সাপোর্ট ক্লাস

Data Engineering Bootcamp

স্কিল্ড Data Engineer হবার কমপ্লিট রোডম্যাপ ২০২৬: শূন্য থেকে জব রেডি

ড্যাটা এনালিস্ট vs ড্যাটা সায়েন্টিস্ট vs ড্যাটা ইঞ্জিনিয়ার: কোনটার কাজ কী?

ব্যাচে ভর্তি হোন

Excel, SQL, এবং Power BI ডেটা অ্যানালাইসিসে দক্ষতা অর্জন এখন আর কোনো রকেট সায়েন্স নয়, তবে সঠিক গাইডলাইন এবং প্র্যাকটিক্যাল নলেজ ছাড়া অনেকেই ডেটা অ্যানালিটিক্সের সম্ভাবনাকে পুরোপুরি কাজে লাগাতে পারছেন না। তাই, ওস্তাদ নিয়ে এলো “Data Analytics Job Ready Programme” - যেখানে একদম বেসিক থেকে অ্যাডভান্সড Excel, SQL, এবং Power BI পর্যন্ত শেখানো হবে।&nbsp;এই লাইভ ব্যাচে যা থাকছে: <ul><li>- Excel দিয়ে শুরু করে Power Query, Power Pivot এবং DAX পর্যন্ত ডেটা ক্লিনিং, মডেলিং এবং Business Dashboard তৈরির সবকিছু হাতে-কলমে শিখবেন। এরপর SQL দিয়ে ডেটা এক্সট্র্যাকশন ও অ্যানালাইসিস এবং Power BI দিয়ে প্রফেশনাল ভিজুয়ালাইজেশন ও রিপোর্ট পাবলিশিং শেখানো হবে। - AI-এর যুগে এগিয়ে থাকতে Claude দিয়ে Excel ফর্মুলা লেখা এবং Power BI ড্যাশবোর্ড তৈরির মতো AI-Assisted Data Analytics-ও কভার করা হবে।</li><li>- প্রতিটি সেকশন শেষে থাকছে Exam Week অ্যাসাইনমেন্ট ও লাইভ টেস্টের মাধ্যমে নিজের দক্ষতা যাচাই করার সুযোগ।</li><li>- ক্যারিয়ার গাইডলাইনে থাকছে Resume তৈরি, ইন্টারভিউ প্রস্তুতি, জব মার্কেট স্ট্র্যাটেজি এবং ফ্রিল্যান্সিং মার্কেটপ্লেসে সফল হওয়ার A to Z। সহজ ভাষায় বলতে গেলে, জিরো থেকে একজন প্রফেশনাল Data Analyst হওয়ার জন্য যা যা প্রয়োজন, তার পূর্ণাঙ্গ রোডম্যাপ পাবেন এই কোর্সে।</li></ul>

Data Analytics Community

Deep Dive into Excel

Understanding SQL

PowerBI and Data Visualization 

AI-Driven Data Analytics & Visualization

Job Market & Freelancing Marketplace Guideline

AI Driven Data Analytics Career Track Program

ডাটা সায়েন্সের এই কম্পিটিটিভ ওয়ার্ল্ডে আপনাকে একজন দক্ষ প্রফেশনাল হিসেবে তৈরি করতেই Ostad দেশসেরা ডাটা সায়েন্স প্র্যাক্টিশনার, ইন্ডাস্ট্রি লিডারদের সহায়তায় তৈরি করেছে Data Science &amp; Machine Learning with Python এই লাইভ ব্যাচে যা থাকছে:<ul><li> - শুরু হবে Python প্রোগ্রামিং-এর একদম বেসিক থেকে Variables, OOP, Data Structures সব ধাপে ধাপে। এরপর SQL, NumPy, Pandas দিয়ে ডেটা অ্যানালাইসিস এবং Matplotlib, Seaborn, Plotly দিয়ে প্রফেশনাল ডেটা ভিজ্যুয়ালাইজেশন শেখানো হবে।</li><li>- Machine Learning অংশে থাকছে Linear Regression, Logistic Regression, KNN, Decision Tree, SVM, K-Means Clustering-সহ বিভিন্ন অ্যালগরিদম। এবং Advanced অংশে থাকছে Neural Network ও NLP-এর ইন্ট্রোডাকশন।</li><li>- এছাড়া Academic Research কীভাবে করতে হয়, Research Paper কীভাবে লিখতে ও পাবলিশ করতে হয় এই বিশেষ মডিউলটি এই কোর্সকে অনন্য করে তুলেছে।</li><li>- ক্যারিয়ার গাইডলাইনে থাকছে GitHub পোর্টফোলিও তৈরি, ATS-Friendly CV, LinkedIn Personal Branding, ইন্টারভিউ প্রস্তুতি এবং ফ্রিল্যান্সিং মার্কেটপ্লেসে সফল হওয়ার A to Z। সহজ ভাষায় বলতে গেলে, জিরো থেকে একজন প্রফেশনাল Data Scientist হওয়ার জন্য যা যা প্রয়োজন, তার পূর্ণাঙ্গ রোডম্যাপ পাবেন এই কোর্সে।</li></ul>

  Group by Ostad Data Science community @Bangladesh

বেসিক পাইথন প্রোগ্রামিং

ডেটাবেইজ

ডেটা অ্যানালাইসিস

স্ট্যাটিসটিক্স

ডেটা ভিজ্যুয়ালাইজেশন

মেশিন লার্নিং (বেসিক ট্যু এডভ্যান্স)

Data Science for Academic Research

Job assistance & Freelancing Module

Data Science & Machine Learning with Python

আপনি যখন অনলাইনে একটা অর্ডার দেন, মোবাইলে টাকা পাঠান, বা একটা রাইড ডাকেন, প্রতিটা ক্লিকে তৈরি হয় ডেটা।একটা বড় কোম্পানিতে দিনে এমন ডেটা তৈরি হয় লাখ লাখ, কোটি কোটি।কিন্তু এই ডেটা নিজে নিজে ড্যাশবোর্ডে যায় না। AI মডেলের কাছেও যায় না।তাহলে নিয়ে যায় কে? একটা শহরের পানি সাপ্লাইয়ের কথা ভাবুন। নদীর পানি সরাসরি কেউ খায় না। সেটা তোলা হয়, পরিষ্কার করা হয়, পাইপ দিয়ে ট্যাংকে জমা হয়। তারপর কল খুললে আমরা পাই পরিষ্কার পানি। ডেটার দুনিয়াতেও ঠিক একই ঘটনা ঘটে। অ্যাপ, ওয়েবসাইট, ব্যাংকের সিস্টেম, API, নানা জায়গা থেকে আসে এলোমেলো, ভুলে ভরা raw data। যিনি এই ডেটা সংগ্রহ করেন, পরিষ্কার করেন, সঠিক কাঠামোয় সাজান, আর প্রতিদিন নির্ভরযোগ্যভাবে সঠিক জায়গায় পৌঁছে দেওয়ার পুরো সিস্টেমটা বানান, তিনিই Data Engineer। Data Analyst ডেটা থেকে উত্তর খোঁজেন। Data Scientist মডেল বানান। কিন্তু দুজনের কাজই শুরু হয় তখন, যখন Data Engineer-এর বানানো পাইপলাইন দিয়ে পরিষ্কার ডেটা তাদের কাছে পৌঁছে গেছে। পাইপ ফুটো হলে কলে ময়লা পানি আসে। পাইপলাইন ভুল হলে রিপোর্টও ভুল, AI-ও ভুল। এখন সব কোম্পানি AI চায়। কিন্তু একটা কঠিন সত্য হলো, AI যত স্মার্টই হোক, খারাপ ডেটা দিলে খারাপ উত্তরই দেবে। তাই AI-এর দৌড়ে যে কোম্পানিই নামছে, তাকে সবার আগে নিজের ডেটা সিস্টেম ঠিক করতে হচ্ছে। আর সেই কাজের মানুষটাই Data Engineer। আন্তর্জাতিক জব মার্কেটে প্রতি সপ্তাহে Data Engineering-এর হাজারো নতুন পজিশন খুলছে, যার একটা বড় অংশ রিমোট। দেশেও ব্যাংক, টেলিকম, মোবাইল ফিনান্সিয়াল সার্ভিস আর ই-কমার্স কোম্পানিগুলো ডেটা ইনফ্রাস্ট্রাকচারে বিনিয়োগ বাড়াচ্ছে।তবে একটা কথা সৎভাবে বলা দরকার। AI এখন সাধারণ, গৎবাঁধা পাইপলাইন কোড নিজেই লিখে ফেলতে পারে। তাই শুধু কয়েকটা tool-এর নাম জানা মানুষের চাহিদা কমছে।চাহিদা বাড়ছে তাদের, যারা পুরো সিস্টেমটা বোঝেন। ডেটা কোথা থেকে আসছে, কোথায় ভাঙতে পারে, খরচ কত পড়বে, আর ভাঙলে কীভাবে ঠিক করতে হবে।Ostad-এর Data Engineering Bootcamp ঠিক এই মানুষটা তৈরি করার জন্য বানানো। ৬ মাস। ২৪টা মডিউল। ৪৮টা লাইভ ক্লাস। আর প্রতিটা ক্লাসে একটা করে hands-on lab।চলুন দেখি, কোন অংশ কেনো আছে। প্রথম দুই সপ্তাহে Linux terminal আর Git। কেনো? কারণ বাস্তবে ডেটা পাইপলাইন চলে সার্ভারে, আর সার্ভার মানে সাধারণত Linux। আর টিমে কাজ করতে গেলে Git ছাড়া এক পা-ও চলা যায় না।ল্যাবে শুধু terminal দিয়ে এক লাখ লাইনের একটা log ফাইল থেকে সব ERROR খুঁজে বের করবেন, কোনো কোড এডিটর ছাড়াই। এরপর Python। তবে শুধু syntax না। শিখবেন এমন কোড লেখা, যেটা খারাপ ডেটা পেলেও crash করে না। Error handling, logging, retry, OOP, config আর CLI tool।সেকশন শেষে প্রথম প্রজেক্ট: CSV Cleaning CLI Tool। এলোমেলো retail ডেটা ঢুকবে, বের হবে পরিষ্কার ডেটা, বাদ পড়া রেকর্ডের ফাইল, log আর summary রিপোর্ট। এরপর Pandas দিয়ে বড় ডেটা নিয়ে কাজ। আর REST API ও web scraping দিয়ে এমন সোর্স থেকে ডেটা আনা, যেটা আপনার নিয়ন্ত্রণে নেই। বাস্তবে Data Engineer-এর অর্ধেক মাথাব্যথা এখানেই: pagination, rate limit, হঠাৎ বদলে যাওয়া ফরম্যাট।দ্বিতীয় প্রজেক্টে API আর scraping, দুই সোর্সের ডেটা এক schema-তে এনে সাজিয়ে রাখবেন। এরপর আসে SQL। এটাই কোর্সের মেরুদণ্ড। পুরো ১০টা ক্লাস। কারণ Data Engineering ইন্টারভিউয়ের সবচেয়ে বেশি প্রশ্ন আসে SQL থেকেই।Joins, CTE, window functions থেকে শুরু করে database design, normalization আর indexing। দশ লাখ রো-এর টেবিলে একটা slow query-কে index দিয়ে কতটা দ্রুত করা যায়, সেটা নিজের হাতে মেপে দেখবেন।তৃতীয় প্রজেক্ট: একটা পূর্ণাঙ্গ normalized e-commerce database, Python loader আর optimization রিপোর্টসহ।অ্যাপের database আর রিপোর্টের warehouse, দুটো এক জিনিস না। তাই এরপর শিখবেন star schema, fact আর dimension table।কোনো কাস্টমারের ঠিকানা বদলালে পুরনো ইতিহাস না হারিয়ে কীভাবে রাখতে হয়, সেই SCD Type 2 নিজে বানাবেন। আর BigQuery-তে শিখবেন কীভাবে query চালালে মাস শেষে cloud বিল দেখে চমকে উঠতে হয় না।চতুর্থ প্রজেক্ট: BigQuery-তে একটা পূর্ণাঙ্গ star-schema data warehouse।এরপর script হয়ে ওঠে আসল পাইপলাইন।শিখবেন idempotency, মানে একই পাইপলাইন দুবার চললেও ডেটা ডুপ্লিকেট হবে না। শিখবেন incremental load, যাতে প্রতিদিন পুরো ডেটা নতুন করে লোড করতে না হয়। আর data quality test, যাতে ভুল ডেটা ঢোকার আগেই পাইপলাইন থেমে যায়।তারপর Docker। "আমার পিসিতে তো চলে" সমস্যার স্থায়ী সমাধান। একটা কমান্ডেই চালু হবে পুরো ডেটা স্ট্যাক। রাত দুটোয় পাইপলাইন fail করলে কেউ তো জেগে বসে থাকবে না। Apache Airflow দিয়ে শিখবেন scheduling, retry, backfill আর failure alert।সাথে dbt, যেটা দিয়ে আধুনিক ডেটা টিমগুলো warehouse-এর ভেতরে transformation, test আর documentation করে।পঞ্চম প্রজেক্ট: Airflow আর dbt দিয়ে পুরোপুরি অটোমেটেড ডেইলি পাইপলাইন। ডেটা যখন একটা মেশিনে আর আঁটে না, তখন কী হয়?এখানে হাতেখড়ি হবে cloud data lake-এর Bronze, Silver, Gold আর্কিটেকচার, Apache Spark দিয়ে distributed processing, আর Kafka দিয়ে রিয়েল-টাইম ডেটার।একই ৫০ লাখ রো-এর ডেটা Pandas আর PySpark-এ চালিয়ে পার্থক্য নিজের চোখে দেখবেন। আর Kafka দিয়ে লাইভ অর্ডার ইভেন্ট সরাসরি database-এ পাঠাবেন। শেষে সবকিছু এক করে Capstone Project: End-to-End Analytics Platform।e-commerce, ride-hailing, edtech বা fintech, একটা ডোমেইন বেছে নেবেন। API, database আর ফাইল থেকে ডেটা এনে বানাবেন cloud data lake, warehouse, dbt লেয়ার, Airflow অটোমেশন, Docker সেটআপ আর একটা ড্যাশবোর্ড। সাথে আর্কিটেকচার ডায়াগ্রাম আর ৫ মিনিটের ভিডিও ওয়াকথ্রু। মানে ইন্টারভিউতে আপনি শুধু বলবেন না, "আমি Airflow জানি।" দেখাবেন, "এই যে, আমি যে সিস্টেমটা বানিয়েছি।"সাথে থাকছে GitHub portfolio, CV আর LinkedIn অপটিমাইজেশন, আর SQL ও data modeling-এর লাইভ mock interview। লিড ইন্সট্রাক্টর সাদাত হাসান, BRAC Bank PLC-এর AI Lab-এর Senior Manager ও Data Scientist। অর্থাৎ যিনি পড়াবেন, তিনি ইন্ডাস্ট্রিতে সরাসরি ডেটা নিয়ে কাজ করা একজন প্রফেশনাল।৪৮টা লাইভ ক্লাস। সপ্তাহে ৩ দিন সাপোর্ট ক্লাস। লাইফটাইম এক্সেস। আর কোর্স শেষে জব প্লেসমেন্ট সাপোর্ট: CV রিভিউ, mock interview আর জব রেফারেল। Data Engineering Bootcamp-এর প্রথম ব্যাচ শুরু হচ্ছে ২৮ অক্টোবর। লাইভ ক্লাস সোম আর বুধবার, রাত ৯টায়।প্রোগ্রামিং ফান্ডামেন্টালস জানা থাকলে সুবিধা পাবেন, তবে Python শুরু হবে একদম বেসিক থেকে। দরকার একটা ল্যাপটপ, আর লেগে থাকার মানসিকতা।

ড্যাটা এনালিস্ট vs ড্যাটা সায়েন্টিস্ট vs ড্যাটা ইঞ্জিনিয়ার: কোনটার কাজ কী?

ড্যাটা এনালিস্ট vs ড্যাটা সায়েন্টিস্ট vs ড্যাটা ইঞ্জিনিয়ার: কোনটার কাজ কী?

Data Engineer হবার রোডম্যাপ ২০২৬

ড্যাটা এনালিস্ট vs ড্যাটা সায়েন্টিস্ট vs ড্যাটা ইঞ্জিনিয়ার: কোনটার কাজ কী?

Data Engineer হবার রোডম্যাপ ২০২৬

ড্যাটা এনালিস্ট vs ড্যাটা সায়েন্টিস্ট vs ড্যাটা ইঞ্জিনিয়ার: কোনটার কাজ কী?

ড্যাটা সায়েন্স কেনো শিখবেন ২০২৬ এ? কী কী অপর্চুনিটিস ক্রিয়েট হবে?

AI দিয়ে চলেন বানাই একটা সেলস ড্যাশবোর্ড

Claude + Excel = 10X Data Analytics: বিগিনারদের জন্য মাস্টারক্লাস

ড্যাটা এনালিস্ট vs ড্যাটা সায়েন্টিস্ট vs ড্যাটা ইঞ্জিনিয়ার: কোনটার কাজ কী?

ড্যাটা সায়েন্স কেনো শিখবেন ২০২৬ এ? কী কী অপর্চুনিটিস ক্রিয়েট হবে?

AI দিয়ে চলেন বানাই একটা সেলস ড্যাশবোর্ড

Claude + Excel = 10X Data Analytics: বিগিনারদের জন্য মাস্টারক্লাস

রিসার্চের জন্য ড্যাটা সায়েন্স: শুরুটা করবেন কীভাবে?