Lifecycle কেন দরকার?
ধরো "বাজারমেলা" নামে একটা অনলাইন শপিং কোম্পানি চায় তাদের বিক্রি বাড়াতে। কারো মাথায় এলো — "চলো একটা AI মডেল বানিয়ে ফেলি!" কিন্তু আসলেই কি সরাসরি মডেল বানানো সম্ভব?
❓ আমরা কি সরাসরি একটা AI মডেল বানিয়ে ফেলতে পারি?
না, প্রথমে ডেটা লাগবে।
❓ ডেটা যদি ভুল বা নোংরা হয়?
মডেল ভুল শিখে ভুল ফলাফল দেবে।
❓ ডিপ্লয়মেন্টের পর মডেল খারাপ পারফর্ম করলে?
তখন বোঝার উপায় থাকতে হবে কেন খারাপ হলো।
এই প্রশ্নগুলোর উত্তরই বলে দেয় — কেন একটা ডেটা সায়েন্স প্রজেক্টে ধাপে ধাপে এগোনো জরুরি। কোনো ধাপ বাদ দিলে পুরো প্রজেক্টই ব্যর্থ হয়ে যেতে পারে।
Data Science Lifecycle কী?
একটা "Lifecycle" মানে হলো এমন একটা চক্র বা ধারাবাহিক প্রক্রিয়া, যার শুরু ও শেষ আছে, এবং যা বার বার পুনরাবৃত্তি হয়। যেমন, একটা গাছের জীবনচক্র — বীজ থেকে চারা, চারা থেকে বড় গাছ, তারপর আবার নতুন বীজ। ডেটা সায়েন্সেও একটা নির্দিষ্ট ধারাবাহিক প্রক্রিয়া আছে, যাকে বলে Data Science Lifecycle।
সংজ্ঞা: Data Science Lifecycle হলো একটা কাঠামোবদ্ধ ধাপে ধাপে প্রক্রিয়া, যা একটা বিজনেস সমস্যা থেকে শুরু করে একটা কার্যকর, পর্যবেক্ষিত ও ক্রমাগত উন্নত হতে থাকা সমাধানে পৌঁছানো পর্যন্ত পুরো যাত্রাটা বর্ণনা করে।
লক্ষ্য করো, শেষ ধাপ "Continuous Improvement" আবার শুরুর দিকে ফিরে যেতে পারে — কারণ ব্যবসার পরিস্থিতি বদলায়, তাই মডেলও নিয়মিত হালনাগাদ করতে হয়। এজন্যই একে "চক্র" বা Lifecycle বলা হয়, সরলরেখা নয়।
প্রতিটা ধাপ বিস্তারিত
১. Business Problem Understanding ১
সংজ্ঞা ও উদ্দেশ্য: কাজ শুরুর আগে বুঝতে হবে আসলে কোন সমস্যার সমাধান করতে হবে।
"আমাদের কাস্টমার churn কমাতে হবে" — এটাকে স্পষ্ট করে বলা "কোন কাস্টমার আগামী ৩০ দিনে churn করতে পারে তা আগেভাগে জানা"।
শুরুর ভুল: সরাসরি ডেটা বা অ্যালগরিদমে ঝাঁপিয়ে পড়া, প্রশ্নটা স্পষ্ট না করেই। Best Practice: সমস্যাকে একটা পরিমাপযোগ্য (measurable) প্রশ্নে রূপান্তর করা।
২. Data Collection ২
সংজ্ঞা ও উদ্দেশ্য: সমস্যা সমাধানে প্রয়োজনীয় ডেটা বিভিন্ন উৎস থেকে জোগাড় করা।
কাস্টমারের কেনাকাটার ইতিহাস, লগইন রেকর্ড, কাস্টমার সার্ভিস কল লগ সংগ্রহ করা।
শুরুর ভুল: অপ্রাসঙ্গিক ডেটা জোগাড় করা বা গুরুত্বপূর্ণ উৎস বাদ পড়া। Best Practice: শুরুতেই ঠিক করা কোন ডেটা আসলেই সমস্যার সাথে সম্পর্কিত।
৩. Data Understanding ৩
সংজ্ঞা ও উদ্দেশ্য: ডেটার কলামগুলো কী বোঝায়, কী ধরনের মান আছে, ডেটার আকার কেমন তা প্রাথমিকভাবে জানা।
"বয়স" কলামে কি ঋণাত্মক মান আছে? "আয়" কলামে কতগুলো ফাঁকা ঘর আছে? — এসব প্রাথমিকভাবে দেখা।
শুরুর ভুল: এই ধাপ স্কিপ করে সরাসরি ক্লিনিং বা মডেলিং-এ চলে যাওয়া।
৪. Data Cleaning ৪
সংজ্ঞা ও উদ্দেশ্য: ডেটাতে থাকা ভুল, ফাঁকা ঘর, ডুপ্লিকেট এন্ট্রি ঠিক করা।
ফোন নম্বর ফাঁকা থাকলে বাদ দেওয়া বা যুক্তিসঙ্গত মান বসানো, ডুপ্লিকেট এন্ট্রি মুছে ফেলা।
শুরুর ভুল: "Garbage In, Garbage Out" — নোংরা ডেটা দিয়ে বানানো মডেল সবসময় ভুল ফলাফল দেবে।
৫. Exploratory Data Analysis (EDA) ৫
সংজ্ঞা ও উদ্দেশ্য: গ্রাফ ও চার্টের মাধ্যমে ডেটার ভেতরের প্যাটার্ন ও অস্বাভাবিকতা খুঁজে বের করা।
দেখা গেলো, যেসব কাস্টমার মাসে ১ বারের কম লগইন করে, তারাই বেশি churn করে।
শুরুর ভুল: EDA স্কিপ করে সরাসরি মডেল বানানো, ফলে ডেটার লুকানো সমস্যা অজানা থেকে যায়।
৬. Feature Engineering ৬
সংজ্ঞা ও উদ্দেশ্য: কাঁচা ডেটা থেকে মডেলের জন্য উপযোগী নতুন তথ্য তৈরি করা।
"শেষ লগইনের পর কত দিন হয়েছে" — এটা একটা নতুন উপযোগী ফিচার।
শুরুর ভুল: দুর্বল ফিচার নির্বাচন করা, যা মডেলকে বিভ্রান্ত করে।
৭. Data Splitting ৭
সংজ্ঞা ও উদ্দেশ্য: ডেটাকে Training ও Testing অংশে ভাগ করা, যাতে মডেলকে নতুন, অদেখা ডেটাতে যাচাই করা যায়।
১০০ জন কাস্টমারের মধ্যে ৮০ জনের ডেটা দিয়ে মডেল শেখানো, বাকি ২০ জনের ডেটা দিয়ে যাচাই করা।
শুরুর ভুল: একই ডেটাতে ট্রেইন ও টেস্ট করা, যা ভুল আত্মবিশ্বাস তৈরি করে।
৮. Model Selection ৮
সংজ্ঞা ও উদ্দেশ্য: সমস্যার ধরন অনুযায়ী সঠিক অ্যালগরিদম বেছে নেওয়া।
সহজ সমস্যার জন্য Logistic Regression, জটিল প্যাটার্নের জন্য Neural Network বেছে নেওয়া।
শুরুর ভুল: সবসময় সবচেয়ে জটিল মডেল বেছে নেওয়া, যদিও সহজ মডেলই যথেষ্ট হতে পারতো।
৯. Model Training ৯
সংজ্ঞা ও উদ্দেশ্য: বাছাইকৃত অ্যালগরিদমকে Training ডেটা দেখিয়ে প্যাটার্ন শেখানো।
মডেলকে আগের ৮০ জন কাস্টমারের ডেটা দেখিয়ে churn প্যাটার্ন শেখানো।
মডেলের কিছু "সেটিংস" থাকে, যা প্রশিক্ষণের আগে ঠিক করে দিতে হয় (যেমন একজন রাঁধুনি রান্নার আগে চুলার আঁচ ঠিক করে নেয়)। এই সেটিংসগুলোকে বলে Hyperparameter, আর সঠিক মান খুঁজে বের করার প্রক্রিয়াকে বলে Hyperparameter Tuning। এটা মডেলের পারফরম্যান্স আরও ভালো করতে সাহায্য করে।
১০. Model Evaluation ১০
সংজ্ঞা ও উদ্দেশ্য: মডেল Test ডেটাতে কতটা নির্ভুল কাজ করছে তা যাচাই করা।
মডেলটা ২০ জন কাস্টমারের মধ্যে ১৭ জনের churn সঠিকভাবে ধরতে পেরেছে (৮৫% নির্ভুলতা)।
শুরুর ভুল: শুধু একটা মেট্রিক (যেমন Accuracy) দেখে সন্তুষ্ট হওয়া, যা সবসময় পুরো ছবি দেখায় না।
১১. Model Deployment ১১
সংজ্ঞা ও উদ্দেশ্য: মডেলকে বাস্তব অ্যাপ বা সিস্টেমে যুক্ত করা, যাতে প্রতিদিন সত্যিকারের সিদ্ধান্তে ব্যবহার হয়।
churn-prediction মডেলটা কাস্টমার সার্ভিস টিমের ড্যাশবোর্ডে যুক্ত হলো।
শুরুর ভুল: যথেষ্ট যাচাই না করেই মডেল সরাসরি বাস্তবে ছেড়ে দেওয়া।
১২. Monitoring ১২
সংজ্ঞা ও উদ্দেশ্য: মডেল বাস্তবে কেমন পারফর্ম করছে তা নিয়মিত পর্যবেক্ষণ করা।
৩ মাস পর দেখা গেলো মডেলের নির্ভুলতা কমে গেছে, কারণ কাস্টমারের আচরণ বদলে গেছে।
শুরুর ভুল: মডেল ডিপ্লয় করার পর "কাজ শেষ" ভেবে ভুলে যাওয়া।
১৩. Model Updating / Retraining ১৩
সংজ্ঞা ও উদ্দেশ্য: নতুন ডেটা দিয়ে মডেলকে আবার প্রশিক্ষণ দিয়ে হালনাগাদ করা।
নতুন ৩ মাসের ডেটা যোগ করে churn-prediction মডেলকে আবার প্রশিক্ষণ দেওয়া হলো।
শুরুর ভুল: মনে করা মডেল একবার বানালেই কাজ শেষ — বাস্তবে এটা একটা চলমান প্রক্রিয়া।
সম্পূর্ণ বিজনেস কেস স্টাডি: ব্যাংক লোন ডিফল্ট প্রেডিকশন
একটা ব্যাংক জানতে চায় — কোন কাস্টমার ঋণ পরিশোধ করতে ব্যর্থ হতে পারে (default), যাতে তারা আগেভাগেই সতর্ক হতে পারে।
ডিফল্ট ঝুঁকি আগেভাগে জানা
আয়, ঋণের ইতিহাস, চাকরির স্থিতিশীলতা
ফাঁকা আয়ের ঘর ঠিক করা
দেখা গেলো কম আয় ও ঘন ঘন চাকরি বদলে ডিফল্টের ঝুঁকি বেশি
"আয়-ঋণ অনুপাত" নামে নতুন ফিচার তৈরি
আগের কাস্টমারদের ডেটা দিয়ে মডেল শেখানো
৮৭% নির্ভুলতায় ডিফল্ট শনাক্ত
লোন অফিসারের ড্যাশবোর্ডে যুক্ত
নতুন আবেদনকারীর ঝুঁকি স্কোর দেখানো
নিয়মিত নির্ভুলতা পরীক্ষা ও হালনাগাদ
প্রতিটা ধাপে সিদ্ধান্ত নেওয়া হয়েছে সতর্কভাবে — কোনো ধাপ বাদ দিলে ব্যাংক ভুল ঝুঁকি মূল্যায়ন করে বসতে পারতো, যা তাদের বড় আর্থিক ক্ষতির কারণ হতে পারতো।
Data Science Maturity Framework
একটা বাচ্চা প্রথমে হাঁটতে শেখে, তারপর সাইকেল চালাতে শেখে, তারপর গাড়ি চালাতে শেখে, এবং একসময় একজন পেশাদার ড্রাইভার হয়ে ওঠে। প্রতিটা ধাপে তার দক্ষতা ও আত্মবিশ্বাস বাড়ে। ঠিক একইভাবে, একটা কোম্পানিও ডেটা ব্যবহারে ধীরে ধীরে "পরিণত" (mature) হয়ে ওঠে।
"Maturity" মানে কী? এখানে Maturity মানে হলো — একটা কোম্পানি ডেটা ব্যবহার করে সিদ্ধান্ত নেওয়ার ক্ষেত্রে কতটা উন্নত, সংগঠিত ও স্বয়ংক্রিয়।
| লেভেল | বৈশিষ্ট্য | উদাহরণ |
|---|---|---|
| ১. No Data Culture | অনুমান-ভিত্তিক সিদ্ধান্ত | দোকান মালিক নিজের অনুভূতি দিয়ে স্টক ঠিক করেন |
| ২. Reporting | অতীতের ডেটার রিপোর্ট | মাসিক বিক্রয় রিপোর্ট এক্সেলে তৈরি করা |
| ৩. Analytics | KPI ও ড্যাশবোর্ড দিয়ে চলমান পর্যবেক্ষণ | Power BI ড্যাশবোর্ডে লাইভ বিক্রয় ট্র্যাকিং |
| ৪. Predictive Analytics | ভবিষ্যদ্বাণীমূলক মডেল ব্যবহার | কোন কাস্টমার churn করবে তা আগে থেকে বলা |
| ৫. AI-Driven Organization | স্বয়ংক্রিয়, সদা-শিখতে থাকা সিস্টেম | Netflix-এর মতো রিয়েল-টাইম সাজেশন ইঞ্জিন |
ধরো "বাজারমেলা" শুরুতে (Level 1) শুধু মালিকের অনুমানে চলতো। এক বছর পর তারা এক্সেল রিপোর্ট বানাতে শুরু করলো (Level 2)। এরপর তারা একটা ড্যাশবোর্ড বসালো যা প্রতিদিনের বিক্রয় দেখায় (Level 3)। তারপর তারা একটা churn-prediction মডেল বানালো (Level 4)। এবং সবশেষে, তারা একটা সম্পূর্ণ স্বয়ংক্রিয় সাজেশন সিস্টেম চালু করলো, যা প্রতিদিন নিজে থেকেই নতুন প্যাটার্ন শিখতে থাকে (Level 5)। প্রতিটা ধাপে তাদের সিদ্ধান্ত নেওয়ার ক্ষমতা ও ব্যবসায়িক প্রভাব বেড়েছে।
লাইফসাইকেল জুড়ে বিভিন্ন ভূমিকা
| ভূমিকা | কোন ধাপে কাজ করে | প্রধান দায়িত্ব |
|---|---|---|
| Business Analyst | Business Problem Understanding | বিজনেস সমস্যা স্পষ্ট করা |
| Data Engineer | Data Collection, Cleaning | ডেটা পাইপলাইন তৈরি ও সরবরাহ নিশ্চিত করা |
| Data Analyst | Data Understanding, EDA | রিপোর্ট ও প্রাথমিক ইনসাইট তৈরি করা |
| Data Scientist | Feature Engineering, Model Selection, Training, Evaluation | মডেল বানিয়ে ভবিষ্যদ্বাণী তৈরি করা |
| Machine Learning Engineer | Model Training, Deployment | মডেলকে স্কেলেবল ও প্রোডাকশন-রেডি করা |
| MLOps Engineer | Deployment, Monitoring, Retraining | মডেল চলমান রাখা ও স্বয়ংক্রিয়ভাবে হালনাগাদ করা |
| AI Engineer | সম্পূর্ণ AI সিস্টেম ডিজাইন | একাধিক মডেল ও সিস্টেম একত্রে ইন্টিগ্রেট করা |
Google Colab ডেমো
এটা সম্পূর্ণ লাইফসাইকেলের একটা ছোট্ট প্রদর্শনী মাত্র — বাস্তবে প্রতিটা ধাপ আরও অনেক বড় ও বিস্তারিত হয়।
ধাপ ১: ডেটাসেট লোড করা
কোডব্যাখ্যা: লক্ষ্য করো, দ্বিতীয় সারিতে (index 2) আয়ের মান ফাঁকা (NaN) — এটাই বাস্তব ডেটায় সাধারণ একটা সমস্যা।
ধাপ ২: ডেটা ক্লিনিং
কোডব্যাখ্যা: .fillna(mean()) ফাঁকা ঘরে সবার গড় আয় বসিয়ে দিলো, যাতে ডেটাতে কোনো ফাঁকা না থাকে।
ধাপ ৩: বেসিক EDA
কোডব্যাখ্যা: দেখা যাচ্ছে যারা ডিফল্ট করেনি (০) তাদের গড় আয় বেশি, যারা ডিফল্ট করেছে (১) তাদের গড় আয় কম — এটা একটা গুরুত্বপূর্ণ ইনসাইট।
ধাপ ৪: সাধারণ ফিচার তৈরি
কোডব্যাখ্যা: নতুন ফিচার "আয়_ঋণ_অনুপাত" — যত বেশি এই অনুপাত, তত কম ঝুঁকি (আয়ের তুলনায় ঋণ কম)। এটা মডেলকে সিদ্ধান্ত নিতে সাহায্য করবে।
ধাপ ৫: সাধারণ মডেল ট্রেইন করা
কোডধাপ ৬: ফলাফল যাচাই
কোডব্যাখ্যা: ১.০ মানে ১০০% — কিন্তু এত অল্প ডেটাতে (মাত্র ৬ জন) এত ভালো ফলাফল আসল বিশ্বাসযোগ্যতা দেখায় না, এটা শুধু একটা ছোট ডেমো মাত্র।
- Missing Value পূরণ করার আগে বোঝা জরুরি কেন সেটা ফাঁকা ছিলো — সবসময় গড় বসানো সঠিক সমাধান না হতে পারে
- একই ডেটায় ট্রেইন ও টেস্ট করে "নির্ভুলতা ১০০%" দেখে অতিরিক্ত আত্মবিশ্বাসী হওয়া — বাস্তবে আলাদা Test ডেটা দরকার
- মাত্র কয়েকটা ডেটাপয়েন্ট দিয়ে বাস্তব সিদ্ধান্ত নেওয়া — বাস্তবে হাজার হাজার রেকর্ড প্রয়োজন
সাধারণ শুরুর ভুল
✅ সমাধান: সবসময় প্রথমে স্পষ্ট করে বিজনেস প্রশ্নটা লিখে ফেলো, তারপর ডেটা ও অ্যালগরিদমে যাও।
✅ সমাধান: ডেটা কোথা থেকে এসেছে, কতটা নির্ভরযোগ্য তা যাচাই করো প্রথমেই।
✅ সমাধান: মডেলিং-এ যাওয়ার আগে সবসময় গ্রাফ দিয়ে ডেটা দেখে নাও।
✅ সমাধান: সময় নিয়ে ভাবো কোন নতুন তথ্য মডেলকে সাহায্য করতে পারে।
✅ সমাধান: সবসময় আলাদা Test ডেটায় মডেল যাচাই করো।
✅ সমাধান: ডিপ্লয়মেন্টের আগে একাধিক মেট্রিক দিয়ে মডেল যাচাই করো।
✅ সমাধান: নিয়মিত পারফরম্যান্স পর্যবেক্ষণ করো এবং প্রয়োজনে রি-ট্রেইন করো।
ইন্ডাস্ট্রি বেস্ট প্র্যাকটিস
Google, Amazon, Netflix, Uber, Microsoft, OpenAI-এর মতো কোম্পানিগুলো তাদের ডেটা সায়েন্স প্রজেক্ট পরিচালনা করার সময় কিছু গুরুত্বপূর্ণ অনুশীলন মেনে চলে।
📂 Version Control
কোড ও ডেটার প্রতিটা পরিবর্তনের রেকর্ড রাখা, যাতে যেকোনো সময় আগের অবস্থায় ফেরত যাওয়া যায়
🧪 Experiment Tracking
কোন মডেল কোন সেটিংসে কেমন ফলাফল দিয়েছে, তার সব রেকর্ড রাখা
📝 Documentation
প্রতিটা সিদ্ধান্ত ও প্রক্রিয়া লিখে রাখা, যাতে অন্য কেউ পরে বুঝতে পারে
🤝 Team Collaboration
Data Engineer, Data Scientist, ML Engineer একসাথে সমন্বয় করে কাজ করা
📡 Continuous Monitoring
মডেল সবসময় পর্যবেক্ষণে রাখা, যাতে সমস্যা দ্রুত ধরা পড়ে
🔁 Continuous Improvement
নিয়মিত নতুন ডেটা দিয়ে মডেল উন্নত করতে থাকা
এই অনুশীলনগুলো একসাথে মিলিয়ে তৈরি হয় আধুনিক MLOps (Machine Learning Operations) সংস্কৃতি — যা নিশ্চিত করে ডেটা সায়েন্স প্রজেক্টগুলো শুধু একবারের জন্য নয়, দীর্ঘমেয়াদে নির্ভরযোগ্যভাবে কাজ করে।
জনপ্রিয় Lifecycle Framework-গুলোর তুলনা
| Framework | মূল বৈশিষ্ট্য | শক্তি | দুর্বলতা | কখন ব্যবহার করা ভালো |
|---|---|---|---|---|
| CRISP-DM | Business Understanding → Data Understanding → Preparation → Modeling → Evaluation → Deployment | বহুল ব্যবহৃত, বিজনেস-কেন্দ্রিক, সহজবোধ্য | আধুনিক MLOps/ডিপ্লয়মেন্ট বিস্তারিতভাবে কভার করে না | ক্লাসিক বিজনেস ডেটা সায়েন্স প্রজেক্টে |
| OSEMN | Obtain → Scrub → Explore → Model → iNterpret | টেকনিক্যাল ধাপে সহজ ও মনে রাখার মতো | বিজনেস প্রেক্ষাপট কম গুরুত্ব পায় | ছোট, প্রযুক্তি-কেন্দ্রিক প্রজেক্টে |
| TDSP (Microsoft) | Business Understanding → Data Acquisition → Modeling → Deployment → Customer Acceptance | টিম-ওয়ার্ক ও প্রজেক্ট ম্যানেজমেন্টে শক্তিশালী | ছোট টিম বা একক ব্যক্তির প্রজেক্টে কিছুটা ভারী মনে হতে পারে | বড় এন্টারপ্রাইজ টিমে |
| Modern MLOps Lifecycle | Data → Model → CI/CD → Deployment → Monitoring → Retraining (স্বয়ংক্রিয় চক্র) | স্বয়ংক্রিয়তা ও দীর্ঘমেয়াদী নির্ভরযোগ্যতায় সেরা | শুরুতে সেটআপ করা জটিল ও ব্যয়বহুল হতে পারে | প্রোডাকশন-স্কেল AI সিস্টেমে |
আগে সফটওয়্যার ডেভেলপমেন্ট মূলত নির্দিষ্ট নিয়ম-ভিত্তিক কোড লেখা নিয়ে ছিলো। যখন ডেটা ও ML মডেল ব্যবসায় গুরুত্বপূর্ণ হয়ে উঠলো, তখন বোঝা গেলো শুধু কোড নয়, ডেটা ও মডেলও নিয়মিত পরিবর্তন হয় ও আপডেট প্রয়োজন হয়। এই উপলব্ধি থেকেই সনাতন সফটওয়্যার ডেভেলপমেন্ট (DevOps) থেকে ধীরে ধীরে বিবর্তিত হয়ে জন্ম নেয় আধুনিক MLOps — যেখানে কোড, ডেটা ও মডেল তিনটাই একসাথে পরিচালিত হয়।
রিভিশন ও প্রশ্নোত্তর
📌 দ্রুত রিভিশন নোট
- Data Science Lifecycle: Business Problem → Data Collection → Understanding → Cleaning → EDA → Feature Engineering → Model Selection → Training → Evaluation → Deployment → Monitoring → Improvement
- এটা একটা সরলরেখা নয়, একটা চক্র — Monitoring থেকে আবার Retraining-এ ফিরে আসে
- Maturity Levels: No Data Culture → Reporting → Analytics → Predictive Analytics → AI-Driven Organization
- Framework তুলনা: CRISP-DM (বিজনেস-কেন্দ্রিক), OSEMN (টেকনিক্যাল), TDSP (টিম-কেন্দ্রিক), MLOps (স্বয়ংক্রিয়)
🖼️ সম্পূর্ণ ভিজ্যুয়াল লাইফসাইকেল পোস্টার
এই পোস্টারটা ক্লাসরুমে প্রিন্ট করে দেয়ালে লাগিয়ে রাখতে পারো — পুরো কোর্স জুড়ে এটাই তোমাদের রেফারেন্স ম্যাপ।
❓ ভাইভা প্রশ্ন
💼 ইন্টারভিউ প্রস্তুতি — টপ ৩০টি বিগিনার লেভেল প্রশ্ন
✅ MCQ প্র্যাকটিস
(ক) Model Training (খ) Business Problem Understanding (গ) Deployment (ঘ) Monitoring
(ক) Level 2 (খ) Level 3 (গ) Level 4 (ঘ) Level 1
(ক) শুধু কোডিং (খ) বিজনেস বোঝা (গ) শুধু ডেটা ক্লিনিং (ঘ) শুধু ডিপ্লয়মেন্ট
(ক) Business Understanding (খ) Data Collection (গ) Deployment ও Monitoring (ঘ) EDA
(ক) Data Collection (খ) Retraining (গ) EDA (ঘ) Feature Engineering
🎯 ক্লাসরুম অ্যাক্টিভিটি সংকলন
📝 হোমওয়ার্ক অ্যাসাইনমেন্ট
- Data Science Lifecycle-এর ১৩টা ধাপ মুখস্থ করে একটা ফ্লোচার্ট নিজ হাতে এঁকে আনো।
- তোমার পরিচিত একটা ব্যবসা বেছে নাও এবং লিখো তারা বর্তমানে কোন Maturity Level-এ আছে বলে তুমি মনে করো, এবং কেন।
- CRISP-DM, OSEMN, TDSP ও Modern MLOps Lifecycle-এর মধ্যে যেকোনো দুইটার তুলনা করে ৫টা বাক্যে লেখো কোনটা কখন ব্যবহার করা উচিত।