#career_in_spotlight #2k3_nulocareer
Học để ra thành nghề nên bắt đầu sao nhỉ?
đây là top 1 câu hỏi dì nhận được (ngoài ngành có, chưa vào ngành cũng có) và nay dì nhờ bạn Scarlet- ngành Computer Science tại University of British Columbia hiện là thực tập sinh tại Google Canada giải đáp nhé
.
.
.
(...)
Trước khi phấn khích nhảy vào cách học lập trình, bạn hãy đặt những câu hỏi này cho bản thân và tự trả lời bằng cách viết xuống giấy/sticky note:
1. Vì sao bạn học lập trình? Mục đích và mục tiêu của bạn là gì?
2. Bạn sẵn sàng bỏ ra bao lâu để "phá băng” vào ngành này?
3. Cách bạn tự học thường như thế nào?
Và dán lên đâu đó dễ thấy, đại loại nó sẽ như một bảng chỉ đường soi sáng cuộc đời khi bạn lỡ lạc lối sau này.
Đồng thời ở câu 1:
- Nếu bạn học vì muốn trở thành tỷ phú như Bill Gates hay nổi tiếng qua một đêm như Nguyễn Hà Đông với Flappy Bird?
--> Hãy tìm một mục tiêu gần và thực tế hơn.
- Nếu bạn học vì bố mẹ bảo?
--> Xin lỗi, bạn sẽ không đua được với mấy đứa đam mê thật sự như tụi mình đâu. Hãy suy nghĩ kỹ nếu bạn đang học vì ai đó thay vì cho chính bản thân bạn.
- Nếu bạn học vì đam mê?
--> Hãy đặt một mục tiêu cụ thể hơn, vì đam mê xuất phát từ cảm xúc và nó sẽ không ổn định, vì thế bạn cần lý do vững hơn để trụ lại. Ví dụ: Phát triển cộng đồng công nghệ ở Việt Nam, phát triển ứng dụng giúp sinh viên nghèo kết nối với tri thức, có một công việc ổn định và được làm những gì mình thích,...
I. Chọn ngôn ngữ
Câu hỏi thần thánh "Tôi nên học ngôn ngữ nào đầu tiên?" luôn xếp đầu danh sách thắc mắc của các bạn newbie và có vô vàn video ngoài kia nói về chủ đề này. Đối với mình, ngôn ngữ lập trình được coi là công cụ và bạn nên quan tâm đến việc "Học ngôn ngữ này sẽ giúp ích gì cho vấn đề mình đang cố giải quyết?" hơn là "Ngôn ngữ nào là tốt nhất để học?". Đơn giản vì học bất kỳ ngôn ngữ nào cũng sẽ giúp bạn hiểu những khái niệm căn bản trong lập trình.
Top 3 ngôn ngữ thích hợp với người chưa biết gì về lập trình:
Python
Javascript
Java
II. Học chắc lý thuyết và làm các bài tập nhỏ
Phần này đòi hỏi sự kiên nhẫn cao vì 3 - 6 tháng đầu là khoảng thời gian khó khăn nhất. Không phải do lập trình căn bản khó, mà vì đây là lúc tâm lý người mới học muốn bỏ cuộc nhất. Có rất nhiều khái niệm mới, trừu tượng, nên đa số mọi người cảm thấy khó thở vì nó không đơn giản như tưởng tượng chút nào. Cộng thêm việc học theo hướng dẫn miễn phí trên mạng hay rơi vào cái bẫy phổ biến: Bạn làm theo như một cái máy, có thể mọi thứ hoạt động nhưng bạn không nắm rõ chuyện gì đang xảy ra. Bởi vậy, nhiều người khoe với mình đã làm được cả chục đồ án sau khi tự học một thời gian, nhưng tới khi mình hỏi đồ án này hoạt động thế nào hay dòng code kia có chức năng ra sao, họ không giải thích được...
III. Tăng kinh nghiệm bằng các dự án thực tế
Tự học một thời gian, mình dần lấy được sự tự tin từ nền tảng kiến thức vững chắc qua sách vở và những khoá học trên mạng, từ đó lấy động lực tham gia đủ cuộc thi lớn bé trong thành phố.
Hackathon là tên gọi chung những cuộc thi kéo dài 24/36/48 giờ liên tục dành cho phát triển ý tưởng công nghệ. Cơ bản là bạn sẽ phải mang theo laptop, gối, chăn, bàn chải đánh răng và những vật dụng cá nhân cần thiết để cắm sân qua đêm. Thể lệ cuộc thi thường khá đơn giản: bạn lập một đội từ 3 - 5 người, phát triển từ một ý tưởng sơ khai (nghiêm cấm bất kỳ hình thức chuẩn bị nào trước) thành một sản phẩm hoàn thiện, và cuối cuộc thi thuyết trình với ban giám khảo.
Có 2 loại hackathon:
- Kỹ thuật (technical hackathon): thường dành cho lập trình viên và dân thiết kế. Người dự thi có thể phát triển bất kỳ thứ gì liên quan đến công nghệ. Phần mềm thì có app, web, game,... Phần cứng thì có robots, xe mini,... Giới hạn là bất cứ thứ gì điên rồ mà bạn có thể nghĩ ra.
- Không kỹ thuật (non-technical hackathon/case competition): dành cho tất cả ngành nghề. Cuộc thi sẽ đưa ra một đề tài hoặc vấn đề bất kỳ trên toàn cầu, trong thời gian cho phép bạn phải phát triển một mô hình và kế hoạch kinh doanh lẫn thiết kế hoàn chỉnh cho giải pháp của bạn.
Kết
Tổng hợp lại, có 4 giai đoạn bạn sẽ đi qua khi tự học lập trình:
0. Xác định rõ mục đích và mục tiêu học
1. Chọn ngôn ngữ phù hợp với mục đích/nhu cầu/định hướng
2. Lấy kiến thức nền từ lý thuyết
3. Lấy kinh nghiệm thực tế từ chiến trường (hackathon & dự án)
.
.
.
(còn tiếp)
*bản quyền được bảo lưu vui lòng không sao chép nội dung này khi chưa được sự đồng ý qua văn bản
Để tìm hiểu hết những sự vạn biến và bất biến trong nghề làm game của tác giả Scarlet và hơn 22 chuyện nghề khác , các cháu có thể đặt mua full ấn phẩm dày cộm 212 trang in màu “Người Trong Nghề IT” của Spiderum tại xốp pi: https://shp.ee/uuy8six
dì xin được code độc quyền SPIDNULO để giảm thêm 12% tối đa 50k đơn 85k nữa luôn cho nhẹ ví
cách dùng mã độc quyền: vào ví voucher tại đây https://shp.ee/xsugxnq -> “nhập mã voucher” -> nhập SPIDNULO -> lưu mã và dùng khi thanh toán
同時也有10000部Youtube影片,追蹤數超過2,910的網紅コバにゃんチャンネル,也在其Youtube影片中提到,...
「python competition」的推薦目錄:
- 關於python competition 在 Bà Dì Nulo Facebook 的最佳解答
- 關於python competition 在 Scholarship for Vietnamese students Facebook 的最讚貼文
- 關於python competition 在 コバにゃんチャンネル Youtube 的最佳解答
- 關於python competition 在 大象中醫 Youtube 的最佳解答
- 關於python competition 在 大象中醫 Youtube 的最讚貼文
- 關於python competition 在 Python Competition | Python | AI & Machine Learning Projects ... 的評價
- 關於python competition 在 Python: collusion with Bertrand competition 的評價
- 關於python competition 在 competitive-programming · GitHub Topics 的評價
- 關於python competition 在 Solving Canadian Computing Competition: "24" - Stack Overflow 的評價
python competition 在 Scholarship for Vietnamese students Facebook 的最讚貼文
[SHORT SHARE] CON ĐƯỜNG HỌC KHOA HỌC DỮ LIỆU CỦA MỘT SINH VIÊN KINH TẾ
Helu cả nhà, nhân dịp bài đăng về Data Scientist được quá trời bạn quan tâm và hỏi chị về con đường trở thành nhà khoa học dữ liệu, nay chị giới thiệu cho các em bài viết của một bạn học trái ngành nhé. :D
Bật mí nhỏ là ngày xưa chị cũng học Tài chính ngân hàng ở FTU sau đó chuyển qua làm security cho Microsoft và Facebook, nên việc trái ngành là hoàn toàn có thể nha. Nhưng schofans sẽ phải cố gắng nhiều lắm đấy!!
📘 Bạn Giang Phương Hoa từng học Đại học Ngoại Thương Hà Nội, học Thạc sỹ tại Imperial College London, hiện đang làm việc tại Microsoft AI Research London chia sẻ về con đường trở thành Data Scientist của mình.
Chào cả nhà,
Cảm ơn anh Tiệp đã tạo cơ hội cho mình viết bài này để chia sẻ. Follow Forum Machine Learning cơ bản đã lâu mà chưa đóng góp được gì nhiều.
Dạo gần đây mình có gặp nhiều bạn trẻ muốn theo nghề Data Science và PM mình hỏi về con đường mình đến với Data Science và bắt đầu học Machine Learning như thế nào. Vì thế mình đã xin phép anh Tiệp để viết bài ở đây, chia sẻ cùng mọi người và hy vọng sẽ giúp ích cho các bạn đang tự học Data Science, hoặc có background trái ngành trái nghề và muốn làm Data Science một cách nghiêm túc. Bài viết sẽ rất vớ vẩn với các chuyên gia 😊.
Đây là con đường không hề dễ dàng nếu bạn không học Khoa học máy tính hay Toán từ bậc ĐH nhưng cũng không có nghĩa là không thể. **Everything is impossible until you do it.**
📘 Học Ngoại Thương HN
Con đường mình đến với Data Science không hề bằng phẳng và mình tin nhiều bạn ở đây cũng vậy. Mình học Ngoại Thương chuyên ngành Tài chính. Cũng tự coi là có chút background về Toán Cao Cấp và Xác suất thống kê nhưng sẽ chỉ là muối bỏ bể so với các bạn học bài bản về Toán Lý Thuyết hay Xác suất thống kê. Rất may là trong quá trình học Ngoại Thương thì mình nhận ra môn học mà mình yêu thích nhất là môn Phân tích dữ liệu tài chính. Cảm giác nhìn những con số rồi tìm tòi ra một ý tưởng gì đó mới rồi trình bày bảng biểu vô cùng hấp dẫn (mãi sau này mình mới biết khái niệm đó gọi là insights 😊). Vì thế mình có tham gia một số cuộc thi sinh viên về phân tích dữ liệu.
📘 Nielsen Case Competition
Hồi đó hình như chỉ có Nielsen Case Competition–cuộc thi dành cho sinh viên của Nielsen, một công ty data consulting khá lớn tại Mỹ. Mình cũng may mắn cùng với các bạn trong nhóm giành giải của cuộc thi đó và bắt đầu đầu quân cho Nielsen để làm Chuyên viên phân tích dữ liệu 😊–Insight Analyst. Thời gian làm việc cho Nielsen là thời gian mình luôn cảm thấy là thời gian tạo một nền tảng vững chắc cho bản thân trong nghề làm Analyst. Nếu bạn google Nielsen thì Nielsen là một công ty nghiên cứu thị trường truyền thống, dữ liệu cung cấp chủ yếu bằng survey và phỏng vấn người tiêu dùng. Thời đó khái niệm Dữ liệu lớn hay là Khoa học máy tính vẫn còn xa vời với mình. Nhưng chính từ thời gian làm việc giống như một nhân viên tư vấn dữ liệu đã giúp mình hiểu được ứng dụng thực sự của dữ liệu là gì? Làm sao để dữ liệu có ích cho doanh nghiệp? Mình cũng học được cách từ một câu hỏi lớn và mơ hồ, làm sao để chia nhỏ câu hỏi đó thành những câu hỏi nhỏ hơn mà bạn có thể translate (phiên dịch) thành một câu hỏi có thể trả lời bằng dữ liệu sẵn có? Mình cũng hiểu khái niệm connecting the dots (xâu chuỗi) dữ liệu là gì? Vì vậy, đừng tự nghĩ rằng công việc mình đang làm không có gì hấp dẫn, không có gì liên quan đến Machine Learning hay Dữ liệu lớn mà nản lòng. Nhiều lúc bạn sẽ ngạc nhiên về những gì bạn học được từ các dirty jobs trong cuộc sống.
📘 Bắt đầu con đường học Khoa học dữ liệu
Sau một thời gian làm việc ở Nielsen thì mình nhận thấy hạn chế của các phương pháp nghiên cứu truyền thống (limited samples, biased trong cách đặt câu hỏi và trả lời). Vì thế mình bắt đầu tìm hiểu phương pháp mới để có thể thực sự phân tích user behavior mà không cần phải “hỏi” họ. Và thế là mình khám phá ra một thế giới mới là Khoa học dữ liệu (Data Science-DS). Thời điểm mình bắt đầu tìm hiểu về DS và học về DS thì mọi thứ còn khá mới mẻ (2013) cũng chưa có nhiều các khóa học open source như bây giờ. Mình hoàn toàn tự học mọi thứ từ xác suất thống kê (may mà trong công việc cũng có dùng), toán, lập trình, hệ thống dữ liệu. Mình hiểu là với các bạn không có nền tảng về Khoa học máy tính như mình, việc các bạn làm một cách bản năng là cố gắng lấp đầy lỗ hổng về lĩnh vực này càng nhiều càng tốt. Vì thế, các bạn sẽ cố gắng học Python, học R hay học các ngôn ngữ lập trình. Điều này dẫn đến một hệ quả là các bạn bị tool-driven. Học Python không khó, bỏ ra 6 tháng học một cách tập trung, các bạn sẽ viết được những dòng codes như mẫu. Nhưng điều mình hay gặp đó là các bạn học Python hay R như Kinh Thánh vậy. Nhiều bạn nghĩ rằng chỉ cần biết Python hay R là có thể làm được phân tích dữ liệu rồi. Thực ra thì không phải. Mình rất may mắn là trong thời kỳ đầu bắt đầu học, cảm thấy hoang mang quá thì một lần đi gặp khách hàng, gặp một bạn đã làm quantitative analyst ở Wall Street nhiều năm. Bạn ấy thấy mình ôm một quyển Python Fundamentals dầy cộp thì mới bảo “Mày nên học cách nghĩ, đừng học cách làm vội”. Chỉ một câu nói nhỏ mà mình nghĩ là có thể trao thưởng huy chương cho bạn ấy vì đã cứu rỗi cuộc đời mình. 😊. Và quyển sách đã thay đổi cuộc đời mình là How to think like a Computer Scientist. Mình đã có dịp gặp tác giả của cuốn sách này và nói với anh ấy là “You saved my life. 😊”.
✏ Thực sự thì đối với người học trái ngành, trái nghề, vấn đề lớn nhất là thay đổi cách suy nghĩ và sự tự ti. Bạn có xuất phát điểm không giống người khác và thế là tìm mọi cách để làm được NHƯ người ta mà quên mất mục đích ban đầu của mình là gì. Sau khi đọc cuốn sách trên thì mình hiểu ra vấn đề vì sao mình học Python đến hai tháng mà vẫn rất thụ động, chỉ có thể viết những gì code mẫu mà gặp vấn đề mới thì chịu. Đó là vì mình không suy nghĩ theo cách máy tính có thể suy nghĩ. Vì không think the language nên mình cũng không thể speak the language. Điều này cũng giống như lúc bạn học Tiếng Anh hay ngoại ngữ vậy, không hiểu cách tư duy của ngôn ngữ thì bạn sẽ thành học vẹt. Vì thế mình dành hẳn ba tháng chỉ để học computational thinking và computer logic, về những thứ như directory, class, variables, binary operations, algorithmic thinking, big O notation, v.v.. Điểm này sẽ không thể nào so sánh được với các bạn học Khoa học máy tính trong 3-4 năm nhưng cũng đủ để mình học lập trình một cách đúng hướng (programming in the right way). Mình đã nói chuyện với nhiều bạn tự học programming và nhiều bạn bị cuốn theo cách học Google knowledge–có vấn đề gì thì google–stackoverflows có câu trả lời sẵn. Cuối cùng thì chương trình cũng vẫn chạy, các bạn vẫn thấy hạnh phúc, nhưng lần sau gặp vấn đề khác các bạn không tự trả lời được. Cũng giống như hồi nhỏ ở trường học “How are you?” và trả lời “I’m fine, thank you”. Đến lúc người ta hỏi “How do you feel today?” thì không biết trả lời thế nào.
✏ Lập trình cũng chỉ là công cụ. Cái cốt lõi của Data Science và Machine Learning (ML) vẫn là Toán và Xác suất thống kê. Về điểm này thì forum và cuốn sách của anh Tiệp sẽ rất hữu ích. Nền tảng Toán của mình không tệ vì cũng từng học chuyên Toán. Tuy nhiên, cũng giống như câu chuyện lập trình thì mình cảm thấy cũng cần học ML bằng cách think in ML ways. Các thuật toán quan trọng trong ML hầu như đều đã được viết và tạo thành thư viện nên vài bạn có thể lười chỉ cần from sckitlearn import * và thế là ung dung chạy một cái chương trình ML. Nhưng để thực sự làm DS/ML thì nhiều khi nên bắt đầu ôn lại khái niệm đạo hàm, ma trận và toán cơ bản.
📘 Học Thạc sỹ tại Imperial College London
Một điểm nữa mà nhiều bạn rất hay quên hoặc bỏ qua khi học DS vì nghĩ nó nhàm chán đó là database structure và data manipulation. Mình cũng vấp phải vấn đề tương tự khi mình bắt đầu học Thạc sỹ về Data Science ở Imperial College London. Ngay Kỳ 1 thì trong chương trình có một môn học mà rất nhiều bạn bỏ lớp (mình cũng cúp cua mấy lần) đó là Database Admin. Môn này phải nói là cực kỳ chán vì nó sẽ không có kết quả ngay cho bạn như khi bạn chạy môt chương trình máy tính hay vẽ biểu đồ, đem lại cảm giác cực kỳ cool vì I did something. Tuy nhiên khi bắt đầu thực sự làm dự án nghiên cứu ở Data Science Institute in Imperial College (mình làm cộng tác viên) thì mình có thể thực sự hiểu được tầm quan trọng kinh khủng của môn này. Bạn không thể thi triển được thuật toán hay tối ưu hóa thuật toán nếu không hiểu cấu trúc dữ liệu hay database relation, handle missing values, organizing the table in long/wide format, normalization of the database, etc.** Những việc nhỏ nhặt, *dirty jobs, tốn thời gian vậy thực ra là vô cùng quan trọng. Khi bạn hiểu cấu trúc dữ liệu thì bạn mới quay lại bước 1 được: Từ câu hỏi lớn làm sao để thi triển ra nhiều câu hỏi nhỏ và trả lời? Rốt cuộc thì DS chính là công cụ để trả lời câu hỏi mà thôi. Đừng quên mục đích ban đầu!
📘 Microsoft AI Research
Sau rất nhiều chông gai thì bây giờ mình được gọi là data scientist tại Microsoft AI Research. Chặng đường học thì vẫn còn rất dài, bây giờ mình vẫn phải đọc forum Machine Learning thường xuyên để hiểu thêm. Dưới đây là một ít bài học mình đã đúc kết sau 4 năm ròng rã mất nhiều máu (ngã cầu thang mấy lần vì mải nghĩ) và nước mắt (khó quá làm thế nào), hy vọng sẽ giúp ích cho nhiều bạn có nền tảng giống mình.
⚠️ Đừng chạy theo buzzwords, cuộc sống nhiều cám dỗ, hãy bắt đầu từ những thứ căn bản nhất. Thinking và mindset là những thứ quan trọng nhất. Python hay R hay Java cũng chỉ là công cụ.
⚠️ Machine Learning là học máy, trước khi làm ML nếu bạn không có nền tảng về Computer Science thì hãy thử tìm hiểu về Computational thinking và computer logic.
⚠️ Data science rất rộng lớn. Hãy thử nghĩ về một mảng nhỏ mà bạn muốn theo đuổi: nhiều người có thể theo đuổi Optimization, mình thì chọn cho mình con đường đã đưa mình đến với DS ngay từ đầu: User Behavior Analytics. Điều này sẽ giúp các bạn định hình và tập trung vào những mảng lý thuyết liên quan mật thiết đến mảng này. Nghe có vẻ thực dụng nhưng mình chủ yếu tìm hiểu về các mô hình/thuật toán liên quan đến time series, sequential pattern mining, pattern recognition, clustering/classification, association mining, etc. vì đây sẽ là những thứ giúp bạn tìm hiểu về User Behavior. Các thuật toán simulation như Monte Carlo hay các thuật toán tối ưu khác mình không biết quá sâu.
📘 Chúc mọi người học Machine Learning vui. 😊
Nguồn: Machine Learning Cơ Bản
Hết rồi, các em đã có cái nhìn rõ ràng hơn về ngành khoa học này chưa?
❤ Tag và chia sẻ bài viết đến bạn bè em nhé ❤
#HannahEd #duhoc #hocbong #sanhocbong #scholarshipforVietnamesestudents
python competition 在 Python: collusion with Bertrand competition 的推薦與評價
Python : collusion with Bertrand competition¶. In this notebook we consider collusion with Bertrand competition. However, we do not specify a demand function ... ... <看更多>
python competition 在 competitive-programming · GitHub Topics 的推薦與評價
competitive -programming ... 120+ interactive Python coding interview challenges (algorithms and data structures). ... Updated on Oct 2, 2022; Python ... ... <看更多>
python competition 在 Python Competition | Python | AI & Machine Learning Projects ... 的推薦與評價
Name of the Student - RachitClass - 6thProject Name - AREAProject Description - BoatCountry - IndiaWatch the full video to see TinkerCoders kids' innovation ... ... <看更多>