উদাহরণ সহ আরম্ভকারীদের জন্য মেশিন লার্নিং

আর দিয়ে মেশিন লার্নিং

মেশিন লার্নিং বর্তমান এবং ভবিষ্যত! নেটফ্লিক্সের সুপারিশ ইঞ্জিন থেকে গুগলের স্ব-ড্রাইভিং কার পর্যন্ত, এটি সমস্ত মেশিন লার্নিং। আর-এর সাথে মেশিন লার্নিংয়ের এই ব্লগটি আপনাকে মেশিন লার্নিংয়ের মূল ধারণাগুলি বোঝার জন্য অনুসরণ করে যা বিভিন্ন মেশিন লার্নিং অ্যালগরিদমগুলি অনুসরণ করে এবং আর মেশিন লার্নিং অ্যালগরিদমগুলি আর এর সাথে প্রয়োগ করে helps

'আর দিয়ে মেশিন লার্নিং' এ এই ব্লগটিতে এই বিভাগগুলি রয়েছে:

• মেশিন লার্নিং বোঝা
• মেশিন লার্নিং অ্যালগরিদমের ধরণ
• আর এর সাথে মেশিন লার্নিং অ্যালগরিদম বাস্তবায়ন করা হচ্ছে

আর দিয়ে মেশিন লার্নিং | এডুরেকা

মেশিন লার্নিং বোঝা

আপনি কীভাবে জানেন যে এই সমস্তগুলিই মাছ?

ছোটবেলায়, আপনি কোনও মাছের ছবি দেখতে পেলেন এবং আপনার কিন্ডারগার্টেনের শিক্ষক বা পিতা-মাতা আপনাকে বলতেন যে এটি একটি মাছ এবং এটির সাথে কিছু বিশেষ বৈশিষ্ট্য রয়েছে যেমন এটিতে পাখনা, গিলস, একটি জোড়া রয়েছে চোখ, একটি লেজ এবং তাই। এখন, যখনই আপনার মস্তিষ্ক those বৈশিষ্ট্যযুক্ত সেটগুলি সহ কোনও চিত্র জুড়ে আসে, এটি স্বয়ংক্রিয়ভাবে এটিকে একটি মাছ হিসাবে নিবন্ধ করে কারণ আপনার মস্তিষ্ক রয়েছে has শিখেছি যে এটি একটি মাছ।

আমাদের মস্তিষ্ক এভাবেই কাজ করে তবে একটি মেশিনের কী হয়? একই চিত্রটি যদি কোনও মেশিনকে খাওয়ানো হয়, তবে যন্ত্রটি কীভাবে এটি মাছ হিসাবে চিহ্নিত করবে?

এখানেই এম অচিন লার্নিং আসবে We আমরা কম্পিউটারে একটি মাছের চিত্রগুলি 'মাছ' ট্যাগযুক্ত কম্পিউটারে খাওয়াতে থাকব মেশিন সম্পর্কিত সমস্ত বৈশিষ্ট্য শিখেছে সঙ্গে একটি মাছ।

একবার মেশিন কোনও মাছের সাথে সম্পর্কিত সমস্ত বৈশিষ্ট্যগুলি শিখলে, আমরা এটি কতটা শিখেছে তা নির্ধারণের জন্য এটি নতুন ডেটা ফিড করব।

অন্য কথায়, কাঁচা তথ্য / প্রশিক্ষণের ডেটা মেশিনে দেওয়া হয়, যাতে এটি শিখেছে এর সাথে সম্পর্কিত সমস্ত বৈশিষ্ট্য প্রশিক্ষণ ডেটা। একবার, শেখার কাজ শেষ হয়ে গেলে এটি দেওয়া হয় নতুন ডেটা / পরীক্ষার ডেটা যন্ত্রটি কতটা শিখেছে তা নির্ধারণ করতে।

আসুন আর ব্লগের সাহায্যে এই মেশিন লার্নিংয়ে এগিয়ে যাই এবং মেশিন লার্নিংয়ের ধরণগুলি সম্পর্কে বুঝতে পারি।

মেশিন লার্নিং এর প্রকার

• তত্ত্বাবধানে পড়াশোনা:

তত্ত্বাবধানে শেখার অ্যালগরিদম একটি পরিচিত ডেটা সেট (প্রশিক্ষণ ডেটা) থেকে শিখেছে যার পূর্বাভাস দেওয়ার জন্য লেবেল রয়েছে।

