oggy.club

Để giúp sinh viên tự đánh giá xem mình phù hợp với ngành nào của CNTT, hãy làm bộ câu hỏi trắc nghiệm định hướng dưới đây.
https://gemini.google.com/share/5cf9ceb02bac

Bộ câu hỏi sẽ tập trung vào tư duy, sở thích và phản xạ tự nhiên của các em đối với đặc thù từng ngành:
1. Kỹ Thuật Phần Mềm (Software Engineering
2. Hệ Thống Thông Tin (Information Systems)
3. Mạng & An Ninh Mạng (Network & Cybersecurity)
4. Khoa Học Dữ Liệu (Data Science)
5. Trí Tuệ Nhân Tạo (Artificial Intelligence)
6. Thiết Kế Vi Mạch (IC Design / Hardware)

‎Gemini - Định Hướng Ngành Nghề Công Nghệ Thông Tin Created with Gemini

KINH NGHIỆM NGHIÊN CỨU KHOA HỌC CHO CÁC BẠN SINH VIÊN

Do bài viết khá dài và chi tiết nên để đọc được hết thì anh sẽ chia bài thành 2, các bạn nhớ theo dõi cả 2 bài nhé anh chắc chắn là sẽ không có hối hận đâu. Share về tường cả 2 bài để bọn em có thể đọc lại 1 cách liền mạch hơn khi cần. Bài viết được chia sẻ trong Group: Cộng đồng nghiên cứu khoa học ( Anh cũng đã học hỏi được rất nhiều trong đây nên cũng muốn chia sẻ 1 phần kinh nghiệm nhỏ bé cho các bạn)

------------Phần 1------------------

Hôm qua em anh nhắn tin hỏi: Anh ơi, em đang phân vân có nên tham gia NCKH không? Bạn bè em toàn bảo làm cho có vào CV thôi, chứ mệt lắm, tốn thời gian lắm.

Câu hỏi đó khiến anh nhớ lại chính mình 5 năm trước, cũng ngồi uống cà phê với mấy đứa bạn, cũng phân vân giống vậy. Giờ nhìn lại, anh thấy có những điều muốn chia sẻ với em và với các bạn đang đứng trước ngã rẽ này. Không phải để thuyết phục các em làm hay không làm, mà để các em có thêm góc nhìn thực tế hơn.

Tuần trước anh có đọc một nghiên cứu khá thú vị của cô Võ Thị Minh Nho ở ĐH Ngoại ngữ Đà Nẵng. Cô khảo sát 510 sinh viên để tìm hiểu xem điều gì thực sự thúc đẩy (hoặc kìm hãm) các bạn tham gia NCKH. Kết quả khá shock, và anh thấy nó match y chang những gì anh đã trải qua. Hôm nay để anh kể cho các em nghe, kết hợp cả nghiên cứu đó với câu chuyện thực tế của anh.

Chương 1: Plot twist - Giảng viên quan trọng hơn mọi thứ

Năm 3 đại học, anh cũng như các em bây giờ, thấy mọi người nói NCKH này NCKH kia mà chưa hiểu nó là cái gì. Lúc đó anh nghĩ: chắc cần phải vào lab xịn xò, cần có funding khủng, cần có nhóm bạn giỏi thì mới làm được.

Sai bét.

Nghiên cứu của cô Nho chỉ ra một điều anh mất 2 năm mới nhận ra: yếu tố số 1 quyết định thành bại không phải là tiền, không phải là thiết bị, mà là giảng viên hướng dẫn. Con số nói không nói dối - 38.6% sinh viên biết về NCKH và quyết định tham gia là nhờ giảng viên, cao hơn tất cả các kênh khác cộng lại. Anh kể cho các em nghe câu chuyện của anh. Lần đầu anh cố gắng làm NCKH là với thầy A - người có nhiều paper, có tiếng trong ngành. Nghe thì oách lắm phải không? Nhưng thực tế thì thầy bận quá, 2 tuần mới gặp được một lần, mỗi lần 15 phút rồi nói anh tự xoay sở. Kết quả? Anh làm 3 tháng rồi bỏ giữa chừng vì cảm thấy lost hoàn toàn.

Lần thứ hai, anh gặp cô B - một giảng viên trẻ, mới bảo vệ tiến sĩ được 2 năm, chưa có nhiều paper lắm. Nhưng cô nhiệt tình kinh khủng. Tuần nào cô cũng hẹn anh meet, hỏi han anh gặp khó khăn gì, suggest tài liệu cho anh đọc, thậm chí có lúc cô còn ngồi code cùng anh để debug lỗi. Quan trọng hơn, cô không chỉ dạy anh kỹ thuật mà còn truyền cảm hứng. Mỗi lần nói chuyện với cô, anh thấy như được charge pin lại.

