Chuyện Phiếm Là Gì
c/ Về mục đích của cái đẹp. Cái đẹp giản lược có hai cách hiểu chính. Một là "TÔI TẠO RA CÁI ĐẸP CHỈ ĐƠN THUẦN VÌ TÔI MUỐN"-"NGHỆ THUẬT VỊ NGHỆ THUẬT" (Oscal Wilde ?). Cái đẹp được tạo ra vì chính nó, vì chính cái tôi của tác giả. Ở đây, nó không vì một mục đích phục vụ xã hội hay chính trị nào cả và có thể theo một khuôn mẫu nhất định (cách bố trí, sự hài hòa trong mảng màu, tính cân đối trong thiết kế,...) hoặc không (xuất hiện khá nhiều nhưng cá nhân tôi cảm thấy nó vẫn phải tuân theo một khuôn mẫu nào đó, cái đẹp dạng này thường là sự kết hợp giữa phương Đông (các gốm sứ; đồ mỹ nghệ; gạch lót; các loại thú như Công, Phượng, Rồng,...) và phương Tây (Đồ gỗ như tủ, bàn ghế; lò sưởi,...) Hai là "NGHỆ THUẬT VỊ NHÂN SINH". Đây là quan điểm cứng của Chủ nghĩa Cộng Sản, hiểu đơn giản là mọi tác phẩm nghệ thuật hay cái đẹp đều phải có nội dung và mục đích mang tính điều hướng, giáo dục hoặc vì mục đích chính trị. Các tác phẩm này dễ dàng nhận diện thông qua các tranh ảnh cổ động thời Liên Xô hay Thời kỳ Đổi Mới (các thông điệp mang tính bình dân như bảo vệ tổ quốc hay đầu quân ra trận, gia tăng sản xuất, cổ động, thần tượng hóa một lãnh tụ hay một đảng (cái này tích cực mà nói thì nó ý nghĩa trong việc thống nhất tư tưởng và việc này cực kỳ tốt trong một xã hội bất ổn lúc bấy giờ nếu ta cần xây dựng một hệ thống bền vững,...)).
c/ Về mục đích của cái đẹp. Cái đẹp giản lược có hai cách hiểu chính. Một là "TÔI TẠO RA CÁI ĐẸP CHỈ ĐƠN THUẦN VÌ TÔI MUỐN"-"NGHỆ THUẬT VỊ NGHỆ THUẬT" (Oscal Wilde ?). Cái đẹp được tạo ra vì chính nó, vì chính cái tôi của tác giả. Ở đây, nó không vì một mục đích phục vụ xã hội hay chính trị nào cả và có thể theo một khuôn mẫu nhất định (cách bố trí, sự hài hòa trong mảng màu, tính cân đối trong thiết kế,...) hoặc không (xuất hiện khá nhiều nhưng cá nhân tôi cảm thấy nó vẫn phải tuân theo một khuôn mẫu nào đó, cái đẹp dạng này thường là sự kết hợp giữa phương Đông (các gốm sứ; đồ mỹ nghệ; gạch lót; các loại thú như Công, Phượng, Rồng,...) và phương Tây (Đồ gỗ như tủ, bàn ghế; lò sưởi,...) Hai là "NGHỆ THUẬT VỊ NHÂN SINH". Đây là quan điểm cứng của Chủ nghĩa Cộng Sản, hiểu đơn giản là mọi tác phẩm nghệ thuật hay cái đẹp đều phải có nội dung và mục đích mang tính điều hướng, giáo dục hoặc vì mục đích chính trị. Các tác phẩm này dễ dàng nhận diện thông qua các tranh ảnh cổ động thời Liên Xô hay Thời kỳ Đổi Mới (các thông điệp mang tính bình dân như bảo vệ tổ quốc hay đầu quân ra trận, gia tăng sản xuất, cổ động, thần tượng hóa một lãnh tụ hay một đảng (cái này tích cực mà nói thì nó ý nghĩa trong việc thống nhất tư tưởng và việc này cực kỳ tốt trong một xã hội bất ổn lúc bấy giờ nếu ta cần xây dựng một hệ thống bền vững,...)).
Lộ trình trở thành Data Scientist trong năm 2022
Tin vui cho tất cả những người đang bước vào ngành Data Science: Đường learning curve của ngành này không còn quá dốc nữa – đường vào nghề ở thời điểm hiện tại đơn giản hơn ngày xưa rất nhiều. Từ bất kì background nào bạn cũng có thể vào lĩnh vực này, đương nhiên phải kiên trì học nhiều – hiểu nhiều – cày nhiều, nhưng có thể đi chậm và chắc từ những cái căn bản.
Python mãi xứng đáng có một vị trí cao ổn định trong bộ toolkit của một Data Scientist. Nhiều chuyên gia chọn ngôn ngữ này vì hệ sinh thái được thiết kế đặc biệt cho khoa học dữ liệu. Python có cộng đồng phân tích dữ liệu lớn nhất, sẽ dễ dàng tìm thấy các ví dụ về phân tích trong Kaggle, tìm các ví dụ mã trong Stackoverflow (trang web hỏi đáp với hầu hết người mới bắt đầu và thường nâng cao câu hỏi là tốt) và cơ hội việc làm vì nó là ngôn ngữ phổ biến nhất trên thị trường.
Việc “nói cùng ngôn ngữ với database” là điều cần thiết cho các nhà khoa học dữ liệu. Bạn sẽ cần phải thành thạo SQL (xem thêm SQL là gì?) để có thể lấy thông tin từ cơ sở dữ liệu bằng cách sử dụng các hướng dẫn truy vấn mà không cần phải nối mã tùy chỉnh.
Với nhiều tính năng đặc biệt, R là ngôn ngữ được “làm thủ công” dành riêng cho data science và là khởi đầu cần thiết cho các Data Scientist năm 2020. Mọi thông tin và vấn đề số liệu sẽ được xử lý bằng R.
Mặc dù kiến thức về công cụ này là không bắt buộc, nhưng Hadoop làm tăng giá trị và khả năng chuyên môn của một nhà khoa học dữ liệu, đặc biệt nếu họ có kinh nghiệm với Hive hoặc Pig. Các công cụ đám mây như Amazon S3 cũng có thể giúp ích rất nhiều.
Không có cách nào để trốn được Machine Learning (xem thêm Machine Learning là gì?) đâu, bạn chắc chắn phải hiểu hết những điều cơ bản của ML. Điều này cung cấp cho bạn một kiến thức khổng lồ để hiểu cách các mô hình khác nhau hoạt động bên trong và thậm chí nghĩ về mô hình tốt hơn cho từng vấn đề.
Có nhiều kỹ thuật phổ biến cho hầu hết mọi mô hình và bạn nên học các kỹ thuật này trước và chỉ sau đó tập trung vào tìm hiểu sự khác biệt toán học và chi tiết triển khai của chúng.
Phần tốt nhất, quan trọng nhất và không may là khó nhất để cuối cùng – Thống kê. Chính kỹ năng này sẽ phân biệt là Data scientist và Machine Learning Engineer. Không có đường tắt ở đây. Bạn nên bắt đầu với thống kê mô tả, biết cách thực hiện phân tích dữ liệu khám phá tốt (EDA) hoặc tối thiểu là các khái niệm cơ bản về xác suất và suy luận, hiểu rõ các khái niệm về sai lệch lựa chọn, Nghịch lý Simpson, liên kết các biến (cụ thể là phương pháp phân tách phương sai ), những điều cơ bản của suy luận thống kê (và thử nghiệm A / B nổi tiếng như suy luận được biết đến trên thị trường), và một ý tưởng cho thiết kế thử nghiệm.
Công việc của một Data Scientist
Mục tiêu của bộ phận Data Science là làm sao để các bộ phận các tại Doanh nghiệp có thể đưa ra các quyết định dựa trên dữ liệu tốt hơn. Vì thế Data Science có vai trò hỗ trợ (tương tự như CNTT) cho phép tổ chức hoạt động tốt hơn và tăng giá trị nhanh hơn thông qua việc ra quyết định tốt hơn.
Luồng công việc của bộ phận Data Science sẽ gồm các Cột mốc quan trọng (đám mây), các giai đoạn (đường kẻ đứt nét) và các bước (box màu xám). Quy trình bắt đầu từ một vấn đề cụ thể (Cột mốc 1) – doanh nghiệp sẽ ưu tiên đưa vấn đề này đến nhóm khoa học dữ liệu và họ sẽ bắt đầu vào quy trình quản lý dự án.
Chu trình Data Science có 3 giai đoạn:
Khi kết thúc quy trình, phần triển khai này sẽ là lúc một Business Value (cột mốc) mới cho doanh nghiệp được tạo ra.
Tìm kiếm các nguồn học tập dành cho Data Scientist
Tham khảo các khoá học Data Science miễn phí trực tuyến tại đây
Các đầu git không thể bỏ qua nếu như đang dấn thân vào DS:
Hy vọng với thông tin từ bài blog sẽ cung cấp được kiến thức hữu ích về Data Scientist là gì cũng như các lộ trình cơ bản để trở thành lập trình Data Scientist tương lại. TopDev Blog cũng sẽ tiếp tục series về Data Science trong thời gian sắp đến. Đừng bỏ lỡ nhé!
Xem thêm việc làm Data Scientist trên TopDev
Phân biệt Data Scientist vs Data Engineer vs Data Analyst
“Tháp workflow” của bộ phận Data Science
Tuỳ thuộc vào quy mô và mô hình doanh nghiệp, mỗi vị trí tại mỗi tổ chức sẽ có vai trò và trách nhiệm khác nhau. Tuy nhiên, mô hình tổng quan nhất về sự khác nhau của bộ ba Data như sau:
Các nhà khoa học dữ liệu phải có một nền tảng toán học và thống kê. Họ cũng hiểu và thành thạo việc tạo ra các mô hình máy học và trí tuệ nhân tạo. Việc tìm kiếm Data Scientist của doanh nghiệp cũng như tìm kiếm một Full-stacker và đòi hỏi nhiều thời gian.
Có thể gọi họ là loại kiến trúc sư dữ liệu. Kỹ sư dữ liệu thường có kỹ thuật máy tính hoặc nền tảng khoa học và kỹ năng tạo hệ thống.
Do đó, chúng ta có thể thấy rằng phạm vi công việc của các nhà phân tích dữ liệu nhằm phân tích và mô tả các chiến lược trong quá khứ hoặc trước đó dựa trên dữ liệu quá khứ hoặc hiện tại, trong khi các nhà khoa học dữ liệu tập trung vào việc dự đoán và tính toán trước để tạo ra các chiến lược trong tương lai.
Soft Skill: Suy nghĩ như một Data Scientist
Việc tự trau dồi và rèn luyện tư duy của một Data Scientist là một trong những kỹ năng quan trọng để phân biệt giữa một Scientist giỏi và một Scientist vừa đủ. Một số gợi ý cho bạn để tự rèn luyện cho mình:
Hãy luôn đặt câu hỏi “Vi sao?”, tìm liên kết và những thông tin mới với những vấn đề trong cuộc sống hằng ngày. Trong công việc, các nhà khoa học dữ liệu cho ra insight từ dữ liệu và thông tin từ dataset và đưa ra các quyết định quan trọng theo đó. Việc phân tích hoàn hảo sẽ không hữu ích nếu nó không giải quyết được vấn đề cơ bản. Đôi khi bạn cần quay lại, thử một cách tiếp cận mới và điều chỉnh lại câu hỏi bạn đang cố gắng trả lời. Hãy luôn đặt câu hỏi.
Các nhà khoa học dữ liệu sử dụng rất nhiều công cụ để quản lý quy trình công việc, dữ liệu, chú thích và mã của họ. Điều quan trọng là phải làm việc khoa học, quan sát, thử nghiệm và ghi chép lại mọi lúc, để bạn có thể xem lại và suy nghĩ. Ngoài ra cần phải lưu lại tất cả các nghiên cứu, thông tin bạn phát hiện được không chỉ ở hiện tại – trong quá khứ nữa.
Nghe thì có vẻ mâu thuẫn, nhưng khoa học dữ liệu cần được tiếp cận ở nhiều cách thức – phương diện và góc nhìn khác nhau. Bạn không nhất thiết phải có background kĩ thuật, nhưng bạn cần phải có tư duy sáng tạo. Thông thường, suy nghĩ thay thế (alternative thinking) là chìa khóa cho cách bạn giải quyết một vấn đề mới. Nó sễ đi song song của tư duy logic để giúp bạn thành công trong nghiên cứu và giải mã insight.
Bạn không nhất thiết phải là chuyên gia lập trình, hay tài chính hay bắt buộc từ chuyên môn nào cả. Rất nhiều Data Scientist trên thế giới đến từ ngành luật hoặc kinh tế hoặc khoa học hoặc cả bác sĩ. Tất cả nằm ở chính mình và nỗ lực mà thôi.
Nếu có thể linh hoạt và làm việc có hệ thống, bạn hoàn toàn có thể quen với các tool, frameworks và datasets, cũng như nhanh chóng phát triển sự thấu hiểu về về ngành và vấn đề của doanh nghiệp.
