এআই ওয়ার্কশপ: ইমেজগুলি চিনতে কীভাবে মেশিন শিখানো যায়

কোনও কৃত্রিম বুদ্ধি কীভাবে চিত্রগুলি সনাক্ত করতে পারে তার মধ্য দিয়ে যাওয়ার সময় আমাদের গাড়িগুলিকে কয়েক মুহুর্তের জন্য পার্কে অপেক্ষা করতে হতে পারে। আমাদের গাড়ি সেই দক্ষতার উপরও নির্ভর করে। আমরা নিউরাল নেটওয়ার্কগুলি কীভাবে কাঠামোগত হয় তাও দেখব।

ছবি: ফ্রিদা অগুইলার এস্ট্রদা a

আমাদের গাড়িটির এগিয়ে যাওয়ার জন্য একটি ক্যামেরা দরকার। একটি বিকল্প হবে একটি লিডার (হালকা সনাক্তকরণ এবং রঙিং) রাডার যা তার চারপাশের মানচিত্রের জন্য লেজার বিম ব্যবহার করে। তবে এলন মাস্ক যদি মনে করেন যে টেসলার জন্য একটি অপটিক্যাল সমাধান যথেষ্ট, তবে এটি আমাদের পক্ষে যথেষ্ট। এই পোস্টে আমি এআই চিত্র স্বীকৃতির প্রযুক্তিগত ভিত্তি বর্ণনা করার চেষ্টা করব।

কৃত্রিম শিক্ষার জন্য প্রধানত তিনটি বিভাগ রয়েছে: শক্তিবৃদ্ধ শিক্ষা, তদারকি করা শিক্ষণ এবং নিরীক্ষণযোগ্য শিক্ষণ learning এআই শেখানোর জন্য তদারকি করা শেখা খুব সাধারণ উপায় এবং আমরা আজ সেটির দিকে মনোনিবেশ করব। আইডিয়াটি এমন একটি মেশিনের ডেটা দেবে যা ইতিমধ্যে শ্রেণিবদ্ধ করা হয়েছে। আমাদের ক্ষেত্রে আমরা একটি কম্পিউটারকে প্রচুর চিত্র দেখাব এবং সেগুলি চিত্রিত করবে। আমরা এটি লাসাগনা, ফালাফেলস এবং দারুচিনি বানগুলির মধ্যে পার্থক্য করতে সক্ষম হতে প্রশিক্ষণের লক্ষ্য রাখতে পারি। সুতরাং আমরা এটিকে তিনটি, বহু চিত্রের লেবেলযুক্ত চিত্র দেখাই। এআই প্রস্তুত হলে আমরা এটিকে একটি নতুন চিত্র দেখাতে পারি এবং এটি তিনটি বিকল্পের মধ্যে একটি হওয়ার সম্ভাবনাগুলি গণনা করে।

কল্পনা করুন যে আমাদের একটি আইসক্রিম ট্রাক একটি বন্দরের পাশে দাঁড়িয়ে আছে এবং আমরা তার বিক্রয় সম্পর্কে পূর্বাভাস দিতে সক্ষম হতে চাই যাতে আমাদের পর্যাপ্ত পরিমাণে জায় থাকতে পারে। আইসক্রিম বিক্রয় একটি কারণ হতে পারে? দিনের তাপমাত্রা ভাল হতে পারে। সুতরাং আসুন দিনের তাপমাত্রা এবং আইসক্রিম বিক্রয় পরীক্ষা করে দেখি। আমরা এগুলি একটি চার্টে রাখতে পারি এবং ডেটা বিশ্লেষণ করতে লিনিয়ার রিগ্রেশন ব্যবহার করতে পারি। এটি আমাদের সাথে ভবিষ্যদ্বাণী করতে ব্যবহার করতে পারি এমন সেরা ফিটের একটি লাইন দেবে। লাইনের অবস্থানটি সমস্ত বিন্দু থেকে রেখার দূরত্বটি অনুকূল করে এবং যতটা সম্ভব ছোট করে সংজ্ঞায়িত করা হয়। সেরা ফিটের লাইন দিয়ে আমরা কিছু আনুমানিক ভবিষ্যদ্বাণী করতে পারি।

তবে দৈনিক গড় তাপমাত্রা সম্ভবত বিক্রয়ের একমাত্র কারণ নয়। যদি আমরা ছবিটিতে পরিমাণের পরিমাণ বৃষ্টি যোগ করি তবে আমরা একটি ত্রিমাত্রিক চার্ট পাই। সেরা ফিটের লাইনটি সেরা ফিটের একটি বিমান হয়ে উঠবে। এবং আমরা যদি বিশ্লেষণে সপ্তাহের দিনটি জুড়ে থাকি তবে আমরা এমন একটি মডেলটি শেষ করব যা আমরা কল্পনা করতে পারি না। জটিল পরিস্থিতিতে এই নিউরাল নেটওয়ার্কগুলির মতো খুব ভাল কাজ করে।

কারণ প্রাথমিকভাবে কৃত্রিম প্রযুক্তি গবেষণা মানব বুদ্ধিমত্তাকে নকল করার চেষ্টা করেছিল কিছু শর্ত জীববিজ্ঞান থেকে পরিচিত familiar আমাদের নিউরন, সিনাপেস এবং উদ্দীপনা রয়েছে। তবে আমাদের কাছে ডেটা সায়েন্স থেকে লস ফাংশন এবং ওভারফিটিংয়ের মতো প্রচুর পরিভাষা রয়েছে। আজকাল মানব মস্তিস্ক পুনরুদ্ধার করা আর লক্ষ্য নয়, তবে পরিভাষা আটকে আছে।

নিউরাল নেটওয়ার্কগুলি সিনাপেস ব্যবহার করে একত্রে লিঙ্কযুক্ত নিউরন নিয়ে গঠিত। সংযোগগুলির বিভিন্ন ওজন রয়েছে। নিউরনগুলিকে অ্যাক্টিভেশন ফাংশন দেওয়া হয় যা সংজ্ঞায়িত করে যে নিউরনটি বের হয়ে গেলে এবং তথ্যগুলিতে প্রেরণ করা হয়। (আপনি বিভিন্ন ধরণের অ্যাক্টিভেশন ফাংশন এবং এখান থেকে এগুলি কখন ব্যবহার করবেন সে সম্পর্কে আরও পড়তে পারেন)

আমরা একটি বাছাই করতে চাই যা অক্ষরের চিত্রগুলি চিনতে পারে। আমাদের নীচের নিদর্শন রয়েছে, প্রতিটি বর্গক্ষেত্র একটি করে চিত্র উপস্থাপন করে। অ্যাক্টিভেশন ফাংশন হিসাবে আমরা একটি পদক্ষেপ ফাংশন ব্যবহার করার সিদ্ধান্ত নিয়েছি যা কেবলমাত্র আমাদের ফলাফল 0 বা 1 দেবে। যখন পিক্সেল সাদা হয়, তখন 0 আউটপুট আসবে 1 যখন পিক্সেলের রঙ থাকে তখন এটি ফলাফল আউটপুট করে থাকে 1. কোন রঙের সাথে কোনও পার্থক্য নেই তবে আমি বিভিন্ন রঙ ব্যবহার করেছি পার্থক্য চিত্রিত করতে। সুতরাং যখন পিক্সেলটি সাদা হবে না তখন নিউরন সক্রিয় হবে। এবং তথ্যের ক্রম এবং তুলনীয় রাখতে, আমরা আউটপুট বাম থেকে ডানে, উপরে থেকে নীচে মুদ্রণ করব। চিত্র S এর জন্য নিউরনের আউটপুট হবে 1, 1, 1, 1, 1, 0, 0, 0, 1, 1, 1, 1, 0, 0, 0, 1, 1, 1, 1, 1 এবং চিত্র E এর জন্য এটি হবে 1, 1, 1, 1, 1, 0, 0, 0, 1, 1, 0, 1, 0, 0, 0, 1, 1, 1, 1।

পরিসংখ্যানগুলির মধ্যে পার্থক্য করতে এখন আমাদের কীভাবে নিউরাল আউটপুটে ওজন প্রয়োগ করতে হবে তা নির্ধারণ করা দরকার। এটি অর্জনের জন্য অবিরাম পরিমাণে সমাধান রয়েছে। স্পষ্টতই আমাদের পিক্সেলগুলিতে ফোকাস করা উচিত যেখানে আউটপুট আলাদা। এর অর্থ যে আমরা উভয় চিত্র (বেগুনি রঙের) দ্বারা সক্রিয় করা সমস্ত পিক্সেলের জন্য ওজন 0 ব্যবহার করতে পারি। সমস্ত সাদা পিক্সেল নিউরনগুলিকে সক্রিয় করে না তাই তাদের ওজন সম্পর্কে আমাদের ভাবার দরকার নেই।

আমরা উদাহরণস্বরূপ সিদ্ধান্ত নিতে পারি যে ফলাফলটি নেতিবাচক হলে চিত্রটি ই হয় এবং ইতিবাচক ফলাফলগুলি চিত্র এসকে উপস্থাপন করে এটি অর্জনের জন্য আসুন কেবল নিউরনটি দেই যা কেবল চিত্র E এর সাথে সক্রিয় হয় -1 এর ওজন এবং নিউরন যা কেবল চিত্রের সাথে আগুন দেয় figure ওজনটি এস। 1 অন্যান্য আউটপুটগুলি 0 দ্বারা গুণিত করা হলে আমরা ফলাফল 1 বা -1 পাব।

সুতরাং সমস্ত চিত্র এস আউটপুটগুলির যোগফল 0 x 1+ 0 x 1+ 0 x1 +0 x 1+ 0 x 1+ 0 + 0 + 0 + 0 x 1 + 0 x 1 + 0 x 1 + 0 x 1 + 0 + 0 + 0 + 1 এক্স 1 + 0 এক্স 1 + 0 এক্স 1 + 0 এক্স 1+ 0 এক্স 1 = 1। এবং সমস্ত চিত্র E আউটপুটগুলির যোগফল 0 x 1 + 0 x 1 + 0 x 1 + 0 x 1 + 0 x 1 + 0 + 0 + 0 + 0 x 1 + 0 x 1 + 0 x 1 + 0 হবে এক্স 1 + (-1 এক্স 1) + 0 + 0 + 0 + 0 এক্স 1 + 0 এক্স 1 + 0 এক্স 1 + 0 এক্স 1 = -1।

এটি সমাধান করা মোটামুটি সহজ ছিল। তবে আমরা যদি মিশ্রণে F অক্ষর যুক্ত করি তবে জিনিসগুলি কিছুটা জটিল হয়ে যায়।

E এবং F বর্ণের মধ্যে পার্থক্য করা কোনও ঝামেলা ছাড়াই অর্জন করা যেতে পারে, উদাহরণস্বরূপ এই ওজনগুলির সাথে:

এই ওজনগুলির ফলস্বরূপ 11 x 0,1 = 1,1 বা 3 x (-1) = -3 এর সাথে চিত্র F এর ইতিবাচক ফলাফল এবং চিত্র E এর নেতিবাচক ফলাফল রয়েছে। কিন্তু আমরা যখন চিত্রটি অন্তর্ভুক্ত করব তখন পার্থক্যগুলি কম উচ্চারণ করা হবে এবং ওজনের সাথে পার্থক্য করা আরও কঠিন। এবং চিঠিগুলি যুক্ত করা কেবল এটি আরও খারাপ করে।

আমাদের কেবল নেতিবাচক বনাম ইতিবাচক ফলাফলের চেয়ে আরও জটিল জটিল সমাধান দরকার। আমরা সম্ভবত চিত্র S এর জন্য 0 থেকে 2 এর মধ্যে, চিত্র E এর 2 এবং 4 এর মধ্যে ফলাফলগুলি অর্পণ করব যখন আমরা নিউরন স্তরগুলিকে নিউরাল নেটওয়ার্কে যুক্ত করি তখন এটি ওজনগুলিতে আরও বিস্তৃত পরিবর্তন সম্পাদন করতে পারে এবং অন্য পিক্সেল হলেই পিক্সেল গুরুত্বপূর্ণ হবে সক্রিয় ছিল। এবং এইভাবে নিউরাল নেটওয়ার্কগুলি যে জটিল কাজগুলির জন্য আমরা তাদের ব্যবহার করতে চাই তা সম্পাদন করতে সক্ষম হয়। আরও গোপন স্তর যুক্ত করা এআইয়ের শেখার ক্ষমতা আরও গভীর করবে।

ধরে রাখ! কি গোপন স্তর? নিউরাল নেটওয়ার্কের নিউরনগুলি সাধারণত এমনভাবে কাঠামোযুক্ত হয় যে প্রতিটি নিউরন তার পাশের স্তরগুলির অন্যান্য সমস্ত নিউরনের সাথে সংযুক্ত থাকে। একটি নিউরাল নেটওয়ার্কের সাধারণত তিনটি অংশ থাকে: একটি ইনপুট স্তর, এক বা একাধিক লুকানো স্তর এবং আউটপুট স্তর।

ইনপুট স্তরটি আমরা নেটওয়ার্ককে যে তথ্য দিয়ে থাকি তা নিয়ে থাকে। তথ্য গোপন স্তরগুলির মধ্য দিয়ে যাওয়ার সাথে সাথে ওজন সংখ্যাগুলি সামঞ্জস্য করে এবং যখন সেগুলি সমস্তগুলি সংমিশ্রিত করা হয় তখন আমাদের আউটপুট স্তর এবং অনুমানের ফলাফল হয়। আরও লুকানো স্তরগুলি আরও অস্পষ্ট ডেটা পরিচালনা করতে পারে তবে আরও গণনার শক্তি প্রয়োজন। লুকানো স্তরগুলিতে কী ঘটে তা বোঝা আমাদের পক্ষে আরও জটিল করে তোলে।

নিউরনগুলির মধ্যে ওজন কীভাবে বিকশিত হয়? শুরুতে এগুলি সমস্ত একই বা এলোমেলো সংখ্যার জেনারেটর দিয়ে তৈরি। কিন্তু যখন নিউরাল নেটওয়ার্ককে শ্রেণিবদ্ধ ডেটা খাওয়ানো হয় এটি ওজনকে প্রভাবিত করবে। নিউরাল নেটওয়ার্কের অবস্থানটি অন্যদের চেয়ে কোন অবস্থানগুলি গুরুত্বপূর্ণ এবং কোনটি একে অপরের সাথে সংযুক্ত রয়েছে তা নির্ধারণ করে। এর জন্য একটি খুব দরকারী প্রযুক্তি হ'ল ব্যাকপ্রোপেজেশন অ্যালগরিদম যা ফলাফলটিকে স্তর থেকে গোপন স্তরগুলিতে পিছনে দিকে নেটওয়ার্কে ডেটা ফিড করে। এটি ডেটার সাথে নিউরাল নেটওয়ার্ক ফিট করে। শেষ পর্যন্ত অ্যাডজাস্ট করা ওজন নেটওয়ার্ককে ভাল পূর্বাভাস দেওয়ার অনুমতি দেয়।

আইসক্রিম বিক্রয় পূর্বাভাস দেওয়ার জন্য নিউরাল নেটওয়ার্কের উদাহরণ:

বিক্রয়, দিন এবং আবহাওয়া সম্পর্কিত আমাদের ডেটা নিউরনের মধ্যে ওজন সামঞ্জস্য করেছে। পূর্বাভাসগুলি কতটা সঠিক তা মূল্যায়নের জন্য আমাদের ইতিমধ্যে ব্যবহৃত প্রশিক্ষণ ডেটাসেটের পাশাপাশি একটি টেস্টিং ডেটাसेट প্রয়োজন need নিউরাল নেটওয়ার্কটি এখনও দেখা যায় নি সেগুলি নিয়ে টেস্টিং ডেটাসেট থাকে। তাদের ফলাফলগুলি আমাদের ভবিষ্যদ্বাণীগুলি কতটা সঠিক তা বলে দেবে।

যখন নিউরাল নেটওয়ার্ক প্রশিক্ষণ, সমন্বয় এবং মূল্যায়ন করার সময় আমাদের এটি ডেটাসেটের চেয়ে বেশি মানিয়ে নেওয়া উচিত careful প্রশিক্ষণ ডেটাসেটের এমন কিছু সম্পর্কিত দিক থাকতে পারে যা বাস্তবে সম্পর্কিত নয়। সহবাস কার্যকারণের মতো নয়। আপনি এখানে মজাদার্লা খরচ এবং নির্মাণ প্রকৌশল ডক্টরেটসের পরিসংখ্যানের পরিসংখ্যানের সাথে হাত মিলিয়ে দেখতে পারেন তবে বাস্তবে একে অপরের সাথে কিছুই করার নেই। এজন্য এটি কেবলমাত্র ডেটাসেটের সাথে সম্পর্কিত তথ্য অন্তর্ভুক্ত করার জন্য সুপারিশ করা হয়। এবং অবশ্যই প্রশিক্ষণের ডেটাসেটের গুণমান এবং পরিমাণ সঠিকতার জন্য গুরুত্বপূর্ণ।

বাছাইকরণের উদাহরণে আমাদের ক্রিয়াকলাপটি একটি পিক্সেল সাদা ছিল কিনা তা পর্যবেক্ষণ করছিল was সাধারণত চিত্রগুলির তথ্যগুলি কম্পিউটারগুলিকে বিভিন্ন উপায়ে প্রয়োজনীয় নম্বরে রূপান্তরিত হয়। ছবিটি যদি কালো এবং সাদা হয় তবে প্রতিটি পিক্সেলকে 0 (কালো) থেকে 255 (সাদা) এর মধ্যে উজ্জ্বলতার মান দেওয়া হবে। কোনও রঙের চিত্রের পিক্সেলের 0 থেকে 255 এর মধ্যে তিনটি আরজিবি মান থাকবে the পর্দার সমস্ত রঙ লাল, সবুজ এবং নীল আলো মিশিয়ে তৈরি করা হয়। (যা সত্য যেটি আমি বছরের পর বছর ধরে জানি এবং এটি এখনও খুব জবাবদিহি অনুভূত বোধ করে))

আমাদের নিজস্ব খুব সাধারণ উদাহরণে পরিসংখ্যানগুলি সর্বদা একই পজিশনে ছিল যা সাধারণত ক্ষেত্রে হয় না। এমনকি পাসপোর্ট ইমেজ ডাটাবেসে সব চোখই রেখায় না। এমন একটি প্রযুক্তি যা চিত্রের স্বীকৃতিটিকে আরও দ্রুত এবং আরও দক্ষ করে তোলে তা হ'ল নিউরাল নেটওয়ার্কে একটি কনভলিউশন স্তর যুক্ত করা। এটি নির্দিষ্ট দিক, প্যাটার্ন বা বিভিন্ন বর্ণের স্প্লোলচে সীমান্তের মতো স্বীকৃত চিত্র বৈশিষ্ট্যগুলির সন্ধান করবে। কুকুরের নাক এক হতে পারে, মানুষের আঙ্গুলগুলি এক হতে পারে, আইসক্রিম শঙ্কুর আকৃতি এবং গঠন এক হতে পারে। তারপরে আইসক্রিমটি চিত্রের বাম বা ডানদিকে রয়েছে কিনা তা খালি নয়, যদি এটি খাড়া বা একটি তির্যকভাবে রাখা হয় এবং শঙ্কুটি কোন আকারে থাকে। এবং আপনি ভাবতে পারেন যে এটি চিত্রের স্বীকৃতিটি কত সহজ করে। কনভলিউশন লেয়ারযুক্ত নিউরাল নেটওয়ার্কগুলিকে কনভ্যুশনাল নিউরাল নেটওয়ার্ক বলা হয়।

নির্ভরযোগ্য ফলাফল পেতে আমাদের প্রশিক্ষণের সেট হিসাবে প্রচুর পরিমাণে চিত্রের প্রয়োজন হবে। প্রোগ্রামিং সম্পর্কিত অনেক কিছুর সাথে আমাদের কিছু থেকে শুরু করে চাকাটি পুনরায় উদ্ভাবন করতে হবে না। আমরা বিদ্যমান গ্রন্থাগার এবং ডাটাবেস ব্যবহার করতে পারি।

একটি গুরুত্বপূর্ণ ডেটাসেট হ'ল মানসম্পন্ন হস্তাক্ষর ডেটাবেস এমএনআইএসটি। প্রতি দশ বছরে মার্কিন যুক্তরাষ্ট্র তার সীমানার মধ্যে বসবাসকারী সমস্ত মানুষের একটি সেন্সাস নেয়। প্রত্যেককে একটি কাগজের প্রশ্নপত্র পূরণ করার মাধ্যমে এটি করা হয়। জনসংখ্যার আকার এবং কাঠামোর বিষয়ে গুরুত্বপূর্ণ তথ্য সংগ্রহের পাশাপাশি এটি হস্তাক্ষরের নমুনার বিস্তৃত করে। এই নমুনাগুলি থেকে অক্ষর এবং সংখ্যার জন্য একটি মানকযুক্ত ডাটাবেস তৈরি হয়েছিল এবং আপনি এটি আপনার এআই শেখাতে বা পরীক্ষা করতে পারেন। দুর্ভাগ্যক্রমে এটিতে কেবল ইংরেজী বর্ণমালায় 26 টি বর্ণ রয়েছে। প্রস্তুত সংস্থানগুলি ব্যবহার করে প্রায়শই সমস্যার মুখোমুখি হওয়া সমস্যা। তবে আপনি যদি এআই এবং নিউরাল নেটওয়ার্কগুলি পরীক্ষা করতে আগ্রহী হন তবে এটি কমপক্ষে একটি শুরু করার জায়গা এবং আপনি কেবলমাত্র ডেটা সংগ্রহ এবং উত্পাদন করতে পারবেন তা সীমাবদ্ধ নয়।

মেশিন লার্নিং সম্পর্কে আপনার যা মনে রাখতে হবে তা হ'ল মেশিনগুলি ধারণাগুলি শেখে না তারা কেবল সেই ধারণাগুলি কীভাবে প্রকাশ পায় তা শিখবে। একটি কম্পিউটারে আমাদের অভিজ্ঞতা রয়েছে এমন সমৃদ্ধ নেটওয়ার্কের অভাব রয়েছে। এ কারণে আমাদের কাছে দিনের মতো পরিষ্কার কিছু চিত্রের মধ্যে মেশিনগুলির পক্ষে পার্থক্য করা এখনও কঠিন। এবং একটি মেশিন কেবল সেই জিনিসগুলি সম্পর্কে জানতে পারে যা এটি জানার জন্য বলা হয়েছিল। যদিও, একটি স্ব-ড্রাইভিং গাড়ি এটি আগে আপেল বা পেঁচা কিনা তা জানা দরকার নেই। বাধা হ'ল একটি বাধা এবং চূর্ণবিচূর্ণ হতে হয়। কেবল এটিই গাড়ির জন্য গুরুত্বপূর্ণ।

তবে একটি এআই মিনিট, সূক্ষ্ম পার্থক্য সনাক্ত করতে বিশেষজ্ঞ হতে প্রশিক্ষিত হতে পারে। ক্যান্সারের স্ক্রিনিং বিশ্লেষণ করা বা চক্ষুভূমির রক্তনালীগুলির পরিবর্তন থেকে ডায়াবেটিস নির্ণয়ের মতো আরও অনেক নির্ভুল এবং দ্রুত ফলাফল সহ with একটি মেশিন কখনও কখনও বিরক্ত বা ক্লান্ত হয়ে পড়ে না যা তারা করার জন্য ডিজাইন করা হয়েছিল et

সুতরাং যদি আমাকে জিজ্ঞাসা করা হয় যেগুলির মধ্যে কোনটি শেষ পর্যন্ত ভাল - মানব বা কৃত্রিম চিত্রের স্বীকৃতি - আমি করতে পারি না। তারা উভয়ই খুব খুব, খুব আলাদা।

আরো দেখুন

আমি কীভাবে অনলাইনে সহজে কাজ করে $ 50- $ 100 এ অর্থোপার্জন করতে পারি? সফ্টওয়্যার পণ্য ডিজাইনাররা কীভাবে ডিজাইন সম্পর্কে ভাবেন সে সম্পর্কে কোনও বইয়ের প্রস্তাব দিতে পারেন? ইউটিউবে আমার আপলোড করা ভিডিওগুলি কীভাবে খুঁজে পাবেনআপনি কীভাবে একটি স্মার্টফোনের জন্য একটি নতুন অ্যাপ্লিকেশন বাজারজাত করবেন? আপনি যদি আবার স্কয়ার থেকে প্রোগ্রামিং শিখতে শুরু করেন। সবচেয়ে কার্যকরভাবে শিখতে আপনি কীভাবে এটির কাছে যাবেন?কোনও ওয়েবসাইট বিকাশের সময় আমি কীভাবে পিএইচপি ব্যবহার করব? এটা আসলে কি করে? এটা দরকারি?আপনি কখন কোডিং শুরু করলেন? আপনি কীভাবে এত ভালো প্রোগ্রামার হয়ে গেলেন এবং আমি কীভাবে এক হয়ে উঠতে পারি?ফ্রেশনার হিসাবে আমি কীভাবে পাইথনের কাজ পেতে পারি?