Kết quả? Paper đầu tiên của anh được làm cùng cô, từ ý tưởng đến khi publish mất đúng 14 tháng. Không phải vì anh đột nhiên thông minh hơn, mà vì có người dẫn dắt đúng cách. Nghiên cứu giải thích điều này bằng hai khái niệm mà anh thấy rất đúng. Khi giảng viên support tốt, các em sẽ cảm thấy hai thứ: một là tự tin về năng lực của mình (ủa mình làm được mà, không khó như tưởng), hai là không cô đơn trên hành trình này (có người đi cùng, có ai đó care).

Vậy nên lời khuyên đầu tiên của anh: đừng vội nhảy vào NCKH nếu chưa tìm được người hướng dẫn phù hợp. Không cần phải là người nổi tiếng, chỉ cần là người sẵn sàng dành thời gian, nhiệt tình, và thực sự muốn giúp các em phát triển. Hãy dành 1-2 tháng để observe, tìm hiểu, gửi email hỏi han các thầy cô. Trust me, đây là investment đáng giá nhất.

Chương 2: Real talk - Học chưa tốt thì nghiên cứu sao được

Đây là điều anh học được theo cách đau đớn nhất.

Năm 2 đại học, anh thấy bạn bè ai cũng có paper, có presentation ở conference này kia, anh FOMO kinh khủng. Anh nghĩ mình cũng phải làm gì đó cho nó pro. Vấn đề là lúc đó học của anh đang... tệ. GPA tầm 2.7, nhiều môn phải học lại, vì anh mải chơi game và làm thêm kiếm tiền.

Anh vẫn cố làm NCKH, nhưng struggle kinh khủng. Đọc paper không hiểu, vì kiến thức nền tảng không vững. Chạy code thì lỗi đầy, debug mãi không ra vì những khái niệm cơ bản anh không nắm chắc. Cuối cùng anh vừa học kém vừa nghiên cứu dở, stress gấp đôi. Nghiên cứu của cô Nho chỉ ra rất rõ: sinh viên có phương pháp học tập tốt, kết quả học tập ổn định sẽ tự tin hơn về kỹ năng nghiên cứu và chủ động tìm kiếm cơ hội hơn. Con số trong nghiên cứu cho thấy hiệu quả học tập ảnh hưởng mạnh đến cả nhu cầu năng lực lẫn nhu cầu kết nối của sinh viên.

Chuyện của anh thì sau đó anh phải dừng NCKH lại, tập trung fix GPA trước. Mất cả học kỳ 3 để kéo điểm lên, học lại cách học đúng: ghi chép có hệ thống, ôn tập đều đặn, làm bài tập đầy đủ. Khi GPA lên tầm 3.2, anh mới quay lại NCKH, và lúc này mọi thứ smooth hơn rất nhiều.

Vậy nên lời khuyên thứ hai: nếu các em đang struggle với việc học cơ bản, hãy ưu tiên fix nó trước. NCKH sẽ vẫn ở đó đợi các em. Đừng FOMO. Đừng nghĩ làm NCKH sớm là giỏi, làm muộn là dở. Mỗi người có timeline riêng. Quan trọng là khi làm thì làm tử tế, chứ đừng làm kiểu ráng cho qua.

Một điều nữa từ nghiên cứu mà anh thấy đúng: các trường nên target những bạn học tốt để làm hạt nhân, rồi từ đó lan tỏa. Nghĩa là nếu em đang học tốt, em sẽ có nhiều cơ hội được tiếp cận NCKH hơn. Đó là động lực để các em cố gắng nhé.

Chương 3: Hai thứ em cần để không bỏ cuộc giữa chừng

Anh kể các em nghe, anh từng bắt đầu làm NCKH 4 lần, bỏ dở 3 lần. Chỉ lần thứ 4 mới hoàn thành. Tại sao vậy? Nghiên cứu giải thích rất hay: để thành công trong NCKH, các em cần thỏa mãn hai nhu cầu tâm lý cơ bản. Nghe fancy nhưng thực ra rất đời.

Nhu cầu thứ nhất: Cảm giác mình làm được (Competence)

3 lần đầu anh bỏ cuộc là vì anh cảm thấy mình không đủ giỏi. Đọc paper không hiểu, code không chạy, phân tích data lủng củng. Mỗi lần gặp khó khăn, anh tự ti và nghĩ: mình không sinh ra để làm nghiên cứu.

Lần thứ 4 khác, vì anh đã dành thời gian build up skills. Anh học course về statistics, học Python từ đầu, đọc paper theo một framework rõ ràng. Mỗi khi làm được một phần nhỏ (dù chỉ là clean data thành công, hoặc hiểu được một concept khó), anh thấy tự tin hơn chút xíu. Từng chút một cộng lại, cuối cùng anh tin rằng mình làm được.

Nghiên cứu chỉ ra rằng khi sinh viên cảm thấy có năng lực, họ sẽ thích thú với NCKH hơn, muốn thể hiện năng lực với thầy cô và bạn bè, và nhận ra được những lợi ích thực tế như làm tốt luận văn hay xin học bổng.

Nhu cầu thứ hai: Cảm giác không đơn độc (Relatedness)

Lần đầu làm NCKH, anh làm một mình. Không có ai để hỏi khi stuck, không có ai để chia sẻ khi frustrated, không có ai để celebrate khi có progress nhỏ. Cô đơn kinh khủng, và nó kill động lực rất nhanh. Lần sau, anh tham gia một nhóm NCKH có 3 người. Mỗi tuần nhóm họp một lần, mỗi người báo cáo progress, mọi người cùng brainstorm giải pháp khi ai đó gặp vấn đề. Có lúc anh bế tắc với data analysis, bạn trong nhóm suggest một approach mới mà anh không nghĩ tới. Có lúc bạn khác stress vì paper bị reject, cả nhóm ngồi lại động viên và plan lại strategy. Cảm giác có người đồng hành khác hẳn.

Nghiên cứu confirm điều này: sinh viên cảm thấy được kết nối với bạn bè và thầy cô sẽ có động lực cao hơn, bền bỉ hơn, và ít bỏ cuộc hơn.

Vậy nên lời khuyên của anh:

Một, đừng nhảy vào NCKH khi em hoàn toàn zero về skills. Hãy dành thời gian build foundation: học cách tìm tài liệu, học cách đọc paper, học tool cơ bản (Excel, SPSS, Python, whatever relevant với field của em). Khi em thấy tự tin với những skill này, mọi thứ sẽ dễ thở hơn rất nhiều.

Hai, đừng đi một mình. Tìm một nhóm bạn cùng chí hướng, hoặc tham gia CLB nghiên cứu nếu trường có. Nếu không có, tự tạo một nhóm nhỏ với 2-3 người bạn, meet định kỳ, chia sẻ progress và khó khăn. Trust me, nó tạo ra sự khác biệt lớn.

Nguồn: cộng đồng NCKH

——-
Thi vấn đáp để 'kháng AI'

"Nhiều giáo sư Mỹ và Canada quay lại hình thức thi hỏi - đáp "cổ xưa" để xem sinh viên có thực sự hiểu bài hay không, khi việc lạm dụng AI ngày càng phổ biến.

Tại Đại học Wyoming, Mỹ, thay vì viết luận hay làm bài trắc nghiệm trên máy tính, sinh viên môn Tôn giáo của Giáo sư Catherine Hartmann phải đối mặt với thử thách: 30 phút đối thoại trực tiếp.

Bà Hartmann đã bắt đầu cải tổ cách đánh giá sinh viên từ năm ngoái. Bà yêu cầu sinh viên không sử dụng thiết bị điện tử trong lớp và thực hành thảo luận trong suốt học kỳ.

Trước kỳ thi, sinh viên được nhận danh sách các khái niệm trọng tâm. Nhiệm vụ của họ là giải thích và tranh luận một cách thuyết phục trước giáo sư để chứng minh sự hiểu biết sâu sắc về môn học.

Xu hướng này đang lan rộng khắp Bắc Mỹ. Mark Chin, Giáo sư Đại học Vanderbilt, Tennessee, vừa tổ chức đợt thi vấn đáp đầu tiên cho môn Khoa học dữ liệu. Nhận thấy AI cực kỳ nhạy bén trong việc giải các bài tập lập trình, ông Chin chọn cách cho sinh viên xem các đoạn mã sẵn có và yêu cầu họ giải thích chức năng của chúng ngay tại chỗ.

"Tôi muốn xem sinh viên có thực sự đọc và hiểu tài liệu hay không", ông chia sẻ.

..."

Kênh youtube theMITmonk – một ông chú từng vô gia cư, làm nhạc sĩ, sau đó học MIT, trở thành CEO, rồi nhà đầu tư, rồi… đi tu, và giờ ngồi làm Youtube sharing.

Điểm hay là content của ông chú không dừng ở mức “dùng app nào, prompt gì”, mà đi thẳng vào câu hỏi: Làm sao để 1 người + AI tạo ra vài chục ngàn đô/tháng mà không cần team, không burnout, không đánh đổi cả cuộc đời cho công việc.

