ডাটা সাইন্সের হাতেখড়ি
  • ভূমিকা
  • লেখকের পরিচয়
  • বইটি যেভাবে পড়বেন
  • ডেটার সাথে পরিচয়
  • ডেটা সাইন্স কি ?
  • বুদ্ধিমান যন্ত্রের উত্থান পর্ব
  • ডেটা সাইন্স পাইপলাইন এবং ডোমেইন নলেজ
  • ডেটা সাইন্স টুল বক্স
  • পরিসংখ্যানের সাথে পরিচয়
    • পরিসংখ্যান কি ?
    • স্যাম্পলিং
    • কেন্দ্রীয় প্রবনতা
    • ডেটার বিস্তার
    • কোভ্যারিয়্যান্স এবং কোরিলেশন
    • ইম্পিরিক্যাল ল অব ডিস্ট্রিবিউশন
    • পরিসংখ্যান ল্যাব-১ঃ বেসিক পরিসংখ্যান
    • ইনফারেন্স ও এস্টিমেশন
    • হাইপোথিসিস টেস্টিং
  • প্রবাবিলিটি
    • প্রবাবিলিটির পরিচয়
    • বিভিন্ন ধরনের ইভেন্ট
    • প্রবাবিলিটি ট্রি
    • বেইজ থিওরাম
    • প্রবাবিলিটি ল্যাব -১ঃ বেসিক প্রবাবিলিটি
    • প্রবাবিলিটি ডিস্ট্রিবিউশন
    • প্রবাবিলিটি ল্যাব-২ঃ প্রবাবিলিটি ডিস্ট্রিবিউশন
  • লিনিয়ার অ্যালজেব্রা
  • ডেটা ক্লিনিং
  • ডেটা ট্রান্সফরমেশন
  • এক্সপ্লোরেটরি ডেটা এনালাইসিস
  • মেশিন লার্নিং এর সাথে পরিচয়
  • সুপারভাইজড লার্নিং
    • লিনিয়ার রিগ্রেশন
    • পলিনমিয়াল রিগ্রেশন
    • নেইভ বেইজ ক্লাসিফায়ার
    • লজিস্টিক রিগ্রেশনঃ বাইনোমিয়াল
    • লজিস্টিক রিগ্রেশনঃ মাল্টিনোমিয়াল
    • কে-নিয়ারেস্ট নেইবোরস
    • ক্লাসিফিকেশন এন্ড রিগ্রেশন ট্রি
    • র‍্যান্ডম ফরেস্ট
    • অ্যাডাপ্টিভ বুস্টিং
    • গ্রাডিয়েন্ট বুস্টিং
    • এক্সট্রিম গ্রাডিয়েন্ট বুস্টিং
    • সাপোর্ট ভেক্টর মেশিন
    • কে ফোল্ড ক্রস ভ্যালেইডেশন
  • আনসুপারভাইজড লার্নিং
    • কে-মিনস ক্লাস্টারিং
    • হায়ারার্কিক্যাল ক্লাস্টারিং
    • অ্যাসোসিয়েশন রুলসঃ অ্যাপ্রিওরি অ্যালগরিদম
    • প্রিন্সিপাল কম্পোনেন্ট এনালাইসিস এবং ডাইমেনশনালিটি রিডাকশন
  • রিইনফোর্সমেন্ট লার্নিং
  • সংযুক্তি
    • জেড টেবিল
    • টি টেবিল
    • স্টাডি রিসোর্স
    • চিট শিট
Powered by GitBook
On this page

Was this helpful?

  1. প্রবাবিলিটি

বেইজ থিওরাম

Previousপ্রবাবিলিটি ট্রিNextপ্রবাবিলিটি ল্যাব -১ঃ বেসিক প্রবাবিলিটি

Last updated 4 years ago

Was this helpful?

বেইজ থিওরাম হচ্ছে জটিল জটিল ইভেন্টের কন্ডিশনাল প্রবাবিলিটি নির্ণয়য়ের জন্য একটি অসাধারন গানিতিক তত্ত্ব। প্রবাবিলিটির দুনিয়ায় বেইজ থিওরাম গুরুত্ব ব্যাপক। আমরা যখন মেশিন লার্নিং শিখবো সেখানেও দেখবো বিভিন্ন ধরনের ক্লাসিফিকেশন প্রব্লেম সল্ভ করার জন্য বেইজ থিওরাম এর প্রয়োগ রয়েছে। নেইভ বেইজ অ্যালগোরিদম নামে মেশিন লার্নিং-এ আলাদা একটি অ্যালগোরিদমই রয়েছে বেইজ থিওরাম এর উপর ভিত্তি করে।

বেইজ থিওরাম এর মাধ্যমে মূলত হিডেন ইভেন্টের প্রবাবিলিটি বের করা যায়, যেটা আমাদের আগে থেকে জানা থাকে না। ধরে নেই A এবং B দুইটি ইভেন্ট। B ইভেন্ট ঘটলে A ইভেন্ট ঘটার প্রবাবিলিটি কত সেটাই বেইজ বেইজ থিওরাম এর মাধ্যমে নির্ণয় করা হয়।

  • P(A) = A ইভেন্ট ঘটার প্রবাবিলিটি

  • P(B) = B ইভেন্ট ঘটার প্রবাবিলিটি

  • P(B|A) = A ইভেন্ট ঘটলে B ইভেন্ট ঘটার প্রবাবিলিটি

  • P(A|B)= B ইভেন্ট ঘটলে A ইভেন্ট ঘটার প্রবাবিলিটি

উদাহরন - ধরে নিন জানুয়ারি মাসের কোন এক শুক্রবার আপনি পরিবার এবং বন্ধুদের নিয়ে বাইরে কোথাও পিকনিকে যাবার প্ল্যান করেছেন। শুক্রবার দিন সকালে ঘুম থেকে উঠেই দেখলেন আকাশটা মেঘলা, আর আপনার কপালেও দুশ্চিন্তার ছাপ , বৃষ্টি হলে আপনার সব প্ল্যান বাতিল ! এই অবস্থায় আপনার কাছে পূর্বের কিছু ইনফরমেশন আছে, এই ইনফরমেশন গুলোকে কাজে লাগিয়ে আপনি জানতে চাচ্ছেন আজকে বৃষ্টি হবার প্রবাবিলিটি আসলে কত ?

পূর্বের ইনফরমেশন

  • ৪০% দিনেই সকাল বেলায় আকাশ মেঘলা থাকে

  • ৫০% ক্ষেত্রে মেঘলা আকাশ থাকলেই বৃষ্টিপাত হয়

  • জানুয়ারি মাসে সাধারনত ৩ দিনের বেশী বৃষ্টি হয় না ( ১০%)

সুতরাং আমরা লিখতে পারি,

  • P(Rain) = 10%

  • P(Cloud|Rain) = 50%

  • P(Cloud) = 40%

সুতরাং আপনি জেনে গেলেন আজ বৃষ্টি হবার প্রবাবিলিটি মাত্র ১২.৫% , তাই মেঘ দেখে ভয় না পেলেও চলবে, পিকনিক করা যেতেই পারে কারন বৃষ্টি হবার সম্ভাবনা একেবারেই কম !