BeeLab

Thuật toán Alpha-Beta Pruning

2023-05-15T10:38:00.003+07:00

Giới thiệu

Alpha-Beta Pruning là một phiên bản sửa đổi của thuật toán minimax. Nó là một kỹ thuật tối ưu hóa cho thuật toán minimax.

Như chúng ta đã thấy trong thuật toán tìm kiếm minimax rằng số lượng trạng thái trò chơi mà nó phải kiểm tra là cấp số nhân theo chiều sâu của cây. Vì chúng ta không thể loại bỏ số mũ, nhưng chúng ta có thể cắt nó thành một nửa. Do đó, có một kỹ thuật mà không cần kiểm tra từng nút của cây trò chơi, chúng ta có thể tính ra quyết định minimax chính xác và kỹ thuật này được gọi là cắt tỉa. Điều này liên quan đến hai tham số ngưỡng Alpha và beta để mở rộng trong tương lai, vì vậy nó được gọi là Alpha-Beta Pruning. Nó còn được gọi là Thuật toán Alpha-Beta.

Thuật toán Alpha-Beta Pruning

Alpha – beta pruning là một thuật toán tìm kiếm nâng cao của minimax, thuật toán này làm giảm số lượng các node cây được đánh giá bởi thuật toán minimax trong cây tìm kiếm. Thuật toán này dựa theo tìm kiếm đối nghịch trong một số trò chơi với máy (Tic-tac-toe, Cờ vua, v.v.).

Alpha-Beta Pruning có thể được áp dụng ở bất kỳ độ sâu nào của cây, và đôi khi nó không chỉ cắt tỉa lá cây mà còn cắt tỉa toàn bộ cây phụ.

Hai tham số có thể được định nghĩa là:

Alpha: Sự lựa chọn tốt nhất (giá trị cao nhất) mà chúng tôi đã tìm thấy cho đến nay tại bất kỳ điểm nào trên con đường của Maximizer. Giá trị ban đầu của alpha là -∞.
Beta: Lựa chọn tốt nhất (giá trị thấp nhất) mà chúng tôi đã tìm thấy cho đến nay tại bất kỳ điểm nào dọc theo đường dẫn của Minimizer. Giá trị ban đầu của beta là + ∞.

Việc Alpha-Beta Pruning thành một thuật toán minimax tiêu chuẩn trả lại cùng một động thái như thuật toán tiêu chuẩn, nhưng nó loại bỏ tất cả các nút không thực sự ảnh hưởng đến quyết định cuối cùng nhưng làm cho thuật toán bị chậm. Do đó, bằng cách lược bỏ các nút này, thuật toán sẽ nhanh hơn.

Lưu ý: Để hiểu rõ hơn về chủ đề này, vui lòng nghiên cứu thuật toán minimax.

Điều kiện để Alpha-Beta Pruning:

Điều kiện chính cần thiết để Alpha-Beta Pruning là:

α> = β

Những điểm chính về việc Alpha-Beta Pruning:

Max player sẽ chỉ cập nhật giá trị của alpha.
Min player sẽ chỉ cập nhật giá trị của phiên bản beta.
Trong khi backtracking lại cây, các giá trị của nút sẽ được chuyển đến các nút phía trên thay vì các giá trị của alpha và beta.
Chúng tôi sẽ chỉ chuyển các giá trị alpha, beta cho các nút con.

Làm việc của Alpha-Beta Pruning:

Hãy lấy một ví dụ về cây tìm kiếm hai người chơi để hiểu hoạt động của việc Alpha-Beta Pruning

Bước 1: Ở bước đầu tiên, người chơi Max sẽ bắt đầu di chuyển đầu tiên từ nút A nơi α = -∞ và β = + ∞, những giá trị alpha và beta này được truyền lại cho nút B nơi lại α = -∞ và β = + ∞ và Nút B chuyển cùng một giá trị cho nút con D của nó.

Bước 2: Tại nút D, giá trị của α sẽ được tính theo lượt của nó cho Max. Giá trị của α được so sánh với đầu tiên là 2 và sau đó là 3, và max (2, 3) = 3 sẽ là giá trị của α tại nút D và giá trị của nút cũng sẽ là 3.

Bước 3: Bây giờ thuật toán quay ngược lại nút B, trong đó giá trị của β sẽ thay đổi vì đây là lượt của Min, Bây giờ β = + ∞, sẽ so sánh với giá trị của các nút tiếp theo có sẵn, tức là min (∞, 3) = 3, do đó tại nút B bây giờ α = -∞ và β = 3.

Trong bước tiếp theo, thuật toán duyệt qua nút kế tiếp tiếp theo của nút B là nút E, và các giá trị của α = -∞ và β = 3 cũng sẽ được chuyển.

Bước 4: Tại nút E, Max sẽ đến lượt, và giá trị của alpha sẽ thay đổi. Giá trị hiện tại của alpha sẽ được so sánh với 5, vì vậy max (-∞, 5) = 5, do đó tại nút E α = 5 và β = 3, trong đó α> = β, vì vậy kế thừa bên phải của E sẽ bị lược bỏ, và thuật toán sẽ không đi qua nó, và giá trị tại nút E sẽ là 5.

Bước 5: Ở bước tiếp theo, thuật toán lại chiếu ngược cây, từ nút B đến nút A. Tại nút A, giá trị của alpha sẽ được thay đổi giá trị lớn nhất có sẵn là 3 như max (-∞, 3) = 3 và β = + ∞, hai giá trị này bây giờ được chuyển đến người kế nhiệm bên phải của A là Nút C.

Tại nút C, α = 3 và β = + ∞, và các giá trị tương tự sẽ được chuyển cho nút F.

Bước 6: Tại nút F, một lần nữa giá trị của α sẽ được so sánh với nút con bên trái là 0 và max (3,0) = 3, sau đó so sánh với nút con bên phải là 1 và max (3,1) = 3 vẫn còn α vẫn là 3, nhưng giá trị nút của F sẽ trở thành 1.

Bước 7: Nút F trả về giá trị nút 1 cho nút C, tại C α = 3 và β = + ∞, ở đây giá trị beta sẽ được thay đổi, nó sẽ so sánh với 1 nên min (∞, 1) = 1. Bây giờ tại C, α = 3 và β = 1, và một lần nữa nó thỏa mãn điều kiện α> = β, vì vậy con tiếp theo của C là G sẽ bị lược bớt, và thuật toán sẽ không tính toàn bộ cây con G.

Bước 8: C bây giờ trả về giá trị từ 1 đến A ở đây giá trị tốt nhất cho A là max (3, 1) = 3. Sau đây là cây trò chơi cuối cùng là hiển thị các nút được tính toán và các nút chưa bao giờ tính toán. Do đó, giá trị tối ưu cho bộ cực đại là 3 cho ví dụ này.

Di chuyển thứ tự trong Alpha-Beta Pruning:

Hiệu quả của việc Alpha-Beta Pruning phụ thuộc nhiều vào thứ tự mà mỗi nút được kiểm tra. Thứ tự di chuyển là một khía cạnh quan trọng của việc Alpha-Beta Pruning.

Nó có thể có hai loại:

Worst ordering: Trong một số trường hợp, thuật toán Alpha-Beta Pruning không cắt tỉa bất kỳ lá nào của cây và hoạt động chính xác như thuật toán minimax. Trong trường hợp này, nó cũng tiêu tốn nhiều thời gian hơn vì các yếu tố alpha-beta, động thái cắt tỉa như vậy được gọi là thứ tự tồi tệ nhất. Trong trường hợp này, chuyển động tốt nhất xảy ra ở phía bên phải của cây. Độ phức tạp về thời gian cho một lệnh như vậy là O (bm).

Ideal ordering: Thứ tự lý tưởng để Alpha-Beta Pruning xảy ra khi nhiều lần cắt tỉa diễn ra trên cây và các động thái tốt nhất xảy ra ở phía bên trái của cây. Chúng tôi áp dụng DFS do đó nó tìm kiếm đầu tiên bên trái của cây và đi sâu gấp đôi so với thuật toán minimax trong cùng một khoảng thời gian. Độ phức tạp trong thứ tự lý tưởng là O (bm / 2).

Các quy tắc để tìm thứ tự tốt:

Sau đây là một số quy tắc để tìm thứ tự tốt trong việc Alpha-Beta Pruning:

Xảy ra nước đi tốt nhất từ nút nông nhất.
Thứ tự các nút trong cây sao cho các nút tốt nhất được kiểm tra trước.
Sử dụng kiến thức miền trong khi tìm ra nước đi tốt nhất. Ví dụ: đối với Cờ vua, hãy thử thứ tự: bắt trước, sau đó đe dọa, sau đó tiến lên, lùi lại.
Chúng tôi có thể ghi sổ các trạng thái, vì có khả năng các trạng thái đó có thể lặp lại.

Code:

function minimax(node, depth, alpha, beta, maximizingPlayer) is
if depth ==0 or node is a terminal node then
return static evaluation of node

if MaximizingPlayer then // for Maximizer Player
maxEva= -infinity
for each child of node do
eva= minimax(child, depth-1, alpha, beta, False)
maxEva= max(maxEva, eva)
alpha= max(alpha, maxEva)
if beta<=alpha
break
return maxEva

else // for Minimizer player
minEva= +infinity
for each child of node do
eva= minimax(child, depth-1, alpha, beta, true)
minEva= min(minEva, eva)
beta= min(beta, eva)
if beta<=alpha
break
return minEva

Thuật toán Mini-Max

2023-05-09T08:10:00.001+07:00

Giới thiệu:

Thuật toán mini-max là một thuật toán recursive hoặc backtrack được sử dụng trong việc ra quyết định và lý thuyết trò chơi. Nó cung cấp một nước đi tối ưu cho người chơi giả sử rằng đối thủ cũng đang chơi một cách tối ưu.
Thuật toán Mini-Max sử dụng recursive để tìm kiếm thông qua Game Tree.
Thuật toán Min-Max chủ yếu được sử dụng để chơi trò chơi trong AI. Chẳng hạn như Cờ vua, Cờ caro, tic-tac-toe, cờ vây và các trò chơi kéo xe khác nhau. Thuật toán này tính toán quyết định minimax cho trạng thái hiện tại.
Trong thuật toán này, hai người chơi trò chơi, một người được gọi là MAX và người kia được gọi là MIN.
Cả hai người chơi chiến đấu với nó vì người chơi đối phương nhận được lợi ích tối thiểu trong khi họ nhận được lợi ích tối đa.
Cả hai Người chơi của trò chơi là đối thủ của nhau, trong đó MAX sẽ chọn giá trị tối đa và MIN sẽ chọn giá trị nhỏ nhất.
Thuật toán minimax thực hiện thuật toán tìm kiếm theo chiều sâu để khám phá Game Tree hoàn chỉnh.
Thuật toán minimax tiến hành tất cả các cách xuống nút đầu cuối của cây, sau đó quay ngược lại cây dưới dạng recursive.

Hoạt động của thuật toán Min-Max:

Có thể dễ dàng mô tả hoạt động của thuật toán minimax bằng cách sử dụng một ví dụ. Dưới đây chúng tôi đã lấy một ví dụ về Game Tree đại diện cho trò chơi hai người chơi.
Trong ví dụ này, có hai người chơi, một người được gọi là Maximizer và người khác được gọi là Minimizer.
Maximizer sẽ cố gắng đạt được số điểm Tối đa có thể, và Minimizer sẽ cố gắng đạt được số điểm tối thiểu có thể.
Thuật toán này áp dụng DFS, vì vậy trong Game Tree này, chúng ta phải đi hết các lá để đến được các nút đầu cuối.
Tại nút đầu cuối, các giá trị đầu cuối được đưa ra vì vậy chúng tôi sẽ so sánh các giá trị đó và điều chỉnh lại cây cho đến khi trạng thái ban đầu xảy ra. Sau đây là các bước chính liên quan đến việc giải quyết Game Tree hai người chơi:

Bước 1: Trong bước đầu tiên, thuật toán tạo ra Game Tree và áp dụng hàm tiện ích để nhận các giá trị và các trạng thái kết thúc.

Trong sơ đồ cây dưới đây, hãy lấy A là trạng thái bắt đầu của Tree. Giả sử bộ tối đa hóa thực hiện lượt đi đầu tiên có giá trị ban đầu trong trường hợp xấu nhất = – infinite và minimizer sẽ thực hiện lượt tiếp theo có giá trị ban đầu trong trường hợp xấu nhất = + infinity.

Bước 2: Bây giờ, đầu tiên chúng ta tìm giá trị tiện ích cho Maximizer, giá trị ban đầu của nó là -∞, vì vậy chúng ta sẽ so sánh từng giá trị ở trạng thái đầu cuối với giá trị ban đầu của Maximizer và xác định các giá trị nút cao hơn. Nó sẽ tìm thấy mức tối đa trong số tất cả.

Đối với nút D max (-1, – -∞) => max (-1,4) = 4

Đối với nút E max (2, -∞) => max (2, 6) = 6

Đối với nút F max (-3, -∞) => max (-3, -5) = -3

Đối với nút G max (0, -∞) = max (0, 7) = 7

Bước 3: Trong bước tiếp theo, đến lượt trình thu nhỏ, vì vậy nó sẽ so sánh giá trị tất cả các nút với + ∞ và sẽ tìm giá trị nút lớp thứ 3.

Đối với nút B = min (4,6) = 4

Đối với nút C = min (-3, 7) = -3

Bước 4: Bây giờ đến lượt Maximizer, nó sẽ lại chọn giá trị lớn nhất của tất cả các nút và tìm giá trị lớn nhất cho nút gốc. Trong Game Tree này, chỉ có 4 lớp, do đó chúng tôi truy cập ngay đến nút gốc, nhưng trong trò chơi thực, sẽ có nhiều hơn 4 lớp.

Đối với nút A max (4, -3) = 4

Đó là toàn bộ quy trình làm việc của trò chơi minimax hai người chơi.

Các thuộc tính của thuật toán Mini-Max:

Complete– Thuật toán Min-Max đã hoàn thành. Nó chắc chắn sẽ tìm thấy một giải pháp (nếu tồn tại), trong cây tìm kiếm hữu hạn.

Optimal– Min-Max là tối ưu nếu cả hai đối thủ đều chơi tối ưu.

Time complexity– Vì nó thực hiện DFS cho Game Tree, do đó độ phức tạp thời gian của thuật toán Min-Max là O (bm), trong đó b là hệ số phân nhánh của Game Tree và m là độ sâu tối đa của cây.

Space Complexity – Độ phức tạp không gian của thuật toán Mini-max cũng tương tự như DFS là O (bm).

Giới hạn của thuật toán minimax:

Hạn chế chính của thuật toán minimax là nó thực sự chậm đối với các trò chơi phức tạp như Cờ vua, cờ vây, v.v. Loại trò chơi này có hệ số phân nhánh rất lớn và người chơi có rất nhiều lựa chọn recursive. Hạn chế này của thuật toán minimax có thể được cải thiện từ việc lược bớt alpha-beta mà chúng ta đã thảo luận trong chủ đề tiếp theo.

Xem thêm Thuật toán Alpha-Beta Pruning

Một số câu hỏi phổ biến về thuật toán minimax

Thuật toán minimax là gì?

Thuật toán minimax là một thuật toán đánh giá giá trị của các nút trong cây trò chơi, để tìm ra nước đi tối ưu cho một người chơi. Thuật toán này được sử dụng rộng rãi trong trò chơi có hai người, như cờ vua, cờ tướng và tic-tac-toe.

Làm thế nào để sử dụng thuật toán minimax trong trò chơi?

Để sử dụng thuật toán minimax trong trò chơi, cần xây dựng một cây trò chơi, trong đó mỗi nút đại diện cho một trạng thái của trò chơi và mỗi cạnh đại diện cho một nước đi. Các nút ở độ sâu chẵn đại diện cho các nước đi của người chơi đang chơi, trong khi các nút ở độ sâu lẻ đại diện cho các nước đi của đối thủ.

Thuật toán minimax duyệt cây trò chơi và đánh giá giá trị của các nút lá. Nếu nút lá đại diện cho một trạng thái kết thúc của trò chơi, giá trị của nó được tính bằng cách xem ai đã thắng hoặc thua trò chơi. Nếu nút lá đại diện cho một trạng thái không kết thúc, giá trị của nó được tính bằng cách sử dụng một hàm đánh giá, đại diện cho khả năng thắng của người chơi đang chơi.

Thuật toán minimax có thể giải quyết được trò chơi nào?

Thuật toán minimax có thể được sử dụng để giải quyết các trò chơi có hai người chơi, có hữu hạn số lượng nước đi và không có yếu tố ngẫu nhiên, ví dụ như cờ vua, cờ tướng, tic-tac-toe và Connect Four.

Làm thế nào để tối ưu hóa thuật toán minimax?

Để tối ưu hóa thuật toán minimax, có thể sử dụng một số kỹ thuật như cắt tỉa alpha-beta hoặc sử dụng các phương pháp đánh giá khác nhau để tăng độ chính xác của giá trị đánh giá của các nút. Ngoài ra, việc sử dụng các cấu trúc dữ liệu hiệu quả để lưu trữ cây trò chơi cũng có thể giúp tăng tốc

Alpha-beta pruning là gì và nó được sử dụng như thế nào trong thuật toán minimax?

Alpha-beta pruning là một kỹ thuật cắt tỉa được sử dụng để tối ưu hóa thuật toán minimax bằng cách loại bỏ các nút không cần thiết trong cây trò chơi. Kỹ thuật này hoạt động bằng cách sử dụng hai giá trị alpha và beta để giới hạn khoảng giá trị đánh giá của các nút con của một nút cha trong cây trò chơi. Khi giá trị đánh giá của một nút con vượt quá giới hạn này, các nút con còn lại của nút cha đó không cần được kiểm tra nữa.

Thuật toán minimax có nhược điểm gì?

Thuật toán minimax có thể có nhược điểm là thời gian tính toán và không gian lưu trữ tăng lên nhanh chóng với số lượng nút trong cây trò chơi. Điều này đặc biệt đúng đối với các trò chơi lớn và phức tạp như cờ vua, khi số lượng nút có thể lên đến hàng tỷ. Ngoài ra, thuật toán minimax không thể xử lý các trò chơi có yếu tố ngẫu nhiên, ví dụ như poker hoặc blackjack.

Có những phương pháp thay thế nào cho thuật toán minimax?

Có nhiều phương pháp thay thế cho thuật toán minimax, trong đó phương pháp Monte Carlo là một trong những phương pháp phổ biến nhất. Phương pháp này sử dụng một số lượng lớn các trận đấu mô phỏng để đánh giá giá trị của một nút, thay vì duyệt toàn bộ cây trò chơi. Phương pháp Monte Carlo có thể được sử dụng để giải quyết các trò chơi có yếu tố ngẫu nhiên, như poker hoặc blackjack, và có thể được tối ưu hóa để tăng độ chính xác của kết quả.

Làm thế nào để áp dụng thuật toán minimax vào các trò chơi phức tạp hơn?

Các trò chơi phức tạp hơn, ví dụ như cờ vua, thường có số lượng nút lớn hơn rất nhiều so với các trò chơi đơn giản hơn như tic-tac-toe. Để áp dụng thuật toán minimax vào các trò chơi phức tạp hơn, ta cần sử dụng các kỹ thuật cải tiến để giảm số lượng nút trong cây trò chơi, và tối ưu hóa thời gian tính toán.

Một trong những kỹ thuật cải tiến phổ biến là sử dụng bảng tra cứu đánh giá, trong đó các giá trị đánh giá cho các trường hợp đặc biệt đã được tính toán trước và lưu trữ trong bảng. Khi thực hiện thuật toán minimax, ta có thể sử dụng bảng này để tránh tính toán lại các giá trị đánh giá đã được tính toán trước đó.

Ngoài ra, ta cũng có thể sử dụng các kỹ thuật thay thế cho thuật toán minimax, như phương pháp Monte Carlo, để giảm thời gian tính toán và tối ưu hóa thuật toán cho các trò chơi phức tạp hơn.

Thuật toán minimax có thể được sử dụng cho những mục đích nào ngoài các trò chơi?

Mặc dù thuật toán minimax thường được sử dụng để giải quyết các trò chơi, nó cũng có thể được áp dụng cho các bài toán tối ưu hóa và quyết định trong các lĩnh vực khác. Ví dụ, thuật toán minimax có thể được sử dụng để tìm kiếm chiến lược tối ưu trong quản lý tài sản và quản lý rủi ro. Thuật toán minimax cũng có thể được sử dụng trong các bài toán tìm kiếm con đường tối ưu trong đường đi tối ưu hoá, tối ưu hóa mạng và tối ưu hóa vận hành của hệ thống.

Code C++

function minimax(node, depth, maximizingPlayer) is
if depth ==0 or node is a terminal node then
return static evaluation of node

if MaximizingPlayer then // for Maximizer Player
maxEva= -infinity
for each child of node do
eva= minimax(child, depth-1, false)
maxEva= max(maxEva,eva) //gives Maximum of the values
return maxEva

else // for Minimizer player
minEva= +infinity
for each child of node do
eva= minimax(child, depth-1, true)
minEva= min(minEva, eva) //gives minimum of the values
return minEva

[RL series] Thuật toán Q-Learning

2022-08-30T10:02:00.000+07:00

Bài trước tôi đã giới thiệu về RL và bây giờ tôi sẽ nói về phương pháp đơn giản để chúng ta dễ dàng tiếp cập với RL.

Q-learning là gì?

Q-learning là một thuật toán học tăng cường không có mô hình (Model-free). Nó học tập dựa trên các giá trị (values-based). Các thuật toán dựa trên giá trị cập nhật hàm giá trị dựa trên một phương trình (đặc biệt là phương trình Bellman). Trong khi loại còn lại, dựa trên chính sách (policy-based) ước tính hàm giá trị với một chính sách tham lam có được từ lần cải tiến chính sách cuối cùng.

Q-learning is an off-policy learner

Có nghĩa là nó học được giá trị của chính sách (policy) tối ưu một cách độc lập với các hành động của chủ thể (agent). Mặt khác, on-policy learner tìm hiểu giá trị của chính sách đang được thực hiện bởi chủ thể, bao gồm các bước thăm dò và họ sẽ tìm ra một chính sách tối ưu, có tính đến việc khám phá (exploration) vốn có trong chính sách.

"Q" ở đây là gì?

Chữ ‘Q’ trong Q-learning là viết tắt của "quality" chất lượng. Chất lượng ở đây thể hiện mức độ hữu ích của một hành động (action) nhất định trong việc đạt được một số phần thưởng (reward) trong tương lai.

Yếu tố chính của Q-learning

Q*(s, a) là giá trị kỳ vọng (phần thưởng chiết khấu tích lũy) của việc thực hiện hành động (action) a ở trạng thái (state) s và sau đó tuân theo chính sách tối ưu (optimal policy).
Q-learning sử dụng "Sự khác biệt theo thời gian" Temporal Differences (TD) để ước tính giá trị của Q*(s, a). TD là một chủ thể (agent) có khả năng học hỏi từ môi trường thông qua các giai đoạn (episodes) mà không có kiến thức trước về môi trường.
Chủ thể (agent) duy trì một bảng Q[S, A], trong đó S là tập các trạng thái và A là tập các hành động.
Q[s, s] đại diện cho ước tính hiện tại của nó là Q*(s, a).

Ví dụ

Giả sử một nhân viên phải di chuyển từ điểm bắt đầu đến điểm kết thúc dọc theo một con đường có chướng ngại vật. Nhiệm vụ cần đạt được tìm đường ngắn nhất có thể mà không va vào chướng ngại vật và anh ta cần đi theo ranh giới được che bởi chướng ngại vật.

Để tiến hành thực hiện, trước hết ta cần định nghĩa thêm các khái niệm sau:

Q-table là bảng cấu trúc dữ liệu được sử dụng để tính toán phần thưởng (reward) dự kiến tối đa trong tương lai cho hành động (action) ở mỗi trạng thái (each state). Về cơ bản, bảng này sẽ hướng dẫn chúng ta hành động tốt nhất ở mỗi trạng thái. Để tìm hiểu từng giá trị của Q-table, thuật toán Q-Learning được sử dụng.

Hàm Q: sử dụng phương trình Bellman và nhận hai đầu vào: trạng thái (s) và hành động (a).

Bellman Equation. Source: link

Quy trình xử lý của thuật toán Q-learning

Q-learning Algorithm

Bước 1: Khởi tạo Q-Table
Có n cột, trong đó n = số hành động (action). Có m hàng, trong đó m = số trạng thái (state).

Trong ví dụ của chúng ta, n = Đi trái, Đi phải, Đi lên và Đi xuống và m = "Bắt đầu, Không hoạt động, Đường đúng, Đường sai và Kết thúc". Đầu tiên, hãy khởi tạo các giá trị bằng các giá trị 0.

Initial Q-table

Bước 2: Chọn một hành động

Bước 3: Thực hiện một hành động

Sự kết hợp của bước 2 và bước 3 được thực hiện trong một khoảng thời gian không xác định. Các bước này chạy cho đến khi quá trình huấn luyện thời gian bị dừng lại hoặc khi vòng lặp huấn luyện dừng lại như được xác định trong mã.

Đầu tiên, một action (a) hành động trong trạng thái state (s) được chọn dựa trên Q-Table. Lưu ý rằng, như đã đề cập trước đó, khi tập ban đầu bắt đầu, mọi giá trị Q phải bằng 0.

Sau đó, cập nhật các giá trị Q để ở đầu và di chuyển sang phải bằng cách sử dụng phương trình Bellman được nêu ở trên.

Khái niệm Epsilon greedy strategy xuất hiện ở đây. Trong thời gian đầu, tỷ lệ epsilon sẽ cao hơn. Chủ thể (agent) sẽ khám phá môi trường và lựa chọn ngẫu nhiên các hành động (action). Điều này xảy ra như thế này một cách hợp lý, vì agent không biết gì về môi trường. Khi agent tham dò môi trường, tỷ lệ epsilon giảm và agent bắt đầu khám phá môi trường.Trong quá trình thăm dò (exploration), agent dần dần tự tin hơn trong việc ước tính các giá trị Q.

Trong ví dụ, khi bắt đầu đào tạo agent của chúng ta, agent hoàn toàn không biết về môi trường. Vì vậy, giả sử nó thực hiện một hành động ngẫu nhiên theo hướng "phải" của nó.

Giờ đây, chúng tôi có thể cập nhật các giá trị Q ở thời điểm bắt đầu và chuyển động sang phải bằng cách sử dụng phương trình Bellman.

Updated Q-table

Bước 4: Đo phần thưởng

Bây giờ chúng tôi đã thực hiện một hành động và quan sát một kết quả và phần thưởng.

Bước 5: Đánh giá

Chúng ta cần cập nhật hàm Q(s, a).

Quá trình này được lặp đi lặp lại nhiều lần cho đến khi ngừng học. Bằng cách này, Q-Table được cập nhật và hàm giá trị Q được tối đa hóa. Ở đây Q (trạng thái, hành động) trả về phần thưởng dự kiến trong tương lai của hành động đó tại trạng thái đó.

Bellman Equation Explanation for the episodes

Trong ví dụ, tôi đã nhập sơ đồ khen thưởng như sau.

Phần thưởng khi tiến gần hơn đến mục tiêu = +1
Phần thưởng khi đạt chướng ngại vật = -1
Phần thưởng khi nhàn rỗi = 0

Ban đầu, chúng ta khám phá môi trường của chủ thể (agent) và cập nhật Q-Table. Khi Q-Table đã sẵn sàng, agent bắt đầu khám phá môi trường và bắt đầu thực hiện các hành động tốt hơn. Q-Table cuối cùng có thể giống như sau (ví dụ).

Example final Q-table

Sau đây là những kết quả dẫn đến con đường ngắn nhất của nhân viên hướng tới mục tiêu sau khi đào tạo.

[PhD life] Visa F-3 Bảo lãnh vợ/chồng làm ở Lãnh sự quán HCM (Hướng dẫn làm Chứng minh thư và bảo hiểm)

2022-08-10T10:01:00.005+07:00

F-3 là visa mà bạn cần xin cho vợ/chồng/con khi họ sang Hàn Quốc thăm thân dài ngày. Đây là loại visa phụ thuộc chỉ dành cho người mời hiện đang ở Hàn Quốc với các visa D1-D9, E1-E8. Sau đây là danh sách các loại giấy tờ bạn cần chuẩn bị bao gồm của người mời ở Hàn Quốc gửi về (mục 1-8) và người ở Việt Nam chuẩn bị (mục 9-14):

1. Thư mời (gốc) - 초청장 => tham khảo + bổ sung thư giải thích lý do mời có thể viết bằng tiếng anh (tham khảo) hoặc tiếng hàn (tham khảo)
2. Giấy bảo lãnh (gốc) - 신원보증서 (có thể viết tiếng anh) => tham khảo
3. Hộ chiếu gồm phần có chữ ký (photo)
4. Thẻ chứng minh thư người nước ngoài gồm 2 mặt (photo)
5. Giấy tờ chứng minh nghệ nghiệp
Với người đi làm:
+ Giấy xác nhận đang tại chức - 재직증명서
+ Hợp đồng lao động - 근로 계약서
+ Bản sao giấy đăng ký kinh doanh của công ty đang làm - 사업자등록증명서
+ Giấy chứng minh thu nhập năm gần nhất (hometax) - 근로소득증명
Với sinh viên:
+ Giấy xác nhận SV - 재학증명서
+ Bảng điểm các học kỳ gần nhất
6. Hợp đồng thuê nhà (임대차계약서) nếu bạn là người đứng tên thuê nhà hoặc thêm (거주 숙소제공 확인서) nếu bạn không phải là người thuê nhà.
7. Chứng minh tài chính: 잔액증명서 bao gồm số dư lớn hơn 10 triệu krw và giao dịch 6 tháng gần nhất (đối với SV) và in giấy này tại ngân hàng không làm qua mạng
8. Đơn đăng ký
9. Ảnh 3.4 x 4.5
10. Hộ chiếu bản gốc + photo
11. Bản photo CCCD (2 mặt)
12. Giấy khám lao
13. Giấy tờ chứng minh quan hệ với người bảo lãnh: dịch công chứng tư pháp tiếng Anh hoặc Hàn:
+ Bố mẹ bảo lãnh con: Giấy khai sinh + hộ khẩu
+ Bảo lãnh vợ chồng: Giấy đăng ký kết hôn + hộ khẩu
14. Lệ phí $50 + 350.000 vnd (đổi sang vnd hết cũng được).

Lưu ý: Tất cả giấy tờ photo trên giấy A4. (ĐSQ ở Hà Nội có mẫu khác so với các mẫu tham khảo trên)
1. Khám lao ở Trung tâm Y khoa Phước An (686-688 Ba Tháng Hai, phường 14, quận 10, Tp. HCM) - Nhanh gọn, cạnh trung tâm Visa, hơn là ở BV Chợ Rẫy.
2. Chứng minh tài chính càng nhiều càng tốt (>10tr krw, chia theo thời gian bảo lãnh ví dụ bảo lãnh 14 tháng thì tài khoảng nên >14 triệu krw - đoán thế vì thấy người tiếp nhận hồ sơ có dùng máy tính cầm tay để tính) nhưng luu ý giao dịch phải minh bạch vì SV có thể bị yêu cầu nộp lịch sử giao dịch.
3. Hộ khẩu rõ ràng, nếu có chuyển hộ khẩu thì cần có xác nhận giai đoạn trước đó (có thể bị yêu cầu, không phải 100% - nhất là các bạn tỉnh miền trung)
4. Chuẩn bị thêm bản dịch giấy đăng kí kết hôn (2 bản) và có mọc sở ngoại vụ (1 bản) để làm chứng minh thư và đăng kí bảo hiểm sau khi sang Hàn Quốc.
...

Làm chứng minh thư người nước ngoài (ARC)

1. In tờ đặt lịch (hikorea) hoặc tin nhắn xác nhận lịch đặt
2. Application form
3. Hình 3.5x4.5 loại bữa trước làm VISA
4. Alien card của người bảo lãnh (có thể thêm Passport) + bản photo.
5. Passport của người nộp + bản photo
6. Tờ kết quả visa
7. Tờ khai cư trú xác nhận ở chung: Confirmation of Residence/Accommodation
8. Hợp đồng thuê nhà bản sao
9. Lệ phí cấp thẻ: 30.000 krw + 2.000 krw (phí ship về nhà) + 60.000 krw (gia hạn visa nếu thời hạn của người bản lãnh còn trên 6 tháng) *Lưu ý: các phí bạn sẽ phải tự nạp bàn máy, còn phí gia hạn visa thì đóng tiền mặt tại vị trí thu ngân khác vị trí tiếp nhận hồ sơ

Thêm bảo hiểm National Health Insurance Service (NHIS)

Tìm địa điểm công ty bảo hiểm gần nhất nơi bạn sống mang theo:
- Alien card của cả hai
- Giấy chứng minh mối quan hệ, có 2 cách bạn có thể chọn 1 trong hai cách:

1. Chuẩn bị sẵn ở VN: Giấy đăng kí kết hôn dịch thuật công chứng và xin mọc của sở ngoại vụ ở VN
2. Xin giấy xác nhận tại cục quản lý xuất nhập cảnh (nơi làm ARC)

Good luck!

Thuật toán Decision Tree

2022-08-10T08:17:00.000+07:00

Decision Tree là gì?

Nó là một công cụ có các ứng dụng bao gồm nhiều lĩnh vực khác nhau. Decision Tree có thể được sử dụng để phân loại cũng như các bài toán hồi quy. Bản thân cái tên gợi ý rằng nó sử dụng một sơ đồ giống như cấu trúc cây để hiển thị các dự đoán là kết quả của một loạt các phân tách dựa trên tính năng. Nó bắt đầu với một Root Nodes và kết thúc bằng một quyết định của các lá.

Trước khi tìm hiểu thêm về Decision Tree, chúng ta hãy làm quen với một số thuật ngữ.

Root Nodes – Nó là nút hiện diện ở đầu Decision Tree từ nút này, quần thể bắt đầu phân chia theo các đặc điểm khác nhau.

Các Decision Nodes – các nút chúng ta nhận được sau khi tách các Root Nodes được gọi là Decision Nodes

Leaf Nodes – các nút không thể tách thêm được gọi là Leaf Nodes hoặc nút đầu cuối

Sub-tree – giống như một phần nhỏ của đồ thị được gọi là đồ thị con, tương tự như vậy một phần con của Decision Tree này được gọi là Sub-tree.

Pruning – không có gì khác ngoài việc cắt giảm một số nút để ngừng trang bị quá mức.

Xem thêm Decision Coverage Testing trong kiểm thử phần mềm

Các ứng dụng của cây quyết định là gì?

Cây quyết định được sử dụng để xử lý các tập dữ liệu phi tuyến tính một cách hiệu quả. Công cụ cây quyết định được sử dụng trong cuộc sống thực trong nhiều lĩnh vực, chẳng hạn như kỹ thuật, quy hoạch dân dụng, luật và kinh doanh. Cây quyết định có thể được chia thành hai loại; cây quyết định biến phân loại và biến liên tục.

Hãy hiểu Decision Tree với sự trợ giúp của ví dụ.

Ví dụ Decision Tree

Decision Tree lộn ngược có nghĩa là gốc ở trên cùng và sau đó gốc này được chia thành nhiều nút khác nhau. Decision Tree không là gì ngoài một loạt các câu lệnh if-else theo thuật ngữ của giáo dân. Nó kiểm tra xem điều kiện có đúng không và nếu đúng thì nó sẽ chuyển đến nút tiếp theo được đính kèm với quyết định đó.

Trong sơ đồ dưới đây, đầu tiên cây sẽ hỏi thời tiết là gì? Trời nắng, mây, hay mưa? Nếu có thì sẽ chuyển sang tính năng tiếp theo là độ ẩm và gió. Nó sẽ kiểm tra lại xem có gió mạnh hay yếu, nếu gió yếu và trời mưa thì người đó có thể đi chơi.

Bạn có nhận thấy điều gì trong sơ đồ trên không? Chúng tôi thấy rằng nếu thời tiết nhiều mây thì chúng tôi phải đi chơi. Tại sao nó không tách ra nhiều hơn? Tại sao nó dừng lại ở đó?

Để trả lời câu hỏi này, chúng ta cần biết thêm một số khái niệm như entropy, information gain và Gini index. Nhưng nói một cách dễ hiểu, tôi có thể nói ở đây rằng kết quả đầu ra cho tập dữ liệu đào tạo luôn là có đối với thời tiết nhiều mây, vì không có sự lộn xộn ở đây, chúng tôi không cần phải chia nút thêm nữa.

Mục tiêu của Machine learning là giảm sự không chắc chắn hoặc rối loạn từ tập dữ liệu và để làm được điều này, chúng tôi sử dụng Decision Tree.

Bây giờ bạn phải nghĩ làm thế nào để tôi biết những gì nên là Root Nodes? Decision Nodes nên là gì? khi nào tôi nên ngừng chia nhỏ? Để quyết định điều này, có một số liệu được gọi là “Entropy”, là lượng không chắc chắn trong tập dữ liệu.

Xem thêm Decision Trees trong R-tìm hiểu và cách sử dụng

Thuật toán cây quyết định

Cây quyết định hay Decision Tree là một thuật toán đơn giản. Thuật toán này nhằm mục tiêu xây dựng các quy tắc hay luật lệ quyết định dựa theo cấu trúc cây với mỗi bộ luật tương ứng với nhánh lá của cây. Dữ liệu đầu vào có thể là dữ liệu missing không cần qua quá trình chuẩn hóa và tạo biến giả

Entropy

Entropy không là gì khác ngoài sự không chắc chắn trong tập dữ liệu hoặc thước đo sự rối loạn của chúng tôi. Hãy để tôi cố gắng giải thích điều này với sự trợ giúp của một ví dụ.

Giả sử bạn có một nhóm bạn quyết định họ có thể xem bộ phim nào cùng nhau vào Chủ nhật. Có 2 sự lựa chọn cho phim, một là “Lucy” và thứ hai là “Titanic” và bây giờ mọi người phải đưa ra lựa chọn của mình. Sau khi mọi người đưa ra câu trả lời của họ, chúng tôi thấy rằng “Lucy” được 4 phiếu bầu và “Titanic” được 5 phiếu bầu. Bây giờ chúng ta xem bộ phim nào? Bây giờ không khó để chọn 1 phim vì lượt bình chọn cho cả hai phim đều ngang nhau.

Đây chính xác là những gì chúng tôi gọi là rối loạn, có một số phiếu bầu bằng nhau cho cả hai bộ phim và chúng tôi thực sự không thể quyết định bộ phim nào chúng tôi nên xem. Sẽ dễ dàng hơn nhiều nếu số phiếu bầu cho “Lucy” là 8 và cho “Titanic” là 2. Ở đây chúng ta có thể dễ dàng nói rằng đa số phiếu bầu dành cho “Lucy” do đó mọi người sẽ xem bộ phim này.

Trong Decision Tree, đầu ra chủ yếu là “có” hoặc “không”

Công thức cho Entropy được hiển thị bên dưới:

Ở đây p + là xác suất của lớp dương
p– là xác suất của lớp phủ định

S là tập con của ví dụ huấn luyện

Làm thế nào để Decision Tree sử dụng Entropy?

Bây giờ chúng ta biết entropy là gì và công thức của nó là gì, Tiếp theo, chúng ta cần biết rằng nó hoạt động chính xác như thế nào trong thuật toán này.

Về cơ bản, Entropy đo độ tạp chất của một nút. Tạp chất là mức độ ngẫu nhiên; nó cho biết dữ liệu của chúng ta ngẫu nhiên như thế nào. Một phân tách con thuần túy có nghĩa là bạn sẽ nhận được “có” hoặc bạn sẽ nhận được “không”.

Giả sử ban đầu một đối tượng có 8 “có” và 4 “không”, sau lần phân chia đầu tiên, nút bên trái nhận được 5 ‘y

es ’và 2″ no “trong khi nút bên phải nhận được 3” yes “và 2” no “.

Chúng ta thấy ở đây sự phân chia không trong sáng, tại sao vậy? Bởi vì chúng ta vẫn có thể thấy một số lớp phủ định trong cả hai nút. Để tạo một Decision Tree, chúng ta cần tính tạp chất của mỗi lần tách, và khi độ tinh khiết là 100%, chúng ta làm cho nó như một Leaf Nodes.

Xem thêm BlockChain: xây dựng ứng dụng DApp với Ethereum

Để kiểm tra tạp chất của đặc điểm 2 và đặc điểm 3, chúng tôi sẽ thực hiện trợ giúp cho công thức Entropy.

Chúng ta có thể thấy rõ ràng từ bản thân cây rằng nút bên trái có entropy thấp hoặc độ tinh khiết hơn nút bên phải vì nút bên trái có số lượng “có” nhiều hơn và rất dễ dàng để quyết định ở đây.

Luôn nhớ rằng Entropy càng cao thì độ tinh khiết càng thấp và tạp chất càng cao.

Như đã đề cập trước đó, mục tiêu của Machine learning là giảm độ không chắc chắn hoặc tạp chất trong tập dữ liệu, ở đây bằng cách sử dụng entropy, chúng ta đang nhận được tạp chất của một nút cụ thể, chúng ta không biết là entropy cha hay entropy của một nút cụ thể có giảm hay không.

Đối với điều này, chúng tôi mang đến một số liệu mới có tên là “Mức tăng thông tin” cho chúng tôi biết entropy mẹ đã giảm bao nhiêu sau khi tách nó bằng một số tính năng.

Xem thêm R graphical Models, cách sử dụng

Information Gain

Information Gain đo lường việc giảm độ không đảm bảo do một số đặc điểm và nó cũng là yếu tố quyết định thuộc tính nào nên được chọn làm Decision Nodes hoặc Root Nodes.

Nó chỉ là entropy của tập dữ liệu đầy đủ – entropy của tập dữ liệu được cung cấp một số tính năng.

Để hiểu rõ hơn điều này, chúng ta hãy xem xét một ví dụ:

Giả sử toàn bộ dân số của chúng ta có tổng cộng 30 trường hợp. Bộ dữ liệu là để dự đoán liệu người đó có đi đến phòng tập thể dục hay không. Giả sử 16 người đến phòng tập thể dục và 14 người không đi

Bây giờ chúng ta có hai tính năng để dự đoán liệu anh ấy / cô ấy có đi đến phòng tập thể dục hay không.

Xét thuộc tính là “Energy” nhận hai giá trị “high” và “low”

Thuộc tính 2 là “Motivation” có 3 giá trị “No motivation”, “Neutral” và “Highly motivated”.

Hãy xem Decision Tree của chúng ta sẽ được thực hiện như thế nào khi sử dụng 2 tính năng này. Chúng tôi sẽ sử dụng thu thập thông tin để quyết định tính năng nào nên là Root Nodes và tính năng nào sẽ được đặt sau khi tách.

Hãy tính toán entropy:

Để xem trung bình có trọng số của entropy của mỗi nút, chúng ta sẽ làm như sau:

Bây giờ chúng ta có giá trị của E (Parent) và E (Parent | Energy), Information Gain sẽ là:

Entropy parent của chúng tôi là gần 0,99 và sau khi xem xét giá trị thu được thông tin này, chúng ta có thể nói rằng entropy của tập dữ liệu sẽ giảm 0,37 nếu chúng ta đặt “energy” làm Root Nodes.

Tương tự, chúng tôi sẽ thực hiện điều này với tính năng khác “Motivation” và tính toán mức tăng thông tin của nó.

Hãy tính toán entropy ở đây:

Để xem trung bình có trọng số của entropy của mỗi nút, chúng ta sẽ làm như sau:

Bây giờ chúng ta có giá trị của E (Parent) và E (Parent | Motivation), Information Gain sẽ là:

Bây giờ chúng tôi thấy rằng tính năng “energy” giảm nhiều hơn, là 0,37 so với tính năng “Motivation”. Do đó, chúng tôi sẽ chọn đối tượng địa lý có mức tăng thông tin cao nhất và sau đó tách nút dựa trên đối tượng địa lý đó.

Trong ví dụ này, “energy” sẽ là Root Nodes của chúng ta và chúng ta sẽ làm tương tự đối với các nút phụ. Ở đây chúng ta có thể thấy rằng khi energy “cao” thì entropy thấp và do đó chúng ta có thể nói một người chắc chắn sẽ đến phòng tập thể dục nếu anh ta có energy cao, nhưng nếu energy thấp thì sao? Một lần nữa chúng tôi sẽ chia nút dựa trên tính năng mới là “Motivation”.

Khi nào thì ngừng chia nhỏ?

Chắc hẳn bạn đang tự hỏi mình câu hỏi này rằng khi nào thì chúng ta ngừng phát triển cây của mình? Thông thường, các bộ dữ liệu trong thế giới thực có một số lượng lớn các tính năng, điều này sẽ dẫn đến một số lượng lớn các phân tách, do đó tạo ra một cây khổng lồ. Những cây như vậy cần nhiều thời gian để xây dựng và có thể dẫn đến tình trạng quá sung. Điều đó có nghĩa là cây sẽ cho độ chính xác rất tốt trên tập dữ liệu huấn luyện nhưng sẽ cho độ chính xác kém trong dữ liệu thử nghiệm.

Có nhiều cách để giải quyết vấn đề này thông qua điều chỉnh siêu tham số. Chúng ta có thể đặt độ sâu tối đa cho Decision Tree của mình bằng cách sử dụng tham số max_depth. Giá trị của max_depth càng nhiều thì cây của bạn càng phức tạp. Lỗi đào tạo sẽ giảm đi nếu chúng ta tăng giá trị max_depth nhưng khi dữ liệu thử nghiệm của chúng ta hiển thị trên hình ảnh, chúng ta sẽ nhận được độ chính xác rất kém. Do đó, bạn cần một giá trị sẽ không trang bị quá mức cũng như không trang bị đầy đủ cho dữ liệu của chúng tôi và đối với điều này, bạn có thể sử dụng GridSearchCV.

Một cách khác là đặt số lượng mẫu tối thiểu cho mỗi lần đổ. Nó được ký hiệu là min_samples_split. Ở đây chúng tôi chỉ định số lượng mẫu tối thiểu cần thiết để thực hiện đổ. Ví dụ: chúng tôi có thể sử dụng tối thiểu 10 mẫu để đi đến quyết định. Điều đó có nghĩa là nếu một nút có ít hơn 10 mẫu

sau đó sử dụng tham số này, chúng ta có thể dừng việc chia nhỏ thêm nút này và biến nó thành một Leaf Nodes.

Có nhiều siêu tham số hơn như:

min_samples_leaf – đại diện cho số lượng mẫu tối thiểu cần thiết để có trong Leaf Nodes. Bạn càng tăng số lượng, càng có nhiều khả năng trang bị quá mức.
max_features – nó giúp chúng tôi quyết định số lượng tính năng cần xem xét khi tìm kiếm sự phân tách tốt nhất.

Pruning

Đó là một phương pháp khác có thể giúp chúng ta tránh overfitting. Nó giúp cải thiện hiệu suất của cây bằng cách cắt các nút hoặc nút con không quan trọng. Nó loại bỏ các nhánh có tầm quan trọng rất thấp.

Chủ yếu có 2 cách để Pruning:

Pre-pruning – chúng ta có thể ngừng phát triển cây sớm hơn, có nghĩa là chúng ta có thể tỉa / loại bỏ / cắt một nút nếu nó có tầm quan trọng thấp trong khi phát triển cây.
Post-pruning – khi cây của chúng ta đã được xây dựng đến độ sâu của nó, chúng ta có thể bắt đầu tỉa các nút dựa trên ý nghĩa của chúng.

Kinh nghiệm thi bằng lái xe ô tô (số tự động) ở Hàn Quốc

2022-02-03T10:32:00.021+07:00

Luật thi bằng lái xe ô tô ở Hàn Quốc, từ năm 2017 đã được thay đổi và đã “làm khó” rất nhiều thí sinh dự thi. Về thủ tục và nội dung thi như sau:

Chuẩn bị hình 3x4: cần nộp 2 lần (1 lần khám sức khỏe + đăng kí, 1 lần nộp để lấy bằng lái)

------------------------- Vòng 1 -------------------

Bước 1: Khám sức khỏe (tự đi bv khám hoặc khám ở chỗ đăng kí thi): ~6.000 krw.

Bước 2: Sau khi đã nộp ảnh và lệ phí để hoàn tất hồ sơ

Bước 3: Nộp tiền thi lý thuyết. Lệ phí hiện hành là 12000 won. Sau đó lên phòng thi và chờ người coi thi gọi đến lượt mình. Thi xong sẽ biết ngay kết quả. (Thi bằng B1 thì từ 60 điểm là qua. Còn bằng B2 là trên 70 điểm).

Bước 4: Chọn ngày thi sa hình để đăng kí, lệ phí 20.000 krw

------------------------- Vòng 2 -------------------

Bước 5: Ngày thi sa hình đến xem video an toàn 30 phút. Chờ gọi tên ra xe. Thi có kết quả không dưới 70 thì qua.

Bước 6: Chọn ngày ngoài đường để đăng kí, lệ phí 20.000 krw + 4.000 krw bảo hiểm

------------------------- Vòng 3 -------------------

Bước 7: Ngày thi ngoài đường đến xem video an toàn 30 phút. Chờ gọi tên ra xe. Thi có kết quả không dưới 70 thì qua.

Bước 8: Nộp giấy có đủ 3 mọc tròn + hình 3x4 + lệ phí 15.000 krw để lấy bằng ngay.

Done, Good luck!

Dưới đây là hướng dẫn chi tiết các vòng thi:

I. Thi lý thuyết trên máy tính;

Có tiếng việt nên cài app và luyện thi thử cho đến khi nào trên 70-80 điểm là ok, vì thực tế cần 60 điểm là đậu (không quá khó)

II. Thi kỹ năng trong sân (기능 시험): chia ra làm 7 hạng mục thi

1. các thao tác khi xe đứng yên

Phần thi thứ nhất: Các thao tác khi xe đứng yên. (1) Khởi động xe kèm theo 2 nội dung (ngẫu nhiên) trong 4 nội dung: chuyển số từ Parking (P) sang Đi (D) và trở lại P; Bật xi nhan trái/phải; Bật đèn chiếu gần, xa và tắt; và bật gạt nước (Wiper).

Ở phần thi khi xe đứng yên, mỗi nội dung thao tác sai hoặc chậm quá hoặc nhanh quá sẽ bị trừ 5 điểm. Chú ý, nếu lệnh nào làm sai thì bỏ qua luôn, không thực hiện lại vì máy sẽ hiểu là câu lệnh tiếp theo. Khi xe đứng yên, chân luôn đạp chân phanh thì mới khởi động/vào số được. Các câu thông báo (chính) như sau:

지금부터 시험을 시작하겠슴니다.
5 초내에 엔진시동을 거세요 (khởi động);
10 초내에 변속기레버를 드라이버 에 넣었다가 다시 파킹위치로 전환하세요 (đổi số);
5 초내에 전조등을 켜세요 (bật đèn chiếu);
5 초내에 상향등으로 전환하세요 (bật đèn pha);
5 초내에 하향등으로 전환후 전조등을 끄세요 (tắt đèn pha và tắt đèn);
5 초내에 좌측 (bên trái)/우측 (bên phải) 방향지(xi nhan) 시등을켜세요;
5 초내에 방향지 시등을 끄세요;
5 초내에 와이퍼(gạt nước) 를 작동하세요. 5 초내에 와이퍼를 끄세요.
10 초내에 주차브레이크를 풀고 출발하세요…

Sau khi thực hiện xong các thao tác khi xe đứng yên, được thông báo thả phanh tay, chuyển số (D) và đi (tốc độ dưới 20 km/h, vượt quá 1 lần trừ 3 điểm); Thao tác theo thứ tự: Thả phanh tay, xi nhan trái, chuyển số D và đi. Chú ý phải bật xi nhan trái khi xuất phát (nếu không bị trừ 5 điểm). Sau khi đi, nghe tiếng “bíp” mới được tắt xi nhan trái (Xuất phát từ điểm số (1) trên hình).

2. dừng xe trên dốc

Sau khi xe đi được chừng 20 m thì sẽ đi lên dốc 10 %. Tại dốc này, phải dừng xe ở giữa dốc 3 s (Dừng không đủ 3 s thì trừ 5 điểm). Sau đó đi tiếp (nếu khi đi tiếp, xe bị lùi lại quá 0.5 m sẽ bị trừ 5 điểm). Trên đường đi, nếu để bánh xe chạm vạch vàng (bên trái/phải) mỗi lần bị trừ 15 điểm.

3. đi thẳng qua giao lộ có đèn xanh đỏ

Chú ý đi theo đèn khi qua giao lộ (vị trí số 3)

4. đỗ xe vào ô chữ T (T-parking)

Có thể nói đây là phần thi làm khó thí sinh nhất trong phần thi kỹ năng. Về kích thước chữ T-parking như ở hình dưới. Trong vòng 2 phút phải đi vào, xác nhận đỗ xe, và đi ra khỏi ô T-parking này. Trong ô, mỗi lần bánh xe chèn vạch vàng bị trừ 10 điểm.

Phần thi này không hề đơn giản, thậm chí với những người có kinh nghiệm lái lâu năm. Do đó, đối với người mới học thi thì quan trọng nhất, nhớ công thức và làm theo. Mình nhắc lại, khi lên xe thi trong sân nên chỉnh lại 2 gương sao cho nhìn thật rõ vị trí 2 bánh sau ở 2 bên nhằm phục vụ đoạn T-parking này (chỉnh gương thoải mái, không bị bắt lỗi). Sau đó, để vượt qua phần T-parking thì làm theo công thức sau:

- Khi xe đến vị trí A, bờ sân bên phải chữ T thẳng tới ngang vai người lái, đánh phải hết cỡ để xe đi vào. Khi xe qua vạch giới hạn vào, đồng hồ bắt đầu tính giờ. Thời gian từ lúc đó tới lúc ra khỏi T-parking là 2 phút. - Thả tay lái cho xe đi thẳng, song song với đường đi vào, để sao cho xe cách vạch vàng trái chừng 20~30 cm. Tới vị trí B, khi vạch vàng bên trái của chuồng thẳng với vai ghế ngồi, đánh vô lăng đúng 1 nửa vòng về bên phải. Sau đó để xe đi chầm chậm, cho tới vị trí C, ở đó: góc D, góc gương và mắt nhìn (khi tựa thẳng lưng trên ghế) thành một đường thẳng. Thực tế là không nhìn thấy bánh xe trước bên phải nên lấy vị trí đó để căn, nếu không rất dễ chèn bánh trước bên phải vào vạch vàng. Tại vị trí C, gương trái cũng sẽ nhìn thấy rõ vị trí vạch vàng và bánh trái sau. - Chuyển từ số tiến qua số lùi, đánh lái kịch về bên trái, từ từ lùi và quan sát gương trái. Trường hợp 1: Nếu mĩ mãn thì bánh sau trái sẽ sát với vạch vàng, chỗ góc cua nên tiếp tục lùi vào.

Trường hợp 2, nếu nguy cơ bánh sau chèn vào vạch vàng, thì dừng lại, chuyển qua số tiến, tiến lên nhẹ một chút (khoảng 0.5 m), sau đó trả lái lại chừng 1//4~1/5 vòng về bên phải, rồi tiếp tục lùi. Khi nhìn qua gương, thấy bánh sau bên trái qua chỗ cong của vạch vàng, thì tiếp tục đánh kịch lái về bên trái để xe lùi vào. Khi xe song song với chuồng, thả lái về vị trí thẳng, tiếp tục lùi. Khi có thông báo “확인되었습니다”, thì kéo phanh tay, chờ tiếp “bíp” thì thả phanh tay để đi ra. Chú ý phải kéo phanh tay để xác nhận (không kéo phanh tay bị trừ 10 điểm). - OK, vậy là đã vào chuồng. Bây giờ là đi ra. Việc ra cũng khó không kém gì việc đi vào. - Cho xe đi thẳng, tới khi nhìn bờ của sân thẳng tới vai thì đánh kịch lái về bên phải. Chú ý 2 vị trí của xe có thể chèn vạch vàng: Bánh sau bên phải (quan sát gương phải) và bánh trước bên trái (ghé đầu ra nhìn). Nếu mĩ mãn thì 1 lần có thể ra khỏi chuồng ngay. Còn nếu thấy bánh sau hoặc bánh trước có nguy cơ chèn vạch vàng, thì tốt nhất lùi thêm một cữ nhè nhẹ (chuyển từ D sang R, đánh lái kịch về bên trái, lùi chừng 0.5 m), sau đó chuyển số lại về D, đánh lái kịch về bên phải là ra được. Với kinh nghiệm mình, tốt nhất là làm 2 cữ cho an tâm, cố một xíu rất dễ chèn một trong 2 bánh lên vạch vàng (mất 10 điểm). - Chú ý, khi sắp ra khỏi ô chữ T có thể có tín hiệu “돌발”;.

5. dừng khẩn cấp

Trong quá trình thi sẽ có một lần dừng khẩn cấp, khi có tín hiệu (돌발, 돌발) và đèn đỏ trong xe bật lên. Tín hiệu này xuất hiện ngẫu nhiên trên đường thi, trong vòng 2 tiếng “돌발 돌발” phải đạp được phanh và 3 tiếng “돌발 돌발 돌발” phải bật được đèn báo khẩn cấp. Sau khi đèn 돌발 tắt thì: (1) tắt đèn báo khẩn cấp (2) thả phanh và đi (chú ý: không làm ngược lại);

6. rẽ trái qua giao lộ có đèn xanh đỏ

Chú ý bật xi nhan trái và quan sát đèn; Không bật xi nhan bị trừ 5 điểm, vượt đèn trừ 10 điểm.

7. tăng tốc và giảm tốc.

Đây là phần thi tưởng chừng như dễ nhưng lại rất dễ mất điểm. Trong suốt quá trình thi kỹ năng trong sân, tốc độ được yêu cầu dưới 20 km/h. Nếu vượt quá mỗi lần bị trừ 3 điểm. Ở gần cuối phần thi trong sân có phần giới hạn tốc độ trên 20 km/h và ngay sau đó giảm xuống dưới 20 km/h. Hết sức chú ý vì phần này rất dễ đi nhưng lại rất dễ bị mất điểm.

Trước tiên, mình nói qua nguyên lý bắn tốc độ đoạn này như sau. Trên đoạn đường này có gắn 3 cảm biến đo tốc độ xe ở 3 vị trí A, B, C như trên hình vẽ. Tốc độ được yêu cầu trên 20 km/h sau vị trí A 10 m, sau đó giảm xuống dưới 20 km/h ở vị trí C.

Vấn đề là thời điểm nào nên bắt đầu tăng tốc và giảm tốc? Cảm biến ở vị trí A có độ trễ tới 3s, có nghĩa là nếu đi qua A sau đó tăng tốc ngay thì cảm biến vị trí A có thể xác định xe vượt quá 20 km/h tại trước thời điểm 10 m, tính từ vị trí A.

Do đó, sẽ bị trừ 3 điểm. Cảm biến ở vị trí B, yêu cầu xe phải trên 20 km/h khi đi qua B. Nếu tốc độ xe ở vị trí B mà dưới 20 km/h thì bị trừ 10 điểm. Cảm biến ở vị trí C, yêu cầu xe chạy dưới 20 km/h. Nếu trên 20 km/h bị trừ 10 điểm. Do đó, để không mất điểm phần thi này thì cần đi thật chậm (khoảng 5 km/h khi qua vị trí A, sau khi qua A chừng 3 s thì phải tăng tốc thật nhanh để vượt 20 km/h ở vị trí B, sau đó phanh nhanh trước vị trí C, để tại C phải đảm bảo xe dưới 20 km/h. Mình chú lại một lần nữa, đây là đoạn rất nhiều người bị mất điểm (thường là bị mất 13 điểm do 2 lỗi, 1 là quá tốc độ ở vị trí A (trừ 3 điểm) và 2 là không giảm tốc độ kịp ở vị trí C (trừ 10 điểm)).

III. Thi thực hành ngoài đường (도로주행).

(Link video sẽ cập nhật sau)

Giao dịch đầu tiên của Bitcoin - "Cha đẻ của Bitcoin là ai?"

2021-12-16T07:10:00.000+07:00

Hôm nay là kỷ niệm giao dịch đầu tiên của Bitcoin (BTC) 13 năm trước (Jan-12-2009), và người đầu tiên nhận Bitcoin từ Satoshi là Hal Finney... Không ai biết Satoshi là ai nhưng khả năng cao là Hal Finney và người này đã viết lại cảm nhận của mình về BTC trước khi ra đi.

[1] “Tôi nghĩ tôi sẽ viết về những gì đã xảy ra trong bốn năm qua, một thời gian sôi động cho Bitcoin và tôi.
Đối với những người không biết tôi, tôi là Hal Finney. Tôi bắt đầu làm việc cho crypto trong phiên bản đầu tiên của PGP, làm việc chặt chẽ với Phil Zimmermann. Khi Phil quyết định bắt đầu Tổng công ty PGP, tôi là một trong những người được thuê đầu tiên. Tôi đã làm việc trên PGP cho đến khi nghỉ hưu. Đồng thời, tôi đã tham gia đội Cypherpunks. Tôi đã chạy lập trình chuyển đổi ẩn danh dựa trên thuật toán mật mã đầu tiên, và một số các hoạt động khác.
    Đến cuối năm 2008, tôi đã nhận được thông báo về Bitcoin. Tôi đã nhận thấy rằng những người có tổi như tôi (tôi đã ở tuổi 50 lúc đó) thì hay hoài nghi. Nhưng tôi là một người rất có lý tưởng; tôi luôn yêu crypto, sự bí ẩn và các nghịch lý của nó.
Khi Satoshi công bố Bitcoin trên các danh sách người đam mê công nghệ kỹ thuật số, nhiều người đã rất hoài nghi. Các nhà mật mã hóa đã nhìn thấy quá nhiều kế hoạch lớn bởi những người không hiểu biết.
    Tôi đã tích cực hơn. Tôi đã rất quan tâm đến các kế hoạch thanh toán bằng mật mã. Thêm vào đó, tôi đã may mắn gặp được và liên hệ với Wei Dai và Nick Szabo, những người được thừa nhận đã tạo ra những ý tưởng ban đầu và đã dẫn tới sự ra đời của Bitcoin. Tôi đã tạo ra một loại tiền mã hóa kỹ thuật số trước đó gọi là RPOW, vì vậy, tôi rất hứng thú với Bitcoin.
    Khi Satoshi công bố phiên bản phần mềm đầu tiên, tôi đã thử nó ngay lập tức. Tôi nghĩ rằng tôi là người đầu tiên bên cạnh Satoshi để chạy Bitcoin. Tôi đào khối 70 và tôi là người nhận giao dịch Bitcoin đầu tiên trên thế giới khi Satoshi gửi 10 Bitcoin cho tôi để kiểm tra. Tôi tiếp tục nói chuyện qua email với Satoshi trong vài ngày tới, hầu hết là tôi đã báo cáo lỗi và anh ta đã khắc phục chúng.
    Ngày nay, ai là Satoshi đã trở thành một bí ẩn. Nhưng vào thời điểm đó, tôi nghĩ tôi đang làm việc với một người đàn ông trẻ tuổi gốc Nhật, một người rất thông minh và chân thành. Tôi đã may mắn để biết nhiều người như vậy trong suốt quãng đời của mình, vì vậy tôi nhận ra Satoshi là một người như vậy.
    Sau vài ngày, Bitcoin đã chạy ổn định, vì vậy tôi cứ để nó chạy. Đó là những ngày mà độ khó đào Bitcoin là 1, và bạn có thể đào Bitcoin thành công với mấy vi tính cá nhân, thậm chí không cần card đồ họa. Tôi đã đào vài khối Bitcoin trong những ngày tiếp theo. Nhưng tôi đã tắt máy sau đó vì nó làm cho máy tính của tôi nóng, và tiếng ồn của quạt làm phiền tôi. Nhìn lại, tôi ước gì mình tiếp tục cho nó chạy, nhưng mặt khác tôi đã rất may mắn được chứng kíến ngay từ đầu.
Tiếp theo, tôi nghe nói về Bitcoin vào cuối năm 2010, khi tôi ngạc nhiên khi thấy rằng nó không những không dừng lại mà Bitcoins thực sự có giá trị tiền tệ. Tôi đã dọn dẹp cái ví điện tử cũ của mình, và nhẹ nhõm khi phát hiện ra rằng những Bitcoin của tôi vẫn còn đó. Khi giá tiếp tục đi lên, tôi chuyển Bitcoin vào ví cá nhân và hy vọng họ sẽ có giá trị cho người thừa hưởng gia tài của tôi.
    Nói về thừa hưởng gia tài, tôi đã nhận được một tin bất ngờ trong năm 2009, khi tôi đã được chẩn đoán đột ngột với một căn bệnh chết người. Tôi đã có sức khoẻ rất tốt, có thể là tốt nhất từ trước tới giờ vào đầu năm đó, tôi đã giảm cân vì bắt đầu tập chạy dường dài. Tôi muốn chạy nhiều marathon nhỏ, và tôi đã bắt đầu để đào tạo để chạy một marathon lớn. Tôi nghĩ tôi đã có thể chạy 20 dặm đường, đó là khi mọi thứ sụp đỗ.
    Cơ thể tôi bắt đầu suy giảm. Lời nói của tôi bị lẩm bẩm, tay bị mất sức, và đôi chân của tôi đã phục hồi rất chậm. Vào tháng tám năm 2009, tôi đã được chẩn đoán ALS, còn được gọi là bệnh của Lou Gehrig, tên được biết tới sau khi cầu thủ bóng chày nổi tiếng đã bị bệnh này. ALS là một căn bệnh giết chết các tế bào thần kinh vận động, mang tín hiệu từ não đến các cơ. Nó bắt đầu làm cho các cơ bắp yếu đi, sau đó dần dần gia tăng tê liệt. Nó thường gây tử vong trong vòng 2 đến 5 năm. Các triệu chứng của tôi lúc đầu nhẹ và tôi tiếp tục làm việc, nhưng các vấn đề về mệt mỏi và giọng nói buộc tôi phải nghỉ hưu vào đầu năm 2011. Kể từ đó, căn bệnh đã tiếp tục tiến triển.
    Hôm nay, tôi cơ bản là bị tê liệt. Tôi được cho ăn ống qua ống thực phẩm, và hơi thở của tôi được trợ giúp thông qua một ống khác. Tôi vận hành máy tính bằng cách sử dụng một hệ thống eyetracker (di chuyển bằng mắt). Nó cũng được hỗ trợ bằng tiếng nói nhân tạo, vì vậy đây là tiếng nói của tôi bây giờ. Tôi dành cả ngày trong xe lăn điện của tôi. Tôi đã làm việc lên một giao diện để có thể điều chỉnh vị trí xe lăn của tôi bằng cách sử dụng mắt của tôi.
    Tôi đã phải thích nghi với cuộc sống này, nhưng cuộc sống của tôi không phải là quá xấu. Tôi vẫn có thể đọc, nghe nhạc, xem TV và xem phim. Gần đây tôi đã phát hiện ra rằng tôi thậm chí có thể viết mã vi tính tuy là rất chậm, có lẽ chậm hơn 50 lần so với trước đây. Nhưng tôi vẫn thích lập trình và nó mang lại cho tôi mục tiêu đời sống. Hiện tại, tôi đang nghiên cứu cái mà Mike Hearn đề xuất, sử dụng các tính năng bảo mật của hệ thống xử lý hiện đại, được thiết kế để hỗ trợ "Máy tính tin cậy", để làm chặt các ví tiền Bitcoin. Tôi đã gần như đã sẵn sàng để phát hành phần này. Tôi chỉ cần làm các tài liệu hướng dẫn.
    Và dĩ nhiên, sự xoay vòng giá của Bitcoin đang là giải trí cho tôi. Tôi nhận được Bitcoin của tôi thông qua may mắn. Tôi đã trải qua vụ sụp giá năm 2011. Vì vậy, tôi đã đã hiểu được, tiền đến thì tiền lại đi.
    Đây là câu chuyện của tôi, tôi khá may mắn. Ngay cả với bệnh ALS, cuộc sống của tôi rất thỏa mãn nhưng tuổi thọ của tôi đã bị hạn chế. Bitcoin của tôi được lưu trữ trong một két an toàn, và con trai tôi và con gái của tôi am hiểu công nghệ cao. Tôi nghĩ rằng chúng sẽ giữ an toàn và tôi cảm thấy thoải mái với di sản của mình.”


[2] Sau khi ông mất, não cũng như cơ thể của ông vẫn được bảo quản với nhiệt độ -320 F (-195,6 C) tại Alcor Life Extension Foundation chờ ngày hồi sinh. Hy vọng khoa học có thể làm hồi sinh não của ông và cho chúng ta câu trả lời "cha đẻ của Bitcoin là ai!"
Ref.
[1] https://bitcointalk.org/index.php?topic=155054.0
[2] https://news.bitcoin.com/can-clues-to-bitcoins-earliest-mysteries-be-found-in-a-cryopreserved-brain/

[RL series] Dạo quanh Reinforcement Learning

2021-11-21T13:10:00.014+07:00

Reinforcement Learning là gì?

Fig. 1. An agent interacts with the environment, trying to take smart actions to maximize cumulative rewards.

Giả sử, chúng tôi có một đại lý trong một môi trường không xác định và đại lý này có thể nhận được một số phần thưởng bằng cách tương tác với môi trường. Người đại diện phải thực hiện các hành động để tối đa hóa phần thưởng tích lũy. Trong thực tế, kịch bản có thể là một bot chơi trò chơi để đạt được điểm số cao, hoặc một robot cố gắng hoàn thành các nhiệm vụ vật lý với các vật phẩm vật lý; và không chỉ giới hạn ở những thứ này.

Bạn đã bao giờ trách móc hoặc đánh đập con chó của mình một cách nghiêm khắc vì những hành động sai trái sau khi nó làm chưa? Hay bạn đã bao giờ huấn luyện một con vật cưng và thưởng nó cho mỗi lệnh đúng mà bạn yêu cầu chưa? Nếu bạn là chủ sở hữu vật nuôi, có lẽ câu trả lời của bạn sẽ là ‘Có’. Bạn có thể nhận thấy một khi bạn làm như vậy thường xuyên từ khi nó còn nhỏ, những việc làm sai trái của nó giảm dần từng ngày. Và cũng giống như nó sẽ học hỏi từ những sai lầm và rèn luyện bản thân thật tốt.

Là con người, chúng ta cũng đã từng trải qua điều tương tự. Bạn có nhớ không, ở trường tiểu học của chúng tôi, các giáo viên của trường chúng tôi đã thưởng cho chúng tôi những ngôi sao khi chúng tôi đã hoàn thành tốt các công việc của trường. Đây chính xác là những gì đang xảy ra trong "Học tăng cường" (RL).

Reinforcement Learning is one of the most beautiful branches in Artificial Intelligence

Mục tiêu của RL là tìm kiếm một chiến lược tốt cho "chủ thể" từ các "trải nghiệm" và nhận được phản hồi từ những tương tác với môi trường. Với chiến lược tối ưu, chủ thể có khả năng chủ động thích ứng với môi trường để tối đa hóa phần thưởng trong tương lai.

Các khái niệm chính trong RL

Chủ thể (agent) đang hoạt động trong môi trường (environment). Cách môi trường phản ứng với các hành động nhất định được xác định bởi một mô hình (model) mà chúng ta có thể biết hoặc có thể không biết. Chủ thể (agent) là người đưa ra quyết định (make a decision), có thể ở một trong nhiều trạng thái (states) (s ∈ S) của môi trường, và chọn thực hiện một trong nhiều hành động (actions) (a ∈ A) để chuyển từ trạng thái này sang trạng thái khác. Trạng thái nào mà chủ thể sẽ có được quyết định bởi xác suất (probabilities) chuyển đổi giữa các trạng thái (P). Khi một hành động được thực hiện, môi trường mang lại phần thưởng (reward) (r ∈ R) dưới dạng phản hồi.

RL là khoa học về việc đưa ra các quyết định tối ưu bằng cách sử dụng kinh nghiệm. Chi tiết hơn, quá trình RL bao gồm các bước đơn giản sau:

1. Quan sát môi trường (Observation)
2. Quyết định cách hành động bằng một số chiến lược (Decision)
3. Hành động phù hợp (Action)
4. Nhận phần thưởng hoặc hình phạt (reward/penalty)
5. Học hỏi kinh nghiệm và hoàn thiện chiến lược của chúng tôi (Learn)
6. Lặp lại cho đến khi tìm được chiến lược tối ưu

Source: link

Mô hình hóa toán học của RL
1. Đây là một ví dụ trực quan về `Agent`:
2. Enviroment xung quang của Agent, nơi mà agent tồn tại và tương tác:
3. Dựa trên `State` S(t) của `enviroment` hiện tại mà `agent` sẽ đưa ra `action` a(t):
4. Sau khi nhận được sự tương tác từ `agent` thì `enviroment` có sự chuyển đổi trạng thái đối với `agent`:
5. `State` lúc này của `enviroment` là S(t+1), tức ở thời điểm t+1:
6. Lúc này, agent nhận được `reward` r(t). `Reward` này phụ thuộc vào `action` a(t) của `agent` và `State` S(t) của `enviroment` ở thời điểm trước đó, tức là ở thời điểm t:
7. Vì ta không biết thời điểm kết thúc của sự lặp đi lặp lại này nên tổng `reward` sẽ là một chuỗi vô hạn của các `reward` thành phần tại các thời điểm khác nhau kể từ thời điểm t (lúc đầu):
8. Chúng ta có thể khai triển chuỗi vô hạn này như sau:
9. Vì chuỗi này không thể nào hội tụ (convergence) được nên trên thực tế các nhà nghiên cứu có thể dùng một cái trick để chuỗi này có thể hội tụ được. Như hình dưới đây, họ đưa vào thêm một term thường được gọi là discount factor (discount rate) để làm cho chuỗi này hội tụ.
**Lưu ý việc hội tụ là bắt buộc nếu bạn muốn train thành công một agent nói riêng hay một mạng Neural Network nào đó nói chung.*
Tất cả những thứ trên nó dựa trên một framework được gọi là Markov Decision Processes (MDPs). Về cơ bản thì một MDP cung cấp một framework toán học cho việc modelling các tình huống decision-making. Ở đây, các kết quả (outcomes) xảy ra một cách ngẫu nhiên một phần và phần còn lại thì phụ thuộc trên các `action` của agent (hoặc decision maker) đã tạo ra trước đó. `reward` thu được bởi decision maker phụ thuộc trên `action` mà decision maker chọn và dựa trên cả hai `State` mới (S(t+1)) và cũ (S(t)) của `enviroment`.
Để có thể train được `agent` thì mục tiêu của chúng ta là phải tìm được `policy` $\pi$ sao cho:
* $β$ là discount factor và $β$ < 1
Về cơ bản thì chúng ta đang cố gắng để maximize tổng của tất cả các `reward` (có tính đến discount factor như đã đề cập ở trên) ở mỗi `state` cụ thể từ lúc bắt đầu đến khi kết thúc (dẫu cho T tiến về vô cùng, vì chúng ta chưa biết khi nào thì quá trình này kết thúc nên nó vẫn luôn là một chuỗi vô hạn), và đương nhiên là phải dựa trên `policy` $π$ vì `agent` của chúng ta base trên nó để chọn `reward` tốt nhất mà. Bản chất thì đây là một bài toán tối ưu (optimazation problem).
Ở trên là một tiêu chí mà chúng ta có thể dùng để optimize cho việc tìm ra nghiệm (optimal policy). Cụ thể chúng ta gọi tiêu chí này là infinite horizon sum reward criteria. Phụ thuộc vào các `criteria` khác nhau mà chúng ta sẽ có các algorithm khác nhau để tìm ra optimal policy. Với infinite horizon sum reward criteria thì chúng ta có thể sử dụng một thuật toán RL cũng khá kinh điển đó là Q-Learning để giải quyết, tôi sẽ giới thiệu trong bài viết tiếp theo.

Phân loại các phương án trên RL

Để phân loại rõ ràng các thuật toán trên RL khá phức tạp, chúng ta có thể nhìn hình bên dưới và tạm thời chia theo vài trường hợp chính:

Fig. 2. Summary of approaches in RL based on whether we want to model the value, policy, or the environment. (Image source: reproduced from David Silver’s RL course lecture 1.)

Model-free: thuật toán ước tính chính sách tối ưu mà không cần sử dụng hoặc ước tính động lực học (chức năng chuyển đổi và phần thưởng) của môi trường.

Model-based là một thuật toán sử dụng hàm chuyển tiếp (và hàm phần thưởng) để ước tính chính sách tối ưu.

On-policy: Sử dụng kết quả xác định hoặc mẫu từ chính sách mục tiêu (target policy) để đào tạo (train) thuật toán.

Off-policy: Đào tạo về cách phân phối các chuyển đổi (transitions) hoặc các tập (episodes) được tạo ra bởi một chính sách (policy) hành vi khác chứ không phải do chính sách mục tiêu tạo ra.

Ngoài ra, nếu nhìn tổng quát hơn ta có thể phân loại Rl thành những nhóm như hình bên dưới

Tiếp theo, để tạo nền tảng kiến thức vững vàng trước khi đi vào phân tích cũng như phát triển thuật toán trên RL các bạn nên tìm đọc và hiểu về cách khái niệm như Trasition, Reward, Policy, Value Function,... đặc biệt là Markov Decision Processes và Bellman Equations (có thời gian mình sẽ phân tích thêm về phần này) từ sách.

Ví dụ

Reinforcement Learning: An introduction (link)

Hoặc tổng hợp khác của tôi ở đây

P/s: từ tài liệu tiếng anh có nhiều từ rất khó để dịch sát nghĩa sang tiếng việt nên khó tránh khỏi sai sót, nhưng vì mong muốn các bạn ở VN có nhiều nguồn tài liệu để tiếp cận hơn. Các bạn có khả năng đọc hiểu tiếng anh thì nên đọc sách góc sẽ tốt hơn. Các phần tiếp theo mình đã xử lý dưới xong rồi, mình có thời gian sẽ tiếp tục, kết hợp với code mô phỏng. Hy vọng các bạn tìm thấy được sự thú vị từ đây! have fun :)

[Tips] Dạo quanh LaTex

2021-09-23T12:27:00.004+07:00

A. Giới thiệu

Bạn có thể tạo và quản lý 1 dự án bằng latex (free) một cách dễ dàng tại OverLeaf.

Để làm chủ dự án của mình bạn nên biết vài điều cơ bản như sau:

Cấu trúc cơ bản của một file .tex :
1
2
3
4
5
6
\documentclass [a4paper] {article}
\usepackage [utf8] {inputenc}
\usepackage {...}
\begin{document}
.........
\end{document}
trong đó:
+ article là lớp tài liệu, có các lớp như article, book, report hay beamer. Chi tiết các lớp sẽ giới thiệu sau.
+ Thuộc tính đặt trong cặp dấu ngoặc vuông của documentclass là các tuỳ chọn như sau:
++ Cỡ chữ chung cho toàn văn bản: chỉ có 3 cỡ là 10pt (mặc định), 11pt và 12pt. Còn thay đổi cỡ chữ ở cụ thể những vị trí khác nhau thì có lệnh riêng rồi. Cái này là cỡ chữ tổng thể.
++ Khổ giấy: có các khổ giấy như letterpaper (mặc định), legalpaper, executivepaper, a4paper, a5paper, b5paper.
++ Bản nháp draft hay bản in ấn chính thức final (mặc định). Cái này ko cần quan tâm cũng dc.
++ Chọn in một mặt oneside (mặc định) hay hai mặt twoside. Cái này ko cần quan tâm lắm vì file pdf xuất ra vẫn hai mặt như thường.
++ Bắt đầu một chương mới luôn ở trang bên phải openright, hoặc ở bên bất kỳ openany. Cái này cũng ko cần quan tâm, mặc định openright cho lớp book, openany cho lớp report, còn lớp article ko có tuỳ chọn này.
++ Tài liệu được chia làm hai cột twocolumn hay một cột onecolumn (mặc định).
++ landscape để thay đổi cách trình bày từ trang dọc thành trang ngang.
++ Nếu văn bản có công thức toán học thì công thức hiển thị ở chính giữa như mặc định hay ở bên trái với fleqn. (mình thấy để ở giữa cho thuận mắt)
++ Đánh số công thức ở bên phải như mặc định hay ở bên trái với leqno.
++ Xác định việc tạo một trang trắng ngay sau tựa đề với titlepage hoặc chọn không với notitlepage (việc này có nghĩa là tạo tờ bìa của tài liệu, hay cứ viết liền ngay mặt sau của trang chứa tựa đề). Lớp book và report mặc định là titlepage, còn lớp article thì ngược lại.
Nhiều tuỳ chọn khai báo cùng lúc thì ngăn cách nhau bởi dấu phẩy, ví dụ: \documentclass[12pt,a4paper,twocolumn]{report}
+ usepackage để gọi các gói sử dụng vào tài liệu. Như gói inputenc là gói ngôn ngữ cơ bản để đọc được kí tự trong file tex. Để in ra được tiếng Việt, bạn phải dùng gói vietnam với tuỳ chọn utf8 (dù bạn gõ tiếng Việt trong file tex nhưng phải sử dụng gói ngôn ngữ để file pdf xuất ra hiển thị được tiếng Việt). (Có một lưu ý cho những ai dùng phần mềm biên dịch Texlive, đó là ngôn ngữ tiếng Việt nằm trong gói texlive-lang-other, hãy chắc chắn bạn đã cài gói này).
+ Tất cả văn bản và lệnh trong cặp \begin{document} và \end{document} sẽ được in ra file pdf.
Một hay nhiều dấu cách hay một enter (xuống dòng) khi in ra cũng chỉ tương đương với một dấu cách. Hai hay nhiều lần enter tương đương với một xuống dòng.
Ghi chú trong file tex nhưng ko hiển thị ra file thành phẩm, hãy dùng dấu %. Nội dung theo sau dấu % sẽ trở thành ghi chú và nó chỉ có hiệu lực trên 1 dòng.
Lệnh ngắt trang \newpage.
Ngắt dòng bằng \\ hoặc \newline (khác với xuống dòng, ngắt dòng vẫn thuộc đoạn văn ấy và ko bị thụt đầu dòng).
Từ nào dài quá, latex sẽ ngắt dòng tự động hoặc cho nó xuống dòng nhưng sẽ để lại khoảng trống vắng thiếu mỹ quan ở dòng trên, vì thế đặt dấu \- vào giữa từ để latex ưu tiên ngắt ở đó. Ví dụ electro\-magnetic . Còn nếu muốn hiển thị đầy đủ bất chấp mỹ quan thì dùng \mbox{blabla} hoặc \fbox{blabla} (fbox có thêm đóng khung viền).
Dấu ba chấm thực sự phải viết là \ldots
Có những ví dụ về khoảng cách trong một từ: VIETNAM\@. , Mr.~John .
Tạo mục lục \tableofcontents
Chia chương mục: theo thứ tự như sau
\chapter{}
\section{}
\subsection{}
\paragraph{}
\subparagraph{}
Lưu ý \chapter chỉ dùng được cho lớp book và report.
Tên tiêu đề chương mục nếu dài quá, hiển thị trong mục lục trông sẽ rất lôm côm, bạn có thể dùng tên rút gọn bằng cách thêm tựa đề thay thế vào lệnh, ví dụ \chapter[tựa_đề_thay_thế]{tựa_đề_đầy_đủ}
Viết tiêu đề cho tài liệu với \title{}, tác giả \author{}, ngày xuất bản \date{}. Hiển thị nội dung của 3 lệnh trên bằng lệnh \maketitle
Chú thích ở cuối trang bằng \footnote{} ngay sau từ cần chú thích hoặc sau dấu câu của câu hoặc đoạn cần chú thích.
Nhấn mạnh từ bằng cách gạch chân \underline{} hay in nghiêng \emph{}
Khái niệm môi trường: khác với lệnh, lệnh tác động tới nội dung đặt trong lệnh, hoặc đóng vai trò như một công tắc thay đổi thuộc tính cho toàn bộ văn bản kể từ sau nó. Môi trường là bạn bao bọc lấy một vùng văn bản và đặt thuộc tính chung cho cả đoạn ấy. Môi trường được khai báo như sau:
1
2
3
\begin{môi_trường}
... blabla...
\end{môi_trường}
Nội dung đặt trong cặp begin-end sẽ được định dạng theo tên môi_trường đó. Môi trường có thể lồng vào nhau được.
Môi trường liệt kê như itemize, enumerate, description. Để liệt kê các đối tượng, dùng lệnh \item ở bên trong môi trường.
Canh lề trái, phải, hoặc giữa bằng môi trường flushleft, flushright, center.

B. Văn bản

Định dạng font chữ:

\fontfamily{tên_font}: lệnh này có tác dụng thay đổi font chữ lên toàn bộ tài liệu.
Các font được chia làm 3 họ: Serif, Sans Serif và Typewriter.
+ Họ Serif: cmr (mặc định), lmr, pbk, bch, pmc, ppl, ptm.
+ Họ Sans Serif: cmss (mặc định), lmss, pag, phv.
+ Họ Typewriter: cmtt (mặc định), lmtt, pcr.
Lệnh dùng trực tiếp trong vùng văn bản nhất định:
+ Serif: \textrm{} hoặc lệnh kích hoạt rmfamily.
+ Sans Serif: \textsf{} hoặc lệnh kích hoạt sffamily.
+ Typewriter: \texttt{} hoặc lệnh kích hoạt ttfamily.
(Sự khác nhau giữa lệnh dùng trực tiếp và lệnh kích hoạt: lệnh trực tiếp chỉ tác động lên nội dung trong cặp ngoặc của nó, còn lệnh kích hoạt giống như công tắc, tác động lên toàn bộ khối văn bản trong môi trường bao chứa nó, kể từ vị trí gọi lệnh kích hoạt. Như vậy khi nào đổi font cho một cụm text ngắn thì nên dùng lệnh trực tiếp, còn khi nào đổi font cho cả đoạn văn bản dài (ko phải là toàn bộ tài liệu ), hãy bọc nó bằng một môi trường nhất định (môi trường trống cũng được), rồi đặt lệnh kích hoạt vào. Lưu ý lệnh kích hoạt chỉ có tác dụng nội trong môi trường đang chứa nó.)
\fontseries{kiểu} : kiểu in đậm hay bình thường. Lệnh này tác động đến toàn bộ tài liệu, mà chả ai dùng một cách toàn cục cả, nên ko cần quan tâm nó. Ta quan tâm đến lệnh dùng ở cấp cục bộ hơn.
+ textbf{} hoặc lệnh kích hoạt \bfseries: in đậm.
+ textmd{} hoặc lệnh kích hoạt \mdseries: viết thường.
\fontshape{dáng} : viết nghiêng hay bình thường. Cũng vì lệnh này tác động toàn cục, nên ta ko cần quan tâm.
+ \textup{} hoặc lệnh kích hoạt \upshape: bình thường.
+ \textit{} hoặc lệnh kích hoạt \itshape: viết nghiêng.
+ \textsl{} hoặc lệnh kích hoạt \slshape: nửa thường nửa nghiêng (?!).
+ \textsc{} hoặc lệnh kích hoạt \scshape: chữ hoa nhỏ.
+ \uppercase{} hay \lowercase{}: viết hoa hết hay viết thường hết.
+ \emph{}: nhấn mạnh, tức là làm nổi bật nội dung ấy lên, tuỳ vào định dạng của văn bản bên ngoài nó mà có định dạng nội dung bên trong emph khác nhau, nhưng nhìn chung ta hay dùng emph để viết nghiêng.
\fontsize{cỡ}: thay đổi cỡ chữ toàn tài liệu, đơn vị pt, ví dụ 12pt, 24pt,…
Bên cạnh đó, có các lệnh kích hoạt cài đặt cỡ chữ chuẩn theo thứ tự tăng dần như sau: \tiny, \scriptsize, \footnotesize, \small, \normalsize, \large, \Large, \LARGE, \huge, \Huge.

Tuỳ chỉnh độ thụt đầu dòng: Tuỳ lớp văn bản, như lớp article thì mặc định là có thụt. Nhưng buồn cười nỗi là đoạn đầu tiên của mỗi section lại không thụt đầu dòng.

Để thụt đầu dòng cho đoạn đầu tiên nói riêng và cho tất cả đoạn văn nói chung, đặt lệnh \usepackage{indentfirst} trước khi \begin{document}.
Thay đổi độ thụt đầu dòng bằng lệnh \setlength{\parindent}{độ_thụt}.
Như vậy nếu muốn tất cả đoạn đều ko thụt thì đặt độ_thụt về 0.
Chú ý việc thay đổi độ thụt này sẽ ko tác động đến đoạn đầu tiên nếu không gọi gói indentfirst.
Chọn thụt hay ko thụt đoạn nào đó cụ thể thì chèn lệnh \indent hay \noindent đằng trước.

Thay đổi khoảng cách giữa các đoạn văn: \setlength{\parskip}{độ_rộng}. Mặc định khoảng cách giữa các đoạn văn bằng 0, tức là ko có khác biệt gì giữa các dòng.

C. Công thức

Trước tiên để soạn thảo toán học được trong latex, bạn phải khai báo 3 gói sau: amsmath, amsfonts và amssymb bằng lệnh \usepackage{}.

Biểu thức toán học phải được đặt trong các môi trường toán học.

Có 2 hình thức trình bày của các môi trường toán học: hiển thị nội dòng (inline) hoặc hiển thị riêng ra dòng mới (display).
+ Hiển thị nội dòng, đặt biểu thức trong cặp dấu $...$ , ví dụ $a+b=c$, hoặc trong môi trường math.
+ Hiển thị riêng ra dòng mới, đặt biểu thức trong cặp dấu \[...\], hoặc môi trường displaymath.
Lưu ý rằng, với cách hiển thị nội dòng, công thức toán học sẽ bị co gọn lại theo bề rộng để đảm bảo tính thẩm mĩ. Nếu bạn đang dùng cách hiển thị nội dòng mà vẫn muốn hiển thị đầy đủ như dạng display thì chèn thêm lệnh \displaystyle.

Về việc đánh số thứ tự cho phương trình:
+ Dùng môi trường equation. Tuy nhiên môi trường equation chỉ cho viết công thức trên 1 dòng, khi cần viết nhiều công thức trên nhiều dòng, hãy dùng môi trường align, mỗi phương trình đều được đánh số. Dấu \\ để xuống dòng.
+ Lưu ý rằng việc đánh số là quá trình tự động. Nếu muốn bỏ qua đánh số cho những phương trình nhất định, có thể dùng môi trường equation* hay align*. Như vậy số chỉ được đánh trên các phương trình thuộc môi trường ko có dấu sao thôi.
+ Nếu bạn dùng môi trường align mà muốn bỏ đánh số một phương trình cụ thể nào đó thôi thì chỉ việc chèn \nonumber vào hàng của phương trình đó.
+ Nếu bạn muốn nhiều phương trình trong môi trường align cùng chung số đánh, bọc khối phương trình đó bằng môi trường split.
+ Đánh số dạng 1a, 1b, 1c, … , đặt cả môi trường align vào trong môi trường subequations.
+ Hoặc đánh số theo dạng 1.1 hay 1.1.1 , đặt lệnh sau trước khi \begin{document}:
\numberwithin{môi_trường}{section}
hay \numberwithin{môi_trường}{subsection}.

Canh đều các phương trình trong môi trường align bằng cách chèn thêm dấu &, khi đó các vị trí được chèn dấu & được dóng thẳng đứng với nhau. Hay nói cách khác, môi trường align giống như môi trường bảng, dấu & để ngăn cách các phần tử trong hàng và dấu \\ để kết thúc hàng.

Tham chiếu đến phương trình đã được đánh số:
+ Chèn thêm nhãn \label{tên_nhãn} vào cùng hàng với phương trình đó.
+ Khi cần gọi lại, dùng lệnh \eqref{tên_nhãn_đó}.

Cách viết chỉ số trên, chỉ số dưới:
x_{1}^{2}
Nếu cần rõ ràng hơn thể hiện số mũ: {x_{1}}^{2}

Các ký tự và ký hiệu toán học:

Chữ cái Hy Lạp:
(\alpha), (\beta), (\gamma), (\delta), (\Delta), (\varepsilon), (\epsilon), (\lambda), (\nu), (\mu), (\omega), (\Omega), (\theta), (\sigma), (\Sigma), (\pi), (\rho), (\tau), (\varphi), (\phi), (\Phi), (\xi), (\chi), (\psi).
Tích phân  (\int), tích phân 2 lớp  (\iint), tích phân 3 lớp  (\iiint), tích phân kín  (\oint).
  \int_{a}^{b} x dx
  \int\limits_{a}^{b} x dx
  \displaystyle \int_{a}^{b} x dx
Tổng:
  \sum_{i=0}^{n}
  \sum\limits_{i=0}^{n}
  \displaystyle \sum_{i=0}^{n}
Vector và trị trung bình (có gạch ngang trên đầu):
  \vec{a}
  \overrightarrow{AB}
  \overline{M}
Phân số:
\frac{x}{y}
Phân số ở dạng nội dòng nên trông gọn lỏn vậy. Muốn hiển thị rộng rãi hơn, chèn thêm \displaystyle, hoặc dùng \dfrac thay cho \frac.
Căn số:
\sqrt{a}
\sqrt[n]{a}
(\le),  (\ge),  (\ll),  (\gg),  (\sim),  (\simeq),  (\approx),  (\neq).
(\pm),  (\mp),  (\times),  (\cdot),  (\div),  (\setminus).
(\in),  (\notin),  (\forall),  (\exists),  (\nexists),  (\varnothing),  (\ldots),  (\cdots),  (\vdots),  (\perp),  (\parallel),  (\mid).
(\hbar),  (\partial),  (\nabla),  (\%),  (\infty),  (\dag hoặc \dagger).
(\leftarrow),  (\longleftarrow),  (\rightarrow),  (\longrightarrow),  (\leftrightarrow),  (\longleftrightarrow),  (\rightleftharpoons),  (\Leftarrow),  (\Rightarrow),  (\iff),  (\Longleftrightarrow),  (\uparrow),  (\downarrow).
(\hat{a}),  (\breve{a}),  (\grave{a}),  (\acute{a}),  (\tilde{a}),  (\dot{a}),  (\ddot{a}),  (\dddot{a}),  (\widehat{ABC}).
Dấu ngoặc biểu thức:
Nhìn chung gõ , , là được. Nhưng nâng cao hơn, để kích thước các dấu ngoặc thay đổi theo kích thước khối biểu thức bên trong nó, bạn chèn thêm \left và \right , ví dụ \left( \frac{a}{b}+\frac{c}{d} \right) . Hoặc thay đổi kích thước dấu ngoặc tuỳ thích, bạn chèn bằng \bigg, \Big hay \big.
Dấu trị tuyệt đối: \vert
Dấu chuẩn (norm): \Vert
Hàm lượng giác:
(\sin(x)), tương tự với cos, tan, arcsin, sinh, …

Tạo khoảng trắng trong công thức toán: đôi khi các ký tự dính nhau quá, trông xấu, còn gây dễ nhầm lẫn, do đó bạn chèn thêm khoảng trắng ở giữa, với độ rộng khoảng trắng lần lượt tăng dần \,, \:, \;, \ , \quad, \qquad.

Biểu diễn ma trận, định thức: dùng các môi trường matrix, pmatrix, bmatrix, vmatrix, Vmatrix lồng trong môi trường align. Chi tiết xem bài viết theo link gắn ở cuối bài.

Chèn chữ (text) thường trong môi trường toán học, dùng lệnh \textrm{}.
Ví dụ: y=x \textrm{ when } x \ge 0

x phẩy (x’) hay dấu phẩy đạo hàm thì cứ đánh dấu nháy đơn (‘) như thường, ko có lệnh gì cả.

Dấu ngoặc hệ phương trình: dùng môi trường cases.
\begin{cases} x+y=3 \\ x+2y=5 \end{cases}
Nếu dấu ngoặc muốn đặt ở bên phải, dùng môi trường rcases*, nhưng phải có khai báo gói mathtools.

D. Bảng

Môi trường bảng tabular: \begin{tabular} [vị_trí] {kiểu}
trong đó:
– vị_trí là tham số tuỳ chọn, quy định đặt bảng ở các vị trí t, b hay c của trang. Nếu ko có thì mặc định bảng xuất hiện ngay tại vị trí soạn bảng.
– kiểu quy định định dạng của cột.
- Cú pháp kiểu: | l | c | r |
  Như ví dụ trên, bảng có 3 cột, lần lượt canh cột theo left, center và right.
  Dấu sổ dọc “|” biểu thị đường kẻ cột. Bỏ qua dấu sổ này nghĩa là ko vẽ đường kẻ dọc của bảng.
- Có thể thay đường kẻ dọc bằng kí tự bất kỳ bằng @{kí_tự}.
- Vẽ đường kẻ ngang bằng \hline,
  hoặc \cline{i-j} trong đó i, j tương ứng là số của cột mà đường kẻ ngang vẽ qua.
- Các phần tử trong hàng ngăn cách nhau bởi dấu & và kết thúc hàng bởi dấu \\.
- Độ rộng của cột theo mặc định là bằng độ dài lớn nhất của các phần tử trong cột đó. Đôi khi bạn muốn cột có độ rộng xác định, hãy thay tham số kiểu bằng p{độ_rộng}. p{} căn chữ vào cạnh trên của ô. Tương tự với p{} là m{} giúp căn vào giữa ô và b{} căn vào cạnh dưới, cả hai tham số này yêu cầu cần khai báo gói array.
- Độ rộng của hàng cũng thế, nhưng bạn có thể gia tăng thêm một chút khi thêm [độ_rộng] vào cuối của hàng cần thay đổi.
Sau đây là một số ví dụ dùng tabular:
1
2
3
4
5
6
7
\begin{tabular}{ |c|c|c| }
  \hline
  1 & 2 & 3 \\ \hline
  4 & 5 & 6 \\ \hline
  7 & 8 & 9 \\
  \hline
\end{tabular}

1
2
3
4
5
6
7
\begin{tabular}{ || p{5em} | c || }
  \hline
  Train & Departure time \\ [0.5em] \hline\hline
  SE9 & 14:35 \\
  SE7 & 06:00 \\
  \hline
\end{tabular}
Cái bất tiện của môi trường tabular là độ rộng cột nói riêng và độ rộng của bảng nói chung mặc định là co lại nhỏ nhất (trừ khi đặt tham số p{}). Nếu bạn muốn vẽ bảng mà chiều rộng trải ra tối đa và các cột tự chia đều nhau độ rộng, hãy dùng môi trường tabu. Để sử dụng môi trường tabu, yêu cầu khai báo gói tabu.
1
2
3
4
5
6
\begin{tabu} to 0.8\textwidth { | X[l] | X[c] | X[r] | }
  \hline
  item 11 & item 12 & item 13 \\ \hline
  item 21 & item 22 & item 23 \\
  \hline
\end{tabu}

Ghép cột: \multicolumn {x} {|c|} {abcxyz}
trong đó:
– x là số cột ghép lại với nhau, tính từ cột mà đặt lệnh này.
– |c| là canh cột vào giữa (và có đường kẻ cột).
– abcxyz là nội dung của ô ghép chung đó.

\begin{tabular}{ |c|c|c| } 
  \hline
  Name & \multicolumn{2}{|c|}{Gender} \\ \hline
   & Male & Female \\ \hline
  Tran Van A & x &   \\ \hline
  Nguyen Thi B &   & x \\
  \hline
\end{tabular}

Ghép hàng: tương tự như ghép cột, cũng có lệnh \multirow, chỉ khác là cái tham số thứ hai là độ rộng của hàng ghép chung. Lệnh này yêu cầu gói multirow.
Để bảng được liệt kê trong listoftables, hãy đặt bảng vào trong môi trường table.
Xuống dòng trong ô, nhưng ko thể dùng \\ vì nó sẽ hiểu nhầm là kết thúc hàng, khi ấy hãy dùng \newline.

E. Hình

Để chèn hình trong latex, cần gọi gói graphicx.

Nên tạo riêng một thư mục chứa ảnh trong thư mục đang làm việc để khỏi lẫn vào các file khác. Ví dụ đặt tên thư mục là “Images”.

Sử dụng môi trường figure và lệnh \includegraphics.

Ví dụ:

\begin{figure} [!htp]
  \centering
  \includegraphics [scale=0.5] {Images/hinh1}
  \caption{Hình 1.}
\end{figure}

trong đó:
– với thứ tự ưu tiên từ trái qua phải, tham số vị trí h là đặt tại vị trí hiện tại, t là đặt ở đầu trang (hoặc cuối trang với b), p là đặt trên một trang riêng, ! để ép latex bố trí theo thứ tự đó, dù nó ko được đẹp mắt cho lắm.
– scale là tỉ lệ so với kích thước gốc của ảnh. Mặc định là 1. Ngoài ra bạn có thể chỉnh kích thước ảnh phụ thuộc theo chiều rộng của khổ giấy, ví dụ như sau: width=0.5\linewidth.
– Images/hinh1 là đường dẫn file ảnh hinh1 trong thư mục Images mà bạn tạo trong thư mục làm việc chứa file tex. Chỉ cần tên file là được, ko cần viết rõ đuôi.

Chèn nhiều hình con như một hình chính:

Cách 1: dùng gói subfig.

\begin{figure} [!htp]
  \centering
  \subfloat[Chú thích 1.]
  \include...
  \subfloat[Chú thích 2.]
  \include...
  ....
  \caption{Chú thích chung cho cả nhóm hình.}
\end{figure}

Cách 2: dùng gói subfigure (các hình được đánh thứ tự a, b, c, …).

\begin{figure} [!htp]
  \centering
  \subfigure [Hình 1.] {\include...}    %thêm \qquad hay \\ vào sau để trình bày
  \subfigure [Hình 2.] {\include...}    %giãn cách hình hay xuống dòng
  \caption{Chú thích chung cho cả nhóm hình.}
\end{figure}

Chèn hình lấn chữ: dùng gói wrapfig và môi trường wrapfigure.

\begin{wrapfigure} {l} [0pt] {0.25\linewidth}
  \include...
\end{wrapfigure}

trong đó:
– l là đặt hình ở bên trái, hoặc r đặt hình ở bên phải.
– 0pt là cho phép lấn ra ngoài lề bao nhiêu, mặc định là 0.
– 0.25\linewidth là chỉnh kích thước ảnh.

Chú thích ngang hàng với hình: dùng gói floatrow hoặc gói sidecap.

Sự khác biệt giữa PyTorch và TensorFlow

2021-01-10T08:20:00.004+07:00

Trong khi bắt đầu với hành trình Deep Learning, còn được gọi là Mạng nơ-ron, người ta tìm thấy một loạt các frameworks và thư viện trong Python. Do đó, đôi khi bạn sẽ bối rối không biết nên bắt đầu từ đâu và theo đuổi cái nào trước khi bước vào lĩnh vực này. Bài viết này dành cho những người đã bắt đầu hoặc sắp bắt đầu hành trình với Deep Learning.

Trong số các máy chủ của thư viện Deep Learning hoặc frameworks như: TensorFlow, Keras, Caffe, PyTorch, Microsoft Cognitive Toolkit, Apache Spark Deep Learning Pipelines, Chainer, v.v … Có một vài trong số chúng thực sự nổi bật, cụ thể là TensorFlow và PyTorch. Nhưng trước khi chúng ta đi sâu hơn vào chúng, chúng ta hãy xem qua về sự tiến hóa của chúng.

Sự phát triển

Google Brain đã xây dựng DistBelief như một hệ thống Machine Learning độc quyền dựa trên các mạng nơ-ron Deep learning vào năm 2011. TensorFlow là hệ thống thế hệ thứ hai của Google Brain. TensorFlow được phát hành lần đầu tiên vào ngày 9 tháng 11 năm 2015, nhưng phải đến năm 2017 mới ổn định. Vào tháng 3 năm 2018, Google đã công bố phiên bản TensorFlow.js 1.0 cho Machine learning bằng JavaScript. Thông báo về TensorFlow 2.0 của Google được đưa ra vào tháng 1 năm 2019 và chính thức ra mắt vào tháng 9 năm 2019.

PyTorch được phát triển bởi Phòng thí nghiệm nghiên cứu AI (FAIR) của Facebook và bản phát hành công khai đầu tiên (0.1.12) là vào tháng 5 năm 2017. Bản phát hành ổn định mới nhất (1.4) là vào tháng 1 năm 2020. Tên PyTorch được lấy cảm hứng từ framework phổ biến Torch của Deep Learning, được viết bằng ngôn ngữ lập trình Lua và được triển khai bằng Python do đó có tên PyTorch.

Đặc tính

Cả TensorFlow và PyTorch đều là nguồn mở nhưng được phát triển bởi hai nhân vật khổng lồ khác nhau trong công cuộc đổi mới công nghệ: Google và Facebook và được sử dụng cho các ứng dụng Machine Learning như Mạng Nơ-ron. Nhưng, lợi thế của PyTorch so với TensorFlow nằm ở hai tính khác biệt:

Lập trình bắt buộc: Nói What AND How, còn lập trình khai báo nói What NOT How
Đồ thị tính toán động: Được xây dựng trong thời gian sử dụng cho phép dùng các câu lệnh Python tiêu chuẩn và không có sự phân biệt giữa việc xác định biểu đồ tính toán và biên dịch cho các chương trình bắt buộc.

Quan trọng: Đồ thị tĩnh hoạt động tốt cho các mạng có kích thước cố định trong khi Đồ thị động hoạt động tốt cho các mạng Động.

Trong lĩnh vực Trí tuệ nhân tạo, sự cứng nhắc được đề cập ở trên trong Mạng lưới Nơ-ron được xác định là một trở ngại lớn. Các nhà nghiên cứu muốn làm cho Mạng Nơ-ron được xác định nhiều hơn bởi mạng khi đang chạy hơn là được xác định trước hoặc trước đó. Các công cụ tồn tại sau đó không thực sự giúp họ làm như vậy.

Về điểm này, PyTorch giành chiến thắng trước TensorFlow, vì nó mang đến một framework Deep learning mang lại Mạng lưới Nơ-ron động, tức là Define by Run (một biểu đồ được tạo ra khi đang di chuyển). Điều này đặc biệt hữu ích khi nói đến đầu vào có độ dài thay đổi trong RNNs (Recurrent Neural Networks – Mạng Nơ-ron tái phát).

Các biểu đồ tính toán động được xây dựng trong thời gian chạy cho phép chúng ta sử dụng các câu lệnh Python tiêu chuẩn do đó, không có sự phân biệt giữa việc xác định biểu đồ tính toán và biên dịch cho các chương trình bắt buộc. Hơn nữa, đồ thị động làm cho việc fix bug dễ dàng hơn. Mặt khác, TensorFlow lắp ráp một biểu đồ và sử dụng một phiên để thực thi.

2. Đường cong học tập của TensorFlow dốc hơn so với PyTorch.

PyTorch:

Có các khả năng GPU như Numpy [và có kiểm soát CPU & GPU rõ ràng]
Nhiều pythonic trong tự nhiên
Dễ dàng xử lý bug

TensorFlow:

Mặc dù TensorFlow 2.0 đã cải thiện khá nhiều và tuyên bố rằng với sự tích hợp Keras và Thực thi Eager được bật theo chế độ mặc định, phiên bản 2.0 hoàn toàn dễ sử dụng và đơn giản. Nó cung cấp cho cả nhà phát triển mới cũng như những người có kinh nghiệm các công cụ & API cần thiết để xây dựng và triển khai các mô hình học máy của họ với tốc độ và độ chính xác với sự trợ giúp của tf.keras như API cấp cao, loại bỏ chức năng trùng lặp, cú pháp trực quan, nhất quán trên các API, API cấp thấp đầy đủ và giao diện kế thừa cho các biến, điểm kiểm tra, các layers. Điều này về cơ bản có nghĩa là người dùng phải tìm hiểu nhiều hơn một chút so với PyTorch, về bản chất là pythonic. Do đó, đường cong học tập dốc hơn cho TensorFlow.

3. TensorFlow có tài liệu tốt nhất và cộng đồng lớn hơn. Do đó, nó sẽ tốt hơn cho người mới bắt đầu. Nó phù hợp nhất cho sản xuất vì nó được xây dựng với tính toán phân tán.

Dưới đây là một vài liên kết để tham khảo:

* Cộng đồng TensorFlow: https://www.tensorflow.org/community/

* Dự án Cộng đồng TensorFlow: https://github.com/tensorflow/community

Nhiều tài nguyên, Hướng dẫn và MOOCs có sẵn cho TensorFlow hơn PyTorch. Một lý do cho điều này có thể là PyTorch tương đối mới. Hơn nữa, PyTorch phù hợp nhất cho các nhà nghiên cứu bởi vì các biểu đồ động của nó.

4. Trực quan

TensorBoard của TensorFlow cung cấp hình ảnh trực quan và công cụ cần thiết cho học máy:

Theo dõi số liệu và trực quan hóa như biến mất và độ chính xác
Mô hình đồ thị trực quan (ops và layer)
Xem biểu đồ về trọng lượng, độ lệch và các tensor khác khi chúng thay đổi theo thời gian
Nhúng vào một không gian chiếu chiều thấp hơn
Hiển thị hình ảnh, văn bản và dữ liệu âm thanh
Hồ sơ chương trình TensorFlow
Mặt khác, thư viện Torchvision của PyTorch chứa tất cả các bộ dữ liệu quan trọng cũng như các mô hình và hoạt động chuyển đổi thường được sử dụng trong lĩnh vực thị giác máy tính. Mặc dù không có hỗ trợ riêng để tích hợp vào TensorBoard nhưng có thể được sử dụng để trực quan hóa kết quả của các hoạt động đào tạo Mạng Nơ-ron

5. TorchScript – một tập hợp con của Python giúp triển khai các ứng dụng vào quy mô sản xuất nhưng theo kinh nghiệm người dùng phổ biến thì TensorFlow phù hợp hơn với khả năng mở rộng của các mô hình sản xuất. Nhưng khi nói đến việc xây dựng các nguyên mẫu với tốc độ nhanh, PyTorch là một lựa chọn tốt hơn vì nó nhẹ hơn.

Đi sâu vào việc tạo mô hình bằng PyTorch vs Tensorflow

Nói chung, một mô hình Mạng Nơ-ron đơn giản bao gồm ba lớp: Lớp nhúng, lớp tổng hợp trung bình toàn cầu và lớp dày đặc. Đầu vào được cung cấp cho Lớp nhúng và Dự đoán là đầu ra từ Lớp dày.

TensorFlow

Các mô hình TensorFlow thường được tạo ra với sự trợ giúp của Keras.

Lưu ý về Keras, Đây là một thư viện mã nguồn mở chỉ cung cấp các API cấp cao, không giống như TensorFlow cung cấp cả API cấp cao và cấp thấp. Nhưng vì Keras được xây dựng bằng Python, nên việc phát triển các mô hình trong Keras thân thiện với người dùng hơn so với TensorFlow.

Bất kỳ phương pháp nào trong ba cách tiếp cận đều có thể được áp dụng để phát triển các mô hình trong Keras như: Phân lớp, API chức năng và API mô hình tuần tự.

Phân lớp: lớp tf.keras.Model có thể được sử dụng để phát triển các mô hình có thể tùy chỉnh về tính hoàn chỉnh của nó và logic chuyển tiếp được triển khai trong phương thức gọi trong khi các lớp được xác định trong phương thức _init_ (). Quan trọng nhất, cách tiếp cận hướng đối tượng giúp tái sử dụng các lớp nhiều lần và xác định chuyển tiếp cực kỳ phức tạp.
API chức năng: đây là một cách tiếp cận rất thân thiện với người dùng để phát triển mô hình Mạng Nơ-ron so với Phân lớp theo khuyến nghị của cộng đồng các nhà phát triển. Cách tiếp cận này đòi hỏi một chút ít mã hóa vì đầu vào của lớp trước ngay lập tức được truyền vào và khi layer được xác định. Mô hình được khởi tạo thông qua các tensor đầu vào và đầu ra.
API mô hình tuần tự: nó là một dạng rút gọn cho một mô hình có thể huấn luyện, chỉ bao gồm một vài lớp phổ biến và do đó là một cách rất nhỏ gọn và đơn gian để xác định mô hình. Mặt khác, cách tiếp cận này hoạt động rất tốt về mặt hiệu suất khi tạo ra Mạng Nơ-ron đơn giản nhưng việc triển khai Mạng Nơ-ron phức tạp trở nên rất khó khăn trong những từ khác không thể linh hoạt.

PyTorch

So với TensorFlow hoặc Keras, chỉ có hai cách tiếp cận để phát triển các mô hình Mạng Nơ-ron với sự trợ giúp của PyTorch: Phân lớp và tuần tự.

Phân lớp: việc thực hiện với phương pháp này rất giống với trong TensorFlow (Keras). Ở đây, việc phân lớp được thực hiện thông qua mô đun nn.Model và các layers được xác định trong phương thức _init_ () nhưng việc tạo chuyển tiếp được thực hiện trong phương thức chuyển tiếp thay vì gọi như trong TensorFlow (Keras). Trong PyTorch cần phải có kích thước hạt nhân chính xác để làm cho nó có mức trung bình toàn cầu, lý do là chỉ có một lớp tổng hợp trung bình có sẵn.
Tuần tự: cách tiếp cận này cũng rất giống với cách nó được thực hiện trong TensorFlow (Keras) và được thực hiện thông qua mô-đun Sequential

Lưu ý: Khuyến cáo rộng rãi rằng phương pháp Phân lớp được áp dụng thay vì Tuần tự như nhiều lớp lặp lại, ví dụ RNN (Mạng Nơ-ron tái phát), LSTM (Long Short-Term Memory) không hoạt động với nn.Sequential trong PyTorch.

Đào tạo mạng lưới Nơ-ron trong TensorFlow (Keras) vs PyTorch

TensorFlow (Keras) – điều kiện tiên quyết là mô hình được tạo phải được biên dịch trước khi đào tạo mô hình với sự trợ giúp của hàm compile () trong đó chức năng Loss và trình tối ưu hóa được chỉ định. Hàm phù hợp, tức là model.fit () được sử dụng để huấn luyện mô hình cũng giúp xử lý hàng loạt. Nó cũng có thể quản lý việc đánh giá mô hình nếu được đề cập.
PyTorch – không có chức năng được xác định trước trong PyTorch để đào tạo mô hình do đó mã đào tạo mô hình sẽ được viết từ đầu. Trong khi huấn luyện mô hình, việc tính toán Loss cho từng lô được thực hiện và hàm backward () sau đó được gọi để truyền bá gradient qua các lớp. Để cập nhật các tham số để tối ưu hóa, bạn sẽ phải gọi hàm Optimizer.step ()

TensorFlow Vs. PyTorch

TensorFlow	PyTorch
Open source library for dataflow programming across a range of tasksUsed for Machine Learning applications e.g., Neural NetworksDeveloped by Google.	Open source Machine Learning library for python based on TorchUsed for application e.g., NLP (Natural Language Processing)Developed by FAIR (Facebook’s AI Research Laboratory).

Dataset

TensorFlow	PyTorch
Used for large datasets and high performance models because of better training duration	Used for large datasets and high performance models because of better training duration

Level of API

TensorFlow	PyTorch
Provides both high and low level APIs	Provides only Low level APIs

Performance

TensorFlow	PyTorch
High	High

Architecture

TensorFlow	PyTorch
Complicated and may not be very helpful for the beginners	Complex and readability is less

Ease of Use

TensorFlow	PyTorch
Provides a reduced size model with high accuracy as the number of lines of code is lesser as compared to PyTorch	Need to write more number of lines of code and is not as simple as TensorFlow

Debugging

TensorFlow	PyTorch
Debugging is difficult	Better debugging capabilities

Nhưng nghiên cứu gần đây đã chỉ ra rằng số lượng bài nghiên cứu được công bố trên nhiều diễn đàn hoặc hội nghị khác nhau đều có lợi cho PyTorch hơn là TensorFlow.

[1] https://chillee.github.io/pytorch-vs-tensorflow/

Lưu ý: Trong biểu đồ trên, bất cứ điều gì trên 50% có nghĩa là đề cập nhiều hơn đến PyTorch so với TensorFlow cho hội nghị đó.

[2] https://chillee.github.io/pytorch-vs-tensorflow/

Trong hội nghị NerulIPS gần đây, đã có 166 bài viết về PyTorch và 74 bài về TensorFlow.

Năm 2018, các bài báo viết trên PyTorch không đáng kể so với TensorFlow nhưng đã tăng hơn gấp đôi số lượng của TensorFlow vào năm 2019.

Cùng xem đến tính phổ biến của hai framworks này:

Rõ ràng từ biểu đồ trên cho thấy PyTorch đã có thể thu hẹp khoảng cách khá nhiều với TensorFlow trong ba năm qua.

Bây giờ chúng ta hãy thảo luận về điểm cuối cùng liên quan đến việc lựa chọn PyTorch hay TensorFlow.

Cần xác định đối với:

Nền tảng kỹ thuật
Nhu cầu
Kỳ vọng

TensorFlow nên được ưu tiên cho tập dữ liệu lớn và hiệu suất cao là bắt buộc. Nó cung cấp các hoạt động nâng cao và tất cả các chức năng mục đích chung để xây dựng các mô hình học tập sâu.

Theo mygreatlearning.com

Bitcoin - Store of value

2021-01-03T15:18:00.000+07:00

Là một ý tưởng về một hệ thống lưu trữ tài sản, bởi vì lần đầu tiên trong lịch sử loài người tìm ra được một hệ thống tiền tệ điện tử. Với cơ chế giới hạn ở 21 triệu đơn vị (coin), nên đến khi phát hành xong đồng tiền cuối cùng, Bitcoin sẽ không còn lạm phát. 10 năm qua, BTC lạm phát 10.3% Gold lạm phát 15.1% và Bitcoin chỉ lạm phát 0.1% sau 100 năm. (mức độ lạm phát sẽ được giảm dần theo thời gian và sau đó trở về 0 vào năm 2140)

Nhiều năm về trước, người ta thường nói đến Bitcoin ở vai trò là một đồng tiền dùng để thanh toán ngang hàng giữa người với người không thông qua trung gian thứ 3, thế nên mới có chuyện dùng Bitcoin để mua bánh pizza, mua sushi, mua phở vân vân… Bây giờ thì vẫn dùng Bitcoin mua được những thứ đó, không có gì thay đổi, ngược lại còn mua được số lượng đồ ăn nhiều hơn (nghĩa là sức mua của BTC tăng theo thời gian các bạn nhỉ)

Nhưng tại sao trong năm 2020, 2021 lại ít nghe cộng đồng và truyền thông nhắc đến Bitcoin là một đồng tiền dùng để thanh toán, mà thay vào đó, nó có tên gọi khác là Vàng điện tử (digital gold), kho lưu trữ giá trị (store of value), mình biết ở năm 2016 2017 người ta đã nói về BTC là vàng điện tử, và nơi để lưu lại giá trị, nhưng ở thời điểm đó ít ai thật sự hiểu và tin đó là sự thật, phần đa vẫn nghĩ và tin BTC sẽ thay thế tiền giấy của ngân hàng và bạn có thể dùng BTC để mua bán trao đổi hàng hoá tự do mà không bị ràng buộc bởi bất kỳ ai.

BƯỚC NGOẶT CỦA BITCOIN

Thế thì tại sao năm 2020 người ta lại nói nhiều về việc BTC là nơi lưu trữ giá trị (store of value) bạn có thật sự hiểu lưu trữ giá trị là gì không? chúng ta sẽ có bài phân tích dài phía dưới để nói rõ về điều đó.

Michael Saylor - cái tên quá hot đang thổi bùng lên ngọn lửa nhiệt huyết từ Bitcoin lan ra khắp thế giới trong giữa năm 2020 đến đầu năm 2021. Sau khi Michael tiếp cận và tìm hiểu về Bitcoin vào tháng 4/2020 sau đợt Covid làm “sập” các thị trường tài chính toàn cầu, thì chỉ sau đó một thời gian, khoảng tháng 8/2020, Michael đã bỏ tiền túi khoảng 175 triệu đô để sở hữu 17,732 BTC với giá trung bình 9,882 USD/BTC. Và sau đó không lâu thì chính công ty của Michael Saylor là MicroStrategy cũng đã mua thêm hơn 38,000 BTC, nhưng đến tháng 12/2020 công ty lại gây “shock" khi vay nợ bằng cách phát hành trái phiếu để mua thêm 650 triệu đô giá trị BTC với giá trung bình 21,925 USD/BTC. Tiếp theo đó là mở màn năm 2021 với lần huy động nợ bằng cách phát hành trái phiếu có chuyển đổi lần thứ 2 với tổng số tiền huy động được lên tới 1,1 tỷ USD, thu mua tổng cộng 19,452 BTC với giá trung bình khoảng 52,000 USD/BTC. (chưa tính vào thêm những đợt mua 10 triệu 15 triệu khi công ty có tiền mặt muốn chuyển đổi thành BTC).

Tại sao mình lại liệt kê quá trình thu mua của Michael Saylor dày ngoằn phía trên? Vì đó là bước ngoặt cho cộng đồng Crypto và đặc biệt là Bitcoin được nâng lên một tầm cao mới, trước đó năm 2016, 2017 người ta cũng thường gọi Bitcoin là vàng điện tử nhưng khái niệm mơ hồ đó chưa thuyết phục được mọi người vì nó chỉ dừng lại về mặt ý tưởng và chưa có một trường hợp cụ thể nào đứng ra tuyên bố cho đến khi Michael bước ra và tuyên bố “chúng tôi thu mua Bitcoin để lưu lại giá trị công ty, để chống lại lạm phát, và để bảo toàn nguyên vẹn sức mua của tiền tệ sau 100 năm", mình gọi đó là bước ngoặt cho thị trường vì đã có CEO của một công ty đã lên sàn chứng khoán lên tiếng và hành động, chứng minh tôi mua Bitcoin để lưu lại sức mua của công ty. Tới đây các bạn sẽ thắc mắc, thế thì có gì hay nhỉ, thì cũng là mua thôi, giống như bao người khác cũng mua BTC rồi đợi giá tăng rồi bán đó thôi…

Chúng ta hãy phóng ra tầm nhìn và đặc mình ở cương vị của một CEO đang có dư 500 triệu đô la tiền mặt trong ngân khố công ty và “số tiền đó không để làm gì cả" khác với đầu tư riêng lẻ, các quỹ lớn và các công ty thường hay có một số tiền mặt rất lớn trong ngân khố công ty để dự trữ dài hạn, đó là số tiền dư ra từ hoạt động của công ty và không có nhu cầu sử dụng trong thời gian dài, và thường sẽ được họ lưu trữ bằng đô la (cash). Khi chúng ta chưa giàu, chúng ta rất khao khát làm giàu, nhưng khi ta đã giàu thì câu hỏi lại khác đi một chút, làm sao chúng ta bảo vệ và giữ gìn được sự giàu có của chúng ta mãi mãi?

Lạm phát, một con sâu âm ỉ ngày đêm âm thầm ăn vào giá trị của số lượng tiền bạn đang nắm giữ, và khi bạn có càng nhiều tiền đang nắm giữ thì nỗi lo đó càng lớn. Đó là một vấn đề lớn đã tồn tại từ rất lâu trong hàng trăm năm qua, khi cục dự trữ liên bang Mỹ bỏ đi vàng vị vàng và tự do in tiền để phát hành ra công chúng. (đương nhiên là FED có bảng cân đối tài chính riêng của họ và rất khôn ngoan để biết in đủ số lượng cần thiết cho một mức độ lạm phát nhất định hàng năm mà không làm phá vỡ kinh tế)

(nguồn Danheld)

HIỂU VỀ LẠM PHÁT

FED (cục dự trữ Liên ban Hoa Kỳ) thành lập vào năm 1910 nơi phát hành đồng đô la đầu tiên với sức mua tương ứng 100%, sau hơn 100 năm, vẫn tờ đô la đó, bạn bị mất đi giá trị hầu như 99% sức mua. Nghĩa là năm 1910 bạn dùng 1 đô la để mua được 100 quả trứng gà, nhưng đến năm 2020 bạn cầm tờ 1 đô la đó nhưng chỉ mua được 1 quả trứng gà (chỉ là ví dụ thôi nhé) bạn mất đi 99 quả trứng gà kia, tại sao vậy, ai lấy cắp đi từ túi của bạn 99 quả trứng gà?

Với việc FED in tiền đều đặn qua các năm thì có nghĩa là nhiều tờ giấy 1 đô la được đưa thêm vào thị trường, nên làm pha loãng tờ giấy 1 đô la của bạn, để nấu gạo thành cơm bạn cần một lượng nước vừa đủ để cơm ngon, nhưng bạn cứ đổ nước vào liên tục, mỗi 5 phút đổ thêm một chút một chút, một tiếng sau, nồi cơm của bạn sẽ thành cháo, và đương nhiên khi bạn múc ra 1 chén để ăn, thì bạn hình dung ăn 1 chén cơm với 1 chén cháo, chén nào bạn ăn được nhiều gạo hơn? Đó là quy tắc hoạt động của thị trường tài chính, với thuật ngữ được gọi là “lạm phát" cầm tờ 1 đô la ra chợ sau một thời gian dài sẽ mua được ít đồ hơn. Và không riêng gì Mỹ, tất cả các quốc gia trên thế giới đề hoạt động theo cách giống vậy, có nước cao hơn, có nước thấp, nhưng về lâu dài (tính bằng chục năm, vài chục năm) đồng tiền pháp định (fiat) sẽ trở nên mất giá (giảm giá trị theo thời gian).

Việt Nam công bố lạm phát danh nghĩa mỗi năm 4%, bạn tin không, chứ mình thì không tin lắm, lúc mình ăn đĩa cơm khi còn học tiểu học với giá 2,000 vnđ, sau mười mấy năm trôi qua, lại đúng quầy cơm đó, vẫn cơ sở vật chất như cũ, vị ngon như cũ, miếng thịt như cũ, cô bán cơm cũng như cũ (vì chỗ này gần nhà mình và ngon nên mình ăn thường xuyên và cũng để khách quan lấy ví dụ này vì hầu như sau mười mấy năm, quán cơm không có thay đổi gì về cơ sở vật chất và chất lượng sản phẩm để các bạn khỏi la ó lên là do quán mở rộng ra, cơ sở vật chất tốt hơn, miếng thịt to hơn… Tất cả đều giống y nguyên như lúc mình còn nhỏ với giá 2k/đĩa)

2021 mua đĩa cơm với chất lượng tương tự như lúc còn tiểu học với giá 25,000 vnd. Thế thì các bạn tính nhẩm thử xem lạm phát thực tế là bao nhiêu? có giống con số 4% mỗi năm như nhà nước nói không.

LƯU TRỮ NGUỒN NĂNG LƯỢNG SỨC MUA

Nếu bạn có 100 triệu đô la thì có bao nhiêu cách để bạn lưu trữ lại giá trị sức mua, mà 100 năm sau bạn vẫn còn giữ được 100 triệu đô la sức mua đó? khó hiểu đúng không, ví dụ đơn giản là hồi tiểu học mình cầm 2k đi mua đĩa cơm tấm, thì 100 năm sau, mình vẫn cầm đúng tờ 2k đó mua được dĩa cơm mình đã ăn trong quá khứ mà không cần trả thêm tiền.

HIỆN TẠI CÓ BAO NHIÊU CÁCH ĐỂ BẠN LƯU LẠI GIÁ TRỊ?

Tiền mặt: (tiền giấy hoặc tiền điện tử trong tài khoản ngân hàng): sau 100 năm, chúc mừng bạn, bạn sẽ mất hơn 90% giá trị của 100 triệu đô la. Đa số người nghèo và trung lưu thường không tích lũy nhiều tài sản mà lưu hết giá trị tại tiền mặt, chính lý do đó làm họ càng kiệt quệ theo thời gian.

Vàng: người Việt Nam đã trải qua rất nhiều đợt chiến tranh và các đợt thay đổi tiền tệ, gần nhất là giải phóng miền nam 1975, khi giải phóng “Miền Nam” chính quyền mới có chính sách đổi tiền giấy từ hệ thống cũ sang mới và đương nhiên với giá trị đổi thấp hơn rất nhiều, và khi được đổi sang hệ thống tiền mới thì giai đoạn đoán lạm phát cũng rất kinh khủng, thường là trên 2 con số/năm. Đó cũng là lý do tại sao thời ký đó người dân muốn mua bán những vật có giá trị họ tường quy đổi ra vàng hoặc đô la, vì sự thiếu lòng tin và độ mất giá quá cao đối với tiền pháp định thời bấy giờ, nên nghe đâu đó câu chuyện mua con Honda Dream 6 7 cây vàng là đỗi rất bình thường. Với việc cầm 100 triệu đô ra thu mua vàng vật lý thì ít nhiều cũng rất nặng nhọc và mệt mỏi, chưa tính đến chuyện kiểm tra chất lượng, thuê kho để lưu trữ bảo quản. (người Việt Nam hay gọi là vàng cây, người Mỹ thì ít mua vàng cây, họ thường mua vàng ETF bằng giấy).

Vàng khó khai thác là có thật, nhưng có giới hạn hay không thì không ai biết được, năm nào người ta chẳng vác máy xúc ra đào thêm vàng, tổng số lượng vàng được đào ra trên thế giới hiện tại khoảng 190,000 tấn, ai có thể thống kê chính xác được số vàng từng được khai thác và hiện tại còn lại bao nhiêu? Tất cả chỉ là dự đoán và tính toán một cách “tương đối". Mình dấu 100 cây vàng dưới gầm giường nhà mình bạn có đếm được không? Hồi năm 1975 người Việt Nam đi vượt biên làm rớt vàng trên biển rơi sâu xuống đại dương bạn thống kê được không? Biết đâu đó trên thế giới có ngọn núi nào đó chứa phần trăm tỷ lệ vàng rất cao mà loài người chưa khám phá hết ra.

Và khi mình muốn rời Việt Nam sang Mỹ với số vàng trị giá 100 triệu đô la thì quả là một kế hoạch nhức đầu.

Nhưng nhìn lại dòng lịch sử vài nghìn năm qua của vàng, nó đã làm rất tốt việc lưu lại giá trị cho loài người mặc dù còn rất nhiều yếu điểm, nên đó là lý do tại sao thị trường vàng hiện tại trị giá 11 nghìn tỷ đô la.

Và với việc các thợ đào có thể đào thêm mỗi năm nên lạm phát ở vàng vẫn có, và chắc chắn sau 100 năm thì sức mua của bạn sẽ vẫn bị hao hụt phần nào, tuy nhiên vẫn an toàn hơn tiền mặt rất nhiều lần.

Bất Động Sản: đây là một loại tài sản cực kỳ phổ biến tại Việt Nam sau vàng, bất động sản ngoài để ở, cho thuê, hoặc đơn giản mua xong để đó thì vài năm sau vẫn tăng giá như thường, nên là một kênh đầu tư khá an toàn và mang lại lợi nhuận tốt tại Việt Nam. vậy chúng ta thử bỏ 100 triệu đô vào bất động sản đi, chúng ta sẽ mua đất Quận 1, Sài Gòn cho dễ thanh khoản, sau khi mua thì ra công chứng sang tên sổ đỏ, câu chuyện bắt đầu tại đây khi nhìn vào sổ đỏ bạn thấy gì, đó là tờ giấy mà nhà nước cấp quyền cho bạn sử dụng đất “Giấy chứng nhận quyền sử dụng đất" chứ không phải là giấy chứng nhận sở hữu đất. Các cuộc chiến tranh qua các thời kỳ trên thế giới đã cho chúng ta nhiều bài học về sự tranh giành tài sản, khi một quốc xâm lược một quốc gia, cái họ muốn là gì, tài nguyên, sức lao động và cả “đất” nữa.

Giá trị sử dụng đất của người dân trong đất nước đó phụ thuộc vào sức mạnh bảo vệ đất nước của quốc gia đó. (chủ đề nhạy cảm nên các bạn tìm hiểu thêm, mình không tiện đề cập quá sâu ở đây)

Và cùng với câu chuyện đi Mỹ phía trên, giờ mình có chuyện gấp cần đi Mỹ muốn bán hết lấy 100 triệu đô la tiền mặt chuyển qua Mỹ thì ôi thôi, chắc phải nhờ mấy bạn môi giới một phen để thanh khoản hết đống BĐS Quận 1 của mình, nên nhớ mình mua đất Quận 1 nhé, một trong những nơi mua bán thanh khoản tốt nhất Việt Nam. Các bạn thử đoán xem bao lâu mình mới bán xong? Ai mà biết, nhưng mình nghĩ không nhanh là cái chắc :), mình làm trong ngành bất động sản trước đó nên mình biết khá rõ.

Với BĐS ở Mỹ thì có một yếu tố rất đau đầu với các nhà đầu tư là thuế đất. Chính phủ Mỹ thường đánh thuế 2-5%/năm tuỳ theo bang và thành phố bạn sinh sống. Và đương nhiên mức tăng giá hàng năm của BĐS cũng rất ấn tượng.

Rất khó mang đi, thanh khoản chậm nhất so với các loại tài sản khác, phụ thuộc vào độ vững chắc của hệ thống quốc phòng quốc gia để bảo vệ tài sản cho người dân.

Cổ phiếu: nếu bạn lưu hết giá trị vào cổ phiếu các công lớn (bluechip) thì rủi ro về điều hành, rủi ro về cạnh tranh, pháp lý, và không ai biết được 100 năm sau công ty đó vẫn còn tồn tại và phát triển. Và hiện tại các công lớn có quỹ tiền mặt dồi dào đã lưu trữ giá trị quá nhiều ở cổ phiếu rồi, và họ đang cần tìm ra một kênh khác để đa dạng hoá và ưu việt hơn.

Bitcoin: là một ý tưởng về một hệ thống lưu trữ tài sản, bởi vì lần đầu tiên trong lịch sử loài người tìm ra được một hệ thống tiền tệ điện tử, một hệ thống đóng chỉ với 21 triệu đồng.

Với cơ chế giới hạn ở 21 triệu đồng, nên đến khi phát hành xong đồng tiền cuối cùng, Bitcoin sẽ không còn lạm phát. 10 năm qua, BTC lạm phát 10.3% Gold lạm phát 15.1% và Bitcoin chỉ lạm phát 0.1% sau 100 năm. (mức độ lạm phát sẽ được giảm dần theo thời gian và sau đó trở về 0 vào năm 2140)

VAI TRÒ CỦA LÒNG TIN TRONG TIỀN TỆ

Với một hệ thống đóng 21 triệu đồng, Bitcoin hoạt động phi tập trung mà không cần một chính phủ hay một công ty nào đứng ra chịu trách nhiệm vận hành và ra chiến lược phát triển. Hệ thống Blockchain cho thấy được sự minh bạch, an toàn, và không cần lòng tin vào bên thứ 3 của người tham gia giao dịch. => từ đó sinh ra thứ quyền lực vô cùng lớn trên phạm vi toàn cầu. Đó là “lòng tin".

“Lòng tin” là từ khá thú vị vì cơ chế tiền tệ của loài người hoạt động trên cơ sở này, quay lại dòng lịch sử, thời kỳ đồ đá, đồ đồng, và các nền văn minh nhân loại sau này, từ thời xưa con người trao đổi hàng đổi hàng, Vịt đổi lúa, lúa đổi bò, bò đổi tôm khô… Sau khi nhận ra sự bất tiện, khó di chuyển hay chia nhỏ của phương pháp trên, loài người trên khắp thế giới đã có những sáng tạo khác nhau để tìm một vật thứ 3 làm trung gian được cộng đồng cùng chấp nhận có giá trị để trao đổi hàng hoá.

Tiền từ đó xuất hiện, tiền là một khái niệm truỳ tượng, nơi nó có thể là bất cứ thứ gì được con người “tin tưởng" và “chấp nhận" sử dụng. Từ vỏ sò, cục đá, thỏi vàng, tờ giấy, thẻ nhựa (credit card), và sau này là Bitcoin.

Mình tin vào tờ tiền VNĐ trong bóp, bạn tin vào tờ USD xanh trong ví, chúng ta đều có “lòng tin" vào một tờ giấy vốn dĩ vô giá trị, được nhà nước đứng ra đảm bảo có thể dùng nó để mua “thứ gì đó". Nhưng khi lòng tin đó suy yếu, và nhà nước làm việc kém hiệu quả hoặc biến mất thì sao? Có phải tờ giấy đó trở lại đúng giá trị ban đầu của nó. Là “tờ giấy".

Trường hợp đó đã có rất nhiều thể chế, rất nhiều quốc gia trên thế giới đã trải qua trong đó có Việt Nam thời hậu chiến tranh Mỹ-Việt năm 1975. Ai có ông bà sống qua giai đoạn này thì chắc hiểu sâu sắc về vấn đề này và đó là lý do tại do người dân VN rất tin tưởng vàng hơn là tin vào tờ giấy kia, vì họ đã học được vô số bài học đau đớn trong quá khứ.

TẠI SAO BITCOIN CÓ GIÁ TRỊ VÀ GIẢI QUYẾT ĐƯỢC VẤN ĐỀ GÌ?

“Nguồn năng lượng sức mua” - một chủ đề vô cùng thú vị, mà mình sẽ dành rất nhiều thời gian để viết ở một bài khác, và một khi bạn thật sự hiểu được nó, góc nhìn của bạn sẽ thay đổi 180 độ về Bitcoin và các loại tài sản khác.

Ví dụ: lương lao động của mình 1 tháng 10 triệu, là 10 triệu sức mua, mình dùng trả tiền nhà, quần áo, ăn uống, đi chơi cùng bạn gái, sau khi chi tiêu cho những hoạt động đó, mình còn dư ra 3 triệu mỗi tháng, một năm 12 tháng mình có 36 triệu. 36 triệu đó là thành quả lao động của mình, là nguồn năng lượng sức mua mà mình có thể mua được những gì mình thích. Vấn đề đặt ra, làm sao để mình có thể bảo vệ nguồn năng lượng sức mua (NNLSM) này không bị thất thoát theo thời gian, khi 5, 10, 20 năm sau mình muốn lấy chúng ra sử dụng mà chúng vẫn duy trì được sức mua số lượng hàng hoá như mình mua ở thời điểm hiện tại?

Với 36 triệu là con số của cá nhân mình, với người khác thì 360 triệu, người khác nữa thì 3,6 tỷ, công ty khác nữa thì 36 tỷ, 360 tỷ, 36,000 tỷ. bài toán lớn hơn rồi đúng không! Làm sao mình có thể “đóng băng" nguồn năng lượng sức mua đó lại, ít nhất cũng không làm thất thoát đi sức mua chứ chưa tính đến chuyện làm gia tăng sức mua theo thời gian.

Nếu chưa có sự xuất hiện của Bitcoin thì người ta vẫn lưu lại NNLSM ở tiền mặt, vàng, bất động sản, chứng khoán, hàng hóa, trái phiếu…

Khi Bitcoin xuất hiện đã dần dần trở thành một kho lưu trữ NNLSM ưu việt, có thể đóng băng thành quả lao động của bạn trong thời gian dài một cách tươi nguyên mãi mãi.

(nguồn Binance)

Tính theo một khoảng thời gian dài hạn, bạn dùng nhiều vàng hơn để mua 1 Bitcoin hay ngược lại!

NHỮNG ĐẶC TÍNH CỦA VÀNG ĐIỆN TỬ

Bitcoin không những mang nhiều đặc tính của vàng mà nó còn ưu việt hơn rất nhiều lần.
Khan hiếm hơn.
Biết chính xác nguồn cung 21 triệu đồng.
Chia nhỏ dễ dàng hơn. (Mỗi bitcoin có thể được chia nhỏ tới 100 triệu đơn vị nhỏ hơn gọi là satoshi)
Kiểm toán dễ dàng. (được kiểm toán 10 phút 1 lần, 24/7/365)
Di chuyển dễ dàng. (đến bất cứ đâu truy cập được internet)
Không có trọng lượng.
Không có biên giới, không có chính phủ, không có công ty và hoàn toàn phi tập trung nên không cần lòng tin vào bên thứ 3.
Không thể bị làm giả.
Cho đến nay chưa ai hack được, và càng ngày hệ thống càng lớn thì khả năng hack được lại càng thấp hơn (tấn công 51%).
Thông minh hơn mỗi ngày do được các lập trình viên khắp nơi trên khắp thế giới đóng góp.

Nhiều bạn lập luận rằng, tôi sẽ tạo ra một đồng coin khan hiếm hơn, nhanh hơn, nhẹ hơn, khôn hơn với nhiều chức năng, bảo mật hơn, và tôi sẽ tiêu diệt và thay thế Bitcoin. Câu chuyện tương lai không ai nói trước được, nhưng ý tưởng đó không chỉ mình bạn nghĩ ra, mà hàng triệu người khác trên thế giới cũng nghĩ giống như vậy. Bằng chứng cho việc đó là hiện nay trên thị trường crypto đang có hơn 6,300 đồng coin & token đang hoạt động (chưa tính những đồng đã chết khi không trụ nổi vài năm). Nhưng khi nhìn lại bảng xếp hạng từ khi ra đời cho đến hiện tại (Bitcoin ra đời năm 2009) thì Bitcoin vẫn trụ vững ngôi vị số 1, và chưa bao giờ xuống vị trí thứ 2.

CHIẾN THẮNG ĐỂ TRỞ THÀNH KHO LƯU TRỮ GIÁ TRỊ

Bitcoin đã chiến thắng trong cuộc đua này, và trở thành một phần quá lớn trong thị trường, định hướng mọi sự phát triển, các chỉ số phân tích kỹ thuật và xu hướng. Coin này nhanh, coin kia bảo mật, coin nọ thông minh… nhưng để dung hòa được tất cả các điều trên và hoạt động một cách hiệu quả cùng sự hỗ trợ và chấp nhận của cả thế giới thì chỉ có Bitcoin. Bitcoin đã chiến thắng, một chiến thắng lớn để trở thành vàng điện tử. Bitcoin giống như Facebook của thế giới mạng xã hội, bạn có thể làm ra Facebook thứ 2 nhưng không ai xài cả.

Bạn không cần Bitcoin có tốc độ cực nhanh để mua một cốc cà phê bởi vì không có bất cứ một crypto nào, một hệ thống proof of work, proof of stake, hay bất cứ một hệ thống phi tập trung nào có thể cạnh tranh với Apple pay, Alipay, Paypal…

Nên đừng nghĩ đến việc crypto cạnh tranh thanh toán với visa, apple, paypal, Amazon... vì họ nắm hàng tỷ khách hàng trong tay và độc quyền cuộc chơi, nên căn bản Bitcoin là nơi “lưu trữ giá trị”.

Hãy lưu trữ 95% sự giàu có của bạn ở crypto còn muốn thanh toán thì giữ 5% tiền mặt ở Visa.

Cái Bitcoin giải quyết được là chuyển hàng trăm triệu, hàng tỷ đô, hàng trăm tỷ đô, vòng quanh thế giới một cách nhanh chóng với phí cực rẻ và độ tin cậy cực cao, không một ai có thể ngăn cản bạn thực hiện giao dịch đó. Đó là sức mạnh của Bitcoin chứ không phải dùng Bitcoin để giao dịch mua vào ly cà phê.

“Khi vượt biên thì bạn mới nhận ra bitcoin nhẹ hơn và an toàn hơn vàng cây rất nhiều ”

Câu hỏi mở để các bạn suy ngẫm, khi muốn chuyển 100 triệu đô từ Việt Nam sang Mỹ, mà bạn lại lưu trữ “nguồn năng lượng sức mua" của bạn vào vàng, BĐS, chứng khoán, hàng hóa, trái phiếu, tiền mặt… thì cách nào là cách nhanh, hiệu quả, và an toàn nhất để chuyển 100 triệu đô la???

Bài viết được lấy cảm hứng khá nhiều từ Michael Saylor, một người vô cùng nhiệt huyết và táo bạo, chấp nhận sự thay đổi, mở rộng tư duy và tiến về tương lai.

Theo thuancapital

[PhD life] #Done is better than perfect - Hoàn thành tốt hơn hoàn hảo

2020-10-10T16:05:00.015+07:00

Điều quan trọng nhất của quá trình làm nghiên cứu mà đặt biệt là "Ph.D" sẽ dạy cho chúng ta là làm thế nào và khi nào nên dừng lại.

Chủ nghĩa hoàn hảo chúng ta sẽ rất dễ gặp phải trong môi trường học thuật nhất là quá trình làm "Ph.D". Trước hết tôi muốn giải thích thêm tại sao tôi lại gọi là "làm Ph.D", theo cách hiểu ở đây "làm" là quá trình học tập, trao dồi kiến thức, tìm hiểu, cách thức nghiên cứu, cách viết lách, cách publish 1 công trình nghiên cứu của mình,... còn Ph.D hay còn gọi là tiến sĩ thì hãy xem đó là 1 cái ngưỡng vì nó được xem "học vị" cao nhất trong giới khoa học.

Quay lại với tiêu đề của note này, điều này có rất nhiều người sẽ nhận ra được sau khi đã hoàn thành được Ph.D và thêm 1 khoảng thời gian thư giản đầu ốc để suy nghĩa về những gì mình làm. Cụ thể là bài chia sẽ dưới đây sẽ là 1 tâm tư như vậy. Đối với tôi, tôi may mắn đã nhận ra sớm hơn thế và mình sẽ lên 1 kế hoạch cụ thể hơn, tự tin hơn. Tôi không dám chắc nó sẽ thành công hơn vì hiện tại tôi vẫn đang chuẩn bị hoàn thành thesis nên mọi kế hoạch đều là của tương lai nên tôi không thể biết được nhưng có 1 điều tôi dám chắc rằng là mình tự tin hơn, ít có cảm giác chơi vơi hơn trước. Cũng nói thêm rằng, ý của bài viết mà tôi xin mạng phép dịch sau đây cũng giống hoàn toàn với ý cũng mình đã chia sẽ nhiều cho những anh em, bạn bè bắt đầu nghiên cứu để giảm bớt cảm giác áp lực mà mọi người đang gặp phải, điều này cũng đồng cảm với nhiều anh chị nghiên cứu đi trước. Câu chuyện được chia sẽ như sau [1]:

Tôi đã nộp luận án Tiến sĩ vào tháng 12, bốn ngày trước Giáng sinh. Nó không hoàn hảo - theo nhiều cách, nó thậm chí còn không tốt. Tôi đã hy vọng trở thành một lập trình viên thành thạo và một nhà khoa học thành danh với nhiều bài báo có tác động lớn khi kết thúc chương trình học sau đại học. Hoặc ít ra, tôi hy vọng sẽ tìm thấy bằng chứng để hỗ trợ giả thuyết của mình. Nhưng thực tế, luận án của tôi hầu như không được công bố, code của tôi chỉ là sơ bộ, và kết quả cũng không thuyết phục. Trong suy nghĩ của tôi, điều đó là một thất bại. Cuối cùng, tôi đã nộp luận án của mình vì tôi muốn tận hưởng một Giáng sinh trọn vẹn sau nhiều năm căng thẳng.
Kể từ đó, tôi đã học được một hoặc hai điều về cuộc sống sau Tiến sĩ. Hóa ra, không có gì là hoàn hảo. Bạn rất dễ rơi vào bẫy khi nghĩ rằng sự hoàn hảo chỉ ở đâu đây, gần lắm rồi chỉ cần tiếp tục cố gắng trong vài tuần hoặc vài tháng, hoặc vài nữa, bạn sẽ giải quyết được mọi thứ. Tất cả chúng ta đều muốn thay đổi thế giới - nhưng trên thực tế, điều đó sẽ không xảy ra khi học sau đại học. Những khám phá lớn được đặc trưng bởi nhiều bước đệm nhỏ dẫn đến thành công và thất bại. Biết khi nào nên đóng từng chương và tiếp tục là một phần quan trọng của quá trình.

Hoàn thành chương trình Tiến sĩ trong khoảng thời gian mong muốn cho thấy chúng có thể đặt ra các mục tiêu thực tế và đáp ứng thời hạn. Điều này mở ra cho chúng ta nhiều lựa chọn sau Tiến sĩ. Các nhà lãnh đạo trong ngành sẽ không quan tâm đến việc chúng ta có xuất bản một bài báo hay không mà họ quan tâm đến khả năng hành động và tạo ra kết quả kịp thời của chúng ta. Các phòng thí nghiệm có môi trường học thuật thường khoan dung hơn, nhưng họ vẫn sẽ cảnh báo khi nhận thấy những dấu hiệu của một người cầu toàn. Môi trường học thuật yêu cầu các công bố thường xuyên, có nghĩa là đến một lúc nào đó bạn phải dừng cái này hay kể cả phải từ bỏ để hoàn thành việc khác. Tìm kiếm sự hoàn hảo sẽ chỉ dẫn đến sự chậm trễ vô tận và cảm giác hoang mang liên tục, hoặc tệ hơn là hoàn toàn kiệt sức vì tự đặt quá nhiều áp lực cho bản thân.

Điều quan trọng cần nhớ là khoa học là một lĩnh vực thay đổi nhanh chóng. Mỗi ngày, chúng ta thu được kiến thức dựa trên hoặc mâu thuẫn với những ý tưởng trước đó. Mục đích của luận án là chứng minh rằng bạn có thể tiến hành nghiên cứu độc lập và suy nghĩ như một nhà khoa học. Bạn cần đảm bảo rằng bạn trình bày một bản tóm tắt chính xác về kiến thức hiện tại và những ý tưởng mới. Nhưng bạn không thể đảm bảo rằng lý thuyết của bạn sẽ không bị bác bỏ trong tương lai. Bằng tiến sĩ của bạn vẫn có giá trị và rất xứng đáng, bất kể nó có đúng trong hàng trăm năm tới hay không.

Hơn nữa, luôn có thời gian để thay đổi sau đó. Kết thúc quá trình làm Ph.D của bạn chỉ là: đạt được 1 cái ngưỡng nhưng tôi đã nói ở trên. Nó không phải là kết thúc của cuộc hành trình khoa học của chúng ta.

Phải mất gần hai năm để các chương luận văn chưa xuất bản của tôi trở thành bản thảo được xuất bản. Lẽ ra, tôi có thể tiếp tục tiến sĩ của mình: ám ảnh về chi tiết, chờ đợi phản hồi của người đánh giá, lăn tăn về lỗi chính tả. Luận án của tôi trông sẽ tốt hơn rất nhiều (tôi đã không làm vậy). Thay vào đó, tôi đã có thể sử dụng thời gian đó để bắt đầu một postdoc trong một lĩnh vực mới, tích lũy kinh nghiệm và phát triển các kỹ năng mới. Luôn có thời gian để học hỏi và cải thiện - bạn không cần phải làm tất cả trong quá trình học của mình.

Vì vậy, nếu bạn đang ở giai đoạn cuối, quá căng thẳng và quá mệt mỏi, thì hãy cố gắng hoàn thành một việc gì đó. Bằng tiến sĩ của chúng ta sẽ chỉ hoàn thành khi chúng ta đưa ra quyết định dừng lại một cách tỉnh táo. Nó có thể không hoàn hảo, nhưng hãy làm nó hoàn chỉnh; nhưng không có gì tốt hơn một luận án đã hoàn thành.

Ulsan, 2020.10.10

[1] http://blogs.nature.com/naturejobs/2018/07/09/done-is-better-than-perfect-overcoming-phd-perfectionism/

[Inspired] Đánh đổi giữa "cái khổ của việc học hành" và "cái khổ của cuộc sống mưu sinh"

2020-07-21T07:44:00.004+07:00

01. Người giỏi, làm gì cũng giỏi

Gần đây, có một tin tức bùng nổ trên mạng xã hội.
Lưu Song, một nữ thạc sỹ 32 tuổi biết 2 thứ tiếng ở Hàng Châu, Chiết Giang, Trung Quốc gần đây đang trở nên vô cùng hot trên các trang mạng xã hội của đất nước tỷ dân này, và mọi thứ bắt nguồn từ CV của cô khi ứng tuyển cho vị trí bảo mẫu.
CV cho thấy, cô thành thạo tiếng Pháp, tiếng Anh, trình độ thạc sỹ, không chỉ từng được công ty lớn cử đi công tác tại Châu Phi, mà còn từng có kinh nghiệm dạy trẻ mẫu giáo, lương năm từng có lúc lên tới 30 vạn tệ (khoảng 993 triệu VNĐ).
Hiện tại chuyển hướng sang ngành dịch vụ gia đình, Lưu Song không hề cảm thấy mất mặt hay xấu hổ: "Làm ngành dịch vụ gia đình này là bước đầu tiên trong ý tưởng khởi nghiệp của tôi, hơn nữa tôi nghĩ những người làm trong ngành dịch vụ gia đình này cũng nên phát triển theo hướng trẻ hóa và có trình độ học vấn cao."
Có không ít công ty vì muốn tranh được Lưu Song mà còn đưa ra những điều kiện rất hấp dẫn, chẳng hạn như đi làm lúc 9h, tan làm lúc 5h, tuần nghỉ 2 ngày cuối tuần, lương tháng 2 vạn tệ (khoảng 66 triệu đồng), đồng thời còn quy định rõ ràng rằng cô chỉ cần chăm sóc các bé, mà không cần phải làm bất cứ việc nhà nào khác.
Ông chủ của công ty mà Lưu Song xin việc cũng bày tỏ rằng: Tôi bị thu hút bởi học vấn và kinh nghiệm của Lưu Song, trình độ của cô ấy có thể đáp ứng được những dịch vụ có nhu cầu đòi hỏi cao cấp trên thị trường.
Tin tức này khi vừa được tung ra, đã thu hút rất nhiều ý kiến bình luận. Có người tán đồng, có người mỉa mai.
Có người nói: Ai quy định học vấn cao thì không được làm bảo mẫu, tôi ủng hộ dũng khí dám làm của Lưu Song.
Có người lại thấy với học vấn như vậy mà làm công việc này thì quả thực rất phí, dẫu sao thì cái "ngưỡng" của ngành này cũng quá thấp so với một thạc sỹ.
Còn có người lại cho rằng đây chỉ là chiêu trò muốn giật title, kêu mọi người giải tán.
Thật cũng được, chiêu trò cũng chẳng sao. Nhưng chuyện này rất đáng để chúng ta suy nghĩ.
Không ai có thể phủ nhận rằng thạc sỹ hai thứ tiếng là niềm tự hào, sự tự tin của Lưu Song, và cũng là thứ giúp phân biệt cô với những bảo mẫu thông thường.
Dù là một ngành nghề không đòi hỏi quá cao về học vấn hay trình độ như một vài ngành khác, nhưng người có trình độ học vấn và năng lực cao vẫn có thể dựa vào kiến thức, nguồn lực và sự nỗ lực của mình để tạo ra những ưu thế khác biệt.
Nếu không thì vì sao làm bảo mẫu thôi mà Lưu Song vẫn được trả những 2 vạn tiền lương, rồi còn đính kèm rất nhiều đãi ngộ mà những người khác không có được?

Cái gọi là 360 nghề, nghề nào cũng xuất trạng nguyên, quan trọng không phải là ngành nghề bạn làm, mà là vị trí mà bạn ở.
Người có trình độ học vấn cao thường có năng lực học tập rất tuyệt vời, họ sẽ không ngừng tìm kiếm giá trị độc đáo của bản thân, và theo thời gian, khoảng cách giữa bình thường và ưu tú cũng dần được kéo dãn ra.
Cá nhân tôi cho rằng, đây mới là mấu chốt của vấn đề.
Năm ngoái, cậu em họ tôi tốt nghiệp một trường cao đẳng, cậu ấy có đi tới phỏng vấn cho một công ty nọ, không ngờ nhà tuyển dụng lại nói đúng một câu: lần tuyển dụng này chúng tôi chỉ nhận những sinh viên thuộc khối kỹ thuật của đại học A, đại học C và đại học F, những người không thuộc 3 trường này có thể ra về, để tránh lỡ dở thời gian của các bạn.
Cậu em họ tôi buồn bã nói:
Cứ tưởng anh hùng thì không hỏi xuất thân, đi phỏng vấn rồi mới biết, thì ra, trình độ học vấn chính là giấy thông hành nơi việc làm. Không có cái này, căn bản là sẽ không có ai tính tới chuyện bàn về năng lực với bạn.
Nói thật lòng thì trình độ học vấn hay bằng cấp có quan trọng hay không, bạn cứ thử đi phỏng vấn tìm việc làm một lần rồi sẽ biết.

02. Những người có trình độ học vấn cao, đang giành miếng ăn với bạn

Năm ngoái, có một tin tức rất hot ở Trung Quốc đó là ở Trịnh Châu, Hà Nam của nước này, có một nhà hàng lẩu tuyển nhân viên, và họ yêu cầu rằng nhân viên phải tốt nghiệp từ các trường trong đề án 985 của Trung Quốc (đề án những trường đại học nằm trong vị trí hàng đầu thế giới của Trung Quốc), lương năm trên 20 vạn (khoảng 662 triệu VNĐ).

Nhà tuyển dụng giải thích rằng, tuyển chọn những nhân tài cao cấp như vậy là để tăng cường khả năng cạnh tranh và xây dựng đội ngũ của công ty.

Nhiều người để lại bình luận mỉa mai rằng: Giờ công việc bưng bê thôi cũng phải cần đến bằng cấp cao rồi này!

Mỉa mai thì mỉa mai nhưng sự việc này cũng cho thấy một chân tướng tàn khốc của xã hội: Bằng cấp, ngoài miệng thì ai cũng nói là không quan trọng, nhưng trong lòng thì lại rất coi trọng nó.

Công ty nói không có khung tham chiếu nhất định nào cho nhân tài, nếu bạn tin thì gay go rồi!

Có một thực tế đó là các đơn vị tuyển dụng, muốn trong vòng vài phút phán đoán được năng lực của một người, vậy thì phương pháp đơn giản nhất chính là nhìn vào bằng cấp, trình độ học vấn, danh tiếng trường đại học…

Tàn khốc, nhưng đây chính là hiện thực. Trình độ học vấn kém hơn một chút, cuộc đời quả thực kém cả một đường dài.

Khi đi tìm việc, bạn sẽ phát hiện ra tiến sỹ với thạc sỹ, thạc sỹ với cử nhân, thường là "cú đánh giảm chiều".

Hai người dù năng lực không hơn nhau là bao, nhưng chỉ một cái bằng thôi cũng đủ để kéo dãn khoảng cách giữa hai người.

Đặc biệt là trong giai đoạn cả thế giới ảnh hưởng bởi dịch bệnh như hiện tại, thiếu gì những nhân tài ở nước ngoài muốn về nước lập nghiệp, có thể thấy, cạnh tranh trong tương lai sẽ ngày càng trở nên khốc liệt hơn.

Ngày xưa, có những công việc mà dù bằng cấp không cao cũng có thể làm được, nhưng giờ nhân tài ngày càng nhiều, tiêu chuẩn tất nhiên cũng sẽ ngày càng cao hơn, nước dâng thì thuyền cũng phải được nâng lên cao hơn thôi.

Có câu nói rất hay rằng: Bạn xem bằng cấp là tờ giấy bỏ đi, thị trường cũng xem bạn là đồ bỏ đi.

Có những việc dù bạn không muốn đối mặt, nhưng nó vẫn cứ ở đó: những người có trình độ học vấn cao hơn bạn, lại nỗ lực hơn bạn, đang cướp đi miếng ăn của bạn.

03. Bản chất của học hành, là cơ hội để được lựa chọn

Trên mạng có một câu hỏi rằng: Bản chất của học hành, rốt cuộc là gì?

Có người nói là để thêm kiến thức, làm phong phú nhận thức.

Có người nói là để tìm được một công việc tốt, để giàu có hơn.

Không sai, nhưng cá nhân tôi cho rằng, bản chất của học hành chính là nó trao cho chúng ta cơ hội để đưa ra lựa chọn.

Khoảng cách lớn nhất giữa người với người nằm ở điều này.

Đối với những người thuộc tầng lớp trên mà nói, tài sản lớn nhất, thực ra không phải những vật chất hữu hình, mà là những cơ hội vô hình.

Dù bạn chỉ là một người bình thường, thì bạn vẫn có quyền chọn, và còn có vô số cơ hội để thử và sai.

Đối với những người thuộc tầng lớp thấp hơn, tàn khốc nhất không phải là không có tiền, mà là không tìm được con đường để bước lên một đẳng cấp cao hơn.

Dù bạn có thông minh tài trí tới đâu, nhưng nếu tài năng đó của bạn không được nhìn thấy, không được phát hiện, không có đất dụng võ, vậy thì bạn cũng khó mà có thể đổi đời.

Trong bộ phim Mỹ "Không lùi bước", sau khi người anh bị cảnh sát đánh chết, người em nói với người cảnh sát già đang truy bắt mình rằng:

"Nghèo khổ giống như bệnh di truyền của dòng họ tôi vậy, nó truyền từ đời này sang đời khác.

Ông tôi không học hành, ba tôi không học hành, tôi cũng chưa từng đi học.

Tôi đi cướp là để có tiền cho con trai đi học để trở thành luật sư, không cần phải đi cướp nữa."

Thực ra, nghèo một đời không đáng sợ, đáng sợ là nghèo từ đời này sang đời khác, đời đời kiếp kiếp vẫn mãi vật lộn ở phía dưới của xã hội.

Chúng ta sở dĩ nghèo, trông thì có vẻ như là vì thiếu tiền, nhưng thực ra là chúng ta đang thiếu đi thông tin và tầm nhìn.

Những thứ này, ngoài học hành ra, thì con cái của những gia đình nghèo khổ có thể lấy được chúng từ đâu?

Năm ngoái, tin tức Huawei tuyển dụng tiến sỹ với mức lương trên trời nổi khắp mạng xã hội.

Những tiến sỹ vốn có xuất thân bần hàn, thông qua học hành, nghiên cứu và rèn luyện, họ nghiễm nhiên kiếm được cho mình mức lương năm hàng tỷ đồng.

Đây không chỉ là bước tiến lớn của một người, mà nó còn giúp cả một gia đình thoát ra khỏi lời nguyền nghèo suốt đời suốt kiếp.

Vậy mới nói, đối với người bình thường, cơ hội để thay đổi vận mệnh hoàn toàn không thiếu, và học hành cho tử tế chính là một trong những con đường tốt nhất.

Bằng cấp, trình độ học vấn không thể thay đổi tất cả, nhưng ít nhất nó cũng không khiến bạn đến tư cách để đặt một bước chân vào một ngưỡng cửa mới, để được người khác nhìn thấy cũng bị tước đoạt mất.

Học hành nghiêm túc, tử tế, có thể nó không giúp bạn đứng được trên đỉnh kim tự tháp, nhưng nó giúp không để bạn rơi xuống vực thẳm. Một lá thư nhập học mỏng manh kia, cũng có thể là bước ngoặt trong vận mệnh của chúng ta.

04. Đừng lựa chọn an ổn, nhàn hạ ở độ tuổi cần phấn đấu

Dưới đây là ghi chép của một bạn sinh viên:

1:00: Cô bán hoa quả ven đường bắt đầu dọn hàng.

1:30: Anh shipper vẫn đang ship đồ ăn đêm cho những người tăng ca.

2:00: Người đàn ông trung niên vừa về nhà sau bữa nhậu với khách hàng.

3:30: Tài xế chở hàng đã sẵn sàng để lên đường.

4:30: Bác bán đồ ăn sáng chật vật len lỏi qua từng con hẻm.

5:00: Các công nhân vệ sinh bước xuống con phố ẩm đạm, đánh thức cả thành phố.

Có một chân lý tàn khốc đó là:

Bạn không chịu được cái khổ của việc học hành, vậy thì bạn sẽ phải chịu cái khổ của cuộc sống mưu sinh.

Trình độ học vấn tuy không phải vạn năng, nhưng nó có thể giúp bạn giải quyết được rất nhiều vấn đề.

Sinh viên của các trường đại học lớn đi đâu cũng được hoan nghênh, trong tay mấy cái offer, thích chọn cái nào thì chọn.

Trong khi sinh viên của các trường cao đằng, trường nghề hay các trường ít tiếng tăm hơn lại chỉ có thể "được chọn".

Đừng oán than điều này là không công bằng, bởi lẽ học hành, vốn dĩ đã là một điều công bằng hiếm có trên thế giới.

Bất kể có xuất thân, điều kiện hay giới tính ra sao, thì ai nấy cũng đều dùng mồ hôi nước mắt và một tờ giấy thi để có thể bước vào một trường đại học danh tiếng.

Đợi tới khi bước ra xã hội rồi, bạn sẽ phát hiện ra, điều không công bằng ngoài xã hội còn nhiều hơn bạn tưởng nhiều.

Vì vậy, tôi khuyên bạn, nếu không phải con ông cháu cha, cậu ấm cô chiêu, vậy thì ở cái tuổi nên học hành thì hãy học hành cho tử tế.

Ít nhất nó cũng giúp bạn không phải rơi xuống đáy của xã hội.

Ngược lại, những người chỉ lo ăn chơi đàn đúm, cho rằng học hành là vô dụng, chẳng qua cũng chỉ là đang tự bào mòn đi hạnh phúc trong tương lai của họ mà thôi.

Xã hội tự có nguyên tắc của nó, người nỗ lực sẽ chỉ khó khăn ở một giai đoạn nào đó của cuộc đời, nhưng người không cố gắng thì chắc chắn sẽ vất vả cả đời.

Nói cho cùng, đáng sợ nhất không phải bạn không có trình độ học vấn, mà là bạn xem thường nó.

Những người luôn miệng nói bằng cấp vô dụng, hoặc là người đã đứng sẵn trên đỉnh kim tự tháp, chưa bao giờ phải đi xuống, đứng nói chuyện mà không phải khom lưng; còn không thì sẽ là người ở mãi dưới vực sâu, với không được nho rồi kêu là nho chua, không thèm.

Tôi cá là bạn không phải là kẻ trước, nhưng cũng hi vọng bạn đừng làm kẻ phía sau.

Theo CafeBiz.vn

[Insperied] Mối tương quan của trò chơi Poker và xuất phát điểm trong cuộc sống

2020-07-03T12:26:00.002+07:00

Chơi Poker để thấy xuất phát điểm tốt chỉ cho chúng ta một chút lợi thế nhất định. Poker là 1 trò chơi có liên hệ rất nhiều với cuộc sống.

Trong trò Poker Texas Hold’em, mỗi người sẽ được chia 2 lá bài (gọi là starting-hand) giữ bí mật trên tay preflop (trước khi dealer chia bài trên bàn), và dealer sẽ chia lần lượt 5 lá bài ngửa trên bàn, kết hợp với lá bài từng người xem bài nào mạnh nhất.

Startinghand mạnh nhất là đôi AA, yếu nhất là 72 offsuit (khác chất).

Về mặt thống kê, AA có xác suất chiến thắng cao nhất preflop so với mọi starting hànd khác (~80.5%).

Có nghĩa là, AA vẫn có xác suất thua ~19.5% khi so bài (khi dealer chia 5 lá trên bàn). Và 72 tuy yếu nhưng vẫn có xác suất chiến thắng. Giả sử dealer chia 5 lá là : 7 2 2 8 9. Bài AA sẽ thua 72 vì chỉ tạo nên 2-pair (2 phé), còn 72 thắng vì tạo nên fullhouse 77222.

Điều này nghĩa rằng, trong Poker, dù được chia bài khởi đầu đẹp nhất, chúng ta vẫn có khả năng thua. Ngược lại, dù được chia starting hand xấu nhất, chúng ta vẫn có xác suất chiến thắng dù nhỏ hơn nhiều lần.

Nói cách khác là 1 starting hand đẹp chỉ cho bạn 1 chút lợi thế khi bắt đầu 1 cuộc chơi, thành công hay thất bại trong cuộc chơi phụ thuộc vào hành động của bạn (check bet raise or fold). Đừng quá “hổ báo” chỉ với starting hand. Tuy nhiên, nếu trò chơi xác suất này thì ai cũng thích cầm AA vì chơi đủ 100 trận cầm AA, số trận bạn thắng sẽ luôn lớn hơn thua.

*Trong cuộc sống thì sao?

Starting-hand cũng giống như "xuất phát điểm" của mỗi người. (xuất phát điểm được hiểu là những gì bạn đã-đang có trước khi bắt đầu một việc gì đó).

Ví dụ: Trước khi bước chào đời bạn sinh ra là con tỉ phú hay người bình thường; trước khi bắt đầu khởi nghiệp bạn có vốn bao nhiêu, kinh nghiệm thế nào, những mối quan hệ đến từ đâu ...

Chúng ta thấy rằng 1 xuất phát điểm tốt sẽ cho lợi thế ban đầu khá lớn để phát triển và thành công, nếu biết tận dụng vào đúng mục tiêu. Ngược lại, nếu tận dụng lợi thế ban đầu 1 cách không hợp lý, thì sẽ “thua”. Ví dụ: Sinh ra là con tinh hoa tỉ phú, nếu tận dụng điều kiện để học tập rồi gia nhập hàng ngũ tinh hoa tương lai thì tương lai sáng lạn, ngược lại tận dụng tiền và quan hệ của gia đình để ăn chơi hoặc phạm pháp thì cuộc đời sẽ đi theo hàm nghịch biến.

Xuất phát điểm không tốt (như 72 offsuit) nhưng vẫn có thể thành công, nếu biết chọn “đúng bài” và “đúng thời điểm”. Ta vẫn thường thấy những tỉ phú ko tốt nghiệp đại học (nếu dùng tiền làm thước đo thành công), hay chào đời là con nhà nghèo nỗ lực vẫn đạt được thành công nhất định.

Tuy nhiên, lý thuyết xác suất Poker lại chỉ ra rằng, dù 72 vẫn có thể thắng, như AA lại chiến thắng nhiều nhất.

Thưc tế là, báo đài sẽ nhắc nhiều đến 1 số trường hợp thành công mà xuất phát điểm k tốt (nhà nghèo, ko học đại học), nhưng tỉ lệ quá nhỏ và sẽ có nhiều hơn những người thành công với xuất phát điểm tốt mà báo đài ko nhắc đến.

Tóm lại:

— Xuất phát điểm tốt là quan trọng, tuỳ vào mỗi thời điểm khác nhau của cuộc sống. Cụ thể con nhà giàu vẫn tốt hơn, vẫn có nhiều khả năng tiếp cận điều kiện tốt hơn.

— Xuất phát điểm tốt cũng chỉ cho chúng ta 1 chút lợi thế ban đầu, nhưng muốn có được thành công cần hãy tận dụng nó đúng cách.

— Vậy nên, hãy tự tạo ra những xuất phát điểm tốt cho mình trước khi bắt đầu 1 cuộc chơi. Điều đó có ý nghĩa về mặt xác suất giúp tăng khả năng thành công trong cuộc sống hơn, giống như được cầm đôi AA vậy.

Chúc mọi người nhiều sức khỏe, có sức khỏe mới chơi bài được!

[Inspored] Đọc sách rốt cuộc ảnh hưởng tới người lớn tới đâu?

2020-06-30T08:54:00.002+07:00

Nhà văn người Đức, Hermann Hesse nới rằng: "Không cuốn sách nào trên thế giới có thể đem tới cho bạn vận may, nhưng chúng có thể âm thầm khiến bạn trở thành chính mình."

Sau khi đi làm, số người có thể tĩnh lại để đọc sách có được bao nhiêu người? Vì vậy, tôi đã điều tra qua mạng khoảng 100 người đang đi làm, phát hiện ra số người có thể thực sự tĩnh lại để đọc sách chỉ có chưa tới 30 người, cái cớ của mọi người phần lớn là:

1. Tăng ca muộn, mệt, không có thời gian đọc sách.

2. Tâm không tĩnh lại được, không biết nên đọc quyển nào.

3. Có một bạn nữ, sau khi tốt nghiệp đại học, không đọc thêm bất kì cuốn sách nào nữa.

4. Ngày nào cũng đọc mấy bài viết bạn bè chia sẻ rồi, không có thời gian xem báo giấy hay báo mạng.

5…

Theo phân tích thì những người ở các thành phố lớn thích đọc sách nhất, về cơ bản là đọc những loại sách có ích cho công việc, đây có lẽ là do áp lực công việc.

Khi tư vấn cho người đi làm, câu hỏi mà tôi luôn hỏi đó là "Bình thường bạn có đọc sách không? Đọc sách gì? Đọc xong có suy nghĩ gì….". Theo kết quả của 1021 trường hợp mà tôi từng tư vấn nghề nghiệp cho, thì chỉ có 5 người không có thời gian đọc sách, còn lại phần lớn mọi người đều thường xuyên đọc sách, đồng thời thông qua đọc sách tìm ra được phương pháp giải quyết các vấn đề gặp phải trong công việc.

Từ các trường hợp tư vấn nghề nghiệp đó, phần lớn mọi người đều có sự cầu tiến, muốn thay đổi và nâng cao bản thân thì mới tìm tới tôi để tư vấn. Đứng từ góc độ thu nhập, chỉ có 5 người có lương năm ít hơn 400 triệu, mức lương cao nhất lên tới 2,3 tỷ. Từ đó có thể thấy, người thường xuyên đọc sách, thu nhập nhất định không tồi. Họ tìm tới tư vấn nghề nghiệp, hoàn toàn không phải vì nghề nghiệp phát triển không tốt, mà là muốn làm rõ mỗi một "nút thắt" trong quá trình phát triển nghề nghiệp, để có thể phát triển tốt hơn.

Nói tới đọc sách, đối với người đi làm, suy cho cùng thì vì sao phải đọc sách? Có người cho rằng: đọc sách là cảnh giới cao nhất, không phải để học tri thức, mà là để phát hiện ra chính mình, phát hiện ra lương tri của mình. Cá nhân tôi cho rằng, đọc sách là để thay đổi khí chất của bản thân, để lột xác từ bên trong tư tưởng, biến mình thành một phiên bản tốt hơn.

Đọc sách, là một hình thức thu nạp tri thức và thông tin, là một chuyện vô cùng quan trọng và cần phải có phương pháp, chỉ bằng cách đọc có phương pháp, đọc những cuốn sách chất lượng cao, sau đó tích cực suy nghĩ và lắng đọng, tổng kết lại, thì khi đó, việc đọc sách mới có thể đem lại được cho bạn những ảnh hưởng tích cực.

Đối với người đi làm mà nói, đọc sách có ảnh hưởng ra sao tới một người?

1. Hình thành tư duy logic nền tảng, nâng cao nhận thức, và giúp thu được lợi ích dài lâu

Mọi người thường bàn nhiều về nhận thức, vậy nhận thức tới từ đâu? Cá nhân tôi cho rằng, nhận thức tới từ việc đọc sách. Nếu bạn không muốn nâng cao nhận thức, không đọc sách là được rồi.

Cứ định kì, tôi sẽ đi gặp một vài người bạn mới, mỗi lần giao lưu, tôi sẽ luôn đề cập tới việc đọc sách. Trong tất cả những người bạn mà tôi giao lưu, hầu hết đều là những người thích đọc sách, có người là vì sở thích, có người là vì công việc yêu cầu. Nhưng bất kể ra sao thì đọc sách cũng là một thói quen của người ưu tú.

Một lần, tôi nói chuyện với một người bạn từng làm việc ở McKinsey & Company, trong đó có nhắc tới hai cuốn sách, cậu ấy cười tươi rói nói với tôi rằng hai cuốn sách mà tôi vừa nhắc tới cậu ấy đã mua từ lâu rồi, nếu mà bỏ qua hai cuốn sách ấy, sợ là sẽ bị thời đại bỏ lại mất.

Có thể thấy, người ưu tú ở nơi làm việc đều không ngừng nâng cao nhận thức của bản thân, luôn giữ suy nghĩ phải đi đầu trong xã hội và giữ không để mình tụt lại ở phía sau, còn những người sự nghiệp dậm chân tại chỗ, họ chẳng làm gì cả ngày, và luôn cho rằng đọc sách là lãng phí thời gian.

2. Giúp bạn trở nên trầm ổn hơn, cảm xúc ổn định hơn, logic rõ ràng hơn, tầm nhìn sắc bén hơn

Ở nơi làm việc, bạn có phát hiện ra rằng những người cả ngày ca thán, cảm xúc không ổn định phần lớn đều là những người không thích đọc sách. Bởi lẽ, tất cả những người thích đọc sách đều là những người rất chín chắn, trầm ổn, ít nóng nảy.

Vài ngày trước tôi có dịp trò chuyện với một người bạn có thâm niên 7 năm công việc ở một công ty, tôi hỏi cậu ấy làm việc lâu như vậy, đã bao giờ nghĩ tới việc xin nghỉ làm một công việc khác chưa? Cậu ấy nói chưa, và nói rằng mình vẫn đang rất hài lòng với cả sếp và cả công việc hiện tại. Cậu ấy kể rằng từ lúc đi theo lãnh đạo hiện tại, bản thân cũng thích đọc sách hơn, đồng thời năng lực làm việc cũng được nâng cao hơn rất nhiều. Cậu ấy nói tiếp, lãnh đạo của cậu ấy vô cùng thích đọc sách, mỗi lần gặp vấn đề gì trong công việc, muốn thỉnh giáo lãnh đạo, lãnh đạo đều sẽ dùng những sự kiện đã từng xảy ra để làm ví dụ cho cậu ấy biết xem đối với những việc tương tự như vậy thì người đi trước họ sẽ xử trí ra sao, rút ra được bài học gì.

Còn một người bạn nữ khác, cô ấy cũng rất thích đọc sách, mỗi lần gặp phải khó khăn trong công việc, cô ấy đều tìm thấy cảm hứng giải quyết vấn đề từ trong sách. Một lần, tôi cố ý hỏi cô ấy rằng, đọc nhiều sách như vậy cậu nhớ được bao nhiêu? Cô ấy nói, nhớ được bao nhiêu không quan trọng, quan trọng là học được phương thức tư duy, phương thức giải quyết vấn đề từ trong đó, nhận thức ra được điều này, bạn sẽ không bao giờ cảm thấy mình đã đọc được nhiều sách.

Đúng vậy, tôi cũng đồng ý với ý này. Đọc sách, chỉ cần bạn làm rõ được logic, phương thức tư duy và giải quyết vấn đề bên trong đó là đủ. Vì vậy, tôi muốn nói với các bạn rằng: đọc nhiều sách là phương pháp tốt nhất giúp nâng cao năng lực của một người.

3. Đọc sách giúp nghề nghiệp của bạn phát triển tốt hơn, biến bạn trở nên đáng giá hơn

Chìa khóa để phát triển nghề nghiệp là: năng lực cá nhân, khả năng xử lý công việc và trí tuệ cảm xúc EQ, và cả ba khả năng này đều có thể được cải thiện được thông qua đọc sách.

Đọc sách làm sao có thể nâng cao EQ?

Những ai từng đọc "Tam Quốc diễn nghĩa" đều biết, EQ cao nhất là Gia Cát Lượng, năng lực giỏi nhất chính là Báng Thống. Nhưng vì sao Bàng Thống không bao giờ có thể bằng Gia Cát Lượng? Đó là bởi Bàng Thống có năng lực nhưng EQ thấp, còn Gia Cát Lượng vừa có năng lực EQ vừa cao.

Kể một câu chuyện để bạn rõ hơn. Khi đó, Lưu Bị sau khi đánh bại được Lưu Chương đã vô cùng vui mừng, mở yến tiệc chiêu đãi tướng lĩnh, quan văn võ trong triều ai nấy đều chúc mừng Lưu Bị, duy có Bàng Thống lại nói Lưu Bị đánh úp huynh đệ của mình, dù có thành công, cũng chẳng vinh quang gì cho cam. Việc này khiến Lưu Bị tức giận lật đổ cả bàn ăn. Có thể thấy, EQ của Bàng Thống quả thực quá thấp.

Còn Gia Cát Lượng thì sao? Gia Cát Lượng khi ở Ngọa Long Cương, vừa nhìn thấy Lưu Bị liền "nịnh hót", khiến Lưu Bị vui như mở hội, đó là bởi Gia Cát Lượng nói ra những điều mà Lưu Bị cũng rất muốn nói, vì vậy Lư Bị vui mừng là lẽ đương nhiên.

Cũng giống như hiện nay, thuộc hạ nào biết cách nói ra những điều mà lãnh đạo muốn nói nhưng không tiện nói ra, lãnh đạo tự nhiên sẽ rất vui. Có một cấp dưới như vậy, lãnh đạo nào chẳng mừng.

Nên biết rằng, bạn hoàn toàn có thể rèn luyện được tầm EQ của mình thông qua đọc sách. Thông qua đọc sách, bạn thực sự có thể lĩnh ngộ được nhiều tri thức và kinh nghiệm hơn. Cứ tin tôi, đọc sách quả thực có thể giúp nghề nghiệp của bạn phát triển tốt hơn.

Tôi cho rằng sách là một phần mở rộng của tư duy. Hầu hết những người bất tài, hay phàn nàn và có năng lượng tiêu cực đều là những người không thích đọc sách, bởi lẽ nội tâm của họ không được sách "gột rửa", họ luôn chỉ quanh quẩn ở trong tầm nhận thức eo hẹp ban đầu của mình, và cuối cùng ảnh hưởng đến cả một cuộc đời.

Những người có thói quen đọc sách đã quen với việc suy nghĩ, logic rõ ràng, nhìn vấn đề nhìn thẳng vào trọng điểm, dễ dàng tiếp nhận những sự vật sự việc mới hơn. Tin tôi, đọc và phát triển thói quen đọc sẽ có lợi cho bạn suốt đời!

Theo Cafebiz

Tiến sĩ là gì

2020-06-07T15:03:00.003+07:00

Có lẽ nhiều bạn đọc sẽ thấy ngạc nhiên khi đọc tựa đề của entry này, vì nó hơi … ngô nghê. Nhưng tôi phải mượn tựa đề câu hỏi đó để giải tỏa một số ngộ nhận về văn bằng tiến sĩ đang được một tờ báo mạng vô tình tiếp tay phổ biến và những lem nhem chung quanh việc hiểu ý nghĩa cuả văn bằng tiến sĩ mà giới báo chí đang làm ồn ào trong tuần qua.

Nhưng trước khi giải thích tiến sĩ là gì, có lẽ cần phải minh định những gì không nằm trong phạm vi về ý nghĩa của văn bằng tiến sĩ.

Thứ nhất, tiến sĩ không phải là một nghề. Trước hết nghề là một việc làm qua sự phân công của xã hội. Trong xã hội có người làm nghề thợ mộc, nghề nấu ăn, nghề thầy thuốc, v.v… Tùy theo bối cảnh và cấp bậc, tiếng Anh gọi nghề là occupation, là vocation, hay có khi là profession. Do đó, khi người ta hỏi “nghề của chị là gì”, thì câu trả lời có thể là “tôi làm nghề dạy học”, hay “tôi làm nghề buôn bán lẻ”. Tiến sĩ là một degree, tức là một bằng cấp hay học vị. Thật là ngô nghê nếu có người nói “tôi hành nghề tiến sĩ”!

Tiến sĩ không phải là một tước vị. Tước vị là những danh vị do Nhà nước hay một tổ chức phong tặng, và cá nhân được phong tặng không phải trải qua một quá trình học hành. Chẳng hạn như “Sir” là một tước hiệu do Nữ hoàng Anh tặng cho những người có công trong hoạt động xã hội và cộng đồng, hoặc như “Nhà giáo nhân dân” là tước hiệu do Nhà nước theo khối xã hội chủ nghĩa (như Việt Nam) phong tặng cho những nhà giáo có công lớn với sự nghiệp giáo dục (trên lí thuyết). Còn văn bằng tiến sĩ chỉ được cấp cho những người nào đã qua một quá trình học hành và nghiên cứu khoa học, và đã đáp ứng các tiêu chuẩn do trường đại học đề ra. Do đó, tiến sĩ không phải là một tước vị hay phẩm hàm.

Tiến sĩ không phải là “đỉnh cao trí tuệ”. Người theo học tiến sĩ thường nghiên cứu về một đề tài hẹp, có khi rất hẹp, chứ không theo đuổi một đề tài bao quát như ở bậc cử nhân hay thạc sĩ. Có khi người ta bỏ ra cả 4-5 năm chỉ để nghiên cứu một phân tử! Mà, ngay cả sau khi xong luận án tiến sĩ, ứng viên cũng chưa thể hiểu hết về đề tài hẹp đó. Trong khoa học không có cái gì là chắc chắn và xác định; tất cả những gì chúng ta hiểu biết đều mang tính bất định và có điều kiện. Do đó, không có ai — kể cả người có văn bằng tiến sĩ — ngớ ngẩn tuyên bố rằng mình là đỉnh cao trí tuệ, nếu không muốn tự biến mình thành đề tài chuyện tiếu lâm!

Học tiến sĩ không dễ và thoải mái. Học tiến sĩ nghiêm chỉnh không bao giờ dễ và dứt khoát càng không thoải mái. Học tiến sĩ không phải như bậc cử nhân hay thạc sĩ (tức hoàn tất các môn học qua thi cử), mà là làm nghiên cứu khoa học. Nghiên cứu khoa học là cả một qui trình có hệ thống, mà chỉ cần sai một khâu trong qui trình đó thì xem như là thất bại. Do đó, nghiên cứu khoa học không chỉ đòi hỏi ứng viên phải “cái đầu” tốt (tức ý tưởng tốt), mà còn đòi hỏi ứng viên phải nắm vững phương pháp, và nhất là đòi hỏi thời gian để hoàn tất. Nghiên cứu sinh phải dậy sớm thức khuya, hay phải làm luôn ngày cuối tuần là chuyện bình thường. Mỗi tuần thì phải dự bao nhiêu seminar, họp lab, cứ mỗi 6 tháng thì có kiểm tra, báo cáo tiền độ học vấn, và thêm vào đó là áp lực bài báo khoa học lúc nào cũng đè nặng lên người. Nếu gặp giáo sư hướng dẫn khó tính, lúc nào cũng đòi hỏi phải có “outcome” (thành quả) thì càng mệt hơn. Nói chung tôi nhớ thời mình theo học, lúc nào cũng nơm nớp trông chờ kết quả nghiên cứu, chứ không thoải mái chút nào cả. Nhất là đến lúc viết luận án thì áp lực càng kinh khủng hơn nữa. Tôi chưa nghe ai nói học tiến sĩ thoải mái cả.

Cố nhiên, ở đây tôi chỉ bàn đến những chương trình đào tạo tiến sĩ nghiêm túc và có chất lượng. Cần nói thêm rằng cũng có những trung tâm và trường đại học nhận nghiên cứu sinh khá tùy tiện, chẳng cần qua phỏng vấn, chẳng cần tiêu chuẩn nghiên cứu, vì các giáo sư ở đó có nhu cầu một vài người giúp việc … rẻ tiền. Đối với những trung tâm này, họ xem nghiên cứu sinh tiến sĩ chỉ là một công nhân trí thức trong dây chuyền sản xuất để họ đạt được mục tiêu của họ (họ chẳng cần quan tâm đến tương lai của nghiên cứu sinh, và nghiên cứu sinh cứ tưởng rằng làm tiến sĩ dễ quá!) Tôi không bàn đến những chương trình học tiến sĩ từ các trường “làng nhàng” như thế, mà nghiên cứu sinh không cần công bố bài báo khoa học vẫn có thể tốt nghiệp. Không phải chương trình đào tạo tiến sĩ nào cũng có chất lượng như nhau. Những chương trình đào tạo từ các lab có uy tín phải có đẳng cấp khác với những chương trình xoàng xỉnh. Thử tưởng tượng, một nghiên cứu sinh sau khi hoàn tất chương trình tiến sĩ mà không có đến một bài báo trong lí lịch thì làm sao có thể cạnh tranh với các nghiên cứu sinh khác.

Tiến sĩ không phải là những vị “nghè”. Ở nước ta, những người có bằng tiến sĩ thường được xem như là những ông nghè hiện đại. Do đó, có người còn đề nghị nên có văn miếu cho các ông bà nghè hiện đại! Nhưng theo tôi, văn bằng tiến sĩ thời nay rất khác với tiến sĩ thời xưa, bởi vì khác từ cách học và qui trình học. Ngày xưa, tiến sĩ (hay thái học sinh) là những người đã qua 3 kì thi hương, thi hội, và thi đình, tức là những kì thi mang tính giai tầng địa phương. Còn chương trình tiến sĩ ngày nay là một qui trình đào tạo liên tục và khá lâu năm, chứ không phải thi theo cấp địa phương. Tiến sĩ ngày xưa chỉ làm một bài thơ hay bài phú, và được vua quan chấm “ok”; còn ngày nay, để có bằng tiến sĩ ứng viên phải hoàn tất nhiều nghiên cứu và tổng kết trong một luận án khá dài. Nói tóm lại, tiến sĩ không phải và không nên hiểu như là những vị nghè ngày xưa.

Danh xưng Tiến sĩ có lẽ được xuất phát từ chữ Hán mà tiếng Anh phiên âm là “Chin-shih” (và tiếng Anh dịch là “Doctor”). Hình như văn bằng này được cấp lần đầu tiên vào năm 1313 (dưới triều đại nhà Nguyên); vào năm này, một cuộc thi tuyển đặt dưới sự chủ tọa của vua được tổ chức, và qua kết quả của kì thi này, có 300 thí sinh được cấp danh hiệu Chin-shih; trong số này, có 75 người gốc Mông Cổ, 75 người quê quán ở miền Nam Trung Quốc, 75 người quê quán ở miền Bắc Trung Quốc, và 75 người có quốc tịch ngoại quốc.

Danh xưng tiến sĩ không có nghĩa là sẽ tự động đem lại thanh thế hay uy danh cho cá nhân. Hầu hết các thí sinh đã đạt được văn bằng tiến sĩ đều cảm thấy tự hào về nỗ lực và kết quả của việc phấn đấu trong học hành nghiên cứu. Tuy nhiên, thí sinh phải hiểu rằng một khi tốt nghiệp tiến sĩ, thí sinh có thể làm việc với nhiều nhà khoa học khác cũng có bằng tiến sĩ. Học vị tiến sĩ mới chỉ là bước đầu vào nghiên cứu khoa học, nó chẳng đem lại uy danh cho người có học vị nếu người đó không có công trình nghiên cứu nào có giá trị.

Học vị tiến sĩ không tự động nâng giá trị ý kiến của thí sinh. Nhiều người tin rằng một khi họ có văn bằng tiến sĩ trong tay, công chúng sẽ tự nhiên kính trọng ý kiến của họ. Niềm tin này hoàn toàn sai. Nhiều người có học vị tiến sĩ có thể am hiểu và uyên bác về một lĩnh vực chuyên môn hẹp nào đó, nhưng không phải là chuyên gia của mọi vấn đề khác. Sự kính trọng phải được chứng minh qua hành động và bản lĩnh của người phát biểu, chứ không tự động mà có được qua danh xưng “tiến sĩ”.

Nghiên cứu sinh phải chứng tỏ mình có những kiến thức cơ bản về khoa học, và những kiến thức chuyên sâu về lĩnh vực nghiên cứu mà thí sinh theo đuổi;
Nghiên cứu sinh phải am hiểu các tài liệu nghiên cứu cần thiết về lĩnh vực chuyên môn mình theo đuổi, và phải có khả năng cập nhật hóa kiến thức cũng như tất cả những phát triển mới liên quan đến lĩnh vực nghiên cứu;
Nghiên cứu sinh phải chứng tỏ kĩ năng phát hiện vấn đề hay đặt câu hỏi có ý nghĩa cho nghiên cứu chuyên ngành của mình;
Nghiên cứu sinh phải làm chủ được phương pháp nghiên cứu khoa học hay phương pháp thí nghiệm cơ bản;
Nghiên cứu sinh phải chứng tỏ đã đạt được những kĩ năng về truyền đạt thông tin, kể cả trình bày kết quả nghiên cứu trong các diễn đàn khoa học quốc gia và quốc tế, khả năng viết báo cáo khoa học;
Nghiên cứu sinh phải chứng tỏ mình đã nắm vững kĩ năng thiết kế một công trình nghiên cứu và độc lập trong nghiên cứu.

(Viện Karolinska, năm 2008)

Học vị tiến sĩ không bảo đảm thí sinh sẽ có công ăn việc làm ngay. Có khi ngược lại: sinh viên tốt nghiệp tiến sĩ có thể khó tìm việc làm hơn là sinh viên tốt nghiệp cửa nhân hay thạc sĩ, bởi vì như nói trên tiến sĩ là những nhà nghiên cứu. Một số công ti không muốn và không thích mướn những người với văn bằng tiến sĩ cho những việc không dính dáng vào nghiên cứu. Thêm vào đó là một khi nền kinh tế bị suy yếu, tất cả thành viên trong xã hội đều chịu chung số phận. Thật vậy, một số công ti giảm thiểu nghiên cứu trước khi giảm thiểu sản xuất, và tình trạng này có thể là một mối nguy cơ cho những người có văn bằng tiến sĩ.

Học vị tiến sĩ không phải để gây ấn tượng trong gia đình hay bạn bè. Người thân trong gia đình và bạn bè thí sinh có lẽ rất hồ hởi và tự hào khi thí sinh vào học chương trình tiến sĩ, bởi vì họ nghĩ thí sinh sẽ trở thành một ông nghè, một “doctor” trong tương lai. Nhưng văn bằng tiến sĩ chỉ là giấy thông hành cho nghiên cứu, chứ không phải để lấy le với người thân, bạn bè hay với xã hội. Không phải lúc nào cũng đòi người khác phải gọi mình là ông / bà “tiến sĩ”.

Học vị tiến sĩ không phải là cái cớ để thí sinh thử xem mình thông minh cỡ nào. Có một vài thí sinh nghĩ rằng học tiến sĩ là một thách thức và họ muốn chơi trò thách thức xem xem tri thức của mình cỡ nào. Rất tiếc, quan điểm này sai, bởi vì chương trình huấn luyện tiến sĩ không phải để thí sinh cân não hay để thử khả năng tri thức. Ngoại trừ thí sinh dành trọn thì giờ và dấn thân vào học hành để đỗ đạt, thí sinh sẽ không thể nào có được văn bằng tiến sĩ chỉ vì mình “thông minh”. Như nói trên, thí sinh phải làm việc nhiều giờ trong ngày, phải có khi thức đêm trong phòng thí nghiệm hay thư viện, phải chuẩn bị đương đầu với những thất bại, phải chuẩn bị động não để học cái mới và suy nghĩ cái mới.

Học vị tiến sĩ không phải để kiếm nhiều tiền. Thí sinh tốt nghiệp tiến sĩ thực ra không có lương bổng cao hơn các thí sinh với bằng cử nhân hay người công nhân bình thường trong hãng xưởng. Xin nhắc lại: học tiến sĩ là để trở thành nhà nghiên cứu, nhà khoa học, và cái quan tâm đầu tiên của nhà khoa học là sự thật, chứ không phải sự giàu có về tiền bạc. Tất nhiên, có nhiều khi sự thật và khám phá cũng đem lại một nguồn tài chính lớn cho nhà nghiên cứu. Nhưng nói chung, đó không phải là mục tiêu để theo học tiến sĩ.

Học vị tiến sĩ không có nghĩa là một lựa chọn tốt nhất trong đời. Cống hiến cho xã hội có nhiều cách và cuộc đời có nhiều lựa chọn, và học vị tiến sĩ chỉ là một trong số hàng trăm lựa chọn. Có lẽ thí sinh sẽ ngạc nhiên khi đọc câu phát biểu này, nhưng đó là một thực tế. Thật vậy, đối với nhiều thí sinh, học vị tiến sĩ có thể là một sự nguyền rủa! Thí sinh phải tự hỏi mình muốn làm người lãnh đạo trong những người có văn bằng thạc sĩ, hay là làm một nhà nghiên cứu tầm thường. Thí sinh phải biết và quyết định mình muốn gì, và nghề nghiệp nào sẽ kích khích mình nhiều nhất hay đem lại hạnh phúc cho mình nhất.

Tại sao “tiến sĩ” (PhD)?

Tuy có danh chính thức là triết học (“Doctor of Philosophy” hay PhD) nhưng tiến sĩ không hẳn là người học về triết. PhD là một học vị cho tất cả các ngành khoa học, kể cả khoa học cơ bản và nhân văn. Điều “trớ trêu” này có một lịch sử của nó. Hệ thống bằng cấp đại học ngày nay được bắt nguồn và mô phỏng từ hệ thống văn bằng của hai trường đại học cổ kính ở Âu châu vào thế kỷ 12: Trường Đại học Paris ở Pháp (thành lập vào năm 1170) và Trường Đại học Bologna ở Ý (thành lập vào khoảng 1158). Theo bộ luật La Mã, vào thời Trung cổ, mỗi ngành nghề có quyền thành lập một hiệp hội gọi là Collegium, và hiệp hội này bầu ra những người có danh hiệu là Magistrates (mà tôi tạm dịch là “Thầy”). Vào thời này, người được nhận vào phụ giảng được gọi là Bachalari. Vào cuối thế kỉ 12, Đại học Paris thay đổi học vị này thành Baccalaureaet. Lúc bấy giờ, văn bằng Baccalauréate hay Bachelor là học vị duy nhất được cấp cho những thí sinh đã (i) thi đỗ khóa thi do các các “Thầy” đặt ra; và (ii) đã học xong một chương trình giáo khoa 4 năm về ngữ pháp, tu từ học và logic. Sau khi xong văn bằng Bachelor, thí sinh có thể theo học tiếp chương trình MasterDoctor. Và sau khi đã xong chương trình học Master hay Doctor (khoảng 8 năm học), một hội đồng giám khảo sẽ duyệt xét thí sinh để kết nạp vào tổ chức được gọi là Universitas of Doctors. Sự kếp nạp này cũng là một “chứng chỉ” được hành nghề dạy đại học. Lúc bấy giờ, những danh xưng như Master, Doctor vàProfessor có cùng nghĩa và tương đương về giai cấp: họ hành nghề dạy học. Vào thế kỉ 13, những người dạy học tại Đại học Bologna, lúc đó là trung tâm huấn luyện về luật pháp bên Âu châu, được gọi là Doctor. Trong khi đó ở Đại học Paris, là trung tâm về văn học nghệ thuật, những người dạy học được gọi là Master.

Sự bình đẳng giữa Master và Doctor bị chấm dứt ở Anh và Mĩ, nơi mà văn bằng Doctor sau này được đánh giá cao hơn văn bằng Master. Ở Anh, hai trường Đại học Oxford (thành lập vào khoảng 1249) và Cambridge (thành lập vào khoảng 1209) được mô phỏng theo hệ thống tổ chức của Đại học Paris; do đó, các nhà khoa bảng các môn văn hóa nghệ thuật thường được gọi là “Master”, trong khi các đồng nghiệp của họ trong các môn học như triết, thần học, y học, và luật được gọi là “Doctor”. Ngày nay, các tên bằng cấp như “Master of Arts” và “Doctor of Philosophy” có nguồn gốc từ sự phân chia này.

Tiến sĩ là gì?

Tiến sĩ là học vị cao nhất trong hệ thống giáo dục đại học phương Tây. Theo mô hình của hệ thống đại học theo phương Tây, có 3 cấp học chính: cử nhân, thạc sĩ (masters), và tiến sĩ. Vế mặc con số, sự phân bố ba loại bằng cấp đó giống như hình tháp, với tiến sĩ ở vị trí chót vót, cử nhân ở vị trí thấp nhất, và thạc sĩ ở chính giữa. Chẳng hạn như ở Thái Lan, trong niên học 2007, có 1.77 triệu sinh viên bậc cử nhân, 182 ngàn sinh viên thạc sĩ, và chỉ có 16246 nghiên cứu sinh bậc tiến sĩ. Nói cách khác, chỉ 0.8% sinh viên đại học theo học tiến sĩ.

Có nhiều lí do tại sao số người theo học tiến sĩ quá ít. Lí do đơn giản nhất là người ta không có nhu cầu học tiến sĩ. Cũng có người sau 4 năm theo học cử nhân đã cảm thấy mệt mỏi, và chỉ mong tốt nghiệp để kiếm thu nhập bù lại những năm tháng theo học. Có người không đủ trình độ hoặc không đáp ứng điều kiện theo học. Ở những đại học và trung tâm đào tạo nghiêm chỉnh, chỉ có khoảng 1-2% ứng viên xin học tiến sĩ được nhận học (sau khi qua một đợt phỏng vấn). Điều này cũng không khó hiểu, bởi vì chương trình tiến sĩ là nhằm đào tạo một “lực lượng” khoa học elite cho các trường đại học, một lực lượng khoa học then chốt cho các trung tâm nghiên cứu khoa học và kĩ nghệ. Có thể nói không ngoa rằng những người tham gia vào chương trình đào tạo tiến sĩ trong ý tưởng là đào tạo một đội ngũ tinh hoa của xã hội. Đó cũng chính là lí do tại sao người ta đánh giá nền khoa học và trình độ tiên tiến của một quốc gia bằng cách dựa vào số người có học vị tiến sĩ trong dân số. Ở những nước có nền kinh tế phát triển cao như Mĩ, số người có bằng tiến sĩ khoảng 0.7% dân số.

Tiêu chuẩn cho tiến sĩ

Để có được văn bằng tiến sĩ, ứng viên phải đạt hai điều kiện. Thứ nhất, ứng viên phải có kiến thức uyên bác và làm chủ kiến thức về một đề tài khoa học. Thứ hai, ứng viên phải mở rộng hay phát triển thêm tri thức về đề tài đó. Để làm chủ đề tài nghiên cứu, nghiên cứu sinh phải tìm đọc và cố gắng hiểu tất cả những gì đã viết hay công bố về đề tài đó. Không phải như bậc cử nhân, kiến thức thường có thể tìm thấy trong sách giáo khoa , đối với bậc tiến sĩ kiến thức thường được tìm trong các tập san khoa học. Để mở rộng kiến thức về một đề tài, nghiên cứu sinh phải làm nghiên cứu khoa học theo sự hướng dẫn của thầy cô. Chính phần nghiên cứu khoa học này phân biệt giữa tiến sĩ và các chương trình cử nhân hay thạc sĩ. Học tiến sĩ thực chất là làm nghiên cứu khoa học. Không có nghiên cứu khoa học thì không thể là tiến sĩ được.

Cũng cần phải nhấn mạnh rằng đề án nghiên cứu cấp tiến sĩ không nhất thiết phải mang tính ứng dụng thực tiễn (như nhiều người ngộ nhận), mà phải thể hiện một đóng góp mới vào tri thức cho chuyên ngành. “Tri thức mới” ở đây bao gồm việc phát hiện mới, khám phá mới, hay cách diễn giải mới cho một vấn đề cũ, hay ứng dụng một phương pháp mới để giải quyết một vấn đề cũ, v.v… Những tri thức như thế có thể không có khả năng ứng dụng trong tương lai gần, nhưng có thể góp phần thúc đẩy chuyên ngành phát triển một mức cao hơn. Xin nhớ rằng khám phá insulin phải đợi đến gần 50 năm sau mới ứng dụng trong lâm sàng.

Học tiến sĩ không chỉ là hoàn tất luận án. Có rất nhiều người tưởng rằng học tiến sĩ chủ yếu là hoàn tất một luận án, nhưng thực tế thì không phải như thế vì luận án chỉ là một phần của chương trình đào tạo. Luận án là một báo cáo có hệ thống những phương pháp và kết quả nghiên cứu của nghiên cứu sinh. Do đó, luận án chỉ là một tiêu chuẩn (có thể quan trọng) trong các tiêu chuẩn để được cấp bằng tiến sĩ. Ngoài luận án ra, nghiên cứu sinh phải đáp ứng 6 tiêu chuẩn như sau :

Một luận án khi hoàn tất mà chỉ để trên giá sách của thư viện trường cũng chỉ là một mớ tài liệu ít người biết đến. Vì ít người biết đến và nằm trong thư viện, nên chẳng có bao nhiêu người biết được luận án đó có cái gì mới hay xứng đáng với cấp tiến sĩ hay không. Do đó, nghiên cứu sinh cần phải công bố vài bài báo khoa học trên các tập san khoa học quốc tế trước khi viết luận án. Công bố quốc tế là một hình thức “thử lửa” tốt nhất cho nghiên cứu sinh, bởi vì qua đó mà đồng nghiệp khắp thế giới có thể thẩm định chất lượng của công trình nghiên cứu và luận án của nghiên cứu sinh.

Thật ra, công bố quốc tế là một điều gần như tất yếu trong quá trình học tiến sĩ ở các đại học bên Âu châu, Mĩ châu, và Úc, những nơi mà họ khuyến khích (có nơi gần như bắt buộc) nghiên cứu sinh phải công bố vài bài báo khoa học trước khi viết luận án tiến sĩ. Ở một số nước Bắc Âu, luận án tiến sĩ thực chất là tập hợp một số bài báo khoa học đã công bố trên các tập san quốc tế. Ngày nay, các đại học lớn ở Thái Lan, Trung Quốc, Hàn Quốc, Đài Loan, Phi Luật Tân, v.v… cũng có qui định tương tự.

Một trong những câu hỏi mà nghiên cứu sinh khi mới bước vào học tiến sĩ là cần phải có bao nhiêu bài báo khoa học để có thể bảo vệ luận án tiến sĩ? Câu hỏi này khó trả lời, bởi vì nó còn tùy thuộc vào qui định của trường đại học, của phân khoa, và những qui định này rất khác nhau giữa các trường ngay cả trong cùng một nước. Chẳng hạn như trong các khoa xã hội và kinh tế học, yêu cầu bài báo khoa học không được đặt nặng bằng các khoa khoa học tự nhiên và thực nghiệm. Ở Mĩ người ta không có những qui định “cứng” phải có bao nhiêu bài báo khoa học để viết luận án tiến sĩ, vì nghiên cứu sinh phải học “coursework” một thời gian trước khi bắt tay vào nghiên cứu, còn ở Anh và Úc thì tiến sĩ hoàn toàn làm nghiên cứu chứ không có coursework, nhưng cũng không có qui định trên giấy trắng mực đen bao nhiêu bài báo. Tuy nhiên, có qui ước ngầm theo kiểu “unspoken rule” là một luận án tiến sĩ cần phải có ít nhất là 2 bài báo khoa học, tốt hơn là ít nhất 3 bài báo khoa học, cộng với các bài khác chưa công bố.

Trong một phân tích mới công bố trên Scientometrics, tác giả Hagen phân tích cho thấy tính trung bình, một luận án tiến sĩ ở Viện Karolinska có 4 bài báo khoa học, và con số bài báo dao động từ 3 đến trên 6 bài. Theo phân tích (xem biểu đồ dưới đây), gần 80% luận án có 4 bài báo khoa học; 12% có 5 bài; 5% có trên 5 bài; một phần nhỏ (4%) có 3 bài.

Số lượng bài báo khoa học trong một luận án tiến sĩ

Học vị tiến sĩ là một học vị cao nhất trong hệ thống giáo dục đại học. Ở các nước phương Tây, xã hội kính trọng những người có học vị tiến sĩ và gọi họ bằng danh xưng “Doctor”. Để xứng đáng với danh xưng đó, xã hội đòi hỏi người có học vị phải đạt hai điều kiện chung: phải chứng tỏ rằng mình đã quán triệt và làm chủ được lĩnh vực nghiên cứu; và thứ hai là phải phát triển hay cống hiến được một cái gì mới cho kho tàng của tri thức nhân loại. Cái cốt lõi của học vị tiến sĩ (và cũng là khía cạnh dùng để phân biệt học vị tiến sĩ với các học vị đại học khác) có thể tóm lược bằng hai chữ: nghiên cứu. Để phát triển hay mở rộng tri thức, thí sinh phải khảo sát, điều tra, và suy ngẫm, chứ không đơn thuần là một kĩ thuật viên về một lĩnh vực chuyên môn nào đó.

Học tiến sĩ để làm gì ?

Mặc dù những cảnh báo trên là hoàn toàn sự thật và có thể xảy ra cho thí sinh, nhưng tôi phải công bằng mà nói rằng cũng có một vài “an ủi” cho thí sinh nào cảm thấy mình có đủ khả năng và đức tính để theo học tiến sĩ.

Thứ nhất, thí sinh có thể tự hào rằng mình đã hoàn tất chương trình học, hoàn tất nghiên cứu, và được trao văn bằng tiến sĩ. Nếu thí sinh có khả năng và đam mê, sự nghiệp nghiên cứu khoa học có thể đem lại cho thí sinh nhiều phần thưởng vật chất và tinh thần có giá mà các ngành nghề khác không có được.

Thứ hai, trong khi theo học tiến sĩ hay sau khi tốt nghiệp, thí sinh có thể sẽ gặp gỡ và làm việc với những người thông minh nhất trên hành tinh này. Thí sinh sẽ tiếp cận và tiến dần đến những lí tưởng và ý tưởng không nằm trong tầm tay của mình, và để làm việc đó, thí sinh sẽ cảm thấy tri thức mình trưởng thành thêm. Thí sinh sẽ giải quyết nhiều vấn đề mình chưa bao giờ gặp trước đó. Thí sinh sẽ khám phá các khái niệm chưa bao giờ được nghe đến. Thí sinh sẽ phát hiện những nguyên lí có thể làm thay đổi xã hội và con người.

Thứ ba là lí tưởng sống của người làm nghiên cứu khoa học rất có ý nghĩa. (Tôi có thể nói lại câu này mà không sợ bị chê là “nói ngoa”.) Nói về niềm hân hoan trong nghiên cứu, có một “chân lí” mà có lẽ bất cứ nhà khoa học nào cũng đồng ý: trong các hoạt động của con người nghiên cứu khoa học là lẽ sống có ý nghĩa nhất. Tại sao nhà khoa học phải tiêu ra nhiều giờ trong phòng nghiên cứu, mài mò sách vở, bận tâm với từng con số, quan tâm đến từng biểu đồ, trong khi họ có thể tiêu thì giờ với gia đình để làm cỏ trong vườn, hay tiêu ra thì giờ với bè bạn trong quán cà phê, quán nhậu ?! Đúng là nhà khoa học cũng có thể có một cuộc sống gia đình như hàng triệu triệu người khác, tức là làm những việc trong gia đình như bao nhiêu người khác trên thế giới này, nhưng cái khác nhau là thay vì làm những việc đó, nhà khoa học có thể làm việc trong một phòng thí nghiệm, trong phòng máy tính, trong thư viện, bên giường bệnh với bệnh nhân, hay thậm chí trong chuồng … chuột, v.v… nơi mà họ có thể khám phá những điều thú vị nhất trên đời mà chưa có người nào biết đến. Có thể nói nghiên cứu khoa học là một niềm vui tuyệt đối. Còn gì vui hơn khi khám phá của mình đem lại lợi ích cho hàng triệu người trên thế giới, như khám phá vi khuẩn H. pylori của giáo sư Marshall, người vừa được giải Nobel y học vừa qua.

Mục đích thực và chính của việc học hành là để mở mang trí tuệ, trau dồi kiến thức, rèn luyện nhân cách, và làm người hữu ích cho xã hội. Bằng cấp không phải dùng để đo những kết quả trên, mà chỉ là những phân chia đẳng cấp khoa bảng rất tương đối. Bằng cấp, dù là học vị cao nhất như tiến sĩ, chỉ là một bước đầu trong hoạt động khoa học, và tự nó chưa nói đủ về khả năng chuyên môn của nhà khoa học. Tương tự, một học hàm cao nhất như giáo sư cũng không phản ánh chính xác được mức độ đóng góp vào kho tàng tri thức của nhân loại. Người trí thức chân chính chỉ nghĩ đến những đóng góp có giá trị nhằm đem lại phúc lợi thực sự cho nhân loại, và không bao giờ phụ thuộc vào học vị, học hàm hay các danh xưng phù phiếm để gây ảnh hưởng trong cộng đồng.

[PhD life] Tìm ra đường nghiên cứu khoa học

2020-04-30T08:56:00.003+07:00

Bài viết dưới đây là chia sẻ của GS. Dương Quang Trung, người hiện đang làm nghiên cứu tại đại học Queen Belfast UK. Vì tôi đang trong cuối quá trình làm PhD nên tôi thấy những chia sẻ của GS. Trung giống hầu hết những gì tôi đã trả qua nên tôi note lại đây để mọi người có thể hiểu hơn, mường tượng về con đường vào khoa học sẽ như thế nào.

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.

[Inspired] Thái độ làm việc mới là yếu tố dẫn tới thành công chứ không phải sự thông minh

2020-04-20T07:43:00.002+07:00

Warren Buffet: Xác định đam mê thật sự của bạn và không ngừng theo đuổi nó

Các nhà khoa học đã chứng minh: Thái độ làm việc mới là yếu tố tiên quyết dẫn tới thành công trong công việc chứ không phải là mức độ thông minh.

Nghiên cứu dẫn đầu bởi nhà tâm lý học Carol Dweck tại Đại học Stanford, người đã dành nhiều năm nghiên cứu mối liên hệ giữa thái độ và hiệu quả công việc. Trong nghiên cứu lần này, bà đã đưa ra kết luận rằng thái độ làm việc có thể được dùng để dự đoán sự thành công, chứ không không phải là chỉ số IQ.

Cụ thể, giáo sư Dweck phát hiện rằng thái độ của con người thuộc một trong 2 trạng thái cốt lõi: nhận thức cố định (fixed mindset) và nhận thức phát triển (growth mind). Đối với nhận thức cố định, bạn tin rằng bạn là ai và bạn không thể thay đổi. Do đó khi đối mặt với những thử thách mới, bạn sẽ cảm thấy rằng mọi thứ vượt quá tầm kiểm soát của bạn, từ đó dẫn tới cảm giác tuyệt vọng và bị choáng ngợp.

Những người có nhận thức phát triển lại tin rằng họ có thể cải thiện bằng sự nỗ lực. Họ làm việc hiệu quả hơn những người có nhận thức cố định ngay cả khi có chỉ số IQ thấp hơn họ chủ động nắm bắt thử thách, xem nó như một cơ hội để học được những thứ mới.

Người ta thường nghĩ rằng có khả năng, có sự thông minh sẽ truyền cảm hứng cho sự tự tin. Điều đó chỉ đúng đối với công việc diễn ra một cách suôn sẻ. Yếu tố quyết định trong cuộc sống là cách bạn xử lý những thất bại và thách thức. Những người có nhận thức phát triển sẽ dang rộng vòng tay để chào đón sự thất bại.

Theo giáo sư Dweck, sự thành công trong cuộc đời phụ thuộc vào cách bạn đối mặt với thất bại. Vậy người có nhận thức phát triển nghĩ gì về sự thất bại?, Bà cho biết: “Sự thất bại là một dữ liệu, chúng ta đặt tên nó là thất bại và nhưng hơn nữa, nó còn nói với chúng ta rằng “cách làm này không được và tôi là người giải quyết vấn đề, do đó tôi sẽ cố gắng làm một cái gì đó khác hơn."

Làm thế nào để có nhận thức phát triển?

Tuy nhiên, bất kể rằng bạn thuộc nhóm người nào thì bạn vẫn có thể thay đổi và hình thành nhận thức phát triển. Bên dưới đây là một số cách sẽ giúp điều chỉnh suy nghĩ của các bạn theo chiều hướng tốt:

Đừng tỏ ra bất lực
Tất cả chúng ta đều có những lúc cảm thấy bất lực nhưng vấn đề là làm thế nào đối mặt với cảm giác đó. Chúng ta có thể học học từ nó, vượt lên nó hoặc để cho nó kéo chúng ta lại phía sau. Rất nhiều người đã vượt qua được sự bất lực để gặt hái được thành công: Walt Disney đã từng bị đuổi việc vì thiếu trí tưởng tượng và không có ý tưởng, Henry Ford đã phá sản 2 công ty xe trước khi có được hãng Ford danh tiếng,… Nếu những người này có nhận thức cố định, họ sẽ từ bỏ hy vọng khi gặp khó khăn nhưng nếu họ thuộc nhóm còn lại, họ chẳng những không cảm thấy bất lực mà còn sẵn sàng làm việc chăm chỉ hơn để lật ngược tình thế.

Không ngừng theo đuổi đam mê
Những người thành công luôn theo đuổi đam mê của họ. Đối với bạn, đó luôn là những người có sẵn tài năng hơn bạn. Vậy những gì bạn thiếu là tài năng và bạn có thể có điều đó bằng đam mê. Những người thành công luôn biết cách không nhừng theo đuổi đam mê của họ. Warren Buffet khuyên chúng ta nên xác định niềm đam mê thật sự bằng nguyên lý 5/25: viết ra giấy 25 điều mà bạn quan tâm nhất, sau đó gạch bỏ 20 thứ, 5 thứ còn lại chính là đam mê thật sự của bạn còn những thứ khác chỉ làm bạn mất tập trung.

Hãy hành động, đừng đợi chờ
Không phải những người có nhận thức phát triển vượt qua được nỗi sợ hãi vì họ dũng cảm hơn chúng ta. Đơn giản chỉ là họ biết rằng sự sợ hãi và lo âu sẽ làm tê liệt cảm xúc và cách tốt nhất để khắc phục tình trạng đó là hành động. Những người với nhận thức phát triển sẽ thành công và những người thành công thì không chờ đợi. Tại sao phải chờ đợi? Hãy hành động để biến tất cả những lo lắng và mối quan tâm của bạn về sự thất bại thành nguồn năng lượng tích cực, tập trung.

Không được dừng lại

Lý Tiểu Long: "Một người đàn ông phải luôn vượt qua giới hạn của bản thân."

Những người thành công luôn thực hiện điều này ngay cả trong những lúc tồi tệ nhất. Họ luôn thúc đẩy bản thân tiến xa hơn. Chuyện kể rằng Lý Tiểu Long bắt cùng với các đồ đệ chạy với ông mỗi ngày 3 dặm. Ngày nọ, sau khi chạy xong 3 dặm, ông bắt họ chạy thêm 2 dặm nữa. Các đồ đệ đã mệt và nói rằng “Chạy 2 dặm nữa chắc chết.” Ông trả lời:

“Hãy tiếp tục. Từ bỏ và bạn cũng có thể chết. Nếu bạn luôn đặt ra một giới hạn những gì mình làm được, về vật lý hay bất cứ thứ gì khác, thì bạn cứ dậm chân tại chỗ đối với tất cả mọi điều suốt cuộc đời bạn. Giới hạn đó sẽ lây lan vào công việc, vào đạo đức và toàn bộ cuộc đời bạn. Không hề có giới hạn, có những ngọn núi và bạn không được dừng lại mà phải vượt qua nó. Nếu nó có thể giết chết bạn, nó sẽ làm. Một người đàn ông phải liên tục vượt lên chính bản thân mình."

Dự đoán kết quả tích cực
Những người có nhận thức phát triển biết được luôn biết được họ sẽ thất bại nhưng họ không bao giờ đưa chúng vào danh sách kết quả. Hãy kỳ vọng những kết quả giúp tạo động lực và cảm xúc cho bạn giành chiến thắng. Cuối cùng, nếu bạn không nghĩ bạn sẽ thành công thì điều đó làm sao xảy ra được?

Hãy linh động
Mỗi người đều đối mặt với các nghịch cảnh xảy đến bất ngờ. Những người thành công, có nhận thức phát triển luôn biết cách tự định hướng để cải thiện vấn đề, lật ngược tình thế mà họ đang đối mặt. Khi một thách thức bất ngờ ập đến một người thành công, họ sẽ linh hoạt cho tới khi giành lấy thành quả.

Đừng phàn nàn khi mọi thứ không như mong muốn
Than là một dấu hiệu của nhận thức cố định. Một người có nhận thức phát triển luôn tìm kiếm cơ hội trong tất cả mọi thứ và do đó, không có chỗ cho sự phàn nàn.

Hãy áp dụng vào những điều nhỏ nhất trong cuộc sống
Bằng cách áp dụng những điều trên để xử lý những điều dù là nhỏ nhất trong cuộc sống hàng ngày, bạn có thể tự hoàn thiện bản thân mình để thành công.

Tham khảo BI

[Python] Quản lý Python Package với PIP trên Windows, Mac và Linux - Part 2

2020-04-13T09:23:00.002+07:00

Giống như nhiều ngôn ngữ lập trình khác, Python hỗ trợ các thư viện và framework của bên thứ ba cực kỳ hữu dụng giúp bạn có thể dùng lại tránh việc mất công viết lại từ đầu. Bạn có thể tìm thấy những thứ này trên một kho lưu trữ trung tâm được gọi là PyPI (Python Packages Index).

Tuy nhiên việc tải xuống, cài đặt và quản lý các package này có thể gây khó chịu và tốn thời gian, đó là lý do tại sao các nhà phát triển Python dựa vào một công cụ đặc biệt gọi là PIP cho Python để giúp mọi thứ dễ dàng và nhanh chóng hơn.

PIP là gì?

PIP là một trình quản lý thư viện cho Python, viết tắt của từ Preferred Installer Program. Đây là một tiện ích dòng lệnh cho phép bạn cài đặt, cài đặt lại hoặc gỡ cài đặt các gói PyPI bằng một dòng lệnh đơn giản và dễ hiểu: pip.

Nếu bạn đang sử dụng Python2 từ bản 2.7.9 hoặc Python 3 từ bản 3.4 thì PIP đã được cài đặt mặc định trên Python. Đối với các bản cũ hơn, bạn sẽ cần thêm một vài bước mà Quantrimang.com sẽ giới thiệu dưới đây để cài đăt.

Còn nếu bạn đang chạy Python trong môi trường ảo được tạo bằng virtualenv hoặc pyvenv, thì PIP đã có mặt sẵn trên tất cả các phiên bản.

Python của bạn đã được cài đặt đúng cách chưa?

Để sử dụng PIP, bạn phải chắc chắn rằng Python của mình đã được cài đặt chính xác trên thiết bị của mình. Để kiểm tra, bạn thao tác như sau:

Với hệ điều hành Windows, mở Command Prompt bằng Windows key + X và chọn Command Prompt.
Trên Mac, mở Terminal bằng Command + Space và tìm kiếm terminal.
Trên Linux, mở Terminal bằng Ctrl + Alt + T.

Sau đó gõ:

python --version

Với Python 3.x trên Linux thì sử dụng lệnh:

python3 --version

Nếu bạn nhận được số phiên bản (ví dụ: "Python 2.7.5"), thì điều đó có nghĩa là Python đã sẵn sàng hoạt động.

Còn nếu bạn nhận được thông báo "Python is not defined", thì bạn phải cài đặt lại Python đúng cách.

Cách cài đặt PIP

(Bỏ qua nếu bạn đang sử dụng Python 2.7.9 hoặc Python 3.4 trở lên)

1. Trên Windows

Phiên bản: Windows 7, Windows 8.1 và Windows 10.

get-pip.py
get-pip.py (đối với Python 3.2)

Bước 1: Tải xuống tập lệnh phía trên bằng cách nhấp chuột phải vào liên kết, chọn Save As… (Lưu liên kết thành…) vào lưu file vào thư mục bạn muốn.

Bước 2: Mở Command Prompt và điều hướng đến tệp get-pip.py.

Bước 3: Chạy lệnh sau:

python get-pip.py

2. Trên Mac

Hiện nay Python trên các thiết bị Mac đã có sẵn PIP. Tuy nhiên nếu bạn vẫn muốn sử dụng các bản cũ hơn thì bạn có thể cài đặt PIP bằng lệnh sau trong Terminal:

sudo easy_install pip

Nếu muốn sử dụng một phiên bản Python “up-to-date” hơn thì bạn có thể cài đặt thêm Homebrew - một ứng dụng giúp tìm kiếm, cài đặt, gỡ cài đặt hoặc cập nhật các phần mềm, thư viện có trong Linux, Unix không có sẵn trong MacOSX.

Nếu Mac của bạn đã cài đặt Homebrew thì install trong Python bằng lệnh:

brew install python

Nếu quá trình cài đặt thành công nhưng PIP không khả dụng thì bạn cần liên kết lại Python bằng lệnh Terminal sau:

brew unlink python && brew link python

3. Trên Linux

Nếu bản phân phối Linux của bạn đã đi kèm với Python thì bạn có thể cài đặt PIP bằng trình quản lý gói (package manager) của hệ thống.

Công cụ Advanced Package (Python 2.x)

sudo apt-get install python-pip

Công cụ Advanced Package (Python 3.x)

sudo apt-get install python3-pip

pacman Package Manager (Python 2.x)

sudo pacman -S python2-pip

pacman Package Manager (Python 3.x)

sudo pacman -S python-pip

Yum Package Manager (Python 2.x)

sudo yum upgrade python-setuptoolssudo yum install python-pip python-wheel

Yum Package Manager (Python 3.x)

sudo yum install python3 python3-wheel

Dandified Yum (Python 2.x)

sudo dnf upgrade python-setuptoolssudo dnf install python-pip python-wheel

Dandified Yum (Python 3.x)

sudo dnf install python3 python3-wheel

Zypper Package Manager (Python 2.x)

sudo zypper install python-pip python-setuptools python-wheel

Zypper Package Manager (Python 3.x)

sudo zypper install python3-pip python3-setuptools python3-wheel

4. Trên Raspberry Pi

Nếu bạn là người dùng Raspberry Pi thì hệ điều hành được khuyên dùng nhiều nhất là Raspbian vì đây là hệ điều hành chính thức được thiết kế và cung cấp bởi Raspberry Pi Foundation.

Bắt đầu với Raspbian Jessie, nếu bạn đang sử dụng bản Jessie thì PIP đã được cài đặt mặc định. Đây chắc chắn là một trong những lý do quan trọng để bạn nâng cấp lên Raspbian Jessie thay vì gắn bó với Raspbian Wheezy hoặc Raspbian Jessie Lite. Tuy nhiên, nếu bạn đang dùng phiên bản Raspbian cũ hơn, bạn vẫn có thể cài đặt PIP như sau:

Trên Python 2.x:

sudo apt-get install python-pip

Trên Python 3.x:

sudo apt-get install python3-pip

Với Raspbian, người dùng Python 2.x nên sử dụng pip trong khi người dùng Python 3.x nên sử dụng pip3 khi chạy lệnh PIP.

Cách nâng cấp PIP cho Python

Mặc dù PIP không cập nhật thường xuyên, nhưng điều quan trọng là ứng dụng luôn đứng đầu trong các phiên bản mới vì PIP có thể có các bản fix lỗi bug, khả năng tương thích và lỗ hổng bảo mật. May mắn thay, nâng cấp PIP rất nhanh chóng và đơn giản.

Trên Windows:

python -m pip install -U pip

Trên Mac, Linux hoặc Raspberry Pi:

pip install -U pip

Trên một số phiên bản nhất định của Linux và Raspberry Pi, bạn cần phải sử dụng pip3 để thay thế.

Quản lý Python Packages với PIP

Khi PIP đã sẵn sàng, bạn có thể bắt đầu cài đặt các package từ PyPI:

pip install package-name

Để cài đặt phiên bản cụ thể của package:

pip install package-name==1.0.0

Tìm kiếm một package PyPI cụ thể:

pip search "query"

Xem chi tiết về một package được cài đặt:

pip show package-name

Liệt kê tất cả các package đã cài đặt:

pip list

Liệt kê tất cả các package lỗi thời:

pip list --outdated

Nâng cấp package lỗi thời:

pip install package-name --upgrade

Lưu ý: PIP sẽ tự động xóa các phiên bản cũ hơn của package khi nó đã được nâng cấp lên phiên bản mới hơn.

Cài đặt lại hoàn toàn một package:

pip install package-name --upgrade --force-reinstall

Thoát khỏi một package:

pip uninstall package-name

Python rất thú vị. Tôi khuyên bạn nên tìm hiểu thêm về Python để có động lực tiếp tục học và đẩy các kỹ năng của mình lên một tầm cao mới.

[Python] Cài đặt mội trường làm việc với Python - Part 1 (for newbie)

2020-04-09T14:59:00.002+07:00

Cài đặt mội trường làm việc với Python

Bước 1: Truy cập vào trang chủ của Python

https://www.python.org/

Bước 2: Chọn phiên bản ở mục Downloads và nhập chọn phiên bản mới nhất để download

Bước 3: Sau download hoàn tất. Chúng ta nhấn chọn chạy file python-3.x.x.exe để bắt đầu tiến trình cài đặt.

Bước 4: Tick vào ô Add Python 3.x to PATH và chọn Install Now

Chờ đợi cho quá trình cài đặt hoàn thành

Bước 5: Khi cửa sổ hiển thị Setup was successful là ta đã cài đặt thành công môi trường Python > Close

Bước 6: Tiếp đến, ta mở Command Prompt (CMD) (dùng tổ hợp phím Windows + R) để mở hộp thoại Run

Bước 7: Trong cửa sổ Command Prompt, bạn gõ python > Enter để kiểm tra, kết quả sẽ hiển thị tên phiên bản Python bạn vừa cài đặt

Đó là phần download và cài đặt Python trên Windows. Còn về các hệ điều hành thuộc Linux và hệ điều hành Mac OS thì tất cả những hệ điều hành đó đều đã được tích hợp Python 2.x lẫn Python 3.x. Các bạn muốn thao tác với nó chỉ cần mở Terminal và gõ python2 để chọn Python 2.x hoặc python3 để chọn Python 3.x

Ngoài ra, các lập trình viên thường hay sử dụng phần mêm khác để soạn thảo code đó chính là SUBLINE TEXT

Cài đặt Subline Text 3

Để cài đặt Sublime Text 3 các bạn chuẩn bị sẵn phần mềm có thể tải từ trang chủ như sau:

Bước 1: Các bạn vào trang chủ của Sublime Text

https://www.sublimetext.com/

Bước 2: Các bạn chọn Download

Bước 3: Chọn phiên bản phù hợp cho hệ điều hành của mình

Sau khi hoàn tất việc download. Chúng ta tiến tới phần cài đặt.

Bước 4: Chọn Next để tiếp tục quá trình cài đặt

Bước 5: Các bạn có thể tùy chỉnh đường dẫn ở mục Browse. Mình khuyến khích chọn Next

Bước 6: Tiếp tục chọn Next để cài đặt

Bước 7: Tiếp theo chọn Install để quá trình cài đặt được diễn ra

Bước 8: Chọn Finish để kết thúc quá trình cài đặt

Bước 9: Khởi động Sublime Text

[Python] Giới thiệu ngôn ngữ lập trình Python

2020-04-09T14:49:00.005+07:00

Tổng quan ngôn ngữ Python

Guido Van Rossum là người sáng lập ra ngôn ngữ này. Ông tạo ra trong kì nghỉ giáng sinh của mình vào cuối năm 1989. Phiên bản đầu tiên ra đời năm 1991.

Source code của Python mã nguồn mở, do tổ chức phi lợi nhuận Python Software Foundation quản lý.

Python khá giống Perl, Ruby, Scheme, Smalltalk và Tcl.

Python được phát triển trong một dự án mã mở do một tổ chức phi lợi nhuận Python Software Foundation quản lý.

Python được phát triển để chạy trên nền Unix. Nhưng theo thời gian, nó đã "bành trướng" sang mọi hệ điều hành từ MS-DOS đến MAC OS, OS/2, Windows, Linux và một số điều hành khác thuộc họ Unix.

Python là ngôn ngữ bậc cao (high-level), có hình thức sáng sủa, cấu trúc rõ ràng, thuận tiện cho người mới học lập trình. Cho phép người sử dụng viết mã với số lần gõ phím tối thiểu.

Python cũng là một trong những ngôn ngữ phổ biến nhất thế giới.

Tại sao nên học Python

Trước khi học ngôn ngữ này, ít ra bạn cũng nên có chút hiểu biết sơ lược về ưu điểm của ngôn ngữ này so với các ngôn ngữ khác. PYTHON nổi lên với một số ưu điểm sau

- Cú pháp dễ đọc, dễ học.

- Thư việc phong phú (https://pypi.python.org)- Cộng đồng sử dụng lớn.- Nhu cầu tuyển lập trình viên Python cao.

Những điều mà Python có thể làm được

Lập trình robot
Lập trình game
Bảo mật mạng và máy tính

Lập trình web: YouTube, Google, Dropbox, Quora, Reddit, Instagram, Nasa, Firefox, Yahoo Maps,…

Data Analysis: Machine Learning, Data Visualization, Google Cloud, Image and Video Analysis,...

Lập trình ứng dụng: Ứng dụng lập trình bởi python có thể chạy trên nhiều hệ điều hành (Sublime Text, Blender)

[Tips] Kích thước cụ thể của hình ảnh trên các hệ thống mạng xã hội (Facebook, Instagram, ...)

2020-02-04T12:39:00.000+07:00

Nhu cầu về sự hiện diện của phương tiện truyền thông xã hội mạnh mẽ đã tăng vọt trong năm 2016 và sẽ chỉ tăng sự nổi bật vào năm 2020. Đây là lý do tại sao bạn thực sự cần theo kịp với hồ sơ doanh nghiệp / thương hiệu / cá nhân của mình và để tối ưu hóa chúng với hình ảnh phù hợp để thể hiện bạn!

Hướng dẫn nhanh bên dưới giải thích cho bạn kích thước hình ảnh tốt nhất cho từng mạng xã hội và loại hình ảnh sẽ sử dụng. Mỗi nền tảng truyền thông xã hội lớn được liệt kê ở đây để bạn cập nhật với tối ưu hóa nền tảng truyền thông xã hội.

Ngoài ra đồ họa này hiển thị kích thước cụ thể và tôi cũng đã thêm một số mẹo và thông tin chi tiết rất nhanh để giúp bạn chú ý đến việc sử dụng ảnh nào trên nền tảng phương tiện truyền thông xã hội.

TẢI XUỐNG BẢN IN MỚI 2020 Cập nhật lần cuối: 4/12/2019

Chúc mọi người may mắn!

[Inspired] Sức mạnh của thái độ và thói quen

2020-01-09T11:19:00.001+07:00

Hãy bắt đầu từ thái độ

Chúng ta có thể gặp những người ngoài 60 tuổi vẫn rất chịu khó học hỏi, những cụ 70 vẫn lọ mọ học máy tính để chat với con cháu ở xa. Họ là ví dụ của những người có mô thức phát triển growth mindset, chữ của nhà tâm lí học Carol Dweck ở đại học Stanford). Những người này không để tuổi tác đè nặng, họ học hỏi không ngừng, thích chinh phục những thử thách, thấy khó tìm cách vượt qua, mỗi cơ hội làm việc được tận dụng để hoàn thiện chính mình, luôn coi các chỉ trích hướng vào mình như là cơ hội học tập, và vui mừng khi thấy sự thành công ở người khác. Đây là mẫu tư duy thường gặp ở những người thành công trong các lĩnh vực học thuật, kinh doanh, hay nghệ thuật.

Ngược lại, lại có những người không thích các thử thách, thấy khó khăn là chùn bước, thấy phê phán là phản ứng tức thì, thấy việc làm là ngại, thấy người khác thành công thì ghen tị. Họ được xếp vào những người có mô thức đông cứng (fixed mindset). Sự khác biệt giữa hai mô thức nằm ở thái độ đối với các mục tiêu trong cuộc sống, trong cách thức phản hồi với thử thách và thất bại, niềm tin về nỗ lực và chiến lược, cũng như thái độ với sự thành công của người khác.

Các nghiên cứu về não bộ gần đây cho thấy tính “mềm dẻo” của não người là rất lớn, và nó có thể thay đổi từ tấm bé cho tới lúc già. Số lượng tế bào thần kinh có thể không tăng, nhưng cơ cấu tổ chức não bộ với những kết nối phức tạp giữa các tế bào đó thì thay đổi luôn luôn. Ngay cả những công nghệ như Internet, Facebook, Google cũng khiến cho hoạt động của não bộ thay đổi đến ngạc nhiên; điều này được Nicolas Carr bàn kĩ trong cuốn “Trí tuệ giả tạo” bán chạy. Từ nghiên cứu về mô thức (Mindset) của Carol Dweck,chúng ta có thể rút ra được kết luận hết sức quan trọng là con người hoàn toàn có thể phát triển trong suốt cuộc đời. Cách phân biệt mô thức đông cứng và mô thức phát triển đặt nền móng khoa học vững chắc cho niềm tin về việc học tập suốt đời và sự làm chủ cuộc đời cho những người làm giáo dục-đào tạo trên toàn thế giới. Nó cũng giúp ta chọn lựa một thái độ tích cực và chủ động đối với các nỗ lực vươn tới thành công và hạnh phúc.

(3) The new psychology of success

Thói quen hoạt động như thế nào

Có thái độ thôi chưa đủ, chúng ta phải hành động, và còn phải tạo lập các thói quen tốt. Một nghiên cứu ở Đại học Duke cho thấy 40% hoạt động của chúng ta hằng ngày thuần túy là do thói quen chứ không phải do suy nghĩ thấu đáo. Con số đó cho thấy tầm ảnh hưởng rất lớn của những việc lặp đi lặp lại theo kiểu “phản xạ có điều kiện” này.

Khi đã có thói quen, chúng ta lặp lại các phản xạ trước các tính huống của cuộc sống mà không phải suy nghĩ nhiều. Điều đó có nghĩa là nếu thói quen tốt và được rèn luyện tốt, thì trong phần lớn các tình huống lặp đi lặp lại ấy, chúng ta đang sử dụng cách làm tốt, mang lại kết quả tốt, mà không phí sức. Ngược lại, nếu thói quen xấu, nó sẽ vô tình chung ảnh hưởng tới kết quả mà chúng ta cũng không để ý, cho tới khi sự việc đã muộn rồi.

Tác giả Charles Duhlgg của cuốn sách bán chạy “Sức mạnh của thói quen” dẫn các nghiên cứu khoa học cho biết, sở dĩ chúng ta hình thành các thói quen vì não chúng ta muốn được giảm tải. Ví dụ như khi chúng ta mới học lái xe, đầu óc sẽ suy tính rất mệt mỏi, đạp ga thế nào, phanh thế nào, tay giữ vô lăng chặt như thế có được không, v.v.. Nhưng qua thời gian luyện tập, chúng ta hầu như không còn phải nghĩ nhiều về những việc này nữa, chúng ta hoạt động theo thói quen, và não thì rảnh để quan sát đường, và suy nghĩ về những việc khác khi lái xe.

Thói quen được hình thành theo một chu trình ba bước: Bước Kích hoạt có tác dụng khởi động não bộ vào trạng thái tự động và lựa chọn thói quen để sử dụng; bước Hoạt động (có thể là hoạt động thể chất, tinh thần, cảm xúc); và cuối cùng là Phần thưởng cho những hành động vừa trải qua (phần thưởng này có thể là sự khoan khoái, hoặc được ngợi khen, hoặc bằng những vật có giá trị). Não bộ sẽ đánh giá phần thưởng để xem xét khả năng lưu giữ lại hoạt động đó để lặp lại khi có kích hoạt tương tự. Sự liên hệ Kích hoạt với Phần thưởng sẽ giúp não bộ phát triển cảm giác kì vọng, từ đó dẫn đến hình thành thói quen. Khi được lặp đi lặp lại, chu trình “Kích hoạt, Hoạt động, Phần thưởng” sẽ được tự động hóa, và chúng ta có thói quen.

Bạn không thể bỏ thói quen xấu, nhưng có thể tạo thói quen mới. Nguyên tắc vàng để thay đổi thói quen là giữ nguyên phần Kích hoạt và Phần thưởng, chỉ thay đổi phần Hành động. Lặp đi lặp lại, ta sẽ có thói quen mới. Đây là cách thay đổi thói quen phổ biến và rất hữu hiệu.

Cần 66 ngày để có một thói quen mới

Một nghiên cứu gần đây đăng trên Tạp chí Tâm lí học xã hội Châu Âu cho thấy, trung bình bạn cần 66 ngày để hình thành một thói quen. Trong 66 ngày đó bạn sẽ phải làm đi làm lại điều bạn muốn nó trở thành cơ hữu với con người bạn, sẽ thành “phản xạ” ngay cả khi bạn không còn nghĩ gì về nó nữa. Dĩ nhiên 66 là con số trung bình, con số cụ thể sẽ phụ thuộc vào nhiều yếu tố khác như tính chất của thói quen bạn định hình thành, cá tính của bạn, và cả điều kiện mà bạn đang có. Nhưng con số này cho thấy, để tạo lập thói quen, bạn cần một sự kiên trì đáng kể. Đó là lí do vì sao các chuyên gia về thói quen khuyên chúng ta cần tạo lập sự liên kết chặt chẽ giữa phần Kích hoạt với Phần thưởng để liên tục duy trì động lực khi thực hành thay đổi thói quen.

Hình thành thói quen làm việc hiệu quả dựa trên Scrum

Một trong điểm mạnh cơ bản nhất của Scrum (1, 4, 5), một phương pháp Agile phổ biến nhất, chính là giúp bạn có một thói quen làm việc tốt: tính toán kĩ khi bắt đầu công việc, lập kế hoạch khả thi và linh hoạt, kiểm soát công việc liên tục, đánh giá cẩn thận kết quả đạt được và cải tiến liên tục. Các bước đó được sắp đặt và kết hợp logic với nhau, lặp đi lặp lại để sớm hình thành nếp nghĩ, nếp làm việc một cách khoa học và hiệu quả. Scrum không chỉ giúp bạn sớm nhìn ra hiệu quả công việc, vui sướng ngay trong khi làm việc, mà còn duy trì một thói quen tốt.

Tác giả của Scrum, tiến sĩ Jeff Sutherland đã từng viết trên blog cá nhân và trong cuốn sách “Scrum: Nghệ thuật làm được gấp đôi chỉ trong một nửa thời gian” về những câu chuyện thành công trong sử dụng tư duy Scrum vào mọi mặt của đời sống, từ việc dạy học ở trường phổ thông, đến việc marketing, hay tổ chức công việc hằng ngày ở nhà thờ. Chúng ta gọi thói quen này là Scrumlife, để chỉ việc áp dụng tư duy Scrum vào hình thành thói quen làm việc hằng ngày cho thật tốt.

Hãy bắt đầu Scrumlife đơn giản như thế này:

Chúng ta sẽ khởi đầu tuần làm việc bằng việc lập kế hoạch, gồm 2 bước: xác định việc cần làm, và cách để hiện thực hóa việc cần làm.
Xong rồi ta cập nhật các công việc đó lên Bảng công việc (kanban board), bắt đầu làm những việc có độưu tiên cao hơn, dần dần cho tới hết. Mỗi ngày ta thực hiện 15 phút DailyScrum (2) để tự theo dõi tiến độ và thích ứng với các tình huống thay đổi.
Cuối tuần ta rà soát lại xem đã làm việc gì, so với dự kiến trong kế hoạch đầu tuần thì hoàn thành được bao nhiêu phần trăm, so với tuần trước thì thế nào?
Cuối cùng, ta suy nghĩ về cách làm việc , có ổn không, cần cải tiến gì không. Hãy cố gắng rút ra ít nhất một điều cải tiến, để tuần sau làm tốt hơn. Lưu ý đây là cải tiến cách làm; ví dụ, nếu tuần rồi ta viết thư điện tử cho sếp mà quên không đính kèm file, dẫn đến sếp bực mình, và đây là lỗi lặp lại lần thứ 3 rồi, thì ta có thể kĩ đến cách thức viết thư mới (ví dụ: đảo ngược quy trình viết thư: Đính kèm đầu tiên, rồi mới viết tiêu đề, rồi viết nội dung, cuối cùng là đọc lại và thêm phần To và gửi cho sếp).

Cách làm này áp dụng cho 1 tuần làm việc hăng say và duy trì sự hiệu quả liên tục. Nhưng bạn cũng có thể áp dụng tư duy ấy cho mỗi ngày làm việc với cấu trúc tương tự.

Trước khi bắt đầu thực hiện thói quen này, hãy nghĩ về mối liên hệ Kích hoạt – Phần thưởng. Phần thưởng cho việc hình thành thói quen này là gì? Bạn hãy nghĩ về những mối bận tâm thường trực khi làm việc: Bạn bắt đầu và kết thúc công việc trong tuần thế nào? Năng suất ra sao? Có hiệu quả không? Có thành tựu không? Có thấy vui sướng khi làm việc không? Và lưu ý, hãy tự thưởng cho mình, hoặc tìm kiếm các phần thưởng từ bên ngoài (từ Sếp, từ gia đình, bạn bè …) khi bạn hoàn thành tốt công việc. Nó không chỉ là cơ chế duy trì động lực tạo thói quen, mà còn là sự tận hưởng cuộc sống.

Nếu bạn thực hành Scrum được 2 ngày và thấy hơi gò bó, thì xin chúc mừng bạn, bạn đang trong quá trình hình thành một thói quen mới. Nhưng hãy nhớ, bạn còn khoảng 64 ngày nữa. Cứ lặp đi lặp lại sẽ hình thành một nhịp làm việc và sinh hoạt đều đặn, dần trở nên tự nhiên và phát huy tác dụng. Hãy thử vài tuần đi, bạn sẽ thấy rất nhiều điều bất ngờ đấy.

“Bạn có biết: Scrum từng được đề nghị trao giải Nobel về quản trị?”

Đó chính là giải (không có thật) được trao bởi một cây viết quen thuộc trên tạp chí nổi tiếng Forbes, Steve Denning, cho hai ông Ken Schwaber và Jeff Sutherland vì đã có công phát minh ra phương pháp tổ chức công việc nổi tiếng Scrum làm thay đổi thế giới phần mềm trong hơn một thập kỉ qua.

Chuyện giải Nobel là do ông Denning “bịa” cho vui, nhưng để nhấn mạnh sự hiệu quả nổi bật mà Scrum có thể mang lại cho các nhóm làm việc trên khắp thế giới.

Trong một bài viết năm 2011, Denning tóm tắt 10 đặc điểm của Scrum (có thể không giống cách nói của chính các tác giả của Scrum):

Tổ chức công việc theo các chu trình ngắn (gọi là phân đoạn)
Khi nhóm làm việc của họ trong các chu trình ngắn này, cấp quản lí không can thiệp (tức nhóm được trao quyền tối đa)
Nhóm báo cáo trực tiếp cho khách hàng, không phải cho nhà quản lí
Nhóm ước tính thời gian để hoàn thành công việc
Nhóm quyết định khối lượng công việc để làm trong phân đoạn
Nhóm quyết định cách hoàn thành công việc trong phân đoạn
Nhóm tự đánh giá hiệu suất của mình
Xác định mục đích của phân đoạn trước khi bắt đầu
Xác định mục tiêu thông qua các câu chuyện người dùng (user stories)
Loại bỏ các trở ngại cho công việc một cách có hệ thống

Kể từ 1995, Scrum vẫn được hai tác giả của nó cập nhật liên tục để ngày càng đơn giản và dễ dùng hơn. Tài liệu mô tả Scrum được đặt trên trang của tổ chức phi lợi nhuận Scrum.org.

Theo agilebreakfast.vn

Ref.

(1) Steve Denning (2011). Scrum is a major management discovery, Fobes.

(2) Charles Duhlgg (2012). Sức mạnh của thói quen, NXB Lao động Xã hội.

(3) Carol Dweck (2006). Mindset: The new psychology of success. Random House.

(4) Ken Schwaber & Jeff Sutherland (2013), Scrum Guide, Scrum.org.

(5) Jeff Sutherland (2014). Scrum: The Art of Doing Twice the Work in Half the Time. Crown Business.

[Inspired] Quốc gia đáng sống

2019-07-09T09:13:00.002+07:00

TTO - Thông tin Việt Nam lọt top 10 quốc gia đáng sống dành cho người làm việc ở nước ngoài (expat) là rất vui và tích cực. Cũng thật thú vị khi chúng ta được 'chung mâm' với các quốc gia phát triển như Thụy Sĩ, Singapore, Úc, New Zealand, Canada.

Đầu tiên phải khẳng định đây là một khảo sát thường niên khá uy tín của Ngân hàng HSBC.
Năm nay, khảo sát thu thập dữ liệu của 18.059 người làm việc ở nước ngoài ở 163 nơi. Nó có 3 thước đo chính: sinh sống, cơ hội nghề nghiệp và cuộc sống gia đình. Theo ba tiêu chí này, Việt Nam lần lượt đứng thứ 12, 3 và 20.

Những người nước ngoài được khảo sát cho biết Việt Nam mang lại cho họ cảm giác hài lòng trong cuộc sống, dễ dàng hòa nhập, kinh tế ổn định và cân bằng cuộc sống/công việc tốt hơn 157 địa điểm khác. Tuy vậy, các tiêu chí của khảo sát dường như tập trung vào "hưởng thụ cuộc sống" hơn là "chất lượng cuộc sống".

Khi nói đến expat ở các nước phát triển với chi phí sống đắt đỏ, phần lớn thường nghĩ ngay đến những người giàu có, có nền tảng giáo dục cao như các chuyên gia, nhân sự cấp cao của các tổ chức, tập đoàn quốc tế, công ty đa quốc gia, nhà ngoại giao các nước.

Trong khi đó, ở một quốc gia đang phát triển như Việt Nam với nhu cầu học tiếng Anh cao, Tây balô đến từ các nước Anh, Mỹ cũng được gọi là expat.

Tôi có biết một số người trẻ Mỹ. Họ tốt nghiệp đại học nhưng không kiếm được việc làm. Họ sang Việt Nam để dạy tiếng Anh vừa kiếm tiền vừa trải nghiệm một nền văn hóa mới. Những bạn trẻ này chỉ cần bỏ vài tháng để lấy một chứng chỉ hành nghề và sau đó dễ dàng tìm được công việc vài nghìn đô mỗi tháng ở các trung tâm dạy tiếng Anh, mức thu nhập khá cao so với chi phí sống ở Việt Nam.

Với thu nhập này, họ sống trong những nơi tiện nghi, mua bảo hiểm cá nhân, đi du lịch, thưởng thức ẩm thực và hưởng thụ cuộc sống.

Cũng không quá ngạc nhiên khi nhiều người đánh giá cao Việt Nam ở tiêu chí cân bằng cuộc sống và công việc. Tôi cũng xin kể một câu chuyện cụ thể của một người bạn Hàn Quốc. Sau khi tốt nghiệp đại học ở Seoul, cô này đi làm nhân viên cho một công ty lớn. Mỗi ngày cô thức dậy lúc 6h30 sáng, sau đó chen chúc trên metro đến công sở, nghỉ trưa 30 phút và tiếp tục công việc đến chiều tối. Cứ lặp đi lặp lại như một guồng máy khiến cô mệt mỏi.

Nhưng khi sang Việt Nam làm việc, cô cảm thấy yêu đời hơn, có nhiều thời gian đi du lịch, tán gẫu với bạn bè. Có một nhận xét của cô khiến tôi không biết nên buồn hay vui là: "Sao tôi thấy nhiều bạn trẻ ở Việt Nam thường xuyên ngồi quán cà phê hay quán bia. Họ đúng là biết cách cân bằng cuộc sống và công việc".

Kể hai câu chuyện trên để khẳng định một thực tế rằng Việt Nam thực sự là "thiên đường" đối với những người nước ngoài với chi phí sống rẻ, người dân thân thiện, hiếu khách.

Nhưng "danh hiệu" quốc gia đáng sống không nên chỉ dành cho người nước ngoài mà còn phải dành cho người Việt Nam.

Để xây dựng một quốc gia đáng sống cho người Việt, bên cạnh việc cải thiện chất lượng cuộc sống ở các tiêu chí chính: giáo dục, chăm sóc sức khỏe và môi trường, Chính phủ cũng cần phải tìm cách nâng cao năng lực cho người Việt, mang lại thu nhập tốt hơn như chính nhiều người Việt ví von: "Có nhiều tiền thì sống ở Việt Nam là sướng nhất".

Nếu xây dựng được chất lượng cuộc sống tốt, không chỉ giúp cho người dân trong nước hạnh phúc và thịnh vượng mà còn giữ chân được những vị khách nước ngoài ở lâu hơn.

[PhD life] Tiến sĩ, hậu tiến sĩ, rồi gì nữa?

2019-05-17T08:34:00.004+07:00

Đó là câu hỏi mà nhiều người theo học tiến sĩ thường đặt ra. Câu trả lời thì còn tùy vào hoàn cảnh của mỗi cá nhân. Có thể là có một văn bằng để tiến thân, có thể là vì phúc lợi cộng đồng, có thể là tiến đến một nền "cộng hoà khoa học". Nhưng dù mục tiêu là gì, tôi nghĩ cần phải nhận thức rõ ràng rằng tốt nghiệp tiến sĩ chỉ mới xong giai đoạn đầu của quá trình huấn luyện một nhà khoa học chuyên nghiệp. Tuy nhiên, có vài ngộ nhận về ý nghĩa của văn bằng tiến sĩ và đó là điều tôi muốn bàn trong cái note ngắn này.

Tiến sĩ: xưa và nay

Giá trị văn bằng tiến sĩ không còn như ngày xưa. Ở VN ta thời xưa, tốt nghiệp Trạng Nguyên (tức tương đương tiến sĩ ngày nay) là cả một sự kiện. Sự kiện vinh quang và vinh qui. Văn học Việt Nam vẫn còn lưu truyền câu thơ của Nguyễn Bính tả quan Trạng về làng: "Ngựa anh đi trước, võng nàng theo sau"). Có sách sử mô tả rằng ngày xưa, người tốt nghiệp Trạng Nguyên còn được ăn cơm tối với vua, được ngắm vườn hoa của vua, và có tư cách cưới ... công chúa. Nói chung, thời đó, tốt nghiệp tiến sĩ là một thành tựu to lớn, làm đổi đời không chỉ có cá nhân mà còn cho gia đình. Tốt nghiệp Trạng Nguyên - Tiến Sĩ thời xưa có thể ví như là một cái passport để bước vào ngôi đền học thuật và vương giả.

Gần đây hơn (tức 30-50 năm trước) ở phương Tây, người tốt nghiệp tiến sĩ cũng có một tương lai rộng mở trước mặt, với đa số trở thành các nhà khoa bảng (giảng viên, giáo sư, nhà nghiên cứu) trong các đại học. Dĩ nhiên, một số nhỏ thời đó theo đuổi sự nghiệp ngoài khoa bảng, nhưng nói chung giá trị của văn bằng tiến sĩ thời đó rất ư là cao quí.

Nhưng thời nay thì mọi chuyện đã đổi thay, văn bằng tiến sĩ không còn quí hiếm như xưa. Với trào lưu đại chúng hoá đại học diễn ra khắp nơi, các tiêu chuẩn cho văn bằng tiến sĩ cũng bị hạ thấp. Do đó, có quá nhiều người tốt nghiệp tiến sĩ, nhiều đến nổi thị trường khó có thể đáp ứng. Có nhiều người tốt nghiệp tiến sĩ mà không tìm được việc làm, và đó là một tình trạng đáng buồn.

Mục tiêu của đào tạo tiến sĩ

Mục tiêu chính của đào tạo tiến sĩ là xây dựng và duy trì một 'cộng hoà' nhà khoa học chuyên nghiệp (professional scientists). Tôi dùng 'cộng hoà' theo ý nghĩa khoa bảng, chứ không phải chánh trị. Do đó, học tiến sĩ là để:

• theo đuổi sự nghiệp nghiên cứu khoa học. Để dấn thân vào sự nghiệp nghiên cứu khoa học, học vị tiến sĩ là một “giấy thông hành” quốc tế, cũng giống như muốn hành nghề kĩ sư thì phải có bằng kĩ sư. Cố nhiên cũng có một số người tham gia nghiên cứu khoa học dù họ không có học vị tiến sĩ, nhưng đây là những trường hợp ngoại lệ.

• theo đuổi sự nghiệp khoa bảng. Học vị tiến sĩ là một “chứng từ” để theo đuổi sự nghiệp khoa bảng (academic career). “Khoa bảng” ở đây được hiểu là giảng dạy đại học và nghiên cứu khoa học. Cố nhiên, ở nhiều đại học phương Tây, vẫn có người có thể trở thành giáo sư dù không có học vị tiến sĩ, nhưng cơ hội tiến thân trong các nấc thang khoa bảng ngày nay cho những cá nhân như thế không mấy cao.

Do đó, nếu thí sinh muốn theo đuổi sự nghiệp quản trị doanh nghiệp, kĩ nghệ và khoa học (như muốn làm giám đốc doanh nghiệp, giám đốc các cơ sở khoa học) hay các chức vụ hành chính, hay các chức vụ mang tính quản lí trong hệ thống chính phủ thì thí sinh không nên theo học chương trình tiến sĩ, mà nên theo học chương trình thạc sĩ quản trị kinh doanh hay quản trị hành chính (MBA – Master of Business Administration).

Những ngộ nhận

Nhưng ở VN ngày nay người ta muốn có chính sách 'tiến sĩ hoá' bộ máy công quyền. Cách đây vài năm, một viên chức của Hà Nội "mong 100% cán bộ Thành ủy ‘quản’ là tiến sĩ”, vì có người cho rằng “Có bằng tiến sĩ mới đột phá tư duy”. Không biết đến nay thì đã có bao nhiêu viên chức thuộc Hà Nội có bằng tiến sĩ, nhưng tôi đoán chắc chưa đạt con số 100%. Nhưng dù con số là bao nhiêu thì đây là một quan điểm sai lệch về văn bằng tiến sĩ.

Nhưng ngoài hiểu sai lệch trên, còn có nhiều cách hiểu sai lầm khác về động cơ theo học tiến sĩ. Theo tôi, có thể tóm lược trong những ngộ nhận phổ biến sau đây:

1) nhiều người hiểu lầm rằng học vị tiến sĩ sẽ tự động đem lại uy danh cho cá nhân. Hầu hết các thí sinh đã đạt được văn bằng tiến sĩ đều cảm thấy tự hào về nỗ lực và kết quả của việc phấn đấu trong học hành nghiên cứu. Tuy nhiên, thí sinh phải hiểu rằng một khi tốt nghiệp tiến sĩ, thí sinh có thể làm việc với nhiều nhà khoa học khác cũng có bằng tiến sĩ. Học vị tiến sĩ mới chỉ là bước đầu vào nghiên cứu khoa học, là một minh chứng rằng người có bằng đó “trưởng thành” trong khoa học, chứ nó (văn bằng tiến sĩ) chẳng đem lại uy danh cho người có học vị nếu người đó không có công trình nghiên cứu nào có giá trị.

2) ý kiến của một cá nhân được nâng cao chỉ vì cá nhân đó có văn bằng tiến sĩ. Nhiều người tin rằng một khi họ có văn bằng tiến sĩ trong tay, công chúng sẽ tự nhiên kính trọng ý kiến của họ. Nhưng niềm tin này chỉ là hoang tưởng. Người có học vị tiến sĩ có thể am hiểu và uyên bác về một lĩnh vực chuyên môn hẹp nào đó, nhưng không phải là chuyên gia của mọi vấn đề khác. Sự kính trọng phải được chứng minh qua hành động và bản lĩnh của người phát biểu, chứ không tự động mà có được qua danh xưng “tiến sĩ”.

3) học vị tiến sĩ là mục tiêu sau cùng trong học hành, nghiên cứu. Học vị tiến sĩ chuẩn bị thí sinh vào sự nghiệp nghiên cứu. Nếu thí sinh chỉ muốn có mảnh giấy để treo trên tường thì không nên theo đuổi học vị tiến sĩ. Sau khi tốt nghiệp tiến sĩ, thí sinh có cơ hội để so sánh thành quả của mình với các nhà khoa học khác. Thí sinh sẽ nhận thức rằng cái được “tính sổ” không phải là danh xưng hay học vị tiến sĩ, mà là nghiên cứu khoa học do chính thí sinh tiến hành và hoàn tất.

4) học tiến sĩ để gây ấn tượng trong gia đình và bạn bè. Người thân trong gia đình và bạn bè thí sinh có lẽ rất hồ hởi và tự hào khi thí sinh vào học chương trình tiến sĩ, bởi vì họ nghĩ thí sinh sẽ trở thành một ông nghè, một “doctor” trong tương lai. Nhưng văn bằng tiến sĩ chỉ là giấy thông hành cho nghiên cứu, chứ không phải để lấy le với người thân, bạn bè hay với xã hội. Không phải lúc nào cũng đòi người khác phải gọi mình là ông / bà “tiến sĩ”.

5) học vị tiến sĩ là cái cớ để thử trí thông minh. Nhiều người nghĩ rằng học tiến sĩ là một thách thức và họ muốn chơi trò thách thức xem tri thức của mình cỡ nào. Rất tiếc, quan điểm này sai, bởi vì chương trình huấn luyện tiến sĩ không phải để thí sinh cân não hay để thử khả năng tri thức. Ngoại trừ thí sinh dành trọn thì giờ và dấn thân vào học hành để đỗ đạt, thí sinh sẽ không thể nào có được văn bằng tiến sĩ chỉ vì mình “thông minh”. Như nói trên, thí sinh phải làm việc nhiều giờ trong ngày, phải có khi thức đêm trong phòng thí nghiệm hay thư viện, phải chuẩn bị đương đầu với những thất bại, phải chuẩn bị động não để học cái mới và suy nghĩ cái mới.

6) học tiến sĩ để kiếm nhiều tiền. Thí sinh tốt nghiệp tiến sĩ thực ra không có lương bổng cao hơn các thí sinh với bằng cử nhân hay người công nhân bình thường trong hãng xưởng. Xin nhắc lại: học tiến sĩ là để trở thành nhà nghiên cứu, nhà khoa học, và cái quan tâm đầu tiên của nhà khoa học là sự thật, chứ không phải sự giàu có về tiền bạc. Tất nhiên, có nhiều khi sự thật và khám phá cũng đem lại một nguồn tài chính lớn cho nhà nghiên cứu. Nhưng nói chung, đó không phải là mục tiêu để theo học tiến sĩ.

7) học tiến sĩ là một lựa chọn tốt nhất. Cống hiến cho xã hội có nhiều cách và cuộc đời có nhiều lựa chọn, và học vị tiến sĩ chỉ là một trong số hàng trăm lựa chọn đó. Có lẽ nhiều người sẽ ngạc nhiên khi đọc phát biểu này, nhưng đó là một thực tế. Thật vậy, đối với nhiều thí sinh, học vị tiến sĩ có thể là một lựa chọn sai lầm! Thí sinh phải tự hỏi mình muốn làm người lãnh đạo trong những người có văn bằng thạc sĩ, hay là làm một nhà nghiên cứu tầm thường. Thí sinh phải biết và quyết định mình muốn gì, và nghề nghiệp nào sẽ kích khích mình nhiều nhất hay đem lại hạnh phúc cho mình nhất.

Sau tiến sĩ là gì?

Như đề cập trên, học tiến sĩ là để có một giấy thông hành trở thành một thành viên của nền cộng hoà khoa học quốc gia hay quốc tế. Nhưng để trở thành thành viên của nền cộng hoà đó, người tốt nghiệp tiến sĩ thường đi theo một con đường truyền thống. Con đường đó là tiến sĩ --> hậu tiến sĩ --> giảng viên --> giáo sư. Theo một thống kê, chỉ có 10% hậu tiến sĩ là ở lại với nghiên cứu khoa học (dù 80% họ hi vọng được ở lại đại học). Nói cách khác, có đến 90% hậu tiến sĩ bỏ sự nghiệp khoa học. Một phân tích khác của Royal Society (Anh) cho thấy hành trình từ khi tốt nghiệp tiến sĩ đến một nhà khoa học thực thụ cũng rất gian nan (1):

• Hơn phân nửa (53%) tiến sĩ ở Anh tìm sự nghiệp ngoài khoa học và công nghệ;

• 17% làm nghiên cứu ở các công ti kĩ nghệ;

• 30% tìm được việc làm ở giai đoạn "early career" (tức là hậu tiến sĩ, giảng viên, assistant professor) trong các đại học;

• Chỉ có 3,5% trong số tốt nghiệp tiến sĩ tìm được việc làm nghiên cứu khoa học trong các đại học. Chỉ có 0,45% (tức ~5 người trên 1000) sau này trở thành giáo sư thực thụ.

• Còn số người thành giáo sư thực thụ và có labo độc lập thì chỉ 0.1%.

Tuy nhiên, ngày nay, có nhiều tiến sĩ không theo con đường truyền thống đó. Theo một nghiên cứu công bố trên PLoS Biology (2) thì chỉ có 54% hậu tiến sĩ người Mĩ theo đuổi sự nghiệp khoa bảng (academia), phần còn lại là kĩ nghệ (25%), chính phủ (8%), học thêm (4%), v.v. Còn hậu tiến sĩ người nước ngoài thì 71% theo đuổi academia, 12% là kĩ nghệ, chỉ có khoảng 1% là chính phủ. Như vậy, con đường sau tiến sĩ và sau hậu tiến sĩ không chỉ là khoa bảng, mà các công ti kĩ nghệ là một nguồn quan trọng.

Tóm lại, quá trình từ tốt nghiệp tiến sĩ đến nhà khoa học độc lập là một hành trình rất gian nan và lâu năm. Chỉ có 30% tiến sĩ có vị trí hậu tiến sĩ. Chỉ có 10% hậu tiến sĩ còn tồn tại trong hệ thống nghiên cứu khoa học. Và, chỉ có một số ít hậu tiến sĩ sau này trở thành giáo sư; và trong số này chỉ có một số rất ít đứng đầu labo nghiên cứu. Thời gian từ tiến sĩ đến xong hậu tiến sĩ là từ 3-6 năm, nhưng cũng có thể lâu hơn. Điều này chỉ để nói rằng đào tạo được một nhà khoa học thực thụ cần thời gian và đầu tư nhiều công sức và tài nguyên.

Chủ trương tiến sĩ hóa cán bộ hành chính là một cách biến học vị tiến sĩ thành một loại giấy thông hành, một chứng từ, một tiêu chuẩn để tiến thân trong sự nghiệp quản trị hành chính. Qui định phải là tiến sĩ mới được đề bạt lên một chức vụ nào đó trong hệ thống quản trị hành chính là rất lệch với mục tiêu của đào tạo tiến sĩ. Chính vì qui định này mà không ít trường hợp, người ta đề bạt người vào vị trí nào đó, rồi tìm cách hợp thức hóa cho người đó bằng cách cấp bằng tiến sĩ! Việc hợp thức hóa đó bất chấp tiêu chuẩn khoa bảng và ý nghĩa của học vị tiến sĩ thể hiện một sự phá hoại các chuẩn mực giáo dục đại học.

===

(2)https://journals.plos.org/plosbiology/article?id=10.1371%2Fjournal.pbio.1002458&fbclid=IwAR06BCGT8JgWwyhyQPdH3PXJ5aQZEw-UG0SpyVHQAF-NFQUU6OLMh2P7p4A

Theo GS. Nguyen Tuan