Thử làm việc 2-3h sáng, 1 tuần 3 buổi xem mặt có hốc ra như nghiện, mắt thâm đen như dái chó không
Có thằng cypress toàn js với dom mà báckhông rõ background thế nào, nhưng mình từng làm auto test rồi thì thấy bạn nói qua khá là no hope
Script js tự động rất không liên quan tới auto test
. Chỉ cần tính mean, variance các kiểu hay phải biết những gì nữa nhỉ
Covariance matrix, Principle Component Analysis để giảm số chiều của data. Thành thạo hypothesis testing, p-valueVề mảng Data Science, cụ thể yêu cầu về toán và thống kê là như nào vậy các bác? Em thấy chỗ nào tuyển cũng đòi "excellent math & statistics", nhưng toán thì cũng có toán this toán that, thống kê cũng nhiều phần chứ
5-10 năm nữa nó vẫn thế thôi, nó vẫn là 1 nghề và có rất nhiều cơ hội phát triển. Nhưng sẽ chia làm 2 loại:
. Mình thì đang giai đoạn 1, dù theo cái này cũng lâu nhưng do nhảy đi code linh tinh quá nên thành ra giờ chẳng cái nào ra hồn, chán 
Đa số các bạn hiện giờ không chỉ riêng VN mà cả các du học sinh, đều đang ở nhánh 1 nhiều hơn ở nhánh 2. Nhánh 2 cần kiến thức rất chuyên sâu để có thể can thiệp vào thuật toán.5-10 năm nữa nó vẫn thế thôi, nó vẫn là 1 nghề và có rất nhiều cơ hội phát triển. Nhưng sẽ chia làm 2 loại:
1. Biết sơ, làm ứng dụng chung chung, clone github, thay đổi tham số, làm data để ra mô hình -> sản phẩm ok, dùng được.
2. Biết sâu về kỹ thuật, toán, thống kê. Đam mê, có khả năng tạo ra cái mới, làm được sản phẩm ngon -> ai cũng cần.
Loại 1 lương sẽ dậm chân và ít nơi cần. Loại 2 thì ai cũng cần. Nhưng theo loại 2 thì chỉ có top 5% thôi
giờ nhiều trường nào cũng mở ra ngành khoa học máy tính, nhà nhà máy tính, nhìn chán. Nhiều trường chả có tý chuyên môn gì cứ mở để thu hút sinh viên thôi
Rồi cũng như những năm trước thôi bạn, tôn thờ lập trình rồi ra làm không được gì tự khắc rụng chuyển ngành thôi
Sao lại bỏ mobile vậy fen?
Mobile thấy hiếm người hơn các mảng khác hẳn.
Mobile e nghe nói nó cũng sâu xa chả kém gì bên web mà, lương nó kém hơn bên web rồi data nhiều lắm k fen?
Một phần cũng do đa phần các công ty giờ cũng chỉ cần mức áp dụng AI. Có cũng được, không có nó vẫn sống. Và với những sản phẩm như thế thì 70% hay 75% accuracy đôi khi nó ko mang quá nhiều khác biệt -> lấy model có sẵn là được rồi bác
Ý tôi không phải là vấn đề 70% hay 75%, thậm chí là 95% nhưng nếu bài toán có liên quan quá nhiều đến behaviors của con người cụ thể như team sale thì khả năng kết quả trật vẫn trật. Mà nếu biết là thế thì build model để làm gì ? Theo cách truyền thống vẫn tốt hơn, build sai phương pháp rồi lại có cái nhìn phiến diện nó không hiệu quả ngày sau có hướng tiếp cận tốt hơn lại đem kinh nghiệm lần trước mà phản hồi. Nó rất ngớ ngẩn bạn ạ.Một phần cũng do đa phần các công ty giờ cũng chỉ cần mức áp dụng AI. Có cũng được, không có nó vẫn sống. Và với những sản phẩm như thế thì 70% hay 75% accuracy đôi khi nó ko mang quá nhiều khác biệt -> lấy model có sẵn là được rồi bác
Data scientist là scientist duy nhất không cần PhD
Trào lưu DL, ML, AI,... tạo nên một làn sóng về việc quan tâm đến research. Trường mình đã dần khuyến khích các sinh viên làm quen với research từ những năm 2, 3. Giờ paper, top conference,... nghe nhan nhản.Data scientist là scientist duy nhất không cần PhD
Bản thân ML đã dễ tiếp cận hơn so với nhiều ngành khác (vài kiến thức đại số tuyến tính cơ bản + statistics cơ bản + optimization cơ bản). Kể ra những cái dễ hơn ML có vẻ khó hơn là kể ra những cái khó hơn ML.
Ví dụ đơn cử của 1 kết quả "vô dụng" trong thực tế nhưng kỹ thuật thì khó hơn nhiều so với research trong ML là việc chứng minh độ phức tạp để nhân hai ma trận có cỡ n có thể được làm trong O(n^2.37286) trong https://epubs.siam.org/doi/abs/10.1137/1.9781611976465.32 so với kết quả ngay trước đó là O(n^2.37287) trong https://arxiv.org/abs/1401.7714
Câu trả lời cá nhân cho việc tại sao ai cũng đi làm ML + AI:
