Bây giờ thì tôi đã hiểu vì sao Phật pháp lại đi trước khoa học nhiều như thế nào rồi

Đức Phật là người đã phát hiện và giác ngộ ra các nguyên lý trong vũ trụ và nhân sinh. Giống như Newton đã tìm ra luật hấp dẫn, dù bạn có biết hay không, dù bạn theo tín ngưỡng nào đi nữa, dù bạn có chối bỏ hay biện minh, dù bạn có học Phật hay không, dù Đức Phật có sinh ra trên cuộc đời này đi chăng nữa thì những chân lý Nhân Qủa, Nghiệp Phước, Luân hồi tái sanh vẫn luôn tồn tại vì đó là quy luật và mọi thứ sẽ đi theo quy luật của tự nhiên mà thôi.

Nếu có một tôn giáo nào đương đầu với các nhu cầu của khoa học hiện đại thì đó là Phật giáo. Phật giáo không cần xét lại quan điểm của mình để cập nhật hóa với những khám phá mới của khoa học. Phật giáo không cần phải từ bỏ quan điểm của mình để xu hướng theo khoa học, vì Phật giáo bao hàm cả khoa học cũng như vượt qua khoa học.
— Albert Einstein

Tham khảo thêm: Sách của thầy Thích Nhất Hạnh.

Câu Chuyện Luân Hồi Lý Giải Nguyên Nhân Sướng Khổ Của Một Đời Người

Kiep luan hoi

Kiep luan hoi

Vì sao trên đời này có những người làm việc ác vẫn sung sướng, còn có người làm việc thiện lại sống khổ sở? Câu chuyện nhỏ sau đây sẽ giúp chúng ta liễu giải được phần nào.

Vào triều đại nhà Thanh (1644 – 1661), tại huyện Thuận Nghĩa, Bắc Kinh có một gia đình họ Cống rất giàu có. Tài sản trong nhà họ có hàng trăm mẫu đất, lừa ngựa hàng đàn. Cống gia có một người con trai tên là Cống Khánh Hữu. Vào năm Cống Khánh Hữu ra đời thì vợ chồng một người đầy tớ của nhà họ là Lý Đại cũng sinh được một cậu con trai. Hai vợ chồng Lý Đại đặt tên cho con trai là Lý Phúc.

Năm Cống Khánh Hữu lên 7 tuổi, gia đình họ Cống đã mời một thầy giáo giỏi đến dạy học cho cậu bé. Lý Đại thấy cậu chủ được học liền năn nỉ xin cho con mình được học cùng.

Hai cậu bé Cống Hữu và Lý Phúc lớn lên cùng nhau, ban ngày cùng học, ban đêm cùng ngủ, thấm thoắt đã 14 năm.

Có một đêm, Lý Phúc đang ngủ rất say thì nằm mơ. Cậu mơ thấy trên trời có một cánh cửa to mở ra và lần lượt hai vị Thần xuất hiện. Hai vị Thần cùng đi vào thư phòng mà Lý Phúc và Cống Hữu vẫn ngồi học.

Sau đó một vị Thần chỉ tay vào Cống Hữu và hỏi vị Thần kia: “Cậu bé này là như thế nào?”.

Vị Thần kia nói: “Người này là người đại phú, đại quý, vào năm 17 tuổi, sẽ đỗ tú tài, năm 19 tuổi sẽ đỗ cử nhân, tương lai làm chức quan nhị phẩm, cả đời hưởng vinh hoa phú quý!”.

Vị Thần lại chỉ vào Lý Phúc và hỏi: “Còn cậu bé này?”.

Vị Thần kia trả lời: “Đây là một người nghèo khổ, cả đời nghèo khó và không có chút công danh nào!”.

Sau khi nói xong, hai vị Thần lại dần dần bay vào bên trong cổng trời và cổng trời lại đóng lại như lúc ban đầu.

Lý Phúc bừng tỉnh và thấy rất kỳ quái. Cậu liền đem những chuyện mà cậu chứng kiến trong mơ kể lại cho cha mẹ và mọi người.

Khi Cống Hữu 17 tuổi, quả nhiên cậu đỗ tú tài. Lúc này, Lý Phúc đã không còn học nữa mà ở nhà làm ruộng. Mặc dù Lý Phúc ở nhà làm ruộng nhưng trong lòng vẫn luôn để ý đến Cống Hữu. Lý Phúc biết rõ Cống Hữu có bản tính tàn nhẫn, cay nghiệt và làm nhiều việc ác. Vậy mà, kể từ sau khi đỗ tú tài, công danh của Cống Hữu vẫn không ngừng thăng lên. Thậm chí, Cống Hữu còn được làm quan lớn. Từ sau khi Cống Hữu làm quan lớn, ông ta lại ăn hối lộ, làm rối loạn kỷ cương và đối xử tàn độc với dân chúng.

Tiếp tục đọc

Feature engineering là gì

Feature engineering

Feature engineering

Trong bài viết này, ta sẽ tìm hiểu về kĩ thuật feature engineering. Đây là chủ đề mà hầu như không có bài báo hay cuốn sách nào đề cập đến nhưng kĩ thuật này là yếu tố quan trọng trong việc xây dựng thành công mô hình dự đoán có độ chính xác cao. Bài viết này nhằm trả lời câu hỏi feature engineering là gì, tại sao nó quan trọng, và các bài toán con trong kĩ thuật feature engineering.

Tiếp tục đọc

Điểm qua các thuật toán Machine Learning hiện đại

machine learning in emoji

machine learning in emoji

Trong bài viết này, ta sẽ điểm qua một số thuật toán Machine learning thường được sử dụng trong các hệ thống hiện đại chuyên để xử lý Big Data. Các thuật toán này nhắm đến độ chính xác dự đoán và tối ưu hoá khả năng tính toán của hệ thống hiện tại.

Deep Learning

Modern machine learning

Modern machine learning

Deep learning là phương pháp nâng cao của mạng nơ-ron nhân tạo (Artificial Neural Networks) khai thác khả năng tính toán ngày càng rẻ từ các chip xử lý hiện đại.

Phương pháp này nhắm tới việc xây dựng nhiều hơn các mạng nơ-ron phức tạp cũng như giải quyết bài toán semi-supervised do tập dữ liệu khổng lồ thường được gán nhãn không đầy đủ.

Các thuật toán deep learning phổ biến:

  • Deep Boltzmann Machine (DBM)
  • Deep Belief Networks (DBN)
  • Convolutional Neural Network (CNN)
  • Stacked Auto-Encoders

Dimensionality Reduction

PCA reduce 3D to 2D space

PCA reduce 3D to 2D space

Tương tự như phương pháp clustering, cơ chế của phương pháp giảm số chiều thuộc tính (dimensionality reduction) cũng dựa trên tính chất vốn có của dữ liệu để rút gọn, tổng hợp lại thành tập dữ liệu mới có thông tin ít hơn rất nhiều nhưng vẫn đảm bảo mô tả toàn vẹn tập dữ liệu ban đầu.

Phương pháp này thường được sử dụng vào Big Data, do số lượng dữ liệu quá lớn và giới hạn tính toán của hệ thống hiện tại, ta có thể rút gọn tập dữ liệu ban đầu để có thể đáp ứng được khả năng tính toán nhưng vẫn giữ được độ chính xác dự đoán có thể chấp nhận được. Một số thuật toán dimensionality reduction:

  • Principal Component Analysis (PCA)
  • Principal Component Regression (PCR)
  • Partial Least Squares Regression (PLSR)
  • Sammon Mapping
  • Multidimensional Scaling (MDS)
  • Projection Pursuit
  • Linear Discriminant Analysis (LDA)
  • Mixture Discriminant Analysis (MDA)
  • Quadratic Discriminant Analysis (QDA)
  • Flexible Discriminant Analysis (FDA)

Ensemble

ensemble-algorithms

ensemble-algorithms

Phương pháp ensemble là mô hình được tổng hợp từ nhiều mô hình con (weaker model) được huấn luyện độc lập. Kết quả dự đoán cuối cùng dựa trên kết quả “bỏ phiếu” của từng mô hình con đó cho kết quả đầu ra.

Các thuật toán cải tiến cho phương pháp này thường nhắm tới cách làm thế nào để lấy mẫu huấn luyện hiệu quả cho từng mô hình con và làm thế nào để lựa chọn các mô hình con sao cho chúng kết hợp lại có thể tạo ra kết quả dự đoán tốt nhất. Một số kĩ thuật esemble:

  • Boosting
  • Bootstrapped Aggregation (Bagging)
  • AdaBoost
  • Stacked Generalization (blending)
  • Gradient Boosting Machines (GBM)
  • Gradient Boosted Regression Trees (GBRT)
  • Random Forest

The 40 data science techniques

big data algorithms

big data algorithms

  1. Linear Regression
  2. Logistic Regression
  3. Jackknife Regression *
  4. Density Estimation
  5. Confidence Interval
  6. Test of Hypotheses
  7. Pattern Recognition
  8. Clustering – (aka Unsupervised Learning)
  9. Supervised Learning
  10. Time Series
  11. Decision Trees
  12. Random Numbers
  13. Monte-Carlo Simulation
  14. Bayesian Statistics
  15. Naive Bayes
  16. Principal Component Analysis – (PCA)
  17. Ensembles
  18. Neural Networks
  19. Support Vector Machine – (SVM)
  20. Nearest Neighbors – (k-NN)
  21. Feature Selection – (aka Variable Reduction)
  22. Indexation / Cataloguing *
  23. (Geo-) Spatial Modeling
  24. Recommendation Engine *
  25. Search Engine *
  26. Attribution Modeling *
  27. Collaborative Filtering *
  28. Rule System
  29. Linkage Analysis
  30. Association Rules
  31. Scoring Engine
  32. Segmentation
  33. Predictive Modeling
  34. Graphs
  35. Deep Learning
  36. Game Theory
  37. Imputation
  38. Survival Analysis
  39. Arbitrage
  40. Lift Modeling
  41. Yield Optimization
  42. Cross-Validation
  43. Model Fitting
  44. Relevancy Algorithm *
  45. Experimental Design

Tham khảo thêm:

Góp nhặt kinh nghiệm làm nghề Data scientist

A good data scientist knows how to do something really well, but a great data scientist can do “something of everything.” From raw data all the way to shining in front of C-level executives, a great data scientist has the skills to architect data systems, build applications, perform modeling and machine learning and wrap up the results in a clear (and quickly iterable) manner. From data models to ETL to databases to distributed algorithms and learning, this book has you covered.

Data Science with Java

Qua thời gian làm việc cũng như tìm tòi tài liệu, sách báo về machine learning, nếu vai trò của bạn là Data Scientist/Data Engieer/Data Analyst thì phần lớn bạn sẽ nhận được những chia sẻ kinh nghiệm bên dưới. Trong bài viết này, mình sẽ tổng hợp lại những kinh nghiệm trong ngành Data Science để dễ dàng tham khảo sau này.

Modern data scientist

Modern data scientist

Tiếp tục đọc

Infographic chặng đường phát triển của Artificial Intelligence

Mặc dù vẫn là nguồn cảm hứng cho khoa học viễn tưởng, trí tuệ nhân tạo (Artificial Intelligence – AI) bây giờ đã là một phần trong cuộc sống cá nhân và công việc hàng ngày của chúng ta. Bạn có thử nói chuyện với Siri chưa? Đã từng đánh giá bản báo cáo danh mục đầu tư? Kết nối với một người bạn thân từ hồi còn đi học qua Facebook? Nếu câu trả lời là có thì bạn đã tương tác với AI. Nhưng AI đã có một cuộc hành trình dài của mình kể từ những lý thuyết khởi đầu cho đến các ứng dụng hiện đại ngày nay. Narrative Science đã tổng hợp lại mọi thứ về chặng đường phát triển của AI thông qua ảnh inforgraphic dưới đây.

AI then and now

AI then and now

Cách xác định bài toán trong Machine Learning

Machine learning applications

Machine learning applications

Nếu tôi hỏi khách hàng xem họ muốn gì, có lẽ họ sẽ nói rằng họ muốn có một con ngựa biết chạy nhanh hơn
– Henry Ford

Trong thực tế, trước khi giải bất kỳ bài toán nào, việc đầu tiên chúng ta cần làm đó là xác định vấn đề. Đặc biệt khi làm trong lĩnh vực Machine Learning (ML), nhiều khi bài toán do các doanh nghiệp đặt ra khá mơ hồ và không cụ thể khiến cho quá trình xây dựng mô hình dự đoán đi đến ngõ cụt hoặc không đáp ứng được yêu cầu của khách hàng. Vậy làm thế nào để có thể xác định được bài toán hiện tại thuộc loại bài toán nào để giải quyết bằng ML? Bài viết này sẽ liệt kê các câu hỏi nghiên cứu và đưa ra bài toán cụ thể để giải bằng ML.

Tiếp tục đọc

Kỹ năng làm việc với Machine Learning

Machine learning workflow

Machine learning workflow

Thông thường khi bắt tay làm việc với Machine Learning, đa số chúng ta đều mong muốn áp dụng ngay các thuật toán đã học vào bài toán của mình. Tuy nhiên, trong thực tế, mọi thứ đều không đơn giản như vậy. Ngoài kĩ năng thu thập và tiền xử lý dữ liệu, trong bài viết này, tôi sẽ đề cập đến những kĩ năng cần thiết khác để góp phần cải tiến độ chính xác của mô hình dự đoán của mình.

Tiếp tục đọc

Machine Learning trên Quora hỏi gì đáp nấy

Machine learning Quora

Machine learning Quora

Trong quá trình theo đuổi sự nghiệp của mình về Machine learning, tôi cũng có nhiều thắc mắc và những câu hỏi liên quan đến công việc của mình cần được giải đáp như: làm thế nào để trở thành data scientist, không có bằng tiến sĩ liệu có theo đuổi lĩnh vực này được không, tôi nên sử dụng ngôn ngữ lập trình nào để phân tích dữ liệu, … Thật hay biết mấy nếu có chuyên gia bên cạnh để trả lời cho mình tất cả những vấn đề này. Vậy nên, tôi sẽ tận dụng bài viết này để tổng hợp lại những câu hỏi mà tôi đã đặt ra và được các chuyên gia trên Quora trả lời để làm một nơi tham khảo đầy hữu ích.

Tiếp tục đọc