ভিত্তি
- Discrete math আর proof
- Algorithm আর data structure
- Computer system
Computing-এর গভীরে যান · ক্যারিয়ার গাইড
Systems, Algorithms & Research
Computing-এর ভেতরের নিয়মগুলো অনুসন্ধান করা, ধারণাকে প্রমাণ বা পরিমাপ করা, এবং অন্যরা যে ভিত্তির ওপর প্রযুক্তি বানায় সেটিকে আরও এগিয়ে নেওয়া।
এক নজরে ক্যারিয়ার
কাজের চাপ কেমন
তিনটি dot মানে ‘ভালো’ নয়। শুধু বোঝায়—এই ক্যারিয়ারে ওই ধরনের কাজ বেশি আসে।
কোডিং
গণিত
সিস্টেমের গভীরতা
অনুসন্ধান
সৃজনশীলতা
যোগাযোগ
Production-এর দায়িত্ব
আসল কাজ
একটি সত্যিকারের সপ্তাহে যা করতে হতে পারে
- Paper পড়ে unanswered question খোঁজা।
- Algorithm, system বা experiment design।
- Property prove বা behavior carefully measure।
- Prototype build আর assumption challenge।
- অন্যরা verify করতে পারে—এমন পরিষ্কারভাবে লেখা।
বাস্তব কথাটা
Tutorial শেষ করা আর production-এর ফলাফলের দায় নেওয়া এক দক্ষতা নয়। এই page-এর কাজ hype তোলা নয়—দুটোর মাঝের ফাঁকটা দেখানো।
ভালো লাগতে পারে যদি
কৌতূহলের ছোট ইঙ্গিত
- কোন tool শুধু নয়—কেন, সেটা জিজ্ঞেস করতে থাকুন।
- Deep focus আর ambiguous question energize করে।
- Precision, evidence আর idea explain করা ভালো লাগে।
কঠিন লাগতে পারে যদি
যে অংশটি অস্বস্তিকর হতে পারে
- প্রতিদিন immediate product feedback চাই।
- Dense material পড়া pointless লাগে।
- কয়েকটি failed experiment-এই curiosity শেষ।
বাস্তবসম্মত একটি দিন
প্রতিদিন এমন হবে না, তবে চাপের স্বাদটা এমন হতে পারে
এই timeline কোনো সাজানো career fantasy নয়; সাধারণ কয়েকটি কাজের সম্ভাব্য মিশ্রণ।
Paper পড়ে যে assumption চিন্তায় ফেলে সেটা mark।
নিজের idea disprove করতে পারে এমন baseline design।
Next try-এর আগে কী fail করেছে লিখে রাখা।
কীভাবে শিখবেন
Checklist নয়—ধাপে ধাপে এগোনোর পথ
মূল দক্ষতা
- Experimental method
- Technical work পড়া আর লেখা
- একটি depth area
হাতে-কলমে কাজ
- Result reproduce
- Honestly measure
- Short report লেখা
পরে
- Graduate-level topic
- Original research
- Publication আর peer review
যেগুলো এখনই না শিখলেও চলবে
এখনই নয়—কারণ কোনটার পর কোনটা শিখছ, সেটি জরুরি
- Foundation বা question ছাড়াই advanced paper পড়া।
- Known result reproduce করার আগে novelty chase।
- Research মানে implementation এড়িয়ে যাওয়া ভাবা।
ভবিষ্যতের আপনি বলছেন
‘পরে’ মানে অপ্রয়োজনীয় নয়। ভিত তৈরি হওয়ার আগে শিখলে শুধু context-টাই থাকবে না।
AI ও এই ক্যারিয়ার
কাজ কতটা automate হতে পারে
এটি replacement-এর শতকরা হিসাব নয়। AI-এর ক্ষমতা বদলাবে; তাই কাজ, বিচারবোধ আর দায়িত্ব—তিনটাকে আলাদা করে দেখুন।
Familiar literature summarize
AI text compress করতে পারে, citation বানাতে বা nuance মুছতে পারে।
আপনার করণীয়: Primary source পড়ুন আর citation verify করুন।
Prototype generation
AI code accelerate করে, experimental validity-র জন্য design লাগে।
আপনার করণীয়: Expectation আগে লিখে baseline independently test করুন।
Meaningful question আর defensible evidence তৈরি
Novelty আর scientific responsibility-তে informed judgment লাগে।
আপনার করণীয়: Method, critique আর transparent reporting শিখুন।
বাছাই করা শেখার রিসোর্স
Learn → Practice → Go deeper
কতগুলো resource জমিয়েছেন, সেটি progress নয়। দরকারি অংশটুকু শেষ করে কিছু বানান।
Algorithms, Part I
Problem solve করা থেকে algorithm নিয়ে rigorously ভাবার সেতু।
এতটুকু করুন: Core data structure, sorting আর graph foundation audit করুন।
শেষবার যাচাই:
Nand2Tetris
Software-এর নিচে আসলে কী আছে—তার concrete mental model বানায়।
এতটুকু করুন: Project 1–5 করে gate, CPU আর machine code-এর যোগটা বুঝুন।
শেষবার যাচাই:
Teach Yourself Computer Science
Tool tutorial-এর বাইরে depth চাইলে শক্ত curated map।
এতটুকু করুন: Subject map ব্যবহার করুন; একসঙ্গে সব নয়, একটি deep subject বেছে নিন।
শেষবার যাচাই:
এবার কী করবেন
এবার নিজের জন্য কোন evidence বানাবে?
কাছাকাছি আরও কিছু পথ
Skill থেকে গন্তব্য
এই skill নিয়ে কোথায় এগোবেন?
Career roadmap বলে কী শিখবেন। Goal guide বলে সেই skill দিয়ে কীভাবে এগোবেন। একটি পথ দিয়ে শুরু করুন; সব একসঙ্গে নয়।