় $95k — $200k বেতন নিয়ে থাকেন। ডাটা সায়েন্স এর ওপর ভিত্তি করে যেসব জব পজিশন তৈরি হয়েছে যথাক্রমে — Machine Learning Engineer, Database Administrator, Data Architect, Data Engineer, Business Analyst, Data Analyst, Data Scientist, etc.

ডাটা সায়েন্সের স্টেজগুলো কি কি?
ডাটা কালেকশন
ডাটা ক্লিনিং
এক্সপ্লোরেটরি্ ডাটা এনালাইসিস
মডেল বিল্ডিং
মডেল ডেপ্লয়মেন্ট

এবার আসি তাহলে বাংলাদেশে চাহিদা কেমন?
দেশে হাতে গোনা অল্প কয়েকটি কোম্পানি সত্যিকার অর্থে মেশিন লার্নিং নিয়ে কাজ করছে । বেশির ভাগ কোম্পানি ডাটা সায়েন্টিস্ট হায়ার করছে কিন্তু মেশিন লার্নিং নিয়ে তেমন কোন কাজ করাচ্ছে না এমপ্লয়ীদের দিয়ে। শুধু ডাটা ভিজুয়ালাইজেশন এবং হালকা ডাটা ইঞ্জিনিয়ারিং-ই হয়তো বেশিরভাগ কোম্পানির কাজের পরিধি। ডিপ লার্নিং বেসড প্রেডিক্টিভ মডেল ডিজাইন এবং ডেভেলপমেন্ট করে এমন কোম্পানি হয়তো একেবারেই কম। তবে বাংলাদের প্রযুক্তির উন্নয়নের সাথে সাথে এর চাহিদা বেড়েই চলছে এবং ভবিষ্যতে চাহিদা আরও বাড়বে। ডেটা সায়েন্স এর ব্যাবহার সব সেক্টরেরই রয়েছে যেমনঃ রিকমেন্ডেশন সিস্টেম, ওয়েদার প্রেডিকশন, ট্রেড মার্কেট এনালাইসিস, ডিজেস ডিটেকশন, স্পাম টেক্সট ক্লাসিফিকেশন, মার্কেট বাস্কেট এনালাইসিস ইত্যাদি গুরুত্বপূর্ণ কিছু উদাহরন।আস্তে আস্তে এর কাজের পরিধি বাড়বে এবং মেশিন লার্নিং ইঞ্জিনিয়ার / ডাটা সায়েন্টিস্ট দেড় ভাল একটা ডিমান্ড বাংলাদেশেও তৈরী হবে অদূর ভবিষ্যতে।

স্যালারি এর কথা বলতে গেলে , ৩৫ হাজার থেকে ৬০ হাজার পর্যন্ত আশা করতে পারেন ফ্রেশ গ্রাজুয়েট হিসাবে। এর থেকে কম টাকা যদি মেশিন লার্নিং অথবা ডাটা সায়েন্টিস্ট পজিশন এর জন্য দিতে চায়, তাহলে ওই কোম্পানিতে জয়েন না করাই ভাল। আশার কথা হল সম্প্রতি অনেক প্রাইভেট কোম্পানিই তাদের বিজনেস গ্রোথ রেট ধরে রাখার জন্য বা বৃদ্ধি করার জন্য নতুন নতুন ডাটা সায়েন্স রিলেভ্যান্ট জব যেমন ডেটা এনালিস্ট, বিজনেস এনালিস্ট, ডেটাবেইস এডমিনিস্ট্রেটর, ডেটা সায়েন্টিস্ট নিয়োগ দিচ্ছেন।

চলুন দেখে নেওয়া যাক ডাটা সায়েন্সে কী কী ক্যাটাগরির চাকুরি আছে এবং আপনার কী ধরনের দক্ষতা থাকা উচিত।
· Data Analysts — Easy to Medium
· ML Engineers — Medium
· Data Engineers — Medium to Hard
· Research/Applied Data Scientists — Hard
· AI Engineers/Deep Learning Practitioners — Very Hard

ডাটা সায়েন্সের সংক্ষিপ্ত সিলেবাস
Programming: Python, R, MATLAB, Scala, Julia, SQL, SAS ইত্যাদি
Tools: SPSS, WEKA, STATA, Tableau, PowerBI ইত্যাদি
Mathematics: Linear Algebra, Calculus, Statistics, Probability ইত্যাদি
এছাড়া ও Business Intelligence, Cloud Computing, Data Mining, Data Visualization, Exploratory Data Analysis ইত্যাদি বিষয়ে ভাল জ্ঞান থাকা আবশ্যক।

