關於 learning environment research paper ，我們在網路上蒐集到這些相關的討論、資訊與評價

[LONG SHARE] TÌM RA ĐƯỜNG NGHIÊN CỨU KHOA HỌC

Không phải ai cũng dễ dàng lựa chọn được hướng đi, hướng nghiên cứu của bản thân mình. Nếu chọn lựa ngành nghề đã là một quyết định khó khăn, thì lựa chọn hướng nghiên cứu khi mới bắt đầu chập chững trên con đường nghiên cứu này còn cần nhiều kiên nhẫn và quyết tâm với ngành "nghiên cứu" đặc thù này. Chị mới đọc được một bài viết của GS QuangTrung Duong, chia sẻ chi tiết và hữu ích cho các bạn Schofan nào muốn đam mê theo đuổi nghề nghiên cứu...

Cùng kiếm địa điểm nào yên tĩnh và cùng đọc với chị nhé?

----------------

(Bài dài chỉ dành cho các bạn trẻ thôi)
Tìm ra đường nghiên cứu khoa học - Hôm nay sẽ trả nợ cho một số bạn đã hỏi nhiều lần.
1) Bạn đang lan man ở những giai đoạn đầu nghiên cứu? Cái khó cho những bạn đi học MSc/PhD là giai đoạn đầu rất khó tìm hướng đi của mình. Nghe cái gì hay cũng đọc, thấy cái gì cũng dòm. In cả vài nghìn trang tài liệu ở trên bàn, để cho mốc meo, mỗi tài liệu chỉ lướt qua, tô vàng xanh đỏ, nhưng chẳng vào đầu 1 chữ nào. Thực ra đó là giai đoạn khởi động, ai cũng bị. Giai đoạn này có thể dài hay ngắn tùy vào nhiều yếu tố, GS hướng dẫn, khả năng bản thân, LAB mate, và cả may mắn. Một trong những lý do quan trọng nhất trong giai đoạn này làm mình lan man là Kiến thức nền chưa có và công cụ sử dụng chưa có.
2) Cái quan trọng nhất khi làm nghiên cứu không phải là hướng đi hot hay không hot. Quan trọng nhất là bạn phù hợp với hướng đó hay không và bạn nắm vững các công cụ để áp dụng vào hướng nghiên cứu đó. Khối ngành kỹ thuật có thể là Optimisation, AI, Machine Learning, Big Data, Random Process, Control Theory, v...v.., Sử dụng thành thạo các công cụ hỗ trợ khi đọc báo là cách nhanh nhất để hiểu bài báo đó. Khi bạn đọc 1 bài báo, bạn chỉ hiểu rõ khi bạn có tư duy để có thể làm lại (duplicate) được kết quả của bài báo đó. Thông thường trong giai đoạn đầu khi bạn chưa biết viết paper (nghĩa là chưa ra kết quả) việc đọc báo chậm, rất chậm và lan man cũng là vì lý do này. Sau này khi đã viết 1 vài bào báo chuyên ngành rồi, tức là khả năng bạn đã sử dụng thành thạo công cụ của ngành mình rồi thì rõ ràng khi bạn đọc bài báo, những điểm nhấn sẽ đến trong não rất nhanh. Và quan trọng là ban sẽ biết nên đọc bài báo nào (bài nào ko cần đọc), và nhiều khi đọc ở đoạn nào của bài báo (chứ không cần phải đọc hết cả bài như trước đây). Nên sức đọc sẽ hiệu quả hơn hẳn, dễ hiểu hơn hẳn và không lan man như bước 1 ở trên. Cái đó là sau này, còn bây giờ ta vẫn như đang đi lạc trong rừng 😃. Nhưng không có gì hoảng loạn cả. Chỉ cần cố gắng
3) Vậy đến khi nào thì dừng đọc. Đọc là giai đoạn literature review, tìm hiểu tổng quan trong ngành. Trong ngành rộng, sẽ có các ngành hẹp, trong ngành hẹp sẽ có ngành hẹp hơn. Rút gọn lại đến khi bạn tìm thấy hướng mà bạn có thể viết ra paper. Nhưng từ lúc hiểu paper đến viết là 1 khoảng cách khá lớn. Quan trọng là phải duplicate lại được kết quả của bài báo cũ đã làm. Khi bắt tay vào làm lại kết quả, bạn sẽ biết mình hổng kiến thức gì, công cụ gì mình chưa biết, mình cần phải bổ sung cái gì. Đó cũng là giai đoạn mình đọc thêm các textbook, học các phần mêm hỗ trợ, học các phương pháp thí nghiệm. Nhiều khi giai đoạn học text book này song song với giai đoạn đọc tài liệu. Không được đốt cháy giai đoạn này. Đây là giai đoạn xây nhà trên móng. Tôi rất ủng hộ việc học course trước ở giai đoạn MSc, rồi mới đi làm PhD. Thiếu kiến thức nền rất nguy hiểm. Nếu bạn không có thể theo đuổi các course trên trường mà mình cần, thì tự học online, tự đọc sách. Nên nhớ không đốt cháy giai đoạn. Tôi có tổng cộng 4 năm học course ở MSc và PhD trước khi thực sự bước vào làm nghiên cứu thực thụ. Tôi mất khoảng 4 năm đầu cho giai đoạn này. Tổng cộng thời gian từ lúc tôi bắt đầu đi du học ở giai đoạn MSc đến lúc nhận bằng TS là 9 năm (4 năm học course và 5 năm làm research). Sẽ có nhiều course bạn có thể không dùng vào thời điểm này nhưng sau này có khả năng bạn sẽ cần đến nó, lúc đó có thể bạn không nhớ, nhưng bạn biết kiến thức nằm ở chỗ nào, để lục lại mà đọc. Rất quan trọng, kiến thức nền.
4) Công cụ (các phương pháp) là thứ quan trọng nhất để bạn giải quyết ý tưởng. Không có công cụ, thì ý tưởng cũng sẽ nằm trong sọt rác. Công cụ có thể là 1 hướng Toán ứng dụng, có thể là 1 hướng của AI, có thể là phương pháp thí nghiệm hóa học, có thể là 1 phương pháp thí nghiệm vật lý v...v... Không nắm rõ công cụ, chúng ta vẫn có thể nói chuyện như 1 chuyên gia nhưng chúng ta đang ở trên mây. Tôi đã từng biết có 1 số người khi đi họp họ phát biểu rất tốt, nói rất hay, như là 1 học giả. Nhưng họ chưa bao giờ thực sự bắt tay vào làm (nghĩa là "make your hand dirty") nên nhiều điều họ nói không thể áp dụng vào thực tế, cụ thể có thể là dự án, hoặc bài báo. Một cuộc đời làm PhD có thể có 1 công cụ, có thể có 2 và hơn. Ví dụ khi tôi làm PhD, tôi có nắm vững rất tốt những công cụ sau: Random Probability, Random Matrix Theory, Super Analysis, Matlab, Mathematica. Nó giúp tôi chiến đấu 5 năm PhD nhưng sau này đến năm thứ 6 (sau khi tốt nghiệp) thì tôi phải chuyển sang học thêm những thứ khác: Optimisation, Machine Learning, v..v... Tóm lại, nắm vững công cụ là cách tốt nhất để triển khai ý tưởng.
5) Khi bạn làm PhD để ra báo, bạn sẽ bắt đầu từ quy trình đọc để thu hẹp lại Chuyên ngành -> chuyên ngành hẹp -> chuyên ngành rất hẹp. Nghĩa là những bài báo khoa học của bạn chỉ dùng để giải quyết những bài toán rất rất nhỏ. Có thể người ta làm ra kết quả 1. Bạn phát hiện có thể thay đổi bài báo đó, và ra kết quả tốt hơn là 2 thì bạn đã có thể đăng được 1 bài báo tốt, có khi trên top journal. Nhưng nên nhớ, nếu cứ tiếp tục như thế, bạn sẽ không bao giờ tồn tại trong môi trường học thuật. Khi xong PhD chuyển sang giai đoạn post-doc bạn phải học cách chuyển ngược lại chuyên ngành rất hẹp-> chuyên ngành hẹp-> chuyên ngành ->và có khi cả đa ngành. Đó là sự chuẩn bị cho con đường lâu dài. Cho nên kiến thức là vô tận, nghiên cứu nó cũng vậy. Cách đây 7 năm khi sắp xong PhD tôi không bao giờ nghĩ vào thời điểm này mình lại đang ngồi nghiên cứu những lĩnh vực như environment, healthcare, social science, plastic waste, air-quality v...v... Mọi thứ thay đổi, bản thân mình cũng thay đổi. Nếu có cơ hội bạn nên luôn thay đổi mình, đọc thêm được những ngành nghề liên quan, nghe những seminar của những chuyên ngành khác. Nó sẽ rất có ích sau này.
6) Cuối cùng, việc làm PhD và đi làm nghiên cứu không phải là chăm chăm ra báo ISI. Bài báo khoa học chỉ là những điều kiện cần, quan trọng vẫn là chất lượng của những bài báo bạn đã làm. Bài báo là quan trọng, những kiến thức bạn thu lượm được trong những năm tháng đó cũng quan trọng không kém. Nên nhớ thất bại cũng là thành công. Tại sao tôi nói thế, bạn bỏ ra 1 thời gian khá lớn để rồi nhận ra mình đi sai đường., hướng nghiên cứu đó không còn phù hợp với mình nữa, khoảng thời gian mất trắng đó không phải là ít. Có người cũng đã phải chuyển ngành học (hẹp và rất hẹp, kể cả ngành rộng) sau vài năm. Nhưng đó là những bài học xương máu, những kiến thức bạn không dùng nữa chưa chắc đã vô dụng. Có khi lại còn hữu ích sau này. Khoảng thời gian bạn đã bỏ ra đó cũng là thời gian đào tạo bạn biết cách làm việc độc lập, Học hỏi kinh nghiệm từ những thất bại thì cũng là 1 thành công đó bạn.
Điều cuối cùng tôi muốn nói, đường nghiên cứu còn dài lắm. Không ai tự vỗ ngực là mình giỏi trong bất cứ lĩnh vực gì, đặc biệt là nghiên cứu khoa học khi sự học là vô tận, kiến thức là vô tận. Đức tính quan trọng nhất của người làm nghiên cứu là kiên nhẫn, không nản chí và phải khiêm tốn. Biết mình ở đâu, luôn luôn cầu tiến và học hỏi, không tự mãn. Chúc bạn thành công.

Source: QuangTrung Duong

<3 Like và share nếu các em thấy thông tin có ích nhé <3

#HannahEd #duhoc #hocbong #sanhocbong #scholarshipforVietnamesestudents

【演講】2019/11/19 (二) @工四816 (智易空間)，邀請到Prof. Geoffrey Li（Georgia Tech, USA）與Prof. Li-Chun Wang（NCTU, Taiwan） 演講「Deep Learning based Wireless Resource Allocation／Deep Learning in Physical Layer Communications／Machine Learning Interference Management」

IBM中心特別邀請到Prof. Geoffrey Li（Georgia Tech, USA）與Prof. Li-Chun Wang（NCTU, Taiwan）前來為我們演講，歡迎有興趣的老師與同學報名參加！

演講標題：Deep Learning based Wireless Resource Allocation／Deep Learning in Physical Layer Communications／Machine Learning Interference Management
演 講 者：Prof. Geoffrey Li與Prof. Li-Chun Wang
時 間：2019/11/19(二) 9:00 ~ 12:00
地 點：交大工程四館816 (智易空間)
活動報名網址：https://forms.gle/vUr3kYBDB2vvKtca6

報名方式：
費用：（費用含講義、午餐及茶水）
1.費用：(1) 校內學生免費，校外學生300元/人 (2) 業界人士與老師1500/人
2.人數：60人，依完成報名順序錄取（完成繳費者始完成報名程序）

※報名及繳費方式：
1.報名：請至報名網址填寫資料
2.繳費：
（1）親至交大工程四館813室完成繳費(前來繳費者請先致電)
（2）匯款資訊如下：
戶名: 曾紫玲（國泰世華銀行 竹科分行013）
帳號: 075506235774 (國泰世華銀行 竹科分行013）
匯款後請提供姓名、匯款時間以及匯款帳號後五碼以便對帳
※將於上課日發放課程繳費領據

聯絡方式：曾紫玲 Tel：03-5712121分機54599 Email：tzuling@nctu.edu.tw

Abstract:
1.Deep Learning based Wireless Resource Allocation
【Abstract】
Judicious resource allocation is critical to mitigating interference, improving network efficiency, and ultimately optimizing wireless network performance. The traditional wisdom is to explicitly formulate resource allocation as an optimization problem and then exploit mathematical programming to solve it to a certain level of optimality. However, as wireless networks become increasingly diverse and complex, such as high-mobility vehicular networks, the current design methodologies face significant challenges and thus call for rethinking of the traditional design philosophy. Meanwhile, deep learning represents a promising alternative due to its remarkable power to leverage data for problem solving. In this talk, I will present our research progress in deep learning based wireless resource allocation. Deep learning can help solve optimization problems for resource allocation or can be directly used for resource allocation. We will first present our research results in using deep learning to solve linear sum assignment problems (LSAP) and reduce the complexity of mixed integer non-linear programming (MINLP), and introduce graph embedding for wireless link scheduling. We will then discuss how to use deep reinforcement learning directly for wireless resource allocation with application in vehicular networks.

2.Deep Learning in Physical Layer Communications
【Abstract】
It has been demonstrated recently that deep learning (DL) has great potentials to break the bottleneck of the conventional communication systems. In this talk, we present our recent work in DL in physical layer communications. DL can improve the performance of each individual (traditional) block in the conventional communication systems or jointly optimize the whole transmitter or receiver. Therefore, we can categorize the applications of DL in physical layer communications into with and without block processing structures. For DL based communication systems with block structures, we present joint channel estimation and signal detection based on a fully connected deep neural network, model-drive DL for signal detection, and some experimental results. For those without block structures, we provide our recent endeavors in developing end-to-end learning communication systems with the help of deep reinforcement learning (DRL) and generative adversarial net (GAN). At the end of the talk, we provide some potential research topics in the area.

3.Machine Learning Interference Management
【Abstract】
In this talk, we discuss how machine learning algorithms can address the performance issues of high-capacity ultra-dense small cells in an environment with dynamical traffic patterns and time-varying channel conditions. We introduce a bi adaptive self-organizing network (Bi-SON) to exploit the power of data-driven resource management in ultra-dense small cells (UDSC). On top of the Bi-SON framework, we further develop an affinity propagation unsupervised learning algorithm to improve energy efficiency and reduce interference of the operator deployed and the plug-and-play small cells, respectively. Finally, we discuss the opportunities and challenges of reinforcement learning and deep reinforcement learning (DRL) in more decentralized, ad-hoc, and autonomous modern networks, such as Internet of things (IoT), vehicle -to-vehicle networks, and unmanned aerial vehicle (UAV) networks.

Bio:
Dr. Geoffrey Li is a Professor with the School of Electrical and Computer Engineering at Georgia Institute of Technology. He was with AT&T Labs – Research for five years before joining Georgia Tech in 2000. His general research interests include statistical signal processing and machine learning for wireless communications. In these areas, he has published around 500 referred journal and conference papers in addition to over 40 granted patents. His publications have cited by 37,000 times and he has been listed as the World’s Most Influential Scientific Mind, also known as a Highly-Cited Researcher, by Thomson Reuters almost every year since 2001. He has been an IEEE Fellow since 2006. He received 2010 IEEE ComSoc Stephen O. Rice Prize Paper Award, 2013 IEEE VTS James Evans Avant Garde Award, 2014 IEEE VTS Jack Neubauer Memorial Award, 2017 IEEE ComSoc Award for Advances in Communication, and 2017 IEEE SPS Donald G. Fink Overview Paper Award. He also won the 2015 Distinguished Faculty Achievement Award from the School of Electrical and Computer Engineering, Georgia Tech.

Li-Chun Wang (M'96 -- SM'06 -- F'11) received Ph. D. degree from the Georgia Institute of Technology, Atlanta, in 1996. From 1996 to 2000, he was with AT&T Laboratories, where he was a Senior Technical Staff Member in the Wireless Communications Research Department. Currently, he is the Chair Professor of the Department of Electrical and Computer Engineering and the Director of Big Data Research Center of of National Chiao Tung University in Taiwan. Dr. Wang was elected to the IEEE Fellow in 2011 for his contributions to cellular architectures and radio resource management in wireless networks. He was the co-recipients of IEEE Communications Society Asia-Pacific Board Best Award (2015), Y. Z. Hsu Scientific Paper Award (2013), and IEEE Jack Neubauer Best Paper Award (1997). He won the Distinguished Research Award of Ministry of Science and Technology in Taiwan twice (2012 and 2016). He is currently the associate editor of IEEE Transaction on Cognitive Communications and Networks. His current research interests are in the areas of software-defined mobile networks, heterogeneous networks, and data-driven intelligent wireless communications. He holds 23 US patents, and have published over 300 journal and conference papers, and co-edited a book, “Key Technologies for 5G Wireless Systems,” (Cambridge University Press 2017).