একটা বীজ বোনো — কিছু মাটিতে মরে যায়, কিছু ফলে। কোনটা ফলবে আগে থেকে জানা নেই; বোনা ছাড়া জানার উপায়ও নেই। পুরো জীবন এমনই — প্রতিটা সিদ্ধান্ত একটা বীজ, ফল আসে পরে, অনিশ্চিত। বাগানিরা হাজার বছর ধরে আন্দাজে করত; গত সত্তর বছরে গণিত তার ভাষা পেয়েছে — বেলম্যানের হিসাব (১৯৫৭), সাটনের ধৈর্য (১৯৮৮), ওয়াটকিন্সের খাতা (১৯৮৯)।

Sow a seed — some soils kill it, some bring fruit. You cannot know which without sowing. Life is this: every decision a seed, the fruit later, uncertain. Gardeners did it by intuition for millennia; in seventy years mathematics found its language — Bellman's arithmetic (1957), Sutton's patience (1988), Watkins's ledger (1989).

এই বই তোমাকে শেখাবে — অনিশ্চয়তার ভেতরে সিদ্ধান্ত নেওয়ার গণিত: explore-exploit, Markov নিয়ম, discounting, Bellman সমীকরণ, TD-শিক্ষা, Q-learning ও SARSA, function approximation ও তার তিন-বিপদ, DQN-এর অ্যালবাম, policy gradient থেকে PPO, actor-critic জোড়া, এবং শেষে মানুষের পছন্দের যুগ — RLHF, DPO, GRPO। প্রতিটা দরজায় একজন কারিগর, একটা নাম, একটা প্রমাণিত পদ্ধতি।

This book teaches the mathematics of deciding under uncertainty: explore-exploit, the Markov law, discounting, the Bellman equation, TD learning, Q-learning and SARSA, function approximation and its deadly triad, DQN's album, policy gradients to PPO, the actor-critic pair, and the age of human preference — RLHF, DPO, GRPO. Each door: a craftsman, a name, a proven method.