ডাটা সায়েন্স রোড ম্যাপ
ডাটা সায়েন্স শিখার জন্য আমাদের অনেক বেগ পেতে হই। কোথা থেকে শিখলে ভালো হবে? আর প্রোগ্রামিং নাকি পাইথন? আমিতো ম্যাথ পারি না কিন্তু ডাটা সায়েন্স মানে ই তো ম্যাথ আর স্টাটিসটিক্স তাহলে কি আমার জন্য সম্ভব নই? ওকে…..প্রথমত ডাটা সায়েন্স শিখার জন্য আপনারা ক্রিশ নাইকের ইউটিউব চ্যানেল, এডুরেখাে, সিম্পলি ল্যারেন, ডিপ ল্যানিং.এআই, মিডিয়ায়, টুয়াডস ডাটা সায়েন্স, কোর্সেরা তে আন্দ্রো এন জি কোর্স, বাংলা তে স্টাডি মার্ট (বাংলা তে এর থেকে ভাল চ্যানেল/কমিউনিটি আমার জানামতে আরে নেই) ইউটিউব চ্যানেল পাইথন এবং বাংলা মেশিন লানিং এর রিসোর্স ফ্রীতে পাবেন যেখান থেকে আপনি বাংলা ভাষায় খুব সুন্দরভাবে বেসিক পাইথন প্রোগ্রামিং এবং বাংলায় মেশিন লানিং শিখে নিতে পারেন।

আর ও মজার কিছু ব্লগ;
১. R-bloggers
২. Data Science 101
৩. Machine Learning Mastery
৪. DataTau
৫. Data School ইত্যাদি

আবার ডেটা এনালিস্ট তবে ডেটা এনালাইসিস স্কিল অর্জনের জন্য MS Excel, Minitab, PAST, SQL Database, Stata, SPSS, Tableau অথবা Power Bi শিখে নিতে পারেন। ডাটা মাইনিং শিখার জন্য WEKA শিখে নিতে পারেন(Weka MOOC)।

ডেটা সায়েন্স কমিউনিটিঃ
বিশ্বের বৃহত্তম ডেটা সায়েন্স কমিউনিটি যেমন Kaggle, Analytics Vidhya, UCI হাজার হাজার ডেটাসেটের সাথে আপনাকে পরিচয় করিয়ে দিবে এবং এখান থেকে আপনি বিভিন্ন ডেটা বিশ্লেষণ কৌশল, মেশিন লার্নিং অ্যালগরিদম অনুশীলনের ধারনা দিবে। এই কমিউনিটি গুলোতে অনুষ্ঠিত প্রতিযোগিতাগুলি ডেটা সায়েন্সের দক্ষতাগুলিকে তীক্ষ্ণ করার জন্যও দরকারী, এইভাবে আমাদের ডেটা সায়েন্সে দ্রুত দক্ষ হওয়ার লক্ষ্য অর্জনে সহায়তা করে৷ Kaggle এ আর ও পাবেন বড় বড় প্রোগ্রাম রান করার জন্য Kaggle এর ক্লাউড ফ্লাটফরম আবার আপনি চাইলে কম্পিটিশনে অংশগ্রহন করে জিতে নিতে পারেন পুরস্কার হিসেবে হাজার হাজার ডলার।

Kaggle এর কিছু সুবিধাঃ
১. ইউজ করা ফ্রি এবং সহজ
২. ফ্রি GPU
৩. পেতে পারেন Awards, Money and Fame ইত্যাদি

আর ও কিছু কমিউনিটি
Driven Data
Codalab
IBM Data Science Community
Reddit
Open Data Science ইত্যাদি

আর ও কিছু ফ্রি ডাটাসেট সোর্সঃ
Google Dataset Search
World Bank Open Data
Data.world
DataHub
Academic Torrents Data ইত্যাদি

ডাটা সায়েন্সের জন্য সেরা ৫টি GitHub Repositories:
FREECODECAMP (337K ★)
TENSORFLOW (161K ★)
THE ALGORITHMS (126K ★)
AWESOME MACHINE LEARNING (52.2K ★)
DATA SCIENCE I-PYTHON NOTEBOOKS (22.1K ★)

পোস্ট টা অনেক বড় হয়ে গেসে। এত লেখা পড়ার জন্য ধন্যবাদ। এই ইনফরমেশন গুলো বিভিন্ন ব্লগ, পোস্ট, আর্টিকেল থেকে নেওয়া।