রিগ্রেশন এবং শ্রেণিবিন্যাস তত্ত্বাবধানে শিক্ষার কয়েকটি উদাহরণ।

শ্রেণিবিন্যাস:

শ্রেণিবিন্যাস নির্ধারণ করে যে কোন শ্রেণীর কোন সেটটি একটি নতুন পর্যবেক্ষণের অন্তর্ভুক্ত করে যেমন একটি শ্রেণিবদ্ধকরণ অ্যালগরিদম প্রশিক্ষণের ডেটাগুলির সমস্ত বৈশিষ্ট্য এবং লেবেল শিখে এবং যখন নতুন ডেটা এটি দেওয়া হয়, তখন এটি কী শিখেছে তার উপর নির্ভর করে নতুন পর্যবেক্ষণগুলিতে লেবেল নির্ধারণ করতে হবে প্রশিক্ষণ তথ্য থেকে।

এই উদাহরণস্বরূপ, যদি প্রথম পর্যবেক্ষণটিকে 'ম্যান' লেবেল দেওয়া হয় তবে এটি যথাযথভাবে শ্রেণিবদ্ধ করা হয় তবে যদি এটি 'মহিলা' লেবেল দেওয়া হয় তবে শ্রেণিবিন্যাসটি ভুল। একইভাবে দ্বিতীয় পর্যবেক্ষণের জন্য, প্রদত্ত লেবেলটি যদি 'মহিলা' হয় তবে এটি যথাযথভাবে শ্রেণিবদ্ধ করা হয়েছে, অন্যথায় শ্রেণিবিন্যাসটি ভুল।

# রিগ্রেশন:

রিগ্রেশন একটি তত্ত্বাবধানে শেখার অ্যালগরিদম যা একটি ভেরিয়েবল কীভাবে অন্য পরিবর্তনশীলকে প্রভাবিত করে তা নির্ধারণে সহায়তা করে।

এখানে, 'লিভিং_আরিয়া' হ'ল স্বতন্ত্র পরিবর্তনশীল এবং 'দাম' নির্ভরশীল পরিবর্তনশীল অর্থাত্ 'লিভিং_আরিয়া' এর সাথে 'দাম' কীভাবে পরিবর্তিত হয় তা আমরা নির্ধারণ করছি।

• নিরীক্ষণযোগ্য শিক্ষা:

নিরীক্ষণযোগ্য শেখার অ্যালগরিদম ডেটা থেকে সূত্রগুলি আঁকায় যার লেবেল নেই।

ক্লাস্টারিং নিরীক্ষণযোগ্য শেখার উদাহরণ। “কে-মানে”, “হাইয়ার্কিকাল”, “ফাজি সি-মিনস” ক্লাস্টারিং অ্যালগরিদমের কয়েকটি উদাহরণ।

এই উদাহরণে, পর্যবেক্ষণের সেটটি দুটি ক্লাস্টারে বিভক্ত। ক্লাস্টারিং পর্যবেক্ষণগুলির মধ্যে মিলের ভিত্তিতে করা হয়। এখানে একটি উচ্চ-ক্লাস্টারের মিল রয়েছে এবং কম আন্ত-ক্লাস্টারের মিল রয়েছে। অর্থাৎ সমস্ত বাসের মধ্যে খুব উচ্চ মিল রয়েছে তবে বাস ও গাড়িগুলির মধ্যে কম মিল।

• শক্তিবৃদ্ধি শিক্ষা:

রিইনফোর্সমেন্ট লার্নিং হল এক ধরণের মেশিন লার্নিং অ্যালগরিদম যেখানে যন্ত্র / এজেন্ট একটি মধ্যে পরিবেশ এর কার্যকারিতা সর্বাধিকতর করতে আদর্শ আচরণ শিখেছে। এজেন্টের আচরণ জানতে শেখার জন্য সহজ পুরষ্কারের প্রতিক্রিয়া প্রয়োজন, এটি হিসাবে পরিচিত শক্তিবৃদ্ধি সংকেত ।

আসুন নেওয়া যাক প্যাকম্যান উদাহরণ স্বরূপ. যতক্ষণ প্যাকম্যান খাবার খেতে থাকে, ততক্ষণ পয়েন্ট অর্জন করে তবে যখন এটি কোনও দৈত্যের বিরুদ্ধে ক্র্যাশ হয়ে যায় তখন তার প্রাণ হারায়। সুতরাং প্যাকম্যান শিখেছে যে এর আরও বেশি খাবার খাওয়া এবং দানবগুলি এড়ানো দরকারযাতে এটির কার্যকারিতা উন্নত হয়।

আর দিয়ে মেশিন লার্নিং বাস্তবায়ন করছে:

লিনিয়ার রিগ্রেশন:

লিনিয়ার রিগ্রেশন অ্যালগরিদম বাস্তবায়নের জন্য আমরা হীরা ডেটা-সেট নিয়ে কাজ করব:

ডেটা-সেটের বর্ণনা:

ডেটাতে কোনও মডেল তৈরি করার আগে আমাদের ডেটাগুলিকে 'ট্রেন' এবং 'পরীক্ষা' সেটগুলিতে বিভক্ত করার কথা। মডেলটি 'ট্রেন' সেটটিতে নির্মিত হবে এবং এটির যথার্থতাটি 'পরীক্ষার' সেটটিতে পরীক্ষা করা হবে।

ডেটাটিকে দুটি সেটে বিভক্ত করতে আমাদের 'caTools' প্যাকেজটি লোড করতে হবে।

গ্রন্থাগার (caTools)

'ক্যাটুলস' প্যাকেজটি 'স্যাম্পেল.স্প্লিট ()' একটি ফাংশন সরবরাহ করে যা ডেটা বিভক্ত করতে সহায়তা করে।

নমুনা.স্প্লিট (হীরা $ দাম, স্প্লিটরাটিও = 0.65) -> বিভক্ত_আইডেক্স

মূল্য কলাম থেকে 65৫% পর্যবেক্ষণকে 'সত্য' লেবেল এবং বাকী ৩৫ %কে 'ভুয়া' লেবেল অর্পণ করা হয়েছে।

উপসেট (হীরা, split_index == টি) -> ট্রেন সাবসেট (হীরা, split_index == F) -> পরীক্ষা

'সত্য' লেবেলযুক্ত সমস্ত পর্যবেক্ষণগুলি ' ট্রেন 'অবজেক্ট এবং 'মিথ্যা' লেবেলযুক্ত সেই পর্যবেক্ষণগুলি 'পরীক্ষা' সেটকে অর্পণ করা হয়েছে।

এখন বিভাজনটি শেষ হয়ে গেছে এবং আমাদের 'ট্রেন' এবং 'পরীক্ষা' সেট রয়েছে, প্রশিক্ষণের সেটে লিনিয়ার রিগ্রেশন মডেলটি তৈরি করার সময় এসেছে।

আমরা 'ট্রেন' ডেটাতে লিনিয়ার রিগ্রেশন মডেল তৈরি করতে 'এলএম ()' ফাংশনটি ব্যবহার করব। আমরা নির্ধারণ করছি দাম ডেটা-সেট-এর অন্যান্য সমস্ত ভেরিয়েবলের সাথে সম্মানের সাথে হীরাটির। অন্তর্নির্মিত মডেলটি 'mod_regress' অবজেক্টে সংরক্ষণ করা হয়।

lm (দাম ~।, ডেটা = ট্রেন) -> mod_regress

এখন, আমরা মডেলটি তৈরি করেছি, আমাদের 'পরীক্ষা' সেটটিতে ভবিষ্যদ্বাণী করা দরকার। 'ভবিষ্যদ্বাণী ()' ফাংশনটি পূর্বাভাস পেতে ব্যবহৃত হয়। এটি দুটি আর্গুমেন্ট লাগে: নির্মিত মডেল এবং পরীক্ষা সেট। পূর্বাভাসের ফলাফলগুলি 'রেজাল্ট_রেগ্রেস' অবজেক্টে সঞ্চিত থাকে।

পূর্বাভাস (mod_regress, পরীক্ষা) -> ফলাফল_গ্রাহী

আসুন 'টেবিড' ডেটা সেট থেকে ভবিষ্যদ্বাণী করা মানগুলি 'সিবাইন্ড ()' ফাংশনটি ব্যবহার করে একক ডেটা-সেটে আসল মূল্য মানগুলি আবদ্ধ করি। নতুন ডেটা-ফ্রেমটি 'ফাইনাল_ডাটা' তে সংরক্ষিত আছে

সিবাইন্ড (প্রকৃত = পরীক্ষা $ মূল্য, পূর্বাভাস = ফলাফল_প্রেম) -> চূড়ান্ত_ডাটা 

as.data.frame (ফাইনাল_ডাটা) -> ফাইনাল_ডাটা D

'ফাইনাল_ডাটা' তে এক নজরে যা প্রকৃত মান এবং পূর্বাভাসিত মানগুলিকে নিয়ে গঠিত:

আসল মানগুলি থেকে পূর্বাভাসিত মানগুলি বিয়োগ করে ত্রুটিটি খুঁজে পাওয়া যাক এবং এই ত্রুটিটিকে 'চূড়ান্ত_ডাটা' তে একটি নতুন কলাম হিসাবে যুক্ত করুন:

(ফাইনাল_ডাটা $ প্রকৃত- ফাইনাল_ডাটা D পূর্বাভাস) -> ত্রুটি

সিবিন্ড (ফাইনাল_ডাটা, ত্রুটি) -> ফাইনাল_ডাটা

'ফাইনাল_ডাটা' তে এক নজরে যা পূর্বাভাসে ত্রুটিটিও অন্তর্ভুক্ত করে:

এখন, আমরা এগিয়ে যাব এবং গণনা করব ' রুট গড় স্কোয়ার ত্রুটি ” যা সমস্ত পূর্বাভাসের জন্য একটি সামগ্রিক ত্রুটি দেয়

rmse1<-sqrt(mean(Final_Data$error^2)) 

rmse1

এগিয়ে চলুন, আসুন আমরা আর একটি মডেল তৈরি করি, যাতে আমরা এই দুটি মডেলের যথার্থতার তুলনা করতে পারি এবং এটি নির্ধারণ করতে পারি যে এটি আরও ভাল।

আমরা 'ট্রেন' সেটে একটি নতুন লিনিয়ার রিগ্রেশন মডেল তৈরি করব তবে এবার আমরা স্বাধীন ভেরিয়েবল থেকে 'এক্স' এবং 'ওয়াই' কলামগুলি বাদ দিচ্ছি অর্থাৎ হীরার 'দাম' সমস্ত নির্ধারিত হবে 'x' এবং 'y' ব্যতীত কলামগুলি।

নির্মিত মডেলটি 'Mod_regress2' এ সঞ্চয় করা আছে:

lm (দাম ~।-y-z, ডেটা = ট্রেন) -> mod_regress2

পূর্বাভাসের ফলাফলগুলি 'রেজাল্ট_গ্রিজ 2' এ সংরক্ষণ করা হয়

পূর্বাভাস (mod_regress2, পরীক্ষা) -> ফলাফল_গ্রেস 2

আসল এবং পূর্বাভাসিত মানগুলি 'ফাইনাল_ডাটা 2' তে একত্রিত এবং সংরক্ষণ করা হয়:

সিবাইন্ড (প্রকৃত = পরীক্ষা $ মূল্য, পূর্বাভাস = ফলাফল_গ্রেস 2) -> চূড়ান্ত_ডাটা 2 

as.data.frame (ফাইনাল_ডাটা 2) -> ফাইনাল_ডাটা 2 2

ভবিষ্যদ্বাণীতে ত্রুটিটি 'ফাইনাল_ডাটা 2' এ যুক্ত করুন

(ফাইনাল_ডাটা 2 $ প্রকৃত- ফাইনাল_ডাটা 2 ata পূর্বাভাস) -> ত্রুটি 2

সিবিন্ড (ফাইনাল_ডাটা 2, ত্রুটি 2) -> ফাইনাল_ডাটা 2

'ফাইনাল_ডাটা 2' এ এক নজরে:

সামগ্রিক ত্রুটি পেতে রুট গড় স্কোয়ার ত্রুটি খুঁজে পাওয়া:

rmse2<-sqrt(mean(Final_Data2$error^2))

আমরা দেখতে পাই যে 'rmse2' 'rmse1' এর তুলনায় সামান্য কম এবং তাই দ্বিতীয় মডেলটি প্রথম মডেলের তুলনায় প্রান্তিকভাবে ভাল।

শ্রেণিবিন্যাস:

আমরা প্রয়োগ করতে 'car_purchase' ডেটা-সেট নিয়ে কাজ করব পুনরাবৃত্তি বিভাজন যা একটি শ্রেণিবদ্ধকরণ অ্যালগরিদম।

আসুন 'ক্যাটুলস' প্যাকেজ থেকে 'স্যাম্পেল.স্প্লিট ()' ফাংশন ব্যবহার করে ডেটাটিকে 'ট্রেন' এবং 'পরীক্ষা' সেটগুলিতে বিভক্ত করি।

গ্রন্থাগার (caTools)

‘ক্রয়কৃত’ কলাম থেকে 65৫% পর্যবেক্ষণকে 'সত্য' লেবেল বরাদ্দ করা হবে এবং বাকিগুলিকে 'মিথ্যা' লেবেল বরাদ্দ করা হবে।

নমুনা.স্প্লিট (গাড়ী_পরিচাচা $ ক্রয়, স্প্লিটরাটিও = 0.65) -> বিভক্ত_মূল্য

'সত্য' লেবেলযুক্ত সমস্ত পর্যবেক্ষণগুলি 'ট্রেন' ডেটাতে সংরক্ষণ করা হবে এবং 'ফলস' লেবেলযুক্ত সেই পর্যবেক্ষণগুলিকে 'পরীক্ষার' ডেটা অর্পণ করা হবে।

সাবসেট (গাড়ি_পরিচা, বিভক্ত_মূল্য == টি) -> ট্রেন_ডেটা

সাবসেট (গাড়ী_পরিচা, বিভক্ত_মূল্য == চ) -> পরীক্ষা_ডাটা

পুনরাবিশ্বে পার্টিশন তৈরির অ্যালগরিদম তৈরির সময়:

আমরা ‘আরপিআর্ট’ প্যাকেজটি লোড করে শুরু করব:

গ্রন্থাগার (আরপিআর্ট)

'ক্রয়কৃত' কলামটি নির্ভরশীল ভেরিয়েবল হবে এবং অন্যান্য সমস্ত কলামগুলি স্বতন্ত্র ভেরিয়েবল অর্থাত্ ব্যক্তি নির্ধারণ করে দিচ্ছেন যে ব্যক্তি গাড়িটি কিনেছেন বা অন্য সমস্ত কলামের সাথে সম্মতি রেখে নয়। মডেলটি 'ট্রেন_ডেটা' তে নির্মিত এবং ফলাফলটি 'মোডে 1' এ সংরক্ষণ করা হয়।

rpart (ক্রয়কৃত ~।, ডেটা = ট্রেন_ডেটা) -> Mod1

আসুন ফলাফলটি প্লট করা যাক:

প্লট (Mod1, মার্জিন = 0.1) পাঠ্য (Mod1, চমত্কার = টি, সেক্স = 0.8)

এখন, এগিয়ে চলুন এবং 'টেস্ট_ডেটা' ফলাফলের পূর্বাভাস দিন। আমরা প্রথম যুক্তি হিসাবে বিল্ট rpart মডেল “mod1” দিচ্ছি, দ্বিতীয় আর্গুমেন্ট হিসাবে টেস্ট সেট 'test_data' এবং তৃতীয় আর্গুমেন্টের জন্য 'ক্লাস' হিসাবে প্রেডিকশন টাইপ দেওয়া হচ্ছে। ফলাফলটি ‘রেজাল্ট 1’ অবজেক্টে জমা হয়।

পূর্বাভাস (মোড 1, টেস্ট_ডেটা, টাইপ = 'শ্রেণি') -> ফলাফল 1

আসুন ক্যারেট প্যাকেজ থেকে 'বিভ্রান্তিমাত্রিক্স ()' ফাংশন ব্যবহার করে মডেলের যথার্থতার মূল্যায়ন করি।

গ্রন্থাগার (ক্যারেট) বিভ্রান্তি ম্যাট্রিক্স (টেবিল (টেস্ট_ডাটা cha ক্রয়, ফলাফল 1))

বিভ্রান্তির ম্যাট্রিক্স আমাদের জানিয়েছে যে 90 টি পর্যবেক্ষণগুলির মধ্যে যেখানে ব্যক্তি গাড়িটি কিনেনি, 79 টি পর্যবেক্ষণকে যথাযথভাবে 'না' হিসাবে শ্রেণিবদ্ধ করা হয়েছে এবং 11 টি ভুলভাবে 'হ্যাঁ' হিসাবে শ্রেণিবদ্ধ করা হয়েছে। একইভাবে, ব্যক্তি প্রকৃতপক্ষে যে গাড়িটি কিনেছিল সেই 50 টি পর্যবেক্ষণের মধ্যে 47 টিকে যথাযথভাবে 'হ্যাঁ' হিসাবে শ্রেণিবদ্ধ করা হয়েছে এবং 3 টিকে ভুলভাবে 'না' হিসাবে শ্রেণিবদ্ধ করা হয়েছে।

মোট পূর্বাভাস অর্থাত (+৯ + 47) / (+৯ + 47 + 11 + 3) দিয়ে সঠিক ভবিষ্যদ্বাণীগুলি ভাগ করে আমরা মডেলের যথার্থতা খুঁজে পেতে পারি।

কে-মানে ক্লাস্টারিং:

আমরা কে-মানে ক্লাস্টারিং বাস্তবায়নের জন্য 'আইরিস' ডেটা-সেট নিয়ে কাজ করব:

আসুন 'প্রজাতি' কলামটি সরান এবং একটি নতুন ডেটা-সেট তৈরি করি যা ‘আইরিস’ ডেটা-সেট থেকে কেবল প্রথম চারটি কলামকে নিয়ে তৈরি করে।

আইরিস [1: 4] -> আইরিস_ কে

আসুন ক্লাস্টারগুলির সংখ্যা 3 হওয়া যাক “' Kmeans () 'ফাংশনটি ইনপুট ডেটা এবং যে ক্লাস্টারগুলিতে ডেটা ক্লাস্টার করতে হবে তা গ্রহণ করে। সিনট্যাক্সটি হ'ল: kmeans (ডেটা, কে) যেখানে কে ক্লাস্টার কেন্দ্রের সংখ্যা।

kmeans (আইরিস_কি, 3) -> কে 1

ক্লাস্টারিং বিশ্লেষণ:

str (কে 1)

Str () ফাংশনটি kmeans এর কাঠামো দেয় যা বিভিন্ন প্যারামিটার যেমন অন্তর্নির্মিত, মাঝখানে, ইত্যাদি বিশ্লেষণ করে যা আপনি kmeans এর কার্যকারিতা জানতে পারবেন find

মাঝখানে: বর্গক্ষেত্রের সমষ্টি অর্থাত্ ইনট্রাক্লাস্টার মিল

আন্ডারস: বর্গাকার যোগফলের মধ্যে অর্থাত্ আন্তঃক্লাস্টার মিল

টোটোইথিনস: সমস্ত ক্লাস্টারের সমস্ত অন্তর্গতের সমষ্টি অর্থাৎ মোট ইনট্রা ক্লাস্টারের মিল

java ডাবলকে পূর্ণসংখ্যায় রূপান্তর করে

একটি ভাল ক্লাস্টারিংয়ের মধ্যে 'টোট.উইথিনস' এর কম মান এবং 'ডিডেন্স' এর উচ্চতর মান থাকবে যা প্রাথমিকভাবে নির্বাচিত ক্লাস্টারগুলির ‘কে’ সংখ্যার উপর নির্ভর করে।

আপনার পথে আসা নতুন সুযোগগুলির সদ্ব্যবহার করার জন্য মেশিন লার্নিংয়ে বিশেষজ্ঞ হওয়ার সময়টি উপযুক্ত। এটি আমাদের এই শেষের দিকে নিয়ে আসে ' আর দিয়ে মেশিন লার্নিং ”ব্লগ আমি আশা করি এই ব্লগটি তথ্যবহুল ছিল।

এডুরেকার একটি বিশেষভাবে সজ্জিত যা আপনাকে কে-ম্যানস ক্লাস্টারিং, ডিসিশন ট্রিস, র্যান্ডম ফরেস্ট, নাইভ বয়েসের মতো মেশিন লার্নিং অ্যালগরিদমগুলিতে দক্ষতা অর্জনে সহায়তা করে। আপনি পরিসংখ্যান, সময় সিরিজ, পাঠ্য মাইনিং এবং ডিপ লার্নিংয়ের একটি ভূমিকাও শিখবেন। এই কোর্সের জন্য নতুন ব্যাচ শীঘ্রই শুরু হচ্ছে !!