GRE của ETS

quyển Writing của Longman

7

8.1

https://speedtest.vn/share?code=1b75ha8

Phải chọn chỗ nào có mạng ngon để thi.

chút tình cha còn sót lại.

tình người của anh Lượng!

tình mẹ. Nói chung là tình cảm gia đình.

tình anh em của M & K.

phí sinh hoạt mẹ gửi cho m.

Mối tình đầu của t: một con cave. Giống như trong bộ phim này, mình đã dứt ra được, nhưng mất nhiều thời gian hơn. M thậm chí còn cho cô gái đó thêm một cơ hội nữa. Nhưng cuối cùng, đâu lại hoàn nấy. Cái tính đĩ nó ngấm vào máu em ấy r. Mình đã nhận được một bài học: cái tính lẳng lơ là k thể chấp nhận được. Tránh xa những người có cái tính đó ra.

thật hơn. Mối tình đầu khó lòng mà chấm dứt được ngay lập tức. Phải đi đến cùng với nó, trước khi có thể bước tiếp được.

mối tình đầu.

đây đã từng là thể loại yêu thích của mình. Bộ phim ám ảnh mình nhất trong thời gian gần đây - Bố già - cũng thuộc thể loại này.

Một trong những phim ám ảnh nhất mà mình từng xem, trong thời gian gần đây!

đây là thể loại yêu thích của mình trước đây.

Con có mạng cơ mà.

Nó hay lắm!

Cuốn sách của bố đã đưa mình đi khám phá thế giới trên mạng Internet. Và mình đã tìm thấy Sebastian Thrun & Mooc nói riêng và việc học trên mạng nói chung ở trên đó. Mạng Internet đã đóng vai trò trụ cột trong việc học Thạc Sĩ của mình. (chưa kể cả thời cấp 3 mình đã bắt đầu lên mạng giải toán r.)

Mạng Internet là một trong những môi trường làm việc của mình. Bây giờ, gần như k thể làm việc được nếu như thiếu máy tính và mạng Internet. Phải hiểu chúng nó, để có thể làm việc được.

Lần đầu tiên được nghe tới CPU là ở trường cấp 2. Thầy giáo dạy tin đã dạy cho mình về nó. (hình như là môn hướng nghiệp.)

CPU có thể khiến cho màn hình của mình bị đơ cứng, hay đóng băng. Nghe nói GPU cũng có thể gây ra hiện tượng này khi chạy chương trình Deep Learning.

Card Wifi trong laptop của mình: làm nhiệm vụ kết nối máy tính của mình đến một mạng không dây (wireless) (cục bộ - WLAN). Nhờ thế, mình mới truy cập được vào mạng Internet.

Hiểu mạng máy tính, để có thể làm việc được trên mạng Internet.

Món quà của mẹ khi vào đại học: một cái máy tính để bàn. Cũng là chiếc máy tính đầu tiên của mình. Mẹ đã chủ động mua cho mình, qua một người họ hàng (cậu Giảng, anh cậu Hải), thậm chí ngay cả khi mình chưa cần đến.

Món quà của mẹ khi đi thực tập tốt nghiệp. Thực ra chủ yếu là do công việc yêu cầu. (aHà)

thời sinh viên có làm đồ án về sạc pin. (Bắt đầu biết đến xe điện chạy bằng pin. Thậm chí làm cả đồ án về nó.) Máy tính được chế tạo dựa trên kỹ thuật điện-điện tử. Đây đều là những thứ mình đã được học thời sinh viên.

Đừng cắm máy sạc qua đêm.

Y.

Đã thay ổ đĩa cứng HDD. Đồng thời nâng cấp dung lượng lên 500 GB.

Máy tính bây giờ giống như robot trước đây! Phải hiểu nó để có thể làm việc được với nó. AI chạy trên máy tính, giống như Robotics chạy trên robot.

Về Zalo: người Việt chuộng Zalo hơn là Skype, có lẽ vì nó đi kèm với số điện thoại. Nhưng Skype lưu giữ tin nhắn lâu hơn Zalo. (dù là cũng có xóa đi.)

chế độ ngủ đông (hibernate trong windows 7) ảnh hưởng đến (làm hỏng) ổ cứng.

Chế độ ngủ ảnh hưởng đến ổ cứng giống như chế độ ngủ đông.

CPU [cũ] cứ lên là đơ. (người của Sửa chữa 24h)

Wikipedia cũng là một phần của học trực tuyến. Một cuốn sách - bách khoa toàn thư - trực tuyến, mở cho giới đại chúng có thể phát triển, đóng góp. Các khóa học mooc ngày xưa cũng có wiki riêng. (hồi đấy m cũng chỉ đọc chứ chưa đóng góp hay chỉnh sửa j.) Tóm lại, giống như sách, wiki rất gần với mooc, chỉ có điều nó là do cộng đồng, những người dùng giống như mình, phát triển nên. (trong khi sách do chính thầy giáo của khóa học viết nên.)

cô Nguyệt.

Bố già.

Học trò của Donald Knuth. Thảo nào mà ông ấy dạy hay đến vậy.

về mặt giải thưởng mà nói ông này giỏi hơn Isaacson. Tạp chí của ông ấy The New York Times cũng nổi tiếng hơn tạp chí Time hay kênh truyền hình CNN của Isaacson. Đúng là có nhiều người giỏi hơn Isaacson, dù rằng ông ấy là người hợp với mình nhất.

Lần chỉnh sửa đầu tiên Wikipedia, sau khi đã làm điều đó từ thời sinh viên (hè năm 2009). Thực ra k cần phải có đóng góp mới, chỉ cần kiến thức mình đã đọc ở đâu đó, trích dẫn đầy đủ vào là được. Hồi đó cứ nghĩ phải viết điều j đó mới của riêng mình.

một người tốt hiếm hoi. Cô có một cuộc sống bình thường. Nếu là mình, mình sẽ chọn em này, và sống cuộc sống giống của em ấy.

Vì bênh bố (và anh) nên trở thành một người giống vậy. Đây là một người mà xuất phát điểm là tốt, nhưng vì gia đình đã trở thành người xấu.

Cũng (hơi) vui, nhưng vẫn k sướng bằng lập trình được thuật toán Bellman-Ford. Vấn đề là mình nghĩ ra được chứng minh, còn thuật toán thì chỉ code theo sách thôi.

k muốn thành người giống bố, theo đuổi đam mê của bố - mặt tốt đẹp nhất của ông ta.

một bố già ngoài đời.

vì sức khỏe và sự an toàn của bản thân cùng những người xung quanh, sau đó mới đến việc học và yêu cầu của thầy.

nhiều người trong này thậm chí còn là nhà viết tiểu sử giỏi hơn cả Isaacon.

Walter Isaacson chưa phải tác giả sách tiểu sử số 1 thế giới. Vẫn còn có những người viết tiểu sử giỏi k kém j ông ấy, giống như bà tác giả này.

Một nửa Ranma.

Đây là những phim kiếm ra nhiều tiền nhất. Nó nhắm đến số đông.

đây là những phim ăn khách nhất, nhắm đến giới đại chúng. Giống như những khóa học có nhiều người học hoàn thành nhất.

tư tưởng.

Lịch sử.

đây mới là những người đạt giải mà có ảnh hưởng lớn nhất đến mình. Luận văn của mình cũng bắt đầu từ những công trình/bài báo của họ: LeNet, AlexNet, Deep Learning book.

vẫn chưa xong với việc học. Phải học xong thì mới đi làm và có giải thưởng được.

ông này dạy cả mooc.

Xem bị giật. Máy vẫn chưa sửa được hoàn toàn. Phải quay lại đấy vào cuối tuần.

Ý nghĩa nhân văn của bộ phim này: một người sống trong cùng thời đại với mình, và hợp với mình, mới chính là người mà mình cần. K phải một người tuy giàu có nhưng k hợp, hay một người tuy hấp dẫn nhưng lại sống trong một thời đại khác.

Mình dùng máy này được gần chục năm r. Tuy phải mang đi sửa nhiều nhưng vẫn còn dùng được.

quyển có ứng dụng đọc biển số xe, ngoài ra còn có nhiều dự án khác, như facial tracking dùng AAM (Active Appearance Models) dùng C++

sách hay vọc OpenCV trên C++ và Java (Nhúng và di động)

cần có RAM/server.

algorithm in matlab/python.

La-

problem solving.

nghiên cứu khoa học, đổi mới công nghệ.

thuyết tương đối của Einstein.

tiếng Việt.

sau năm mình '07.

"tĩnh tâm".

bạn.

người lập nên Git_Hub cũng là nhà sáng lập Linux?: Linus Torvalds.

research scientist.

đừng kết thúc cuộc đời giống như Alan Turing. Sống như Turing, nhưng không chết như Turing.

learning opencv.

never give up.

vẽ, toán.

Jaist.

luận văn Thạc Sĩ.

cao học.

put yourself into others' shoes.

phòng thí nghiệm, cao học.

khoa học.

my own farther.

Khoa học Máy tính.

Công nghệ Thông tin.

có gán nhãn.

tiếng Việt.

Jaist in Japanese.

educational.

research.

Reyes.

toán.

phòng thí nghiệm Khoa học Dữ liệu.

Overleaf, Share-Latex.

EdTech.

personalized

k phá cũ, k xây mới, mà chỉ cơi nới thôi

unlike the guy in Memento

lẽ ra nên mua quyển này cùng với Prob Rob và CV. Tiếc.

Có LIDAR nên mới nặng như vậy

a Long và t Hiếu: machine learning và data mining

vẫn có thể thi được ACM nếu muốn và có người giúp lý do của mình là chính đáng

deep learning

quy nạp hàm

transfer learning

Plan and Control

;)

lại quay lại với Neuro Science. Hồi mới vào trường cũng code Matlab nó Giờ đã gần ra trường rồi. 3 năm vẫn ngồi quán cà phê, nghiên cứu độc lập Bao giờ cho đến bài báo đây?

đúng

phân phối chuẩn: \frac{1}{\sqrt{2\pi\sigma^2}}\exp(-\frac{(x-\mean)^2}{\sigma^2})

4 năm

:D

đúng thật

let's see

really?

100 epoch

đang down VGG-F

lý do hồi cuối tháng 3 (28) không chạy được: thiếu file mex, compile k đúng cách.

hôm nay mất tập trung vì:

• chạy code về scene recog chưa đúng với mục tiêu đặt ra
• mạng chậm, vẫn chưa down được file VGG-F
• bị xao nhãng bởi giải thương chim xanh
• edtech, kiếm xèng

cần tránh cảm giác hài lòng với bản thân như lúc này

lúc nào cũng cần vượt qua chính mình

True grit!!

mới

big VISION

book

deep learning VGGnet

big VISION

làm thực tập được lúc đầu nhờ

img recog

image classification

4 core

có thể theo deep learning lâu dài cần bài báo để có fund sẽ dành thời gian cho slam vào lúc rảnh, cuối tuần làm deep learning để nuôi slam

open AI,

triển vọng hơn Stanford

giống Open AI, cũng có Abbeel

Stanford, Thrun, Savarese

edx

DPM

NÊN Tập trung vào. họ sẽ dạy sinh viên của họ, để có người join lab. nên theo dõi thường xuyên

LSTM

KITTI meets Kaggle

mạng liên kết đầy đủ

vẫn nên tập trung vào perception

scene labeling , matching,

dùng reinforcement learning

tốt cho n/c

trước g mới chỉ quan tâm perception. nhiều người làm control hơn,

Rất gần deep learning - học sâu từ dữ liệu lớn giống người học giỏi nhờ có nhiều sách, đi học thêm v.v.

in series

R of Curve

hồi quy tuyến tính

thuật toán

cấu trúc dữ liệu

đã chạy demo python trên blog py_image_search

Alex Net

CRF cũng thế

cùng với GS Felzenszwalb

1. Mapping: from sensors, we get the range and bearing data. The data gives us the translational distances and rotational offsets to features in the environment. To sound more like things on a map, people call those features “landmarks”.
2. Localization: Now, we have landmarks. Combining those landmarks, we have a map. We need to know where we are in that map. Localization

lại mex miếc vẫn chưa pass

bảo mật

research nên thế

word2vec

có thể ứng dụng được cho nhận dạng chữ viết tay

is

tự túc

vẫn thấy trường mình là đại học tốt nhất cả nước về Khoa học Máy tính cần tận dụng triệt để môi trường mình đang có. Vẫn có người, thậm chí cùng phòng mình, đi được Mỹ.

may quá k phải đóng thế mà k mail BTC ngay cuối cùng chỉ được trả sau lời nói gió bay, thầy nói rồi thầy quên

có thể nhờ anh Thăng về mặt tài chính, lúc vào

có thể nhờ anh Thăng về mặt tài chính, lúc vào

học từ nó: science hay learning from data

Topic Model

lẽ ra nên để thầy đồng hướng dẫn, ít ra đã tốt nghiệp dù là NLP chưa bao giờ nằm trong sự quan tâm, nhiều khi cần chịu đựng làm việc mình k thích lắm để được làm điều mình thích nhất sau này

trường của Sơn

Still, nothing can replace C++ and Java when we talk about embedded systems and mobile phone, just like nothing can replace a traditional university when we talk about . No offense.

bài anh Long

Lại quay lại trạng thái của năm ngoái K có ai quản nên mất tập trung, toàn dành thời gian trên MOOC. A Long đi rồi, còn mỗi t Hiếu. Thầy cũng thúc mình viết, nhưng cũng chỉ thứ 2, thứ 5. Chủ yếu vẫn phải tự thúc mình, nhưng cũng thấy khó.

Zoox

Nhận dự án phân tích dữ liệu xe ôm, taxi, Uber trên địa bàn Hà Nội Nhờ thầy Phan Xuân Hiếu hướng dẫn

Nên đẩy lên Github những file quan trọng, do chính tay mình viết

cả IBM, Intel đều đã đầu tư vào xe hơi

camera