মেশিন লার্নিং-এর রহস্যভেদ: মূল বিষয়গুলির একটি বিশ্বব্যাপী পরিচিতি

আজকের দ্রুত পরিবর্তনশীল প্রযুক্তিগত পরিবেশে, মেশিন লার্নিং (ML) একটি রূপান্তরকারী শক্তি হিসাবে আবির্ভূত হয়েছে, যা শিল্পকে নতুন আকার দিচ্ছে এবং আমাদের দৈনন্দিন জীবনকে প্রভাবিত করছে। স্ট্রিমিং পরিষেবাগুলিতে ব্যক্তিগতকৃত সুপারিশ থেকে শুরু করে অত্যাধুনিক চিকিৎসা নির্ণয় পর্যন্ত, ML সিস্টেমগুলি ক্রমবর্ধমানভাবে সর্বব্যাপী হয়ে উঠছে। তবে, অনেকের কাছে এর অন্তর্নিহিত নীতিগুলি জটিল এবং ভীতিজনক বলে মনে হতে পারে। এই বিশদ নির্দেশিকাটি মেশিন লার্নিং-এর মৌলিক ধারণাগুলির একটি স্পষ্ট, সহজবোধ্য এবং বিশ্বব্যাপী প্রাসঙ্গিক পরিচিতি প্রদান করে এর রহস্য উন্মোচন করার লক্ষ্য রাখে।

মেশিন লার্নিং কী?

এর মূলে, মেশিন লার্নিং হলো কৃত্রিম বুদ্ধিমত্তার (AI) একটি উপশাখা যা সিস্টেমগুলিকে স্পষ্টভাবে প্রোগ্রামিং ছাড়াই ডেটা থেকে শিখতে সক্ষম করার উপর মনোযোগ দেয়। প্রতিটি সম্ভাব্য পরিস্থিতির জন্য ধাপে ধাপে নির্দেশাবলী প্রদানের পরিবর্তে, আমরা মেশিনগুলিকে এমন অ্যালগরিদম দিয়ে সজ্জিত করি যা তাদের প্যাটার্ন শনাক্ত করতে, ভবিষ্যদ্বাণী করতে এবং সময়ের সাথে সাথে তাদের কর্মক্ষমতা উন্নত করতে সাহায্য করে যখন তারা আরও ডেটার সংস্পর্শে আসে। এটিকে এমনভাবে ভাবুন যেন একটি শিশুকে প্রতিটি নিয়ম মুখস্থ করানোর পরিবর্তে উদাহরণ দেখিয়ে শেখানো হচ্ছে।

মূল ধারণাটি হলো মেশিনগুলিকে মানুষের মতোই অভিজ্ঞতা থেকে শিখতে সক্ষম করা। এই 'অভিজ্ঞতা' ডেটার আকারে আসে। একটি মেশিন লার্নিং মডেলকে যত বেশি ডেটার উপর প্রশিক্ষণ দেওয়া হয়, এটি সাধারণত তার নির্দিষ্ট কাজটি সম্পাদনে ততটাই ভালো হয়ে ওঠে।

মেশিন লার্নিং-এর স্তম্ভসমূহ

মেশিন লার্নিংকে বিস্তৃতভাবে তিনটি প্রধান প্রকারে শ্রেণীবদ্ধ করা যেতে পারে, যার প্রতিটি ভিন্ন ধরণের সমস্যা এবং ডেটার জন্য উপযুক্ত:

১. সুপারভাইজড লার্নিং

সুপারভাইজড লার্নিং হলো মেশিন লার্নিং-এর সবচেয়ে সাধারণ রূপ। এই পদ্ধতিতে, অ্যালগরিদমকে একটি লেবেলযুক্ত ডেটাসেটের উপর প্রশিক্ষণ দেওয়া হয়, যার অর্থ প্রতিটি ডেটা পয়েন্ট তার সঠিক আউটপুট বা 'লেবেল'-এর সাথে যুক্ত থাকে। এর লক্ষ্য হলো ইনপুট ডেটা থেকে আউটপুট লেবেলে একটি ম্যাপিং ফাংশন শেখা, যা মডেলটিকে নতুন, অদেখা ডেটার জন্য আউটপুট ভবিষ্যদ্বাণী করতে দেয়।

সুপারভাইজড লার্নিং-এর মূল ধারণা:

• ক্লাসিফিকেশন: এর মধ্যে ডেটা পয়েন্টগুলিকে পূর্বনির্ধারিত বিভাগ বা ক্লাসে বিভক্ত করা জড়িত। উদাহরণস্বরূপ, একটি ইমেলকে 'স্প্যাম' বা 'নট স্প্যাম' হিসাবে শ্রেণীবদ্ধ করা, বা একটি ছবিতে 'বিড়াল' বা 'কুকুর' আছে কিনা তা শনাক্ত করা।
• রিগ্রেশন: এর মধ্যে একটি ধারাবাহিক সংখ্যাসূচক মানের ভবিষ্যদ্বাণী করা জড়িত। উদাহরণগুলির মধ্যে রয়েছে বৈশিষ্ট্যগুলির উপর ভিত্তি করে বাড়ির দামের পূর্বাভাস দেওয়া, স্টক মার্কেটের প্রবণতা ভবিষ্যদ্বাণী করা, বা অধ্যয়নের সময়ের উপর ভিত্তি করে একজন শিক্ষার্থীর পারফরম্যান্স অনুমান করা।

সাধারণ অ্যালগরিদম:

• লিনিয়ার রিগ্রেশন: ইনপুট বৈশিষ্ট্যগুলির সাথে একটি রৈখিক সম্পর্কের উপর ভিত্তি করে একটি ধারাবাহিক আউটপুট ভবিষ্যদ্বাণী করার জন্য একটি সহজ কিন্তু শক্তিশালী অ্যালগরিদম।
• লজিস্টিক রিগ্রেশন: ক্লাসিফিকেশন কাজের জন্য ব্যবহৃত হয়, এটি একটি ডেটা পয়েন্টের একটি নির্দিষ্ট ক্লাসের অন্তর্গত হওয়ার সম্ভাবনা ভবিষ্যদ্বাণী করে।
• ডিসিশন ট্রি: গাছের মতো কাঠামো যা সিদ্ধান্ত গ্রহণের প্রক্রিয়াগুলিকে প্রতিনিধিত্ব করে, যা ক্লাসিফিকেশন এবং রিগ্রেশন উভয়ের জন্যই দরকারী।
• সাপোর্ট ভেক্টর মেশিন (SVMs): অ্যালগরিদম যা ডেটা পয়েন্টগুলিকে বিভিন্ন শ্রেণিতে বিভক্ত করার জন্য একটি সর্বোত্তম হাইপারপ্লেন খুঁজে বের করে।
• র‍্যান্ডম ফরেস্ট: একটি অ্যানসেম্বল পদ্ধতি যা নির্ভুলতা এবং দৃঢ়তা উন্নত করতে একাধিক ডিসিশন ট্রিকে একত্রিত করে।

বিশ্বব্যাপী উদাহরণ:

কল্পনা করুন একটি বিশ্বব্যাপী ই-কমার্স প্ল্যাটফর্ম ভবিষ্যদ্বাণী করতে চায় যে একজন গ্রাহক একটি বিজ্ঞাপনে ক্লিক করবে কিনা। তারা একটি সুপারভাইজড লার্নিং মডেলকে প্রশিক্ষণ দেওয়ার জন্য ব্যবহারকারীর মিথস্ক্রিয়ার ঐতিহাসিক ডেটা (ক্লিক, কেনাকাটা, জনসংখ্যাতাত্ত্বিক তথ্য – 'ক্লিক করা হয়েছে' বা 'ক্লিক করা হয়নি' হিসাবে লেবেলযুক্ত) ব্যবহার করতে পারে। এই মডেলটি তখন একজন ব্যবহারকারীর একটি নতুন বিজ্ঞাপনে ক্লিক করার সম্ভাবনা ভবিষ্যদ্বাণী করতে পারে, যা প্ল্যাটফর্মটিকে বিভিন্ন অঞ্চলে তার বিপণন ব্যয় অপ্টিমাইজ করতে সহায়তা করে।

২. আনসুপারভাইজড লার্নিং

আনসুপারভাইজড লার্নিং-এ, অ্যালগরিদমটিকে একটি লেবেলবিহীন ডেটাসেটের উপর প্রশিক্ষণ দেওয়া হয়। এখানে লক্ষ্য হলো সঠিক আউটপুট সম্পর্কে কোনো পূর্ব জ্ঞান ছাড়াই ডেটার মধ্যে লুকানো প্যাটার্ন, কাঠামো এবং সম্পর্ক আবিষ্কার করা। এটি ডেটাকে নিজের কথা বলতে দেওয়ার মতো।

আনসুপারভাইজড লার্নিং-এর মূল ধারণা:

• ক্লাস্টারিং: এর মধ্যে একই রকম ডেটা পয়েন্টগুলিকে একসাথে ক্লাস্টারে গোষ্ঠীভুক্ত করা জড়িত। উদাহরণস্বরূপ, গ্রাহকদের তাদের কেনাকাটার আচরণের উপর ভিত্তি করে বিভিন্ন গ্রুপে বিভক্ত করা, বা একই রকম সংবাদ নিবন্ধগুলিকে গোষ্ঠীভুক্ত করা।
• ডাইমেনশনালিটি রিডাকশন: এই কৌশলটি যতটা সম্ভব গুরুত্বপূর্ণ তথ্য ধরে রেখে একটি ডেটাসেটের বৈশিষ্ট্যের (ভেরিয়েবল) সংখ্যা কমানোর লক্ষ্য রাখে। এটি ডেটা ভিজ্যুয়ালাইজ করতে এবং অন্যান্য মেশিন লার্নিং অ্যালগরিদমের দক্ষতা উন্নত করতে সহায়তা করতে পারে।
• অ্যাসোসিয়েশন রুল মাইনিং: এটি বড় ডেটাসেটে ভেরিয়েবলগুলির মধ্যে সম্পর্ক আবিষ্কার করতে ব্যবহৃত হয়, যা প্রায়শই মার্কেট বাস্কেট বিশ্লেষণে দেখা যায় (যেমন, "যে গ্রাহকরা রুটি কেনেন তারা দুধও কেনেন")।

সাধারণ অ্যালগরিদম:

• কে-মিনস ক্লাস্টারিং (K-Means Clustering): একটি জনপ্রিয় অ্যালগরিদম যা ডেটাকে 'k'টি স্বতন্ত্র ক্লাস্টারে বিভক্ত করে।
• হায়ারার্কিক্যাল ক্লাস্টারিং: ক্লাস্টারের একটি অনুক্রম তৈরি করে, যা একটি ডেনড্রোগ্রাম দ্বারা উপস্থাপিত হয়।
• প্রিন্সিপাল কম্পোনেন্ট অ্যানালিসিস (PCA): ডাইমেনশনালিটি রিডাকশনের জন্য একটি বহুল ব্যবহৃত কৌশল।
• অ্যাপ্রায়োরি অ্যালগরিদম (Apriori Algorithm): অ্যাসোসিয়েশন রুল মাইনিংয়ের জন্য ব্যবহৃত হয়।

বিশ্বব্যাপী উদাহরণ:

একটি বহুজাতিক ব্যাংক প্রতারণামূলক লেনদেন শনাক্ত করতে আনসুপারভাইজড লার্নিং ব্যবহার করতে পারে। বিভিন্ন দেশে লক্ষ লক্ষ লেনদেনের প্যাটার্ন বিশ্লেষণ করে, অ্যালগরিদমটি 'সাধারণ' লেনদেনগুলিকে একসাথে গোষ্ঠীভুক্ত করতে পারে। যে কোনও লেনদেন যা এই প্রতিষ্ঠিত প্যাটার্নগুলি থেকে উল্লেখযোগ্যভাবে বিচ্যুত হয়, তা নির্দিষ্ট দেশ বা মুদ্রা নির্বিশেষে সম্ভাব্য প্রতারণামূলক হিসাবে চিহ্নিত হতে পারে।

৩. রেইনফোর্সমেন্ট লার্নিং

রেইনফোর্সমেন্ট লার্নিং (RL) হলো এক ধরনের মেশিন লার্নিং যেখানে একটি 'এজেন্ট' একটি লক্ষ্য অর্জনের জন্য পরিবেশে কাজ সম্পাদন করে সিদ্ধান্ত নেওয়ার একটি ক্রম শেখে। এজেন্ট ভাল কাজের জন্য পুরস্কার এবং খারাপ কাজের জন্য শাস্তি পায়, সময়ের সাথে সাথে তার ক্রমবর্ধমান পুরস্কার সর্বাধিক করার জন্য পরীক্ষা-নিরীক্ষার মাধ্যমে শেখে।

রেইনফোর্সমেন্ট লার্নিং-এর মূল ধারণা:

• এজেন্ট: শিক্ষানবিশ বা সিদ্ধান্ত গ্রহণকারী।
• এনভায়রনমেন্ট: বিশ্ব বা সিস্টেম যার সাথে এজেন্ট মিথস্ক্রিয়া করে।
• স্টেট: পরিবেশের বর্তমান পরিস্থিতি বা প্রেক্ষাপট।
• অ্যাকশন: এজেন্ট দ্বারা করা একটি পদক্ষেপ।
• রিওয়ার্ড: পরিবেশ থেকে প্রতিক্রিয়া যা একটি কাজের আকাঙ্ক্ষিততা নির্দেশ করে।

সাধারণ অ্যালগরিদম:

• কিউ-লার্নিং (Q-Learning): একটি মডেল-মুক্ত RL অ্যালগরিদম যা একটি নির্দিষ্ট স্টেটে একটি অ্যাকশন নেওয়ার মান অনুমান করে একটি পলিসি শেখে।
• ডিপ কিউ-নেটওয়ার্ক (DQN): জটিল পরিবেশগুলি পরিচালনা করতে ডিপ নিউরাল নেটওয়ার্কের সাথে কিউ-লার্নিংকে একত্রিত করে।
• পলিসি গ্রেডিয়েন্টস: অ্যালগরিদম যা সরাসরি পলিসি ফাংশন শেখে যা স্টেটকে অ্যাকশনে ম্যাপ করে।

বিশ্বব্যাপী উদাহরণ:

বিশ্বব্যাপী শিপিং রুট পরিচালনার জটিল লজিস্টিকসের কথা ভাবুন। একটি রেইনফোর্সমেন্ট লার্নিং এজেন্টকে ডেলিভারি সময়সূচী অপ্টিমাইজ করার জন্য প্রশিক্ষণ দেওয়া যেতে পারে, যা বিভিন্ন মহাদেশ জুড়ে আবহাওয়ার ধরণ, ওঠানামা করা জ্বালানির দাম এবং বিভিন্ন দেশের বন্দরে যানজটের মতো ভেরিয়েবলগুলিকে বিবেচনায় নেয়। এজেন্টটি ডেলিভারির সময় এবং খরচ কমানোর জন্য ধারাবাহিক সিদ্ধান্ত নিতে শিখবে (যেমন, একটি জাহাজকে পুনরায় রুট করা), দক্ষ ডেলিভারির জন্য পুরস্কার এবং বিলম্বের জন্য শাস্তি পাবে।

মেশিন লার্নিং ওয়ার্কফ্লো

একটি মেশিন লার্নিং মডেল তৈরি এবং স্থাপন করার জন্য সাধারণত একটি পদ্ধতিগত ওয়ার্কফ্লো জড়িত থাকে:

1. সমস্যা নির্ধারণ: আপনি যে সমস্যাটি সমাধান করতে চান এবং মেশিন লার্নিং দিয়ে কী অর্জন করতে চান তা স্পষ্টভাবে নির্ধারণ করুন। এটি কি ভবিষ্যদ্বাণী, ক্লাসিফিকেশন, ক্লাস্টারিং, নাকি অপ্টিমাইজেশন?
2. ডেটা সংগ্রহ: বিভিন্ন উৎস থেকে প্রাসঙ্গিক ডেটা সংগ্রহ করুন। মডেলের পারফরম্যান্সের জন্য ডেটার গুণমান এবং পরিমাণ অত্যন্ত গুরুত্বপূর্ণ। এতে বিশ্বজুড়ে ডেটাবেস, এপিআই, সেন্সর বা ব্যবহারকারী-উত্পাদিত সামগ্রী জড়িত থাকতে পারে।
3. ডেটা প্রিপ্রসেসিং: কাঁচা ডেটা প্রায়শই অগোছালো থাকে। এই ধাপে ডেটা পরিষ্কার করা (অনুপস্থিত মান, আউটলায়ার পরিচালনা করা), এটিকে রূপান্তর করা (স্কেলিং, ক্যাটাগরিক্যাল ভেরিয়েবল এনকোডিং), এবং এটিকে লার্নিং অ্যালগরিদমের জন্য প্রস্তুত করা জড়িত। এই পর্যায়টি প্রায়শই সবচেয়ে সময়সাপেক্ষ হয়।
4. ফিচার ইঞ্জিনিয়ারিং: মডেলের নির্ভুলতা উন্নত করতে বিদ্যমান বৈশিষ্ট্যগুলি থেকে নতুন বৈশিষ্ট্য তৈরি করা। এর জন্য ডোমেন জ্ঞান এবং সৃজনশীলতা প্রয়োজন।
5. মডেল নির্বাচন: সমস্যার ধরণ, ডেটার বৈশিষ্ট্য এবং পছন্দসই ফলাফলের উপর ভিত্তি করে উপযুক্ত মেশিন লার্নিং অ্যালগরিদম বেছে নেওয়া।
6. মডেল প্রশিক্ষণ: প্যাটার্ন এবং সম্পর্ক শেখার জন্য নির্বাচিত অ্যালগরিদমে প্রিপ্রসেসড ডেটা সরবরাহ করা। এর মধ্যে ডেটাকে প্রশিক্ষণ এবং পরীক্ষার সেটে বিভক্ত করা জড়িত।
7. মডেল মূল্যায়ন: অদেখা পরীক্ষার ডেটার উপর বিভিন্ন মেট্রিক (নির্ভুলতা, প্রিসিশন, রিকল, এফ১-স্কোর, ইত্যাদি) ব্যবহার করে প্রশিক্ষিত মডেলের কর্মক্ষমতা মূল্যায়ন করা।
8. হাইপারপ্যারামিটার টিউনিং: মডেলের কর্মক্ষমতা অপ্টিমাইজ করার জন্য তার সেটিংস (হাইপারপ্যারামিটার) সামঞ্জস্য করা।
9. মডেল ডিপ্লয়মেন্ট: প্রশিক্ষিত মডেলটিকে একটি প্রোডাকশন পরিবেশে একীভূত করা যেখানে এটি নতুন ডেটার উপর ভবিষ্যদ্বাণী বা সিদ্ধান্ত নিতে ব্যবহার করা যেতে পারে।
10. পর্যবেক্ষণ এবং রক্ষণাবেক্ষণ: বাস্তব জগতে মডেলের কর্মক্ষমতা ক্রমাগত পর্যবেক্ষণ করা এবং এর কার্যকারিতা বজায় রাখার জন্য প্রয়োজন অনুসারে এটিকে পুনরায় প্রশিক্ষণ বা আপডেট করা।

বিশ্বব্যাপী দর্শকদের জন্য মূল বিবেচ্য বিষয়

বিশ্বব্যাপী প্রেক্ষাপটে মেশিন লার্নিং প্রয়োগ করার সময়, বেশ কয়েকটি বিষয় সতর্কতার সাথে বিবেচনা করা প্রয়োজন:

• ডেটা গোপনীয়তা এবং প্রবিধান: বিভিন্ন দেশে বিভিন্ন ডেটা গোপনীয়তা আইন রয়েছে (যেমন, ইউরোপে জিডিপিআর, ক্যালিফোর্নিয়ায় সিসিপিএ)। আন্তর্জাতিকভাবে ডেটা সংগ্রহ, সংরক্ষণ এবং প্রক্রিয়াকরণের সময় সম্মতি অপরিহার্য।
• সাংস্কৃতিক সূক্ষ্মতা এবং পক্ষপাতিত্ব: ডেটাসেটগুলি অসাবধানতাবশত সামাজিক বৈষম্য বা সাংস্কৃতিক নিয়ম প্রতিফলিত করে পক্ষপাতিত্ব ধারণ করতে পারে। বিভিন্ন জনগোষ্ঠীর মধ্যে ন্যায্য এবং ন্যায়সঙ্গত ফলাফল নিশ্চিত করতে এই পক্ষপাতিত্বগুলি শনাক্ত করা এবং প্রশমিত করা অত্যন্ত গুরুত্বপূর্ণ। উদাহরণস্বরূপ, প্রধানত একটি জাতিগত গোষ্ঠীর উপর প্রশিক্ষিত ফেসিয়াল রিকগনিশন সিস্টেমগুলি অন্যদের উপর খারাপ কাজ করতে পারে।
• ভাষা এবং স্থানীয়করণ: পাঠ্য বা বক্তৃতা জড়িত অ্যাপ্লিকেশনগুলির জন্য, একাধিক ভাষা এবং উপভাষা পরিচালনা করা অপরিহার্য। প্রাকৃতিক ভাষা প্রক্রিয়াকরণ (NLP) কৌশলগুলিকে বিভিন্ন ভাষাগত প্রেক্ষাপটের জন্য খাপ খাইয়ে নিতে হবে।
• অবকাঠামো এবং অ্যাক্সেসিবিলিটি: কম্পিউটিং সংস্থান, ইন্টারনেট সংযোগ এবং প্রযুক্তিগত দক্ষতার প্রাপ্যতা অঞ্চল জুড়ে উল্লেখযোগ্যভাবে পরিবর্তিত হতে পারে। সীমিত অবকাঠামো সহ পরিবেশেও সমাধানগুলিকে শক্তিশালী এবং দক্ষ করার জন্য ডিজাইন করার প্রয়োজন হতে পারে।
• নৈতিক প্রভাব: এআই এবং এমএল প্রযুক্তির স্থাপনা চাকরিচ্যুতি, অ্যালগরিদমিক স্বচ্ছতা, জবাবদিহিতা এবং অপব্যবহারের সম্ভাবনা সম্পর্কে গভীর নৈতিক প্রশ্ন উত্থাপন করে। একটি বিশ্বব্যাপী সংলাপ এবং দায়িত্বশীল উন্নয়ন অনুশীলন অত্যাবশ্যক।

মেশিন লার্নিং-এর ভবিষ্যৎ

মেশিন লার্নিং একটি দ্রুত বিকশিত ক্ষেত্র। ডিপ লার্নিং-এর মতো ক্ষেত্রগুলি, যা জটিল প্যাটার্ন শেখার জন্য একাধিক স্তর সহ কৃত্রিম নিউরাল নেটওয়ার্ক ব্যবহার করে, কম্পিউটার ভিশন এবং প্রাকৃতিক ভাষা বোঝার মতো ক্ষেত্রে উল্লেখযোগ্য অগ্রগতি সাধন করছে। ইন্টারনেট অফ থিংস (IoT) এবং ব্লকচেইনের মতো অন্যান্য প্রযুক্তির সাথে এমএল-এর সংযুক্তি আরও উদ্ভাবনী অ্যাপ্লিকেশনের প্রতিশ্রুতি দেয়।

যেহেতু এমএল সিস্টেমগুলি আরও পরিশীলিত হয়ে উঠছে, ডেটা সায়েন্স, এমএল ইঞ্জিনিয়ারিং এবং এআই গবেষণায় দক্ষ পেশাদারদের চাহিদা বিশ্বব্যাপী বাড়তে থাকবে। মেশিন লার্নিং-এর মূল বিষয়গুলি বোঝা আর কেবল প্রযুক্তি বিশেষজ্ঞদের জন্য নয়; এটি ভবিষ্যতের পথে চলার জন্য একটি অপরিহার্য সাক্ষরতা হয়ে উঠছে।

উপসংহার

মেশিন লার্নিং একটি শক্তিশালী হাতিয়ার যা, যখন দায়িত্বের সাথে বোঝা এবং প্রয়োগ করা হয়, তখন উদ্ভাবনকে চালিত করতে এবং জটিল বিশ্বব্যাপী চ্যালেঞ্জগুলি সমাধান করতে পারে। সুপারভাইজড, আনসুপারভাইজড এবং রেইনফোর্সমেন্ট লার্নিং-এর মৌলিক ধারণাগুলি উপলব্ধি করে এবং একটি বৈচিত্র্যময় আন্তর্জাতিক দর্শকদের জন্য অনন্য বিবেচ্য বিষয়গুলি সম্পর্কে সচেতন থেকে, আমরা এই রূপান্তরকারী প্রযুক্তির পূর্ণ সম্ভাবনাকে কাজে লাগাতে পারি। এই পরিচিতিটি মেশিন লার্নিং-এর উত্তেজনাপূর্ণ জগতে আরও অন্বেষণ এবং শেখার জন্য উৎসাহ প্রদানকারী একটি সোপান হিসাবে কাজ করে।