Một vài tuyến nội dung của kênh:

AI & tiền: bóc tách những mô hình kiếm tiền với AI (không code) nhưng nhìn từ lăng kính CEO/nhà đầu tư, nên ổng nói rất thẳng về thứ gì là hype, thứ gì là cashflow thật.​
Business 1 người: một loạt video về cách thiết kế business solo trong kỷ nguyên AI, nơi hệ thống làm 80% việc, bạn làm 20% việc “không thay thế được”.​
Tư duy & hệ thống: chia sẻ những bí kíp cuộc đời. từ hành trình từ vô gia cư tới xây/nắm giữ các công ty hàng chục tỷ đô, về cách nghĩ, cách ra quyết định, cách build hệ thống để sự nghiệp tự nâng cấp thay vì phải “cày máu” mãi.​​
Kênh content rất chỉn chu, đa dạng. Cảm giác không phải nghe một Youtuber nói cho vui, mà là một ông chú đã đi qua đúng những game lớn nhất của tech/AI ngồi vẽ lại bản đồ, chỉ vào đúng chỗ bạn dễ ngu nhất, và gợi ý cách chơi khôn hơn trong 5–10 năm tới.

5-days AI AGENT INTENSIVE COURSE

tài liệu học của Google:

5-Day AI Agents Intensive Course with Google Kaggle is the world’s largest data science community with powerful tools and resources to help you achieve your data science goals.

TẠI SAO KỸ NĂNG SOFTWARE ENGINEERING KHÔNG CÒN LÀ “TÙY CHỌN” VỚI DATA ENGINEER

Thế giới Data đang thay đổi nhanh hơn bao giờ hết.
Nếu vài năm trước, bạn chỉ cần biết ETL, SQL, cronjob và một vài script Python là đủ để gọi mình là Data Engineer, thì hôm nay, điều đó không còn đủ nữa.

📌Data Engineer phải có kỹ năng của Software Engineer

Ngày xưa, nhiệm vụ của Data Engineer chủ yếu là di chuyển dữ liệu từ A sang B: lấy dữ liệu, làm sạch, nạp vào warehouse, xong.

Nhưng bây giờ?
Pipeline của bạn là một hệ thống phân tán, phải:
- chạy ổn định 24/7,
- xử lý dữ liệu theo thời gian thực,
- có khả năng mở rộng,
- giám sát, cảnh báo, rollback khi có lỗi.

Đó không còn là công việc “làm ETL” nữa.
Đó là xây hệ thống phần mềm xử lý dữ liệu.

Và vì thế, Data Engineering hôm nay = Software Engineering applied to data problems.

📌 “Làm Data” nhưng phải tư duy như một Software Engineer

Những Data Engineer giỏi nhất mà mình biết đều có chung một thói quen:
- Viết code mô-đun, dễ test, dễ đọc.
- Dùng version control nghiêm túc, có quy trình review.
- Tự động hóa deployment, có CI/CD.
- Quan tâm tới maintainability, không chỉ “chạy được là xong”.
Ngược lại, ai vẫn làm theo kiểu “chắp vá nhanh cho xong” viết script rời rạc, thiếu kiểm thử, xử lý lỗi thủ công thì sớm muộn gì cũng chìm trong technical debt.

📌 Testing: điều mà nhiều Data Engineer vẫn xem nhẹ

Trong thế giới phần mềm, “code không test là code không đáng tin”.
Nhưng nhiều người làm data lại nghĩ “dữ liệu chạy được là được”.
Đó là sai lầm.
Bởi một dòng dữ liệu sai có thể:
- làm sai kết quả phân tích,
- ảnh hưởng đến hệ thống downstream,
- hoặc khiến khách hàng mất niềm tin vào dashboard.

Một Data Engineer giỏi phải biết test nhiều lớp:
- Unit test cho từng logic xử lý.
- Integration test giữa các hệ thống.
- End-to-end test cho toàn pipeline.

Testing giúp bạn:
- Refactor code mà không sợ gãy.
- Triển khai nhanh hơn.
- Giảm thời gian debug.
- Và quan trọng nhất: tăng niềm tin của business vào dữ liệu.

📌 Version control, code review và quản lý cấu hình
Việc dùng Git không chỉ là “push lên repo”.
Nó là một văn hoá làm việc có quy trình và tiêu chuẩn:
- Branching strategy rõ ràng (develop, feature, release…).
- Review code trước khi merge.
- Quản lý config theo môi trường (dev, staging, prod).
- Document code rõ ràng để team khác có thể tiếp quản.
Bởi vì data pipeline = software system và software system muốn bền vững, phải có governance.

📌 CI/CD cho Data Pipeline
CI/CD không còn là khái niệm của DevOps riêng nữa.
Nó đang trở thành nền tảng bắt buