1
ধারণা · Concept
কী এবং কেন📘 বাংলা ব্যাখ্যা:
দ্রুত ডেটা অ্যাপ।
দ্রুত ডেটা অ্যাপ।
🌐 English:
Quick data apps.
Quick data apps.
🗂 কোথায় পড়ে
৬. ইঞ্জিনিয়ারিং ও ক্যারিয়ার → এমএলঅপস ও ডিপ্লয়মেন্ট → Streamlit Apps
🎯 এই শাখার লক্ষ্য
Version, containerise, deploy and monitor models
🧰 টুলস
Git, Docker, FastAPI, MLflow
🪜
ধাপে ধাপে শিখুন · Step-by-step
কেন শিখবেন → কীভাবে শিখবেন → উদাহরণ → সাধারণ ভুল💡 কেন গুরুত্বপূর্ণ?
Python দিয়েই মিনিটে ইন্টারঅ্যাক্টিভ ডেটা অ্যাপ—HTML/JS ছাড়া।
- ধাপ 1pip install streamlit; app.py লিখুন
- ধাপ 2উইজেট: st.slider, st.selectbox, st.file_uploader
- ধাপ 3আউটপুট: st.dataframe, st.line_chart, st.map, st.pyplot
- ধাপ 4@st.cache_data দিয়ে ধীর কাজ ক্যাশ; Streamlit Community Cloud-এ বিনামূল্যে প্রকাশ
🧪 বাস্তব উদাহরণ
CSV আপলোড করলে স্বয়ংক্রিয় EDA ও মডেল পূর্বাভাস দেখায় এমন অ্যাপ।
⚠️ সাধারণ ভুল
প্রতিটি উইজেট পরিবর্তনে পুরো স্ক্রিপ্ট আবার চলে—ক্যাশ না করলে ধীর।
🔑 মূল শব্দ (Key terms)
StreamlitwidgetcachedeployCommunity Cloud
3
সাব-টপিক ও বিস্তারিত · Sub-topics
টপিক → সাব-টপিক → সাব-সাব টপিক3.1 st.title, st.slider, st.chart
3.2 ফাইল আপলোড ও ইন্টারঅ্যাক্টিভিটি
3.3 Streamlit Cloud-এ ডিপ্লয়
🎬
ভিডিও · Videos (বাংলা ও English)
ক্লিক করলে সাইটের ভেতরেই ফ্লোটিং প্লেয়ারে চলবে · ভিডিও MySQL-এ সংরক্ষিত📺 আরও খুঁজুন
💻
হাতে-কলমে · Try it (MLOps & Deployment)
এডিট করে Run চাপুন · Ctrl+Enter# Save / load a model and serve predictions like an API would
import pickle, json
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
X,y=load_iris(return_X_y=True); model=LogisticRegression(max_iter=300).fit(X,y)
blob=pickle.dumps(model); served=pickle.loads(blob)
def predict_endpoint(payload:str):
x=json.loads(payload)["features"]; return json.dumps({"class":int(served.predict([x])[0])})
print("POST /predict ->",predict_endpoint('{"features":[5.1,3.5,1.4,0.2]}'))
print("model size:",len(blob),"bytes")❓
সেল্ফ-চেক · Self check
🔗