Được luôn Anh, mua đại 1 khóa học trên Udemy mà Anh thích sau đó a cài cái app Udemy vào máy, mỗi ngày xem 1 video của một chương. (thường thì 1 video trong 1 chương chỉ dài từ 5-10p thôi) cứ thể mà thực hiện. Nếu đều đặn ngày chỉ 5p thôi -> 1 năm cũng có được tầm 30h học tương đương với 1 khóa học trên Udemy rồi.

Khởi đầu nên thật nhẹ nhàng ko thì sẽ rất giễ bỏ cuộc. Em đã thành công và giờ mỗi ngày e đã nâng thàng 2-3 tiếng đều đặn. (Vẫn có thời gian, chơi game, chơi với con, em ko xem phim, ko đá bóng )

Nếu a ko thích Udemy thì nghe sách nói, bữa nay tụi nó dùng AI đọc sách hay lắm, sách gì cũng có (free - nếu như thấy hay thì mua ủng hộ tác giả). Lúc nghe a bật x1.75 ngày cũng nghe được 1 quyển tận dụng thời gian chết.

chơi với con cái, xem đá bóng, đọc truyện, mạng xã hội, xem phim làm sao để thoát ra đây bạn

Cảm ơn anh tác giả của bài viết. Lời dự đoán của anh đã thành sự thật vào năm 2020 và hiện tại 2024 là một gì đó rất đột phá. Thực tình thì lời văn và bố cục anh viết rất chỉnh chu, đặt vấn đề - hướng giải quyết - cách giải quyết - tóm lượt theo em là rất dễ theo dõi. Chúc anh ngày càng thành công hơn nữa trong sự nghiệp và đam mê.

hay

Cam on

@nguyen.van.quan hi. Vậy chắc có lẽ mình hiểu sai, cảm ơn bạn nhiều mình clear chỗ này !!!!

Good Job

e đọc xong vẫn chưa hiểu

🤗

Bài viết rất tâm huyết và công phu. cảm ơn bạn

Bài viết hay quá. Hi vọng bác sớm ra bài cho cấu hình resource request và limit nhé ^^

bài viết hay!

Function Point là đơn vị đo lường, FPA là một phương pháp nhé bạn ơi.

chưa có bài về java e ạ, chắc a sẽ viết 1 vài bài về nó.

nhưng series này a ko viết cụ thể về 1 ngôn ngữ nào cả, ng đọc chỉ tập trung vào Docker thôi e

cảm ơn bạn

Anh ơi, anh có thể giải thích giúp em dòng lệnh : sudo apt-get install ubuntu-desktop^ Dấu "^" sau chữ desktop có nghĩa là gì vậy ạ.

không biết bạn đã đọc paper SimCLR chưa ạ ? bạn có thể xem qua figure 2 trong paper:

Ở đây $\tilde{\mathbf{x}}_i, \tilde{\mathbf{x}}_j$ chính là cùng 1 ảnh nhưng được áp dụng 2 phép augment khác nhau tạo thành 2 phiên bản gần khác nhau 1 chút nhưng nội dung vẫn giống nhau, sau đó nhiệm vụ của hàm loss là kéo feature của 2 ảnh này trong latent space lại gần nhau và đẩy feature của 2(N-1) ảnh còn lại ra xa nhau, giúp model học được đặc tính của bức ảnh.
Nếu theo cách hiểu của bạn i,j là 2 điểm ngẫu nhiên nằm cạnh nhau, giả sử 2 ảnh 1 là của con chó, 1 là của cái cây thì bạn nghĩ hàm loss sẽ kéo feature 2 ảnh này lại gần kiểu gì trong khi về mặt nội dung và hình ảnh nó đều hoàn toàn khác nhau.

Anh ơi, em có 1 thắc mắc là series này ko có ngôn ngữ Java ạ? Cảm ơn anh vì seri rất hay 😊

Cảm ơn bạn. Mình sẽ cố gắng viết nhiều bài viết về google sheet thật chất lượng để đóng góp cho cộng đồng. Mong bạn tiếp tục ủng hộ🥰

Cái này giống bên trang aithietke