Những tấm lòng cao cả [Review]

Những tấm lòng cao cả

Cuốn sách Những tấm lòng cao cả (1886) của nhà văn Edmondo De Amicis – người đã đấu tranh cho độc lập đất nước vào năm 20 tuổi, đấu tranh cho công bằng xã hội vào năm 40 tuổi – là thiên tiểu thuyết viết dưới dạng nhật ký của cậu bé mười tuổi người Ý tên là Enricô. Một tác phẩm mà khi đã đọc đến trang cuối cùng, đọng lại trong lòng người lại là những bài học giản dị nhất nhưng lại sâu sắc nhất – không chỉ dành riêng cho con trẻ mà còn cho tất cả chúng ta.

Đọc Những tấm lòng cao cả, chúng ta sẽ hiểu thêm về tâm sức của “những người chở đò” – những thầy cô giáo đã dành cả đời cống hiến, mặc dù bản thân sống thiếu thốn, nhưng trong lòng luôn ấp ủ một ước mơ duy nhất: dạy dỗ thế nào cho học trò của mình thành đạt. Hơn nữa, ta còn hiểu được sự cần thiết và quan trọng của mối liên hệ giữa gia đình, nhà trường, xã hội để giáo dục con em mình trở thành một công dân tốt.

Vấn đề tiếp theo là, làm thế nào để điều chỉnh hành vi/đạo đức của người lớn trong: công việc (chẳng hạn giảng dạy, NCKH), quan hệ, …?! Cần có hai bước:

Bước 1. Mỗi cá nhân cần (liên tục) xây dựng “bộ luật” của chính mình: hành vi nào là được; hành vi nào là KHÔNG được.

Bước 2. Tuân thủ nghiêm ngặt “bộ luật” do mình đề ra.

Ghi chú:

  • Bước 1 không quá khó, điểm nào không biết thì phải tìm hiểu (ví dụ dùng google). Cần phải có niềm tin vào ý kiến riêng của bản thân, phải lắng nghe tất cả mọi người nhưng cũng cần phải sàng lọc những gì nghe được qua một tấm lưới chân lý để chỉ đón nhận những gì tốt đẹp.
  • Bước 2 khó hơn, phải biết vượt qua cám dỗ của bản thân và những tác động từ bên ngoài. Cần phải có được sự bền chí để là người dũng cảm.
  • Khi “bộ luật” có điểm không hợp lý, phải chỉnh sửa ngay.

(Tham khảo: Internet)

———————–&&&———————-

Chuỗi bài giảng về: Quản trị rủi ro định lượng

QRM Tutorial

QRM Tutorial has been created by

in collaboration with QRM Academy Ltd.

2015 09 11 QRM team

Left to right: R. Frey, M. Hofert, P. Embrechts, A.J. McNeil

Link: Quantitative Risk Management Tutorial – Video

—————–&&&—————-

Lectures on Matrix computation in data science. VIASM: 6-11/05/2018

Lectures on Matrix computation in data science. VIASM: 6-11/05/2018

(Nguồn: http://viasm.edu.vn)

Thời gian: 10:00:06/05/2018 đến 12:00:11/05/2018

Địa điểm: B4-705, VIASM

Báo cáo viên: Prof. Vu Ha Van (Yale University), Assistant: Andrei Deaneanu

Tóm tắt:

Schedule:

Lectures from 10:00 to 12:00 everyday from May 6 until May 11, 2018. Bài giảng diễn ra từ 10:00 đến 12:00 hàng ngày từ 06/5-11/5/2018.

  Sunday 6th Monday 7th Tuesday 8th Wensday 9th Thursday 10th Friday 11th
Start learning 10:00am to 12:00pm 10:00am to 12:00pm 10:00am to 12:00pm 10:00am to 12:00pm 10:00am to 12:00pm 10:00am to 12:00pm

 

Abstract: 

We live in the age of large data. A fundamental goal of data science is to find interesting information in existing data and make it beneficial to human kind.
Data is often represented in the form of (very large) matrices. In order to find interesting information, one needs to run matrix algorithms. Fast and accurately.
These series of lectures address two key issues in matrix algorithms: The presence of noise and the sparsification technique.

(1) Data is noisy. How does the noise change the output of our algorithms?
(2) Most matrix algorithms are fast if the input is sparse (namely, having many zeroes). For instance, it is very fast two multiply two vectors full of zeroes. How can we sparsify our matrix (namely, replacing it with a sparse one) while not losing essential information?
(3) Recently, it has turned out, somewhat surprisingly, that some results for (1) can be used to solve problems in (2).

Requirement: basic knowledge in linear algebra and probability.

———————–&&&———————–

Các trường đại học Mỹ muốn có nhiều SV nông thôn hơn

American Colleges Want More Rural Students

(Nguồn: https://learningenglish.voanews.com)

Nhiều cơ sở giáo dục bậc cao của Mỹ đã đồng ý về nguyên tắc đảm bảo sự cân bằng của tỷ lệ sinh viên theo màu da, sắc tộc hay sự pha trộn các nền văn hóa.

Link: https://learningenglish.voanews.com/a/american-colleges-want-more-rural-students/4367680.html

————————-&&&———————

 

Lí giải những mô hình Học máy phức tạp qua LIME

HH Data Science Meetup slides: Explaining complex machine learning models with LIME

(Tác giả: Shirin Glander – Nguồn: https://shirinsplayground.netlify.com)

Tại hội nghị Hamburg Data Science, 12/4/2018, tôi đã nói về:  Lí giải những mô hình Học máy phức tạp qua LIME

Các phương pháp Học máy truyền thống tập trung chủ yếu vào việc huấn luyện và tối ưu các mô hình. Mô hình tốt nhất thường được chọn thông qua các thước đo hiệu năng như độ chính xác hay sai số; và ta có xu hướng cho rằng một mô hình là đủ tốt để đưa vào triển khai khi các tiêu chuẩn hiệu năng vượt qua một mức chặn nhất định. Tuy nhiên, việc hiểu & diễn giải các mô hình này là vô cùng quan trọng để cải tiến chất lượng mô hình, tăng độ tin tưởng/sự minh bạch cũng như giảm độ sai lệnh. Bởi vì những mô hình Học máy phức tạp thực sự là những “hộp đen” và quá phức tạp để hiểu nó, ta cần sử dụng những xấp xỉ để có thể lí giải nó tốt hơn. Một trong những công cụ đó là LIME (Local Interpretable Model-agnostic Explanations) – LIME giúp cho việc hiểu và lí giải các quyết định từ những mô hình Học máy phức tạp.

Slide: https://www.slideshare.net/ShirinGlander/hh-data-science-meetup-explaining-complex-machine-learning-models-with-lime-94218890

———————-&&&——————-

Phân tích Hồi quy trên R

15 TYPES OF REGRESSION YOU SHOULD KNOW

(Nguồn: https://www.listendata.com)

Hồi quy là một trong những kỹ thuật phổ biến nhất để dự báo & khai phá dữ liệu. Trung bình, các chuyên gia phân tích thường chỉ biết 2-3 dạng hồi quy: Hồi quy tuyến tính và Hồi quy logistic. Tuy nhiên, thực tế thì có hơn 10 dạng hồi quy được sử dụng trong phân tích, mỗi dạng hồi quy đều có ý nghĩa riêng của nó. Tùy từng loại dữ liệu cũng như dạng phân bố của dữ liệu mà người ta sẽ chọn kiểu hồi quy phù hợp.
1. Phân tích hồi quy là gì?

Nói một cách đơn giản, phân tích hồi quy được sử dụng để mô hình mối quan hệ giữa biến phụ thuộc với một/nhiều biến độc lập.

2. Các thuật ngữ liên quan tới hồi quy

  • Giá trị ngoại lệ (Outliers)
  • Đa cộng tuyến (Multicollinearity)
  • Phương sai thay đổi (Heteroscedasticity)
  • Underfitting và Overfitting

3. Các dạng hồi quy

  • Hồi quy tuyến tính (Linear Regression)
  • Hồi quy đa thức (Polynomial Regression)
  • Hồi quy Logistic (Logistic Regression)
  • Hồi quy phân vị (Quantile Regression)
  • Hồi quy Ridge (Ridge Regression)
  • Hồi quy Lasso (Lasso Regression)
  • Hồi quy Elastic net (Elastic net Regression)
  • Hồi quy thành phần chính (Principal Component Regression – PCR)
  • Hồi quy bình phương nhỏ nhất từng phần (Partial Least Square Regression – PLS)
  • Hồi quy Support Vector (Support Vector Regression – SVR)
  • Hồi quy thứ tự (Ordinal Regression)
  • Hồi quy Poisson (Poisson Regression)
  • Hồi quy nhị thức âm (Negative Binomial Regression)
  • Hồi quy tựa-Poisson (Quasi-Poisson Regression)
  • Hồi quy Cox (Cox Regression)

4. Làm sao để chọn đúng mô hình hồi quy?

  • Nếu biến phụ thuộc là liên tục, mô hình có hiện tượng cộng tuyến hoặc có quá nhiều biến độc lập, có thể thử dùng hồi quy: PCR, PLS, Ridge, Lasso và Elastic net. Có thể chọn mô hình cuối cùng dựa trên: Adjusted r-square, RMSE, AIC và BIC.
  • Nếu làm việc trên dữ liệu rời rạc, có thể thử dùng hồi quy: Poisson, tựa-Poisson và nhị thức âm.
  • Để tránh Overfitting, có thể dùng phương pháp kiểm chứng-chéo (Cross-validation) để ước lượng mô hình khi dự báo. Có thể sử dụng các kỹ thuật hồi quy Ridge, Lasso và Elastic net để xử lí vấn đề Overfitting.
  • Thử dùng hồi quy SVR khi có khả năng là mô hình phi tuyến.

Bài viết đầy đủ: https://www.listendata.com/2018/03/regression-analysis.html


R-statistics.co

METHOD APPLICATION CASE
Robust Regression Applicable in all cases where OLS regression can be used. Applies re-weighting to reduce outlier influence.
Logistic Regression Models binary variables.
Probit Regression Models binary variables.
Multinomial Regression Models categorical variables with more that 2 levels.
Ordinal Logistic Models ordinal or rank variables.
Poisson and Negative Binomial Models count variables. Neg Binomial is used when there is over-dispersion.
Ridge Regression Address Multicollinearity
Beta Regression Models variables within (0, 1) range.
Dirichlet Regression Models compositional data
Loess Regression Smoothing Time series.
Isotonic Regression For approximation of data that can only increase (..typically cumulative data)

 


STHDA

Regression Analysis Essentials For Machine Learning

——————–&&&———————

edx MOOC-Supply Chain Analytics; MITx

edx MOOC-Supply Chain Analytics; MITx

Master and apply the core methodologies used in supply chain analysis and modeling, including statistics, regression, optimization and probability ​– part of the MITx Supply Chain Management MicroMasters Credential.

Supply Chain Analytics

About this course

Supply chains are complex systems involving multiple businesses and organizations with different goals and objectives. Many different analytical methods and techniques are used by researchers and practitioners alike to better design and manage their supply chains. This business and management course introduces the primary methods and tools that you will encounter in your study and practice of supply chains. We focus on the application of these methods, not necessarily the theoretical underpinnings.

We will begin with an overview of introductory probability and decision analysis to ensure that students understand how uncertainty can be modeled. Next, we will move into basic statistics and regression. Finally, we will introduce optimization modeling from unconstrained to linear, non-linear, and mixed integer linear programming.

This is a hands-on course. Students will use spreadsheets extensively to apply these techniques and approaches in case studies drawn from actual supply chains.

What you’ll learn

  • Basic analytical methods
  • How to apply basic probability models
  • Statistics in supply chains
  • Formulating and solving optimization models

Syllabus

WEEK 1: INTRODUCTION TO SUPPLY CHAINS AND BASIC ANALYSIS

WEEK 2: PRESCRIPTIVE MODELING I: CONSTRAINED AND UNCONSTRAINED OPTIMIZATION

WEEK 3: PRESCRIPTIVE MODELING II: IPS, MILPS, AND NETWORK MODELS

WEEK 4: ALGORITHMS AND APPROXIMATIONS

WEEK 5: PREP-WEEK

WEEK 6: MIDTERM EXAM

WEEK 7: MANAGING UNCERTAINTY: DISTRIBUTIONS AND PROBABILITY

WEEK 8: STATISTICAL TESTING

WEEK 9: REGRESSION AND SIMULATION MODELS

WEEK 10: QUEUEING THEORY AND DISCRETE EVENT SIMULATION

WEEK 11: PREP-WEEK

WEEK 12: FINAL EXAM

******************

Đăng ký (free): link

———————-&&&———————-