Neural Network আসলে কীভাবে কাজ করে?

"Neural Network মস্তিষ্কের মতো কাজ করে" — এই কথা সবাই বলে। কিন্তু আসলে কী হয় ভেতরে? কীভাবে raw data থেকে এটা শেখে?

আজ আমরা একটা neural network-এর ভেতরে যাব — math-এর ভয় ছাড়াই।

একটা সহজ Analogy

ধরুন আপনি বিভিন্ন ফল চিনতে শিখছেন। আপনার বন্ধু আপনাকে দেখাচ্ছে:

• লাল, গোল → আপেল
• হলুদ, লম্বা → কলা
• কমলা, গোল → কমলা

কয়েকবার দেখার পর আপনি pattern শিখে গেলেন। এখন নতুন কোনো ফল দেখালে আপনি বলতে পারবেন।

Neural Network ঠিক এভাবেই শেখে — পার্থক্য শুধু এটা পাথুরে বুদ্ধি না, math দিয়ে কাজ করে।

একটা Neuron (Node) কী?

একটা artificial neuron হলো একটা simple function:

Input → [Calculate] → Output

ধরুন আমি একটা neuron বানাচ্ছি যে বলবে আজ ছাতা নিতে হবে কিনা।

Inputs:

• আকাশ কতটা মেঘলা (0-10 scale)
• বাতাসের আর্দ্রতা (%)
• গত সপ্তাহে কয়দিন বৃষ্টি হয়েছে

প্রতিটা input-এর একটা weight আছে — কোনটা কতটা important:

• মেঘলা → weight 0.7 (very important)
• আর্দ্রতা → weight 0.3 (somewhat)
• গত সপ্তাহ → weight 0.1 (less)

Neuron হিসাব করে:

Score = (মেঘলা × 0.7) + (আর্দ্রতা × 0.3) + (গত সপ্তাহ × 0.1)

যদি Score > কোনো threshold, তাহলে output: "ছাতা নাও" (১) নাহলে: "ছাতা লাগবে না" (০)

এটাই একটা artificial neuron-এর basic kaj।

Network = অনেক Neurons একসাথে

একটা neuron simple কাজ করতে পারে। কিন্তু complex problems-এ আমাদের অনেক neurons একসাথে দরকার।

এদের সাজানো হয় layers-এ:

Input Layer → Hidden Layer(s) → Output Layer

Example: ছবিতে কুকুর/বিড়াল চেনা

• Input layer: ছবির প্রতিটা pixel
• Hidden layer 1: Edges detect করে
• Hidden layer 2: Shapes detect করে
• Hidden layer 3: Parts (কান, চোখ) detect করে
• Output layer: Probability — কুকুর (০.৮৭) বা বিড়াল (০.১৩)

প্রতিটা layer আগের layer থেকে complex features extract করে।

শেখাটা আসলে কী?

"Learning" মানে — সেই weights-গুলো ঠিক করা।

প্রথমে weights random থাকে। তারপর:

Forward Pass

Training data দিয়ে network output predict করে।

ধরুন একটা কুকুরের ছবি দেওয়া হলো। Network বলল: "৭০% বিড়াল, ৩০% কুকুর।"

Wrong answer!

Loss Calculation

কতটা ভুল হলো সেটা calculate হয়। এটাকে বলে loss (cost বা error)।

Loss = (Predicted - Actual)²

Higher loss = More wrong।

Backpropagation

Network "পেছনে যায়" এবং প্রতিটা weight কতটা বদলালে loss কমবে সেটা বের করে।

This is calculus-এর magic — but you don't need to know calculus to use it।

Update

প্রতিটা weight সামান্য update হয়:

new_weight = old_weight - (learning_rate × gradient)

Learning rate = step size। ছোট হলে slow but stable, বড় হলে fast but unstable।

Repeat Millions of Times

এই process হাজার-হাজার এমনকি কোটি বার repeat হয়। প্রতিবার weights একটু ভালো হয়।

শেষ পর্যন্ত network এমন weights-এ পৌঁছায় যেখানে predictions accurate।

এটাই training।

Activation Functions

প্রতিটা neuron-এর কাজ শেষ-এ একটা activation function apply হয়। কেন?

Non-linearity introduce করতে।

Without activation functions, পুরো network একটা linear equation-এর মতো হয়ে যেত — complex patterns শিখতে পারত না।

Common activation functions:

• ReLU: যদি negative → ০, যদি positive → as is. (Most popular)
• Sigmoid: 0 থেকে 1-এর মধ্যে squash করে
• Tanh: -1 থেকে 1
• Softmax: Multiple classes-এর probabilities

কেন Deep Learning?

"Deep" মানে অনেক hidden layers (১০-১০০+)।

Shallow network (১-২ hidden layers): Simple patterns Deep network (১০+ layers): Complex hierarchical patterns

কেন আগে deep network কাজ করত না?

• Data কম ছিল — এখন internet-এ infinite data
• Compute কম ছিল — এখন GPU আছে
• Algorithms ছিল না — এখন Adam optimizer, batch normalization

Different Types of Neural Networks

বিভিন্ন problems-এর জন্য বিভিন্ন architectures:

Feedforward Neural Network (FNN)

Simple, tabular data-র জন্য।

Convolutional Neural Network (CNN)

ছবি, video-র জন্য। Filters use করে spatial patterns ধরে।

Recurrent Neural Network (RNN)

Sequence data (text, time series)। কিন্তু এখন outdated।

Transformer

আজকের state-of-the-art। ChatGPT, Claude — সব Transformer।

Graph Neural Network (GNN)

Networks, social media analysis-এ।

একটা ছোট Mental Model

Neural network আসলে কী?

এটা একটা universal function approximator — যেকোনো pattern শিখতে পারে যদি যথেষ্ট data এবং compute থাকে।

আপনি input দিচ্ছেন, output চাইছেন। Neural network খুঁজে বের করছে input থেকে output-এ যাওয়ার "function"।

Limitations

Neural networks magic না — limitations আছে:

১. Data-hungry: Lots of data needed ২. Black box: কেন decision নিল ব্যাখ্যা করা কঠিন ৩. Brittle: Slightly different input-এ unexpected behavior ৪. Biased: Training data-র bias inherit করে ৫. Compute-heavy: Energy + cost issues

পরের ধাপ

এই foundation এখন আপনার আছে। পরের আর্টিকেলে আমরা যাব "Transformer Architecture — ChatGPT-র ভেতরে কী আছে" নিয়ে।

Practice করতে চান? Google Colab-এ যান, PyTorch দিয়ে একটা simple neural network বানান। ১০০ লাইন code-এ হবে।

—রেজোয়ান