image processing algorithm的八卦，Yahoo名人娛樂都在討論

🤓 หลายคนอาจเคยบ่น "เรียนเลขไปทำไม ไม่เห็นได้ใช้เลย"
อันนี้เป็นแค่ตัวอย่าง เพื่อให้รู้ว่าเลขที่เราเรียนตอนม.ปลาย
ไม่ควรทิ้งถ้าคิดจะเรียนคอมพิวเตอร์ ในระดับสูง
.
👉 1) สมการเชิงเส้น
เริ่มต้นจากสมการเส้นตรง ที่มีหน้าตาดังนี้ y=mx+c เรียกว่ารูปมาตรฐาน
- เมื่อ m เป็นความชัน
-ส่วน c เป็นจุดตัดแกน y
.
สมการเชิงเส้นเราจะได้เรียนในระดับ ม 4
พอในม.5 วิชา วิทยาการคำนวณ
ก็จะเห็นประโยชน์ของสมการเส้นตรงถูกนำไปใช้ในงาน data science (วิทยาการข้อมูล)
นำไปใช้วิเคราะห์ข้อมูลแบบ linear regression
.
กล่าวคือเมื่อเรามีข้อมูลย้อนหลังในอดีต
แล้วสามารถนำไปพล็อตลงบนกราฟแกน x กับ y
ผลปรากฏว่าข้อมูลมีความสัมพันธ์เป็นเส้นตรง
ในกรณีเราสามารถหาสมการเส้นตรงที่เหมาะสมสุด (optimize)
นำมาใช้พยากรณ์ข้อมูลล่วงหน้าในอนาคตได้
.
แต่ในกรณีที่ความสัมพันธ์ของข้อมูลพบว่าไม่ใช่เส้นตรง
เราสามารถใช้สมการที่ไม่ใช่เส้นตรง มาใช้พยากรณ์ข้อมูลก็ได้เช่นกัน
.
👉 2) เมทริกซ์
คือกลุ่มของจำนวนตัวเลข ที่เขียนเรียงกันเป็นรูปสี่เหลี่ยมผืนผ้าหรือจัตุรัส
นอกจากใช้แก้สมการหลายตัวแปรแล้ว
จะมีประโยชน์เวลานำไปประมวลภาพ (Image processing)
หรืองานพวกคอมพิวเตอร์วิชั่น (computer vision)
.
ต้องบอกอย่างนี้ว่า รูปภาพดิจิตอลที่เราเห็นเป็นสีสันสวยงาม
แต่ทว่าคอมไม่ได้มองเห็นเหมือนคน
มันมองเห็นเป็นเมทริกซ์ โดยข้างในเมทริกซ์ก็คือตัวเลขของค่าสี
และเราสามารถกระทำการคณิตศาสตร์กับรูปภาพได้
เช่น บวกลบ คูณหาร กับรูปภาพดิจิตอล ในมุมของเมทริกซ์
.
👉 3) ความน่าจะเป็น
ยกตัวอย่างเช่น ทฤษฏี Bayes' theorem
ทฤษฏีหนึงของความน่าจะเป็น
จะใช้หาว่าสมมติฐานใดน่าจะถูกต้องที่สุด โดยใช้ความรู้ก่อนหน้า (Prior Knowledge)
.
ทฤษีนี้ถูกนำไปใช้ในงานวิเคราะห์ข้อมูล รวมทั้งการเรียนรู้ของเครื่อง
เช่น จงหาความน่าจะเป็นที่ชาเขียวขวดนั้นจะผลิตจากโรงงานจากประเทศไทย
จงหาความน่าจะเป็นว่าผู้ป่วยจะเป็นโรคมะเร็ง เมื่อหายจากการติดเชื้อไวรัสโคโรนา
เป็นต้น
.
👉 4) แคลคูลัส
ตัวอย่างเช่น ถูกนำมาใช้ใน neural network
ซึ่งก็เครือข่ายประสาทเทียมที่เลียนแบบเซลล์สมอง
แต่จริงๆ ข้างในเครือข่ายจะประกอบไปด้วยน้ำหนัก
.
น้ำหนักที่ว่านี้มันก็คือตัวเลขจำนวนจริง ที่เริ่มต้นสุ่มขึ้นมา
แล้วเวลาจะหาค่าน้ำหนักที่เหมาะสม (optimize)
มันจะถูกปรับทีละเล็กทีละน้อย
โดยอาศัยหลักการเรื่องอนุพันธ์ หรือดิฟนั่นแหละ
.
👉 5) ตรรกศาสตร์
วิชานี้พูดถึง "ประพจน์" หมายถึงประโยคที่ให้ค่าออกมาเป็น True หรืด False
รวมถึงการใช้ตัวเชื่อมประพจน์แบบต่างๆ ไม่ว่าจะเป็น "และ" "หรือ" "ก็ต่อเมื่อ" เป็นต้น
.
ศาสตร์ด้านนี้เป็นพื้นฐานของระบบคอมพิวเตอร์
เพราะวงจรคอมพิวเตอร์พื้นฐาน มีแต่ตัวเลข 0 หรือ 1
จึงสามารถแทนด้วย False หรือ True ในทางตรรกศาสตร์
ไม่เพียงเท่านั้นวงจรอิเลคทรอนิกส์ ก็มีการดำเนินทางตรรกศาสตร์อีกด้วย
ไม่ว่าจะเป็น "และ" "หรือ" "ไม่" เป็นต้น
.
ยิ่งการเขียนโปรแกรม ยิ่งใช้เยอะ
เพราะต้องเปรียบเทียบเงื่อนไข True หรือ False
ในการควบคุมเส้นทางการทำงานของโปรแกรม
.
👉 6) ฟังก์ชัน
ฟังก์ชันคือความสัมพันธ์ จากเซตหนึ่งที่เรียกว่า 'โดเมน' ไปยังอีกเซตหนึ่งที่เรียกว่า 'เรนจ์' โดยที่สมาชิกตัวหน้าไม่ซ้ำกัน
ซึ่งคอนเซปต์ฟังก์ชันในทางคณิตศาสตร์
ก็ถูกนำไปใช้ในการเขียนโปรแกรมแบบ functional programming
.
👉 7) เรขาคณิตวิเคราะห์
ถูกนำไปใช้ในวิชาคอมกราฟิก หรือเกมส์
ในมุมมองของคนที่ใช้โปรแกรมวาดรูปต่างๆ หรือโปรแกรมสร้างแอนนิมเชั่นต่างๆ
เราก็แค่คลิกๆ ลากๆ ก็สร้างเสร็จแล้วใช่มั๊ยล่ะ
.
แต่หารู้หรือไม่ว่า เบื้องเวลาโปรแกรมจะวาดรูปทรง เช่น สี่เหลี่ยม วงรี ภาพตัดกรวยต่างๆ
ล้วนอาศัย เรขาคณิตวิเคราะห์ พล็อตวาดรูปทีละจุดออกมาให้เราใช้งาน
.
👉 8) ปีทาโกรัส
ทฤษฏีสามเหลี่ยมอันโด่งดังถูกนำไปใช้วัดระยะทางระหว่างจุดได้
ซึ่งจะมีประโยชน์ในการแยกแยะข้อมูล โดยใช้อัลกอริทึม
K-Nearest Neighbors (KNN)
ชื่อไทยก็คือ "ขั้นตอนวิธีการเพื่อนบ้านใกล้ที่สุด "
มันจะถูกนำไปใช้งานวิเคราะห์ข้อมูล รวมทั้งการเรียนรู้ของเครื่องอีกด้วย
ไม่ขอพูดเยอะเดี่ยว ม.5 ก็จะได้รู้จัก KNN ในวิชาวิทยาการคำนวณ
.
👉 9) ทฤษฏีกราฟเบื้องต้น
อย่างทฤษฏีกราฟออยเลอร์ (Eulerian graph)
ที่ได้เรียนกันในชั้น ม.5 จะมีประโยชน์ในวิชาคอม
เช่น ตอนเรียนในวิชา network ของคอมพิเตอร์ เพื่อหาเส้นทางที่ดี่สุดในการส่งข้อมูล
หรือจะมองโครงสร้างข้อมูลเป็นแบบกราฟก็ได้ ก็ลองนึกถึงลิงค์ต่างในเว็บไซต์ สามารถจับโยงเป็นกราฟได้ด้วยนะ
.
👉 10) เอกซ์โพเนนเชียล และลอการิทึม
เราอาจไม่เห็นการประยุกต์ใช้ตรงๆ นะครับ
แต่ในการประเมินประสิทธิภาพของอัลกอริทึม เวลาเขียนโปรแกรม
เขาจะใช้ Big O ขอไม่อธิบายเยอะแล้วกันเนอะ
เรื่องนี้มีเขียนอยู่ตำราวิทยาการคำนวณชั้นม.4 (ไปหาอ่านเอาได้)
.
ซึ่งเทอม Big O บางครั้งก็อาจเห็นอยู่ในรูปเอกซ์โพเนนเซียล หรือลอการิทึมนั่นเอง
ถ้าไม่เข้าใจว่า เอกซ์โพเนนเซียล หรือลอการิทึม คืออะไร
ก็ไม่จะอธิบายได้ว่าประสิทธิภาพของอัลอริทึมเราดีหรือแย่
.
+++++++
เป็นไงยังครับ สนใจอยากรู้ว่า เลข ม.ปลาย
สามารถนำไปใช้ศึกษาต่ออะไรอีกบ้างไหมเนี่ย
ถ้าอยากรู้ ผมเลยขอแนะนำหนังสือ (ขายของหน่อย)
.
หนังสือ "ปัญญาประดิษฐ์ (AI) ไม่ยาก"
เข้าใจได้ด้วยเลขม. ปลาย เล่ม 1 (เนื้อหาภาษาไทย)
ติดอันดับ Best seller ในหมวดหนังสือคอมพิวเตอร์ ของ MEB
.
เนื้อหาจะอธิบายปัญญาประดิษฐ์ (A) ในมุมมองเลขม.ปลาย
โดยปราศจากการโค้ดดิ้งให้มึนหัว
พร้อมภาพประกอบสีสันให้ดูอ่านง่าย
.
สนใจสั่งซ์้อได้ที่
👉 https://www.mebmarket.com/web/index.php…
.
ส่วนตัวอย่างหนังสือ ก็ดูได้ลิงค์นี้
👉 https://www.dropbox.com/s/fg8l38hc0k9b…/chapter_example.pdf…
.
ขออภัยเล่มกระดาษตอนนี้ยังไม่มี โทดทีนะครัชชช
.
✍เขียนโดย โปรแกรมเมอร์ไทย thai progammer
🤓 Many people may have complained about ′′ learning the number, why I didn't get to use it
This one is just an example to know the number we studied in high school. The end.
Don't leave if you want to learn computer at high level.
.
👉 1) Linear equation
Start from a straight line equation that looks like y=mx+c called standard photo
- When m is action
- c section is a cutting point y axis
.
Linear equation. We will learn in grade 4
Enough in the university. 5 Computational Science
It will see the benefits of straight line equation being applied to data science (data science) work.
Linear regression data analytics
.
i.e. when we have data back in the past
Then can be taken to plot on the x and y graph.
The result appears that the information is in a straight line.
In the case, we can find the most suitable straight line equation (optimize)
Advance future forecasts
.
But in case the relationship of information found out is not a straight line.
We can also use an equation that is not a straight line to propose information.
.
👉 2) Matrix
Is a group of numbers written in a square or square.
Besides using to solve several variables.
It will be useful when it's leading to the image (Image processing)
Or computer vision jobs (computer vision)
.
I have to say this. The digital photos we see are colorful.
But the computer is not visible as a person.
It's seen as a matrix inside. The matrix is the number of colors.
And we can do math with pictures
Like, plus, multiply, multiply with digital photos in the corner of the matrix.
.
👉 3) Probability
For example, Bayes ' theorem theory.
Theory of probability
I will use which hypothesis is most accurate using previous knowledge (Prior Knowledge)
.
This theory is implemented in data analysis including machine learning.
For example, find the probability that green tea will be manufactured from factories from Thailand.
Find out the probability that patients will have cancer when they recover from Coronavirus infection.
Etc.
.
👉 4) Calculus
For example, being used in neural network.
Which is also an artificial neural network that imitates brain cells.
But really, the network is composed of weight.
.
This weight is also a random number of real numbers.
Time to find the right weight (optimize)
It will be slightly fined.
By living the principle of derivative or divative.
.
👉 5) Logic
This subject speaks of ′′ pronouncement ′′ meaning True or False sentence.
Including using different plural connectors, whether it's ′′ and or or if etc.
.
This aspect of science is the basis of computer system.
Because the basic computer circuit is only 0 or 1 numbers.
So it can be replaced with False or True in logic.
Not only that, the electronic circuit also has logical action.
Whether it's ′′ and or or no etc.
.
The more the programming, the more you use.
Because we have to compare True or False conditions.
In control of the programming path
.
👉 6) function
A function is a relationship from one set called ' domain ' to another set called ' Range ' by a unique face member.
Which concept function in mathematics.
It's been applied to functional programming.
.
👉 7) Analytical Geometry
Being applied in a graphic or games class
In view of people using various drawing programs or Animation Builders.
I'm just a click and drag and it's done. Aren't we?
.
But do you know that in time, the program will draw shapes like a square, rectangular, cone collage.
All living in geometry, analyzing the plot, drawing one at a time. Let us use it.
.
👉 👉 8) Tacorus
The famous triangle theory is implemented to measure the distance between points.
Which would be useful to digest data using algorithms.
K-Nearest Neighbors (KNN)
Thai name is ′′ The closest neighborhood process
It will also be implemented for data analysis including machine learning.
I don't want to talk too much. 5 to know KNN in computational science.
.
👉 9) Preliminary Graph Theory
Theoretically, Graphite Oler (Eulerian Graph)
I have studied in the middle school class. 5 will come in handy in computer class
For example, in a computer network class to find the best way to send information.
Or look at the data structure as a graph. Think about the different links on the website. They can be linked as graphics.
.
👉 10) m AND LOGARIETYM
We may not see the application straight away.
But in assessing the performance of programming time algorithm.
He's going to use Big O. Let's not explain a lot.
This story is written in the textbook. Calculating class. 4 (go to read)
.
The Big O term may sometimes be seen in an ex-ponytail or a logic.
If you don't understand what is Exponity or Logarithum?
It doesn't explain whether our algorithm performance is good or bad.
.
+++++++
How is it? If interested, I want to know the number. The end.
Can I study anything else?
If you want to know, I recommend a book (selling stuff)
.
Book ′′ Artificial Intelligence (AI) is not difficult ′′
You can understand by the number of km. End of book 1 (Thai content)
Best seller in MEB computer book category
.
Content describes Artificial Intelligence (A) in the view of the number. The end.
Without a coding dizzy
With colorful illustrations to be seen. Easy to read.
.
If interested, order at.
👉 https://www.mebmarket.com/web/index.php?action=BookDetails&data=YToyOntzOjc6InVzZXJfaWQiO3M6NzoiMTcyNTQ4MyI7czo3OiJib29rX2lkIjtzOjY6IjEwODI0NiI7fQ&fbclid=IwAR11zxJea0OnJy5tbfIlSxo4UQmsemh_8TuBF0ddjJQzzliMFFoFz1AtTo4
.
As private as a book, you can see this link.
👉 https://www.dropbox.com/s/fg8l38hc0k9b0md/chapter_example.pdf?dl=0
.
Sorry for paper book. I haven't got it yet. I'm sorry.
.
✍ Written by Thai programmer thai progammerTranslated

🔥 ชื่อก็บอกอยู่ว่า คอมพิวเตอร์ มันแปลว่า "เครื่องคำนวณอะไรซักอย่าง" แล้วจะเลี่ยงเรื่องตัวเลขคงเป็นไปไม่ได้
.
วันนี้แอดเลยจะพามาดูกับเรื่องราวหัวข้อหลัก ๆ ของตัวเลขที่อยู่ในสายไอทีนี้กันนน !
.
📌 ซึ่งเริ่มจาก Calculus ที่อาจจะเป็นตัวแรกที่ได้เรียนกันในมหาวิทยาลัย ถามว่าได้ใช้ตรง ๆ ไหม เวลาเขียนแอปทั่ว ๆ ไป คำตอบก็คือ "ไม่"
.
เพราะถ้าแค่ "ทั่ว ๆ ไปจริง ๆ" ระบบเล็ก ๆ แค่อ่าน เขียน อัพเดต (CRUD) ได้ก็อาจจะไม่ต้องไปถึงขั้น Calculus
.
แต่ ๆ ๆ ถ้าวันใดวันหนึ่งเราต้องการ ปรับ Performance ของระบบ ของ Algorithm เรา อาจจะได้หยิบมาเกี่ยวข้องแน่ ๆ
.
แต่ ๆ ๆ ๆ ๆ ไปกว่านั้นอีก ถ้าเราทำโปรแกรมที่มีการคำนวณ เช่น Image Processing หรือ การคำนวณด้านวิศวกรรม อันนี้ก็หนีไม่พ้นอย่างแน่นอน
.
📌 ซึ่งนอกจาก Cal แล้วก็ยังมีคณิตศาสตร์อีกประเภทที่ชื่อว่า "Discrete Mathematics" อันนี้สำคัญมาก ๆ หายใจเข้าออก ก็ต้องใช้แน่ๆ
.
เพราะเขาจะพูดถึงเรื่องตรรกะศาสตร์ เช่น อะไรคือจริง คือเท็จ, เรื่องของเซท ที่มีความสำคัญมาก ๆ จนถึง การคำนวณบางอย่างที่มีรูปแบบ หรือ ค่าเฉพาะของมันทางตัวเลขนั่นเอง 🚀
.
แน่นอนว่า Discrete Math เราเจอทุกวันในการเขียนโปรแกรมไม่ว่าจะเป็นฟังก์ชันการทำงาน, การกำหนดเงื่อนไขต่าง ๆ จนไปถึงการให้เหตุผลเชิงตรรกะกับโปรแกรมที่เราจะเขียนนั่นเอง !!
.
📌 และ สุดท้าย สถิติ อันนี้ก็พลาดไม่ได้เพราะปกติแล้วยังไงก็ต้องใช้ ! และ ยิ่งถ้าเราทำงานกับ Data จะไม่ใช้ก็ไม่ได้แน่ ๆ
.
เรื่องราวของสถิติจะเป็นเรื่องทั้งการรวบรวมข้อมูล ให้เหตุผล คำนวณ และ สรุปผล ซึ่งมีส่วนสำคัญมาก ๆ ในการพัฒนาโปรแกรมตั้งแต่ขนาดเล็ก เช่น โปรแกรมแค่คำนวณเกรด BMI จนไปถึงโปรแกรมด้านวิทยาศาสตร์
.
และยิ่งไปกว่านั้นไม่ว่าจะทำงาน Data, AI จนถึง Machine Learning ความรู้สายนี้ล้วนใช้งานสถิติขั้นสูงทั้งสิ้นเลยย 🏆
.
ทั้งหมดนี้เป็นแค่ Overview คร่าว ๆ ว่า สายไอที ถ้าเราจะเรียน เราจะเจอเลขตรงไหน ตัวไหนบ้างนั่นเอง
.
🔥 หลายคนเรียนเลขไม่เข้าใจ หรือ ไม่รู้ว่าจะเอาไปใช้อะไร ก็เพราะตอนนี้เรายังไม่ได้ใช้มัน
.
แอดเลยแนะนำว่า ให้เราลองหาโจทย์ สร้าง App / Project ระหว่างเราเรียนไปด้วย โดยนำเรื่องราวของตัวเลขพวกนี้มาใช้
.
รับรองเลยว่า การเรียนของเราจะสนุกขึ้น แถมยังมีโปรเจคของตัวเองติดไม้ ติดมือกลับไปอีกด้วยแหละ <3
.
แล้วเพื่อน ๆ หละ .. ตอนนี้ใช้ตัวเลข วิชา หัวข้อไหนกับงานเราตอนนี้เป็นพิเศษ มาช่วยกันแชร์ได้เลยนะคร้าบบ ^_^
.
borntoDev - 🦖 สร้างการเรียนรู้ที่ดีสำหรับสายไอทีในทุกวัน

KINH NGHIỆM PHỎNG VẤN VỚI GIÁO SƯ & THẦY CÔ TRƯỜNG

Bài viết được chia sẻ từ 1 bạn HannahEd hỗ trợ hồ sơ được offer học bổng Giáo sư Phd cả ở Mỹ và châu Au.

🖍1. Trước khi phỏng vấn nên:
- Ôn tập kiến thức toán, machine learning, computer vision.
- Xem lại những gì đã viết ở CV và SoP, cố gắng nghĩ ra những câu mà giáo sư có thể hỏi và trả lời các câu hỏi đó.

🖍2. Tự tin khi phỏng vấn: Trong lúc phỏng vấn giáo sư sẽ tạo không khí vui vẻ và không bao giờ tạo áp lực cho các bạn. Bản thân tôi cũng từng được giáo sư động viên: “Có hơn 200 CV
gửi đến, tôi chỉ phỏng vấn 15 người. Do đó, bạn nên tự tin vào bản thân mình”.

🖍3. Bình tĩnh khi phỏng vấn: tôi xin kể 1 mẫu chuyện bản thân để các bạn dễ hình dung hơn.
VD: lúc phỏng vấn câu thứ 1 giáo sư hỏi: nhân 2 ma trận kích thước 10000x10000. Làm sao để tăng tốc độ tính toán? Tôi trả lời: multi-thread. Giáo sư lại nói có cách khác không và tôi không biết câu trả lời. Tôi không biết câu trả lời là vì các câu trước đó giáo sư hỏi về lập trình nên tôi tự mặc định tìm kiếm câu trả lời sử dụng kiến thức lập trình. Câu hỏi tiếp theo giáo sư hỏi: bạn có biết eigenvalue là gì không? Tới đây tôi đã biết hướng trả lời cho câu hỏi trước (hi vọng các bạn cũng biết) là dùng kiến thức toán, không phải lập trình và tôi xin giáo sư trả lời lại cho câu hỏi trước đó. Do đó, bình tĩnh rất quan trọng khi các bạn không trả lời được câu hỏi.
Ngoài ra, từ ví tụ trên, nếu có một câu hỏi về kiến thức chuyên môn bạn không trả lời được thì câu hỏi tiếp theo giáo sư thường sẽ gợi ý cho câu hỏi trước. Tuy nhiên, không phải lúc nào
cũng vậy. Có giáo sư khi chuyển chủ đề phỏng vấn (vd: từ code sang toán) thì sẽ thông báo cho sinh viên.

🖍4. Kiến thức: Đây là phần khá quan trọng mà các bạn cần phải chuẩn bị kỹ. Các giáo sư thường hỏi các kiến thức rất cơ bản. Dưới đây là các chủ đề mà các giáo sư thường hỏi:
- Đại số tuyến tính: rank, inverse, det...
- Giải tích: taylor ...
- Xác suất thống kê: bayes rule, ...
- Image processing: fourier transform ... (kinh nghiệm bản thân, các giáo sư tại EU đặc biệt
thích hỏi về fourier transform)
- Machine learning: các thuật toán thường dùng như svm, k-mean...
- Data structure và algorithm.
- Kiến thức cơ bản Python.

Lưu ý, vì tôi xin học bổng PhD về mảng machine learning computer vision nên các câu hỏi chỉ xoay quanh kiến thức cho mảng này. Ngoài ra, các bạn nên nắm kỹ kiến thức chứ không phải học thuộc định nghĩa. Một ví dụ từ kinh nghiệm bản thân: giáo sư hỏi fourier transform là gì? fourier transform biến tín hiệu từ miền thời gian sang miền tần số. Đây là câu trả lời chính xác nhưng rất chung chung và đến đây có 2 trường hợp: (1) giáo sư sẽ hỏi: nhưng tôi muốn biết chính xác là fourier transform làm cái gì? (2) giáo sư sẽ hỏi: nếu có 1 tín hiệu từ miền thời gian biến đổi pha nhưng biên độ giữ nguyên thì sang miền tần số sẽ ra sao?

Style hỏi của các giáo sư thường có 2 styles: một là hỏi thẳng vào kiến thức (vd: cho tôi biết rank của 1 ma trận là gì?), hoặc cho 1 bài tập nhỏ và hỏi các câu hỏi dựa trên bài tập đó (vd:
tung đồng xu 3 lần, xác suất của...).

🖍5. Đọc hiểu bài báo: giáo sư sẽ chỉ định paper để các bạn đọc và trình bày lại cho giáo sư.

🖍6. Coding test: về phần coding test có 2 dạng:
- Giáo sư ra đề và bạn code thẳng trên google Docs. Đề có thể là bất kỳ thứ gì: svm, k-mean,
hoặc pca,...
- Giáo sư chỉ định dataset (public hoặc private) và task (thường là recognition, segmentation,...). Nhiệm vụ của bạn là code theo task đó và đạt kết quả cao, sau đó báo cáo lại giáo sư.

🖍7. Thái độ: thái độ ở đây là thái độ của bạn đối với việc học PhD. Phần này quan trọng không kém kiến thức. Giáo sư muốn biết bạn có nghiêm túc với việc học PhD không? Hầu như tất cả
các giáo sư tôi đã phỏng vấn đều hỏi tại sao học PhD và đánh giá qua câu trả lời. Bạn nên chuẩn bị câu trả lời thích hợp cho mình. Như đã nói ở phần chuẩn bị hồ sơ. Việc chuẩn bị SoP là lúc thích hợp nhất để bạn suy nghĩ câu trả lời cho mình.

🖍8. Chuẩn bị câu hỏi cho giáo sư: khi kết thúc phần phỏng vấn của mình giáo sư sẽ hỏi bạn có câu hỏi nào cho giáo sư không. Nếu bạn chưa có câu hỏi hợp lý thì cứ nói không có. Nhưng bạn có thể ghi điểm bằng cách hỏi rõ hơn về hướng nghiên cứu của giáo sư hoặc giáo sư suy nghĩ thế nào về hướng nghiên cứu của bạn (tất nhiên hướng của bạn cũng phải gần với hướng của giáo sư). Rồi sau đó dẫn dắt câu chuyện để thể hiện thái độ nghiêm túc của bạn trong việc học PhD.

🖍9. Giáo sư phỏng vấn cùng với một sinh viên khác hiện đang làm PhD trong lab: sinh viên này thường chỉ nghe và trả lời các câu hỏi personal của sinh viên như: stipend, lab environment...
------------------------------
Đợt này các bạn Schofan cũng đang rục rịch nhận được email mời phỏng vấn với thầy cô, giáo sư (ví dụ 1 bạn mentee HannahEd mới có interview với hai giáo sư bên Canada) hay phỏng vấn học bổng chính phủ (như Ireland Fellows Program). Để chuẩn bị thật tốt, cả nhà cùng note kinh nghiệm của một bạn được offer học bổng tại Mỹ ngành HOT Machine Learning, nếu cả nhà còn nhớ phần 1 bạn chia sẻ về các kênh học bổng ML và HannahEd cũng có cơ hội được hỗ trợ, review cho bạn hồ sơ đó <3.
<3 Like page, tag và share bạn bè nhé <3
#HannahEd #HannahEdPhd #sanhocbong #duhoc #scholarshipforVietnamesestudents #interviewstips