Tôi đang theo học chuyên ngành Computer Science (Khoa học máy tính) tại viện KAIST - Hàn Quốc, là trung tâm nghiên cứu khoa học hàng đầu ở xứ sở kim chi và cũng xếp thứ hạng cao trên thế giới (thứ 34 theo thống kê của năm 2018 trên topuniversities.com).
Đã qua nửa kì mùa thu ở đây, có một số đặc điểm mà theo tôi làm nên sự khác biệt hoàn toàn về mặt chất lượng so với giáo dục đại học ở Việt Nam.
1. Nội dung thi bao gồm tất cả những thứ học trên lớp, đề thi sẽ gồm tầm 10-15 câu hỏi tự luận hỏi về bản chất của những nội dung đã học trong cả quá trình học. Ví dụ tôi học 1 môn là Operating System, mỗi tuần sẽ review 1 bài báo và thi sẽ yêu cầu sinh viên phải hiể toàn bộ bản chất của tất cả bài báo để trả lời những câu hỏi tự luận.
2. Nội dung học: Ở Việt Nam luôn học những thứ rất cũ, tất nhiên ở KAIST người ta cũng học từ những thứ cơ bản, nhưng ở đây 1 kì kiến thức bao hàm rất nhiều, lượng bài tập và lý thuyết gấp mấy lần Việt Nam, do đó khi học môn một học mới, không chỉ có kiến thức nền tảng, sinh viên còn được dạy những kiến thức mới mà thế giới đang theo đuổi để không bị tụt hậu.
3. Project: Ở đây, mỗi project đều phải làm hoàn chỉnh, gần như có thể viết được 1 bài báo và submit một cách hoàn chỉnh. Các đề tài đều là hot trend so với thế giới bên ngoài, ngoài ra môi trường đa văn hoá giúp cho việc teamwork trở nên có trách nhiệm và thú vị hơn nhiều. Ví dụ như kỳ này tôi làm project môn Text Mining với 2 bạn người Pháp, rõ ràng là sự khác biệt lớn khi làm project ở VN, thường là những chủ đề "buồn cười", nào là quản lý sinh viên, lập trình shell, mạch led, các thầy ở Việt Nam cũng buồn cười, đi học nước ngoài về mà tư duy úi xùi, bảo sao không làm sinh viên Việt Nam lớn được. Đành là cơm áo gạo tiền, nhưng chẳng phải môi người đều góp 1 ít làm nước mình chạy lùi lại với thế giới hay sao.
4. Ý thức sinh viên: Ở đây những việc như gian lận thi cử, đạo văn sẽ bị trừng phạt rất nặng, tất nhiên là đâu cũng có, nhưng so với mức độ thì không thể so với khi tôi học ở Bách Khoa.Vào phòng thi, tất cả đều im lặng từ đầu tới cuối, thi 3 tiếng mà không ai nói câu này, xin giấy thi thì giơ tay đến khi giám thị nhìn thấy mới thôi chứ không làm ồn. Trái lại, ở VN vào phòng thi là đủ các thành phần nào là quay cóp, nhòm bài, bàn tán xôn xao, cũng là 1 lí do khi học ở Bách Khoa tôi luôn chui lên bàn đầu cho đỡ bị phiền mỗi khi vào phòng thi mặc dù mấy đứa bạn tôi lúc nào cũng rủ xuống bàn cuối ngồi dễ trao đổi. Nên đảm bảo sự chính trực từ những thứ nhỏ nhất.
Tôi nghĩ đây cũng là lý do mà nhiều người đi ra ngoài rồi không muốn quay về, lỗi của cả hệ thống, giờ về để chuốc bất mãn hoặc sống theo nó, thật đáng buồn.
Thứ Tư, 24 tháng 10, 2018
Thứ Sáu, 12 tháng 10, 2018
What should be done as soon as possible? - Diego Aguilar
1. Never be friends with people you don't want to.
2. Get rid of Facebook.
3. Eat healthier.
4. Always put yourself first, before anything, and by anything I mean anyone.
5. Share knowledge.
6. Appreciate everyday you have because as we can't tell the future, is better to be thankful.
7. You can do whatever the fuck you want as long as it doesn't bother the others.
2. Get rid of Facebook.
3. Eat healthier.
4. Always put yourself first, before anything, and by anything I mean anyone.
5. Share knowledge.
6. Appreciate everyday you have because as we can't tell the future, is better to be thankful.
7. You can do whatever the fuck you want as long as it doesn't bother the others.
Thứ Hai, 8 tháng 10, 2018
[Tự sự] Một mình
Hè vừa qua, khi còn ở Hà Nội, tôi và em hay rong ruổi các con đường, là những trưa nắng cháy da cháy thịt những hôm hạ chí, là những đêm giông về ngả nghiêng phố xá, hay những sáng sớm vội vã để đến với em theo dòng người hối hả nhiệm sở. Thời tiết Hà Nội độ ấy ẩm ương lắm, có thể vừa mới đó nắng rồi trút mưa ngay được.
Những lúc bên em, tôi hay vu vơ đôi câu, kể ra tôi là kẻ hay hát, không biết yêu đời hay không nhưng tôi luôn nghĩ âm nhạc là thứ xoa dịu tâm hồn tôi, đôi khi để tôi bỏ mình ở lại sau lưng dòng đời một chút để ngắm người ta qua lại. Tôi hát nhiều lắm, nhưng mỗi lúc chỉ có hai đứa ngồi với nhau ở 1 góc nào đó, có thể là hồ Văn Quán, có thể là quán nước ven đường, tôi lại nhẩm một đôi câu trong bài hát Một mình - Thanh Tùng:
" Vắng em đời còn tôi với tôi
Lá khô mùa này lại rơi
Thương em mênh mông chân trời lạ
Bơ vơ, chốn xa xôi"
Được cái dù người yêu tôi trẻ con, tính tình hơi thất thường, nhưng là người hiểu chuyện và chấp nhận mọi chuyện rất nhanh, thành ra tôi cũng yên tâm đôi phần để theo học và nghiên cứu.
Thứ Ba, 2 tháng 10, 2018
[Korea tự sự ]Một độ lập thu
Mỗi đoạn đời người tôi đều gắn với những con đường khác nhau. Khi còn đi học là đường đến trường, khi đi làm là vội vã sáng sớm chen lấn giữa đông đường tấp nập, có khi là ngõ vào ký túc xá em mỗi buổi chiều muộn.
Mỗi đoạn đường đi qua đều gắn sâu vào tâm tưởng, giờ đi học lại, độ này ở đây nhiệt độ đã giảm sâu hơn nhiều so với Hà Nội, không khí khô và cảnh sắc đã sang thu đôi phần, con đường đi qua là hoa trắng
Thứ Tư, 19 tháng 9, 2018
[Machine Learning] Tại sao regularization lại giảm overfitting
Các quá mô hình đơn giản sẽ không thể chính xác với tập huấn luyện, ngược lại các mô hình phức tạp lại biểu diễn chính xác (có thể gần như tuyệt đối) phân bố của dữ liệu trong tập huấn luyện, nhưng khi đó, với dữ liệu mới chưa biết được đưa vào, kết quả đầu ra sẽ không đạt được độ chính xác cao (overfitting)

Hình ngoài cùng bên phải thể hiện một mô hình phức tạp nhưng sẽ không đạt được độ chính xác với các mẫu dữ liệu mới. Lấy một ví dụ với bài toán hồi quy logistic. Ở đây ta có mô hình của dữ liệu như sau:

Tương ứng với mô hình này, hàm cost của mô hình là:

Ta thấy, đây là một mô hình phức tạp với số mũ cao nhất là 5. Mô hình sẽ trở nên đơn giản khi ta loại bỏ các thành phần bậc cao (tương ứng với việc các giá trị
bằng 0.
Mặt khác, ta có thể thấy thành phần regularization mới thêm vào là tổng bình phương của các giá trị
do đó nếu
là khác 0, tức là thành phần regularization sẽ càng lớn, đồng nghĩa với việc mô hình sẽ không còn chính xác một cách hoàn toàn do giá trị hàm cost tăng lên (ta gọi đây là penalty với mỗi giá trị
).
Ở trên là phần trình bày về mặt toán học, vậy câu hỏi đặt ra là, liệu ta có chắc việc tăng giá trị hàm cost (giảm overfitting) sẽ giúp mô hình đạt được độ chính xác cao hơn với tập dữ liệu mới?

Hình ngoài cùng bên phải thể hiện một mô hình phức tạp nhưng sẽ không đạt được độ chính xác với các mẫu dữ liệu mới. Lấy một ví dụ với bài toán hồi quy logistic. Ở đây ta có mô hình của dữ liệu như sau:
Tương ứng với mô hình này, hàm cost của mô hình là:
Ta thấy, đây là một mô hình phức tạp với số mũ cao nhất là 5. Mô hình sẽ trở nên đơn giản khi ta loại bỏ các thành phần bậc cao (tương ứng với việc các giá trị
Mặt khác, ta có thể thấy thành phần regularization mới thêm vào là tổng bình phương của các giá trị
Ở trên là phần trình bày về mặt toán học, vậy câu hỏi đặt ra là, liệu ta có chắc việc tăng giá trị hàm cost (giảm overfitting) sẽ giúp mô hình đạt được độ chính xác cao hơn với tập dữ liệu mới?
Thứ Hai, 27 tháng 8, 2018
[Nghiên cứu] Chỉ số H để đánh giá một nhà khoa học
http://tiasang.com.vn/-khoa-hoc-cong-nghe/danh-gia-anh-huong-trong-nghien-cuu-khoa-hoc-qua-chi-so-h-884
Thứ Sáu, 24 tháng 8, 2018
Cách tìm ra ứng dụng đang sử dụng USB để có thể Safe Eject USB từ thiết bị
https://www.addictivetips.com/windows-tips/how-to-find-which-app-or-process-is-using-a-usb-in-windows/
Đăng ký:
Bài đăng (Atom)
