কেন এই ডাটাসেট?

It is a capital mistake to theorize before one has data. Insensibly, one begins to twist the facts to suit theories, instead of theories to suit facts. – Sherlock Holmes

মেশিন লার্নিং এর দ্বিতীয় বই হিসেবে কোন ডাটাসেটটা দিয়ে শুরু করবো সেটা বের করতেই আমার তিন মাস সময় লাগলো। প্রথম ‘রিলিজ ক্যান্ডিডেট’ হিসেবে আমি চারটা ডাটাসেটকে সিলেক্ট করেছিলাম। আপনারা জানেন, ‘টাইটানিক ডাটাসেট’ দিয়ে প্রথম বইটা লিখেছি। জীবন-মৃত্যুর সন্ধিক্ষণে মানুষের সম্পর্ক এবং মনের ভেতরে জানার জন্য এই ডাটাসেট আসলেই অসাধারণ! যারা কাজ করেছেন তারাই বলতে পারবেন ভালো। জিনিসটা নিয়ে কাজ করতে গিয়ে মানুষ সম্পর্কে জেনেছি অনেক।

বাকি থাকে তিনটা। বেশ বিপদেই ছিলাম সেগুলো নিয়ে। তবে, শেষমেশ বেছে নিলাম এমন একটা ডাটাসেটকে যাকে চেনে পৃথিবীর সব ডাটা সায়েন্টিস্ট। সত্যি কথা বলতে, আমি খুব একটা পছন্দ করতাম না এই ডাটাসেটটাকে। প্রথম কথা, ডাটা সেটটা ১৯৩৬ সালের। দ্বিতীয় কথা, ডাটসেটটা একটা ফুলের বিভিন্ন প্রজাতি নিয়ে। আচ্ছা, ফুল টুল নিয়ে ভাবার সময় আছে কি এখন? তাছাড়া, আপনি বলুন - এই যুগে কে ওই মান্ধাতা আমলের ডাটা নিয়ে কাজ করবে? আপনি করবেন? এই যুগের সমস্যা নিয়ে কাজ করলে ভালো হতো না আখেরে?

আস্তে আস্তে আমার ধারণা পাল্টাতে থাকে গত তিন বছরে। এর মধ্যে ভাগ্যে জুটে যায় বেশ কয়েকটা প্রফেশনাল ট্রেনিং। পাশাপাশি প্রায় পঞ্চাশটার মত মেশিন লার্নিং সম্পর্কিত বই পড়েছি এ পর্যন্ত। কাজের প্রয়োজনে। মনের খোরাক মেটাতে। ভাগ্য খারাপ না ভালো জানি না, সেই সব প্রফেশনাল ট্রেনিং আর বইগুলোর ভেতরে ইনিয়ে-বিনিয়ে কোথাও না কোথাও এই ডাটাসেটটা ব্যবহার করেছে সবাই। কাহিনী কোথায়? নেমে পড়লাম বিশাল ইনভেস্টিগেশনে। এত পুরনো ডাটাসেট, মাত্র কয়েক কিলোবাইট। তাহলে ম্যাজিকটা কোথায়?

১. এই ডাটাসেট নিয়ে প্রথম কাজ দেখান স্যার রোনাল্ড ফিশার। তিনি একাধারে স্ট্যাটস্টিশিয়ান এবং বায়োলজিস্ট। অসাধারণ কম্বিনেশন। ডাটাটা আসলে তৈরি করেন স্ট্যাটিসটিকস জানা বোটানিস্ট জনাব অ্যান্ডারসন। এই দুই জনই তাদের ফিল্ডে সেরা। নিজেদের কাজ জানেন।

২. মেশিন লার্নিং এর একটা বড় দিক হচ্ছে ‘ডাটা ভিজুয়ালাইজেশন’। মানে ডাটাকে কোথাও না কোথাও প্লট করে দেখা। দেখা গেছে, এই ডাটা প্লট করলে অন্ধ মানুষও বলে দিতে পারবেন কোন ফুলটা কোন প্রজাতির। বাড়িয়ে বলছি? এই ডাটাগুলোকে যত বেশি ঘুরিয়ে পেঁচিয়ে ‘ভিজুয়ালাইজ’ করে দেখবেন, ততোই সৃষ্টিকর্তাকে ধন্যবাদ দেবেন ‘প্যাটার্ন’ নিয়ে। সত্যিকারের ডাটা বলেই সম্ভব এটা।

৩. এই ডাটাগুলো সমানভাবে জনপ্রিয় বিভিন্ন স্ট্যাটিসটিক্যাল গ্রাফিক্স, মাল্টি ভ্যারিয়েট স্ট্যাটিসটিকস এবং মেশিন লার্নিং এর মডেল তৈরিতে। এখন সবকিছুই একটা জায়গায় মিলে যাচ্ছে, তাই এর পরিধি বেড়েছে অনেক।

৪. মাত্র ১৫০টা রেকর্ড। জিনিসটা ছোট তবে খেলনা নয়। এটা এতই ছোট যে একে নিয়ে কাজ করতে কোন প্রসেসিং পাওয়ার লাগে না। ফুলের বিভিন্ন প্রজাতির মেজারমেন্টগুলো সহজ তবে কাজ করার জন্য চ্যালেঞ্জিং। এটাই তো চাই আমরা।

৫. এই ডাটাসেট নিয়ে পৃথিবীতে যত কাজ হয়েছে, অন্য কোন ডাটাসেট নিয়ে সেটা হয়নি। শুধুমাত্র পুরানো বলে নয়, এর ব্যবহার থেকে আগের মানুষ শিখেছে বলেই সবাই এখনো এই ডাটাসেটকে ব্যবহার বা ‘রেফার’ করতে ভালোবাসেন। পুরো ইন্টারনেট জুড়ে ছড়িয়ে ছিটিয়ে আছে এর বিভিন্ন ডাটা ভিজুয়ালাইজেশন গ্রাফিক্স। যখন কাজ শুরু করবেন তখন আপনাআপনি এর ভালোবাসায় পড়ে যাবেন।

৬. এর উইকিপিডিয়া এন্ট্রি অসাধারণ। ছবিগুলো দেখার মতো বটে।

৭. সবচেয়ে বড় কথা হচ্ছে এই ডাটাসেট আগে থেকে দেয়া আছে আমাদের 'সাইকিট-লার্ন' এ। পাইথনের সেরা এই মেশিন লার্নিং লাইব্রেরিটা ব্যবহার করবো এখানে।

আর কিছু বলতে হবে? বুঝে গেছেন যে আইরিস ডাটাসেট নিয়ে কাজ করবো আমরা। একদম গোড়া থেকে। থাকছেন তো এই জার্নিতে?