বিশেষ ম্যাট্রিক্স (Special Matrix) – পর্ব ২: ধাপে ধাপে জটিল ধারণা সহজভাবে শেখা

In this article, we'll take a look at Show

আগের পর্বে, বিশেষ ম্যাট্রিক্স (Special Matrix) – পর্ব ১ নিয়ে আলোচনা করা হয়েছে, এই পর্বে আমরা কিছু বিশেষ ধরনের ম্যাট্রিক্স দেখব, যা এই ক্ষেত্রগুলোতে আপনার জ্ঞানকে আরও সমৃদ্ধ করবে। আমরা এখন কিছু ধারণার দিকে মনোযোগ দেব যা প্রায়শই মেশিন লার্নিং, লিনিয়ার অ্যালজেব্রা এবং ডেটা অ্যানালাইসিসে ব্যবহৃত হয়। চলেন, ম্যাট্রিক্সের (Matrix) অ্যাডভান্সড গাইড – পর্ব ২ শুরু করা যাক।

নির্ণায়ক (Determinant)

একটি বর্গাকার ম্যাট্রিক্সের নির্ণায়ক হলো একটি বিশেষ স্কেলার (scalar) মান, যা ম্যাট্রিক্সের কিছু বৈশিষ্ট্যকে প্রকাশ করে। এটি ম্যাট্রিক্সের রূপান্তরের (transformation) স্কেলিং ফ্যাক্টর (scaling factor) হিসেবে কাজ করে। নির্ণায়ক ম্যাট্রিক্সের ইনভার্স আছে কিনা তা নির্ধারণ করে। যদি $d e t (A) = 0$ হয়, তাহলে ম্যাট্রিক্সটি সিঙ্গুলার এবং ইনভার্স নেই। এছাড়া, এটি ম্যাট্রিক্সের ভলিউম বা ক্ষেত্রফল পরিবর্তনের হার নির্দেশ করে।

কোথায় ব্যবহার হয়: লিনিয়ার সমীকরণ সিস্টেম সমাধান, আইগেনভ্যালু (eigenvalue) নির্ণয় এবং কম্পিউটার গ্রাফিক্সের রূপান্তরে নির্ণায়ক ব্যবহার করা হয়।


import numpy as np

C = np.array([[5, 2],
              [8, 3]])

# ম্যাট্রিক্সের নির্ণায়ক বের করা
det_C = np.linalg.det(C)
print(f"ম্যাট্রিক্স C এর নির্ণায়ক: {det_C}")

import numpy as np

C = np.array([[5, 2],

[8, 3]])

# ম্যাট্রিক্সের নির্ণায়ক বের করা

det_C = np.linalg.det(C)

print(f"ম্যাট্রিক্স C এর নির্ণায়ক: {det_C}")

এই কোডটি একটি সহজ ২x২ ম্যাট্রিক্সের নির্ণায়ক (determinant) বের করার পদ্ধতি দেখায়। np.linalg.det(C) ফাংশনটি সরাসরি ম্যাট্রিক্স C এর নির্ণায়ক গণনা করে এবং ফলাফলটি det_C ভেরিয়েবলে সংরক্ষণ করে।


import numpy as np

A = np.array([[2, -1, 3],
              [0,  4, 5],
              [1,  2, -2]])

# Step 2: Extract elements for clarity
a, b, c = A[0]  # first row
d, e, f = A[1]  # second row
g, h, i = A[2]  # third row

print("\nMatrix elements:")
print(f"a={a}, b={b}, c={c}")
print(f"d={d}, e={e}, f={f}")
print(f"g={g}, h={h}, i={i}")

# Step 3: Apply determinant formula manually
det = a*(e*i - f*h) - b*(d*i - f*g) + c*(d*h - e*g)
# det = 2*(4*-2 - 5*2) - -1*(0*-2 - 5*1) + 3*(0*2 - 4*1)

print("\nManual determinant calculation:")
print(f"{a}*({e}*{i} - {f}*{h}) - {b}*({d}*{i} - {f}*{g}) + {c}*({d}*{h} - {e}*{g})")
print("det =", det)

# Step 4: Cross-check using numpy built-in
det_numpy = np.linalg.det(A)
print("\nDeterminant using numpy.linalg.det =", round(det_numpy))

import numpy as np

A = np.array([[2, -1, 3],

[0, 4, 5],

[1, 2, -2]])

# Step 2: Extract elements for clarity

a, b, c = A[0] # first row

d, e, f = A[1] # second row

g, h, i = A[2] # third row

print("\nMatrix elements:")

print(f"a={a}, b={b}, c={c}")

print(f"d={d}, e={e}, f={f}")

print(f"g={g}, h={h}, i={i}")

# Step 3: Apply determinant formula manually

det = a*(e*i - f*h) - b*(d*i - f*g) + c*(d*h - e*g)

# det = 2*(4*-2 - 5*2) - -1*(0*-2 - 5*1) + 3*(0*2 - 4*1)

print("\nManual determinant calculation:")

print(f"{a}*({e}*{i} - {f}*{h}) - {b}*({d}*{i} - {f}*{g}) + {c}*({d}*{h} - {e}*{g})")

print("det =", det)

# Step 4: Cross-check using numpy built-in

det_numpy = np.linalg.det(A)

print("\nDeterminant using numpy.linalg.det =", round(det_numpy))

এই কোডটি একটি সহজ 3×3 ম্যাট্রিক্সের নির্ণায়ক (determinant) বের করার পদ্ধতি দেখায়।

সিঙ্গুলার ম্যাট্রিক্স (Singular Matrix)

একটি বর্গাকার (square) ম্যাট্রিক্সকে সিঙ্গুলার বলা হয় যদি এর নির্ণায়ক (determinant) এর মান শূন্য হয়। এই ধরনের ম্যাট্রিক্সের কোনো বিপরীত ম্যাট্রিক্স (inverse) থাকে না।সিঙ্গুলার ম্যাট্রিক্সগুলো এমন সিস্টেমকে নির্দেশ করে যেখানে একাধিক সমাধান থাকতে পারে অথবা কোনো সমাধানই থাকে না। মেশিন লার্নিংয়ে, যখন ডেটাসেটে অতিরিক্ত ডেটা (redundant data) থাকে, তখন সিঙ্গুলারিটি দেখা দিতে পারে, যা মডেলের সমস্যা সমাধানের ক্ষমতাকে প্রভাবিত করে।

কোথায় ব্যবহার হয়: মডেল প্রশিক্ষণে যখন ডেটার সহ-সম্পর্ক (collinearity) বেশি থাকে, তখন এই সিঙ্গুলার ম্যাট্রিক্সের সমস্যা দেখা দেয়।


import numpy as np

A = np.array([[1, 2],
              [2, 4]])

# ম্যাট্রিক্সের নির্ণায়ক বের করা
det_A = np.linalg.det(A)
print(f"ম্যাট্রিক্স A এর নির্ণায়ক: {det_A}")

# ইনভার্স ম্যাট্রিক্স বের করার চেষ্টা
try:
    inv_A = np.linalg.inv(A)
except np.linalg.LinAlgError as err:
    print("ত্রুটি: এই ম্যাট্রিক্সটি সিঙ্গুলার, তাই এর ইনভার্স নেই।")

import numpy as np

A = np.array([[1, 2],

[2, 4]])

# ম্যাট্রিক্সের নির্ণায়ক বের করা

det_A = np.linalg.det(A)

print(f"ম্যাট্রিক্স A এর নির্ণায়ক: {det_A}")

# ইনভার্স ম্যাট্রিক্স বের করার চেষ্টা

try:

inv_A = np.linalg.inv(A)

except np.linalg.LinAlgError as err:

print("ত্রুটি: এই ম্যাট্রিক্সটি সিঙ্গুলার, তাই এর ইনভার্স নেই।")

এই কোডটি একটি সিঙ্গুলার ম্যাট্রিক্স নির্ণয় এবং তার ইনভার্স বের করার চেষ্টা করে।

np.linalg.det(A) ফাংশনটি ম্যাট্রিক্স A এর নির্ণায়ক (determinant) বের করে। এই ক্ষেত্রে, নির্ণায়ক শূন্য হবে।
np.linalg.inv(A) ফাংশনটি ইনভার্স ম্যাট্রিক্স বের করার চেষ্টা করে। কিন্তু যেহেতু ম্যাট্রিক্সটি সিঙ্গুলার (নির্ণায়ক শূন্য), এটি সম্ভব নয়। তাই try...except ব্লক ব্যবহার করে এই ত্রুটিটি (error) ধরা হয় এবং একটি উপযুক্ত বার্তা প্রিন্ট করা হয়।

