RootOnChair

Mình nghĩ là trước khi thực hiện một hành động nào đó, ta luôn phải có lý do để thúc đẩy bản thân. Việc đọc cũng vậy, hằng ngày mình cố gắng đọc nhiều nhất có thể thông qua sách cũng như trên Internet với nền tảng như Medium. Vậy tại sao mình phải chịu khổ như vậy? Mọi người chắc cũng đều biết việc đọc hàng đống chữ khó khăn ra sao. Đơn giản thôi, vì sách là cội nguồn của tri thức, một thế giới mới trong sách mở ra hàng ngàn điều thú vị và mới mẻ .... Quên đi, hồi xưa giáo viên bắt viết vậy chứ lúc đó mình cũng có hiểu gì quái đâu. Lại nào! Dưới đây là những gì mình cảm nhận về việc đọc từ khi mình bắt đầu biết cầm cuốn sách lên đến bây giờ. Khởi đầu Mình còn nhớ cuốn sách đầu tiên mình mua về và đọc là hai cuốn phần 2 và 3 của Sherlock Holmes. Nói thật thì mình đếch nhớ tại sao mình lại mua Sherlock Holmes về đọc, nhưng sau khi đọc xong thì cũng thấy hay và không đọc nữa. Có lẽ mình sẽ không cầm một cuốn sách nào nữa lên đọc nếu không vì lý do ... không có Internet. Lên cấp 3

Ở bài viết này, chúng ta lại tiếp tục tìm hiểu về 2 thư viện còn lại là Matplotlib và Pandas. Các bạn có thể tự hỏi rằng tại sao chúng ta cần phải biết thêm 2 thư viện này trong khi chỉ với Numpy chúng ta đã có thể cài đặt thuật toán Linear Regression rồi. Đúng là như vậy, nhưng Numpy chỉ giúp chúng ta về mặt tính toán chứ không giúp ta hiểu được hoạt động của thuật toán đó. Thay vào đó, biểu đồ và bảng biểu sẽ giúp ta có cái nhìn rõ ràng hơn những vấn đề đang xảy ra với thuật toán ta đang sử dụng. Ví dụ như Cost Function của chúng ta đang tăng hay giảm, tăng mạnh hay không, những điều đó chúng ta rất khó có thể nhận ra mà phải cần đến một công cụ có thể chuyển số liệu thành hình ảnh. Đó là chỗ mà Matplotlib nhảy vào để hỗ trợ chúng ta. Pandas cũng không phải ngoại lệ, thông thường các dữ liệu của bạn đều được tải từ một tệp tin, phổ biến nhất là tệp .csv (Comma Separated Value), vào trong chương trình. Pandas có sẵn những hàm để làm việc này. Chưa kể đến chúng ta còn phải xử lý,

Chào mọi người! Hôm nay, mình sẽ nói về một thứ căn bản của căn bản nhất của Đại số tuyến tính đó là phụ thuộc tuyến tính và độc lập tuyến tính. Đây là khái niệm mình thấy làm nền tảng rất chắc để giải thích những lý thuyết khác của môn học này. Vậy thế nào là phụ thuộc hay độc lập tuyến tính? Về định nghĩa toán học, chúng được nêu như sau được nêu ra như sau: "Một tập hợp các vector được cho là phụ thuộc tuyến tính nếu ít nhất một vector có thể được biểu diễn dưới dạng tổ hợp tuyến tính của các vector còn lại. Nếu chúng không thể được biểu diễn dưới dạng tổ hợp tuyến tính, thì ta gọi những vector này độc lập tuyến tính với nhau." Tuy nhiên cách giải thích này vẫn còn khá hàn lâm. Hãy chia nhỏ nó ra và giải thích từng phần một theo một cách dễ hiểu hơn ở phần tiếp theo. Tổ hợp tuyến tính Giả sử chúng ta có 3 vector 𝐚 \boldsymbol{a} , 𝐛 \boldsymbol{b} , 𝐜 \boldsymbol{c} và để cho đơn giản, mình sẽ cho chúng thuộc ℝ 2 \mathbb{R}^2 . 𝐚 = [ 1 0 ] 𝐛 = [ 2 1 ] 𝐜

Trước khi có thể cài đặt thuật toán Machine Learning, chúng ta cần tìm hiểu về các công cụ trước đã. Trong bài viết này, mình muốn giới thiệu với các bạn "bộ ba quyền lực" trong các thư viện Machine Learning của ngôn ngữ Python đó là: Numpy: thư viện hỗ trợ tính toán ma trận Matplotlib: thư viện hỗ trợ biểu diễn đồ thị Pandas: thư viện giúp thao tác với dữ liệu bảng biểu (hay còn có tên gọi khác là Excel của lập trình viên). Chúng ta sẽ lần lượt đi qua cách cài đặt, các hàm và cách sử dụng cơ bản của Numpy, Matplotlib và Pandas cùng với code mẫu để các bạn có thể làm theo trong quá trình đọc bài viết. Nhưng mình sẽ nói nhiều hơn về numpy hơn là 2 thư viện còn lại vì tính quan trọng của thư viện này Python và pip Trong bài viết này, mình sử dụng Python 3.7 . Để kiểm tra máy bạn đã có Python chưa, hãy mở cmd/Terminal lên và gõ python --version hoặc python3 --version nếu lệnh trên không hoạt động. Nếu máy bạn đã có Python thì sẽ được trả lại kết quả như bên dướ

Hãy ngẫm lại, lần cuối bạn tập trung làm một việc duy nhất là khi nào? Và được bao lâu? Tôi không chắc là mình nhớ được lần cuối đó là khi nào. Tôi đã từng thấy mình trong tình trạng đa nhiệm trước đây. Vừa học bài vừa coi Youtube, lướt Facebook, lâu lâu có đoạn nào khó quá và cần tập trung thì y như rằng tâm trí tôi lại thèm khát việc lên mạng, lướt lướt vài cái dù biết rằng trên đó chẳng có gì thay đổi. Bạn có thể cho rằng tôi là một thằng nghiện Internet, mà như thế cũng chẳng sai, tôi chỉ bắt đầu nhận thức được điều này khi bắt đầu gặp bài nói chuyện Ted của Cal Newport và đọc cuốn Deep Work của anh chàng này. Trong bài viết này, tôi muốn tổng hợp lại các lý do mà Newport đã đưa ra - trong bài nói lẫn trong cuốn sách - về sự hủy hoại của đa nhiệm gây ra với hệ thống tập trung của con người và việc mạng xã hội, cụ thể hơn là Facebook đã tiếp tay cho sự tàn phá đó như thế nào. Đa nhiệm, sự lừa dối về tính hiệu quả Trong thực tế, không chỉ riêng bản thân mà tôi cũng thấy những ngườ

Photo by  Drew Beamer  on  Unsplash Trong năm vừa qua ở Đại học, mình nhận ra rằng mình gặp trường hợp là các sinh viên dường như sợ tiếng Anh. Vừa rồi, mình có tham gia một lớp Anh Văn của trường, nơi mình mong là mình sẽ có cơ hội cải thiện thêm khả năng nói của mình. Giảng viên của lớp mình là một người tuyệt vời, cô có đưa ra vài lời khuyên hữu ích trong việc học và rất tận tình giải đáp thắc mắc của sinh viên. Ngoài ra, cô còn khuyến khích việc giao tiếp bằng tiếng Anh trong lớp và hạn chế tiếng Việt. Rõ ràng là một cơ hội tuyệt vời cho mục đích của mình. Thế nhưng, không như mình tưởng, trong lớp phần lớn gặp vấn đề với việc nói chuyện bằng tiếng Anh. Mình không nói đến những bạn có khả năng tiếng Anh chưa tốt trong lớp vì ít nhất họ còn cố gắng luyện tập bằng cách sử dụng nó. Những bạn mà mình nhắc đến ở đây là những bạn tránh giao tiếp tiếng Anh. Khi cần phải trả lời bằng tiếng Anh thì các bạn ấy hoặc là im lặng, hoặc là nói bằng tiếng Việt. Nếu vậy thì làm sao khả năng