8/25/2021

Background cần thiết khi ứng tuyển vào lab thầy Khoát | Góc lên LAB học gì?


LAB của thầy Khoát là một LAB nghiên cứu về Machine Learing và là một LAB cũng khá to, sinh viên tham gia LAB được đào tạo khá bài bản và được tuyển vào LAB cũng không phải dễ dàng. Các bạn phải trải qua 2 vòng, vòng 1 thầy sẽ xem qua về bảng điểm của các bạn, điểm CPA, GPA và 1 số môn nền tảng quan trọng như Đại số, Giải tích,... (Mình nghe nói nếu mà D Đại số thì thôi auto trượt nên nếu D đại số chắc không cần ứng tuyển vào lab thầy làm gì cho mất công). Sau khi vượt qua vòng 1 các bạn sẽ được cho 1 list các kiến thức background cần thiết để học, sau 2-3 tháng các bạn sẽ được phỏng vấn trực tiếp cùng các thầy, qua được vòng này các bạn mới chính thức là thành viên của LAB (các kiến thức background cần thiết để ứng tuyển vào LAB mình sẽ chia sẻ ở bên dưới nha)



Vào LAB thầy các bạn sẽ được đào tạo rất bài bản vì thế nên các bạn mất khá nhiều thời gian ban đầu cho việc training. Thế nên lời khuyên của mình là nếu apply vào LAB thầy Khoát thì các bạn nên xin vào ngay từ năm thứ 2, vì bây giờ cũng khá nhiều bạn học 4 năm và nếu năm 3 các bạn mới tham gia thì đã mất gần 1 kì để training rồi thì sẽ không còn bao nhiêu thời gian nữa cả. Khi tuyển thành viên cho LAB các thầy cũng khá ưu tiên các sinh viên năm 2 hơn là năm 3 vì thời gian gắn bó sẽ lâu dài hơn.

Background cần thiết khi học Machine Learning

Algebra (Đại số tuyến tính)

I. Set and mapping (Tập hợp và ánh xạ)
  1. Sets and elements
  2. Operations on sets
  3. Finite sets, countable sets, uncountable sets.
  4. Mapping
  5. Complex linear algebra

II. Matrix, determinant, system of linear equations (Ma trận, định thức, hệ phương trình)
  1. Matrix
  2. Determinant
  3. Invertible matrix
  4. Matrix rank
  5. System of linear equations

III. Vector space (Không gian véctơ)
  1. Vector space
  2. Subspace and span
  3. Linearly independent/dependent vectors
  4. Scalar product, metric space

IV. Linear mapping (Ánh xạ tuyến tính)
  1. Properties – kernel and image
  2. Matrix of linear mapping

V. Eigenvalues and eigenvectors (Giá trị riêng và véctơ riêng)
  1. Eigenvalues and eigenvectors
  2. Diagonalizing matrix
  3. Orthogonal diagonalizing

VI. Quadratic forms (Dạng toàn phương)



Analytics (Giải tích)

I. Real number (Số thực)
  1. Real sets
  2. Real chains

II. Real univariate function (Hàm 1 biến)
  1. Function graph
  2. Even/odd functions, monotonous functions, circular functions
  3. Composition functions
  4. Inverse functions
  5. Basis functions

III. Limit and continuity of univariate functions (Giới hạn, tính liên tục của hàm đơn biến)

IV. Derivative and differential of  an univariate function (Vi phân và đạo hàm của hàm đơn biến)

V. Primitive function and integration (Tích phân)

VI. Real multivariate function (Hàm đa biến)


Mathematical Optimization (Tối ưu hoá)

I. Linear programing (Quy hoạch tuyến tính)

II. Nonlinear programming

III. Convex optimization (Quy hoạch lồi, tối ưu lồi)
  1. Convex sets (tập lồi)
    1. Affine and convex sets
    2. Operations that preserve convexity
  2. Convex functions (hàm lồi)
    1. Basis properties
    2. Operations that preserve convexity
    3. The conjugate functions
    4. Quasiconvex functions
    5. Log-concave and log-convex functions
  3. Convex optimization problems (bài toán quy hoạch lồi)
    1. Quasiconvex optimization
    2. Linear optimization
    3. Vector optimization
  4. Duality (đối ngẫu)
    1. Lagrange dual problem
    2. Weak and strong duality
    3. Optimality conditions
  5. Unconstrained optimization (tối ưu không ràng buộc)
    1. Gradient descent/ascent method
    2. Steepest descent/ascent method
    3. Newton’s method



Probability and Statistics (Xác suất và Thống kê)

I. Probability (Xác suất)
  1. Sample space
  2. Events
  3. Probability of an event
  4. Additive rules
  5. Conditional probability, independence and the product rule
  6. Bayes’ Rule

II. Random variable and Probability distributions (Biến ngẫu nhiên và phân bố xác suất)
  1. Random variable
  2. Discrete probability distributions
    1. Poisson distribution
    2. Bernoulli distribution
  3. Continuous probability distributions
    1. Continuous Uniform distribution
    2. Normal distribution
    3. Gamma and Exponential distribution
    4. Beta distribution
    5. Chi-Squared distribution
  4. Joint probability distributions

III. Mathematical expectation (Kỳ vọng toán học)
  1. Mean
  2. Variance and covariance

IV. Functions of random variables (Hàm của các biến ngẫu nhiên)

V. Sampling distributions (Phân bố mẫu)
  1. Random sampling
  2. Sampling distributions
  3. Sampling distribution of means and the Central Limit Theorem
  4. t-Distribution
  5. F-Distribution

VI. One- and Two-sample tests of Hypotheses (Kiểm định giả thuyết)

Các bạn có thể thấy nền tảng toán là rất nhiều phải không, đúng là như vậy khi AI mà không có toán thì không thể gọi là AI được. Các bạn học AI không cần là những người xuất sắc về Toán ( dĩ nhiên là giỏi, xuất sắc thì dĩ nhiên là càng tốt rồi và mình khuyên những bạn này nên theo AI ngay và luôn, đây chính là nơi để các bạn thể hiện mình) nhưng các bạn phải nắm vững được những kiến thức cơ bản nhất là LAB thầy Khoát thiên hướng nghiên cứu, học thuật rất là nhiều chứ không phải là theo hướng ứng dụng.

Thầy Khoát đã public 1 khóa về học máy trên Youtube, khóa học rất hay và chất lượng, nếu mùa dịch quá nhàm chán thì hãy tham gia ngay khóa hoc này nha, xem thông tin về khóa học tại: https://users.soict.hust.edu.vn/khoattq/ml-dm-course/

17 comments:

  1. Cho mình hỏi là kiểm tra đầu vào chỉ cần nắm được kiến thức cơ bản hay là cần chuyên sâu vậy? Vì mình thấy những phần bạn ghi ở trong background là những thứ đều đã được nói đến trong các học phần tương ứng rồi.
    Và cho mình hỏi là làm sao để ứng tuyển vô LAB của thầy được vậy ạ :'))

    ReplyDelete
    Replies
    1. LAB của thầy có từng đợt tuyển nha bạn, thường khi nào có đợt tuyển sẽ có đăng lên các kênh của viện, bạn chú ý nha. Còn background trên là background của vòng 2 khi bạn đã pass qua vòng 1 và được ôn 2-3 tháng sau khi bước vào phỏng vấn vòng 2. đợt này bkai cũng đang tuyển có cả lab thầy Khoát nữa thì phải, thường thì đợt tuyển sinh của lab thầy khoát qua rồi nhưng đợt là tuyển chung cho cả bkai, bạn có thể tham khảo nha: https://bkai.ai/invitation-to-join-bkai-research-groups-2021/?fbclid=IwAR1aN1U3Sc_YrZHayT3zpUo1burIIaUIfgbaFchnGrNsQBlztL6U_snlLiw

      Delete
    2. Mình cảm ơn nhiều ạ, cho mình hỏi là yếu tố nào là quan trọng nhất khi đăng ký để có thể được vào vòng phỏng vấn ạ?

      Delete
    3. Như mình đã viết đó, bạn chỉ cần có 1 CV chấp nhận được, CV ở đây là thầy sẽ soi bảng điểm của các bạn, không cần quá xuất xắc đâu, 1 bảng điểm chấp nhận được là có thể ứng tuyển vào LAB rồi nha bạn. Còn vòng 2 thì là nỗ lực cá nhân rồi, bạn có 2-3 tháng để ôn, dĩ nhiên là nếu bạn có nền tảng tốt thì 2-3 tháng đó bạn sẽ nhàn hơn người khác còn không thì chắc chắn là phải chịu vất vả hơn rồi. Ngoài ra còn 1 số LAB khác như LAB thầy Hiếu, LAB thầy Trung,... nhưng về độ bài bản thì mình nghĩ LAB thầy Khoát là lựa chọn rất tốt

      Delete
    4. Mình cảm ơn bạn nhiều nhaa

      Delete
  2. Cho em hỏi ở vòng 2 thì thường thầy sẽ phỏng vấn như thế nào có tập trung hỏi cặn kẽ về kiến thức toán không hay kèm thêm cả các kiến thức bên lề ạ

    ReplyDelete
    Replies
    1. hỏi về toán rất nhiều nha bạn, hỏi từ Đông sang Tây. Và có 2 người phỏng vấn nha.

      Delete
  3. Anh có review về lab Computer Vision của thầy Sang không ạ

    ReplyDelete
    Replies
    1. Theo 1 số thông tin mình gạn hỏi được, thì lab thầy Sang làm chủ yếu về OCR với ảnh y tế. Bạn làm tốt thì thầy có trả lương cho đấy, vào chủ yếu là làm dự án. Paper lab thầy chủ yếu đăng trên các hội nghị trung bình, ít bài ở các hội nghị lớn. Lab này cũng rất phù hợp nha bạn, còn chi tiết hơn mình vẫn chưa có nhiều thông tin nên chưa thể review về lab này. Sau sẽ có 1 bài về lab tối ưu của cô Bình, bạn cũng có thể tham khảo về nhóm ở lab CNPM của thầy Văn ( lab này ít tuyển lắm, đa số là bạn làm project I, II, III với các thầy trong lab thì có thể sẽ được giới thiệu làm cùng thôi)

      Delete
    2. anh ơi, em sắp phỏng vấn lab thầy Sang rồi, anh có kinh nghiệm phỏng vấn có thể chia sẻ cho em được không ạ :(

      Delete
    3. Bạn đã ứng tuyển vào lab thì mình nghĩ là bạn đã là người bản lĩnh rồi, về góc độ chuyên môn thì mình cũng không muốn nói gì, mình có 1 lời khuyên nhỏ nho là hãy để cho thầy giáo thấy được quyết tâm của bạn, ví dụ là thầy có thể hỏi tới phần kiến thức mà bạn ko biết nhưng bạn phải cho thấy thấy là bạn quyết tâm sau khi vào lab sẽ cố gắng học để bù đắp những phần đấy chẳng hạn. Tiếp nữa là vào lab là bạn sẽ vất vả hơn với những bạn khác cùng khóa khi mà bạn phải học thêm phần kiến thức mà các môn học trên lớp hầu như là ko có, tuy nhiên lợi thế là sẽ được các thầy/cô giáo giới thiệu cho các suất học bổng hay giới thiệu tại các công ty, được làm việc với các anh/chị và các thầy giáo cực kì giỏi mà những bạn khác sẽ không có được.
      Cuôi cùng chúc bạn có 1 buổi phỏng vấn tốt nha!

      Delete
  4. cho em hỏi viện khác nhưng đam mê thì có được apply vào các lab của thầy hay của bkai ko ạ ?

    ReplyDelete
  5. AD cho em hỏi là môn Analytics trường HUST mình có course không ạ, hay AD đã học course nào ngoài đọc sách kia không ạ, cho em tham khảo với ạ, em cảm ơn

    ReplyDelete
    Replies
    1. Theo mình biết thì trường mình không có khóa học về Data Analytics, bạn có thể tham gia các lab để được thầy/cô hướng dẫn thêm hoặc tham gia một số trung tâm bên ngoài, hay ít chi phí hơn là tự học.

      Delete
  6. Anh có review về lab BKC không ạ em cảm ơn

    ReplyDelete
    Replies
    1. Mình không biết nhiều về lab này nên không thể review được, mình sẽ cố gắng tìm hiểu và cũng có thể mời một số bạn trong lab để review.

      Delete