নন-সিঙ্গুলার ম্যাট্রিক্স (Non-Singular Matrix)

একটি বর্গাকার ম্যাট্রিক্সকে নন-সিঙ্গুলার বলা হয় যদি এর নির্ণায়ক শূন্য না হয়। এই ধরনের ম্যাট্রিক্সের একটি অনন্য (unique) বিপরীত ম্যাট্রিক্স থাকে। নন-সিঙ্গুলার ম্যাট্রিক্সগুলো এমন সিস্টেমকে নির্দেশ করে যেখানে একটি অনন্য সমাধান রয়েছে। রৈখিক সমীকরণ সমাধানের জন্য এটি খুবই গুরুত্বপূর্ণ। এআই এবং ডেটা সায়েন্সে ডেটা বিশ্লেষণ ও মডেলিংয়ের জন্য এই ধরনের ম্যাট্রিক্স অপরিহার্য।

কোথায় ব্যবহার হয়: মেশিন লার্নিংয়ে, যখন লিনিয়ার রিগ্রেশন (Linear Regression) বা অপটিমাইজেশন (Optimization) অ্যালগরিদম ব্যবহার করা হয়, তখন নন-সিঙ্গুলার ম্যাট্রিক্সের প্রয়োজন হয়।


import numpy as np

B = np.array([[3, 1],
              [2, 4]])

# ম্যাট্রিক্সের নির্ণায়ক বের করা
det_B = np.linalg.det(B)
print(f"ম্যাট্রিক্স B এর নির্ণায়ক: {det_B}")

# ইনভার্স ম্যাট্রিক্স বের করা
inv_B = np.linalg.inv(B)
print("\nম্যাট্রিক্স B এর ইনভার্স ম্যাট্রিক্স:")
print(inv_B)

# B এবং B এর ইনভার্স ম্যাট্রিক্স গুণ করলে আইডেন্টিটি ম্যাট্রিক্স পাওয়া যায়
# যা প্রমাণ করে B নন-সিঙ্গুলার
print("\nB @ B_inv =")
print(B @ inv_B)

import numpy as np

B = np.array([[3, 1],

[2, 4]])

# ম্যাট্রিক্সের নির্ণায়ক বের করা

det_B = np.linalg.det(B)

print(f"ম্যাট্রিক্স B এর নির্ণায়ক: {det_B}")

# ইনভার্স ম্যাট্রিক্স বের করা

inv_B = np.linalg.inv(B)

print("\nম্যাট্রিক্স B এর ইনভার্স ম্যাট্রিক্স:")

print(inv_B)

# B এবং B এর ইনভার্স ম্যাট্রিক্স গুণ করলে আইডেন্টিটি ম্যাট্রিক্স পাওয়া যায়

# যা প্রমাণ করে B নন-সিঙ্গুলার

print("\nB @ B_inv =")

print(B @ inv_B)

এই কোডটি একটি নন-সিঙ্গুলার ম্যাট্রিক্স নিয়ে কাজ করে।

np.linalg.det(B) ফাংশনটি ম্যাট্রিক্স B এর নির্ণায়ক বের করে, যা শূন্য নয়।
np.linalg.inv(B) ফাংশনটি সফলভাবে B এর ইনভার্স ম্যাট্রিক্স বের করে।
B @ inv_B লাইনটি ম্যাট্রিক্স B এবং তার ইনভার্স ম্যাট্রিক্সের গুণফল বের করে। ফলাফল হিসেবে একটি আইডেন্টিটি ম্যাট্রিক্স পাওয়া যায়, যা প্রমাণ করে ম্যাট্রিক্সটি নন-সিঙ্গুলার এবং এর ইনভার্স বিদ্যমান।

ইনভার্টিবল/ইনভার্স (Invertible/Inverse) ম্যাট্রিক্স

যদি একটি বর্গাকার ম্যাট্রিক্স $A$ এর একটি বিপরীত ম্যাট্রিক্স $A^{-1}$ থাকে, তাহলে $A$ কে ইনভার্টিবল বলা হয়। যখন $A$ এবং $A^{-1}$ গুণ করা হয়, তখন একটি আইডেন্টিটি ম্যাট্রিক্স (identity matrix) $I$ পাওয়া যায়। অর্থাৎ, $A A^{-1} = A^{-1} A = I$ । সব ম্যাট্রিক্সের ইনভার্স থাকে না। ইনভার্স ম্যাট্রিক্স লিনিয়ার সমীকরণ সিস্টেমের সমাধান করতে সাহায্য করে। যদি $A x = b$ হয়, তাহলে $x = A^{-1} b$ । এটি মেশিন লার্নিংয়ে মডেলের প্যারামিটার (parameters) অপটিমাইজেশনের জন্য অত্যন্ত গুরুত্বপূর্ণ।

ইনভার্স থাকার জন্য ম্যাট্রিক্সটিকে নন-সিঙ্গুলার (non-singular) হতে হয়, যার অর্থ তার ডিটারমিন্যান্ট (determinant) শূন্য হবে না। ইনভার্স ম্যাট্রিক্স লিনিয়ার ইকুয়েশন সিস্টেম (linear equation systems) সমাধান করতে এবং ডেটা ট্রান্সফরমেশনে গুরুত্বপূর্ণ ভূমিকা রাখে।

কোথায় ব্যবহার হয়: লিনিয়ার রিগ্রেশন, নিউরাল নেটওয়ার্কের ব্যাকপ্রোপাগেশন (backpropagation) এবং বিভিন্ন গাণিতিক মডেলের সমাধান নির্ণয়ে ইনভার্স ম্যাট্রিক্স ব্যবহার করা হয়।


import numpy as np

A = np.array([[4, 7],
              [2, 6]])

# ম্যাট্রিক্সের ইনভার্স বের করা
inv_A = np.linalg.inv(A)
print("ম্যাট্রিক্স A এর ইনভার্স:")
print(inv_A)

# প্রমাণ করা যে A @ A_inv = I
print("\nA @ A_inv ম্যাট্রিক্স:")
print(A @ inv_A)

import numpy as np

A = np.array([[4, 7],

[2, 6]])

# ম্যাট্রিক্সের ইনভার্স বের করা

inv_A = np.linalg.inv(A)

print("ম্যাট্রিক্স A এর ইনভার্স:")

print(inv_A)

# প্রমাণ করা যে A @ A_inv = I

print("\nA @ A_inv ম্যাট্রিক্স:")

print(A @ inv_A)

এই কোডটি একটি ইনভার্টিবল ম্যাট্রিক্স এবং তার ইনভার্স ম্যাট্রিক্সের বৈশিষ্ট্য তুলে ধরে।

np.linalg.inv(A) ফাংশনটি ম্যাট্রিক্স A এর ইনভার্স ম্যাট্রিক্স বের করে।
A @ inv_A লাইনটি A এবং তার ইনভার্স ম্যাট্রিক্সের গুণফল বের করে। যেহেতু A ইনভার্টিবল, এই গুণফলের ফলাফল একটি আইডেন্টিটি ম্যাট্রিক্স হবে।

স্পার্স ম্যাট্রিক্স (Sparse Matrix)

একটি ম্যাট্রিক্সকে স্পার্স বলা হয় যখন এর বেশিরভাগ উপাদান শূন্য হয়। এই ধরনের ম্যাট্রিক্সগুলো মেমরিতে (memory) অনেক কম জায়গা নেয় এবং দ্রুত গণনা করা যায়, কারণ শুধু শূন্য নয় এমন উপাদানগুলো সংরক্ষণ করা হয়। এখানে ম্যাট্রিক্সটির বেশিরভাগ উপাদান শূন্য। এআই-তে অনেক বড় ডেটাসেট স্পার্স হতে পারে, যেমন টেক্সট ডেটা যেখানে প্রতিটি নথিতে খুব কম সংখ্যক শব্দ থাকে। স্পার্স ম্যাট্রিক্স ডেটার অকার্যকারিতা (inefficiency) কমিয়ে দেয় এবং গণনাকে আরও দ্রুত করে।

ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং (NLP) এর ব্যাগ-অফ-ওয়ার্ডস (Bag-of-Words) মডেল, সুপারিশ সিস্টেম (Recommender Systems) এবং গ্রাফ ডেটা বিশ্লেষণে স্পার্স ম্যাট্রিক্স ব্যাপকভাবে ব্যবহৃত হয়।


import numpy as np
from scipy.sparse import csr_matrix

# একটি স্পার্স ম্যাট্রিক্স তৈরি করা
row = np.array([0, 1, 3, 0])
col = np.array([2, 0, 1, 3])
data = np.array([3, 1, 5, 0])

sparse_matrix = csr_matrix((data, (row, col)), shape=(4, 4))
print("স্পার্স ম্যাট্রিক্স:")
print(sparse_matrix)

# ডেন্স ফরম্যাটে রূপান্তর করে ম্যাট্রিক্সটি দেখা
print("\nম্যাট্রিক্সের ডেন্স ফরম্যাট:")
print(sparse_matrix.toarray())

import numpy as np

from scipy.sparse import csr_matrix

# একটি স্পার্স ম্যাট্রিক্স তৈরি করা

row = np.array([0, 1, 3, 0])

col = np.array([2, 0, 1, 3])

data = np.array([3, 1, 5, 0])

sparse_matrix = csr_matrix((data, (row, col)), shape=(4, 4))

print("স্পার্স ম্যাট্রিক্স:")

print(sparse_matrix)

# ডেন্স ফরম্যাটে রূপান্তর করে ম্যাট্রিক্সটি দেখা

print("\nম্যাট্রিক্সের ডেন্স ফরম্যাট:")

print(sparse_matrix.toarray())

এই কোডটি একটি স্পার্স ম্যাট্রিক্স তৈরির পদ্ধতি দেখায়।

scipy.sparse.csr_matrix ব্যবহার করে একটি ৪x৪ ম্যাট্রিক্স তৈরি করা হয়েছে, যেখানে শুধুমাত্র অ-শূন্য উপাদানগুলো সংরক্ষণ করা হয়।
row, col, এবং data অ্যারেগুলো যথাক্রমে অ-শূন্য উপাদানগুলোর সারি, কলাম এবং মান নির্দেশ করে।
print(sparse_matrix) কমান্ডটি দেখায় কিভাবে scipy এই স্পার্স ফরম্যাটটি সংরক্ষণ করে।
sparse_matrix.toarray() ফাংশনটি স্পার্স ম্যাট্রিক্সটিকে একটি সাধারণ বা ডেন্স অ্যারেতে রূপান্তর করে, যাতে এর আসল চেহারা দেখা যায়।

ডেন্স ম্যাট্রিক্স (Dense Matrix)

একটি ম্যাট্রিক্সকে ডেন্স বলা হয় যখন এর বেশিরভাগ উপাদান শূন্য নয়। এটি একটি স্বাভাবিক ম্যাট্রিক্স, যেখানে প্রতিটি উপাদান স্পষ্টভাবে সংরক্ষণ করা হয়। এই ম্যাট্রিক্সের কোনো উপাদান শূন্য নয়। সাধারণত, ছোট আকারের ডেটাসেট এবং সাধারণ গাণিতিক গণনার জন্য ডেন্স ম্যাট্রিক্স ব্যবহার করা হয়। নিউরাল নেটওয়ার্কের ওজন (weights) সাধারণত ডেন্স ম্যাট্রিক্স হিসেবে সংরক্ষিত হয়।

কোথায় ব্যবহার হয়: কম্পিউটার ভিশন (Computer Vision) এ ছবি প্রক্রিয়াকরণ, ছোট ডেটাসেট নিয়ে মেশিন লার্নিং মডেল প্রশিক্ষণ এবং গাণিতিক সিমুলেশনে ডেন্স ম্যাট্রিক্স ব্যবহার করা হয়।


import numpy as np

# একটি ডেন্স ম্যাট্রিক্স তৈরি করা
dense_matrix = np.array([[1, 2, 3],
                         [4, 5, 6],
                         [7, 8, 9]])

print("ডেন্স ম্যাট্রিক্স:")
print(dense_matrix)

# ম্যাট্রিক্সের গড় নির্ণয়
mean_value = np.mean(dense_matrix)
print(f"\nম্যাট্রিক্সের গড় মান: {mean_value}")

import numpy as np

# একটি ডেন্স ম্যাট্রিক্স তৈরি করা

dense_matrix = np.array([[1, 2, 3],

[4, 5, 6],

[7, 8, 9]])

print("ডেন্স ম্যাট্রিক্স:")

print(dense_matrix)

# ম্যাট্রিক্সের গড় নির্ণয়

mean_value = np.mean(dense_matrix)

print(f"\nম্যাট্রিক্সের গড় মান: {mean_value}")

এই কোডটি একটি সাধারণ ডেন্স ম্যাট্রিক্স তৈরি করে।

np.array() ব্যবহার করে একটি ৩x৩ ডেন্স ম্যাট্রিক্স তৈরি করা হয়েছে, যেখানে কোনো উপাদান শূন্য নয়।
np.mean(dense_matrix) ফাংশনটি ম্যাট্রিক্সের সমস্ত উপাদানের গড় মান গণনা করে, যা একটি সাধারণ ডেটা প্রক্রিয়াকরণের উদাহরণ।

আইগেনভেক্টর ও আইগেনমান (Eigenvectors and Eigenvalues)

আইগেনভেক্টর (Eigenvector) এবং আইগেনমান (Eigenvalue) লিনিয়ার অ্যালজেব্রার দুটি অত্যন্ত গুরুত্বপূর্ণ ধারণা, বিশেষ করে প্রিন্সিপাল কম্পোনেন্ট অ্যানালাইসিস (PCA) এবং কিছু মেশিন লার্নিং অ্যালগরিদমে এর ব্যাপক ব্যবহার রয়েছে।

যখন একটি ম্যাট্রিক্স (একটি লিনিয়ার ট্রান্সফরমেশন) একটি ভেক্টরে প্রয়োগ করা হয়, তখন সাধারণত ভেক্টরের দিক এবং দৈর্ঘ্য উভয়ই পরিবর্তিত হয়। কিন্তু কিছু বিশেষ ভেক্টর আছে যাদের দিক ম্যাট্রিক্সের প্রয়োগের পরেও একই থাকে, শুধুমাত্র তাদের দৈর্ঘ্য একটি স্কেলার ফ্যাক্টর দ্বারা পরিবর্তিত হয়। এই বিশেষ ভেক্টরগুলোকে আইগেনভেক্টর বলা হয় এবং যে স্কেলার ফ্যাক্টর দ্বারা তাদের দৈর্ঘ্য পরিবর্তিত হয়, তাকে আইগেনমান বলা হয়।

$A v = λ v$

যেখানে:

$A$ হলো বর্গাকার ম্যাট্রিক্স
$v$ হলো আইগেনভেক্টর
$l amb d a$ (ল্যামডা) হলো সংশ্লিষ্ট আইগেনমান


import numpy as np

A = np.array([[2, 1],
              [1, 2]])

eigenvalues, eigenvectors = np.linalg.eig(A)

print("আইগেনমান (Eigenvalues):", eigenvalues)
# আউটপুট: আইগেনমান (Eigenvalues): [3. 1.]

print("আইগেনভেক্টর (Eigenvectors):\n", eigenvectors)
# আউটপুট (কলাম আকারে):
# আইগেনভেক্টর (Eigenvectors):
#  [[ 0.70710678 -0.70710678]
#  [ 0.70710678  0.70710678]]

import numpy as np

A = np.array([[2, 1],

[1, 2]])

eigenvalues, eigenvectors = np.linalg.eig(A)

print("আইগেনমান (Eigenvalues):", eigenvalues)

# আউটপুট: আইগেনমান (Eigenvalues): [3. 1.]

print("আইগেনভেক্টর (Eigenvectors):\n", eigenvectors)

# আউটপুট (কলাম আকারে):

# আইগেনভেক্টর (Eigenvectors):

# [[ 0.70710678 -0.70710678]

# [ 0.70710678 0.70710678]]

উপরের উদাহরণে, $A$ ম্যাট্রিক্সের দুটি আইগেনমান ( $3$ এবং $1$ ) এবং দুটি সংশ্লিষ্ট আইগেনভেক্টর রয়েছে। আইগেনভেক্টরগুলো কলাম আকারে প্রিন্ট হয়।

একজন এআই শিক্ষার্থী হিসেবে লিনিয়ার অ্যালজেবরা (Linear Algebra) শেখা খুবই গুরুত্বপূর্ণ। বিশেষ ধরনের ম্যাট্রিক্স গুলো নিয়ে আমরা তিনটি পর্বে আলোচনা করবো | এটা ছিল দ্বিতীয় পর্ব | আশা করছি , এই পোস্টটি আপনাকে বিশেষ ম্যাট্রিক্স সম্পর্কে একটি পরিষ্কার ধারণা দিতে পেরেছে। আপনার কোন প্রশ্ন বা মতামত থাকলে থাকলে কমেন্ট এ জানাবেন |