Chia sẻ về lộ trình học AI, Machine Learning cho intermediate level

Kì học vừa rồi em đã đầu tư thời gian khá nghiêm túc để học và nghiên cứu về các kĩ thuật Machine learning lẫn đã làm được một số ứng hay ho trong NLP và Computer vision, nhưng hiện tại đang hơi thiếu động lực để tiếp tục lộ trình học khi đã qua giai đoạn beginner (tức là bước qua giai đoạn mù tịt, không biết gì).

Chia sẻ về lộ trình học của em. Em đã học và tham khảo khóa Machine learning và Natural Language Processing của DeepLearningAI trên Coursera. Ngoài ra có đọc thêm paper về một số mô hình khác trên mạng để tự phát triển thêm. Nhưng càng làm em lại càng thấy “chán”, mức độ hứng thú giảm dần vì hầu như em chỉ đọc, đọc và hiện thực lại mô hình do người khác đã phát triển chứ không phải “do chính mình” làm :sweat_smile:. Em hiểu đây là một ngành khó và cần nhiều thời gian trau dồi thì mới nghĩ đến chuyện làm một cái gì đó “của mình” được :rofl:. Em muốn nghe thêm chia sẻ của những anh/chị đang trong ngành - ở doanh nghiệp lẫn nghiên cứu về:

  1. Một số reflect về khoảng thời gian nào đó mà anh/chị cũng rơi vào giai đoạn giống em lúc này.
  2. Một số gợi ý về lộ trình học tiếp theo em nên theo để vượt qua giai đoạn này.
  3. Cá nhân em đang muốn tìm sâu hơn về thuật toán(cuốn của bác Donald Knuth cũng khá hay) và đặc biệt là Toán vì trong suốt khoảng thời gian học, em chỉ dùng các kiến thức khá cơ bản về Toán xác suất, Đại số tuyến tính, Vi tích phân Vector, rời rạc để hiểu paper của mô hình thôi.

Cuối cùng, em muốn nghe chia sẻ để coi như có chút góc nhìn về “ai đó cũng đã trải và vượt qua được cảm xúc” giống em lúc này chứ bản thân em vẫn nỗ lực từng ngày dù đôi khi hơi lười một tí :)). Nếu anh/chị hứng thú có thể chia sẻ vào post này ạ. Em cảm ơn lắm lắm :smiling_face_with_three_hearts:

1 Like

bạn nên tìm các cuộc thi hackathon hằng năm, mình thấy nhiều đơn vị tổ chức… tham gia trải nghiệm để có thêm động lực.

1 Like

Nếu bạn đã xác định được bạn muốn theo NLP thì đi học Master về NLP thôi bạn.

Không ạ :smiley:. Như trong post em có nói, em chỉ hỏi trải nghiệm thôi chứ không cần lời khuyên đâu anh. Em biết khá rõ em muốn gì. Chán thì ai cũng có cảm xúc đó dù là theo đuổi cái gì. Không thể cứ “chán là bỏ” đâu anh. Trừ một số trường hợp, mình rất căm ghét cái thứ mình sắp bỏ thôi.

Anyway, cảm ơn chia sẻ anh ạ :smiling_face_with_three_hearts:

thực ra nếu theo hướng AI, ML,… thì các cuộc thi hackathon là môi trường tốt nhất để thực tập đo bạn :slight_smile: chứ ngồi ở nhà đọc paper, đọc này đọc nọ cũng chỉ là lý thuyết thôi… còn ko tìm các job intern về lĩnh vực triển. Lên kaggle tham gia các competition cũng là một ý hay, hên thì lấy tiền :smiley:

mình không suggest ý tưởng học master liền :smiley: … đủ trải nghiệm rồi hãy học nếu có ý định theo hướng AI, ML… vì đa phần các chương trình master ở VN “cưỡi ngựa xem hoa” nhiều lắm, khi mình biết problem của mình là gì? đi học sẽ tranh thủ tìm cơ hội để hỏi nhiều hơn.

Biết học master ở VN không tốt thì đi học master ở nước ngoài thôi, đâu cần phải tự giới hạn bản thân đâu nhỉ :smile:

2 Likes

Về việc học master ở nước ngoài này thì mình ủng hộ này, nếu bạn thật sự muốn thì nên thử.

Mình biết có những bạn gia đình có khả năng có thể tự đi thì rất tốt. Nhưng mình cũng biết những bạn đi làm tích luỹ để sau vài năm có được tiền rồi tự đi học.

1 Like

Mình từng học xong khóa Machine learning trên Coursera (Grade Achieved: 99.16%) và nhận thấy ngành này không phù hợp với bản thân nên từ bỏ. Lý do mình từ bỏ là do:

  • Thấy mình đang máy móc áp dụng những mô hình có sẵn
  • Thấy bản thân không đủ khả năng để tạo ra mô hình mới

Nói về ML, AI, có thể chia làm 2 hướng:

  • Hướng ứng dụng: Ứng dụng những mô hình có sẵn để giải quyết một nhu cầu thực tế. Ví dụ đơn giản nhất là Nhận dạng biển số xe, Nhận dạng khuôn mặt, Phân loại sản phẩm, Dự đoán giá cả, …
    • Thứ chúng ta cần suy nghĩ không phải là tạo ra mô hình như thế nào, mà là làm cách nào để chuyển hóa nhu cầu thực tế thành bài toán ML, bạn sẽ phải đặt mình vào phía người dùng nhiều hơn là người sáng tạo.
  • Hướng nghiên cứu: Cải tiến, phát minh những mô hình mới.
    • Đòi hỏi nghiên cứu chuyên sâu hơn
    • Đòi hỏi hiểu biết toán sâu hơn

Theo mình thấy thì bạn đang nghiêng về hướng nghiên cứu. Con đường tốt nhất theo hướng này là học Master/PhD ở nước ngoài như lời khuyên của các bạn ở trên.

5 Likes

Nhím điểm cao thế mà bỏ cũng hơi phí nhỉ? Bây giờ ML/AI lên ngôi :-p

  • Thứ chúng ta cần suy nghĩ không phải là tạo ra mô hình như thế nào, mà là làm cách nào để chuyển hóa nhu cầu thực tế thành bài toán ML, bạn sẽ phải đặt mình vào phía người dùng nhiều hơn là người sáng tạo.

Mình thấy cái này là chủ yếu này, rất nhiều công ty chỉ cần thế này thôi. Làm được một ứng dụng tốt từ những cái sẵn có là rất tốt rồi.

5 Likes

Tính ra chắc cũng là 10 năm rồi. Em học là khóa đầu tiên của ML trên Coursera. Đôi khi cũng có chút tiếc. Nhưng thật sự thấy bản thân không đủ giỏi để theo ngành này vì em đã bỏ 120% công lực để hoàn thành khóa học. Đó là khoảng thời gian em thử nghiệm xem mình phù hợp với ngành nào nhất.

2 Likes

Bạn có thể cho mình một số tài liệu tham khảo mà bạn đã đọc được không?
Mình đang là Math PhD student.

1 Like

Hoàn toàn đồng ý đề xuất đi học Master và tốt nhất là đi du học. Với trải nghiệm học cao học tại Việt Nam thì mình nói thiệt là các thầy cô thật sự chẳng dậy được mấy đâu. Không chỉ cưỡi ngựa xem hoa, mà có khi những kiến thức nền quan trọng còn chẳng dạy nữa.
Một số lời khuyên nhỏ:

  • Tự học thật nhiều. Nếu bạn thấy “càng học càng thấy mình dốt” thì chúc mừng bạn đã bắt đầu vào guồng. Và nhất thiết đừng tạm dừng dù chỉ vài ngày vì kiến thức nó quá nhiều nên trôi cũng rất nhanh.

  • Các kiến thức XSTK là bắt buộc. Hãy bắt đầu với những điều nhỏ nhất. Nếu thấy quá trừu tượng, hãy đọc sách toán lớp 11.

  • Hãy học toán nhưng theo kiểu ứng dụng, đừng đâm đầu đi giải các bài toán chẳng giúp bạn đi đến đâu. Nhất thiết phải hiểu được: Vi phân, đạo hàm, tích phân, không gian vectơ, hồi quy … chúng nó là gì, chúng nó làm gì. Nếu bạn muốn hiểu thêm hơn về các mô hình học sâu thì học thêm kiến thức về không gian Banach, không gian Hilbert là vô cùng cần thiết. Và cuối cùng là tối ưu lồi và tô-pô.

  • Cái cuối cùng và quan trọng nhất, hãy chọn một cuốn sách nổi tiếng theo hướng bạn muốn theo NLP hay Computer vision, và lấy nó làm xương sống, học theo nó, thiếu đâu mò đấy. Mà nhớ phải code nhé, đừng giống mình lao vào toán quá sâu giờ nghiện chẳng muốn rút chân ra :rofl:

4 Likes
83% thành viên diễn đàn không hỏi bài tập, còn bạn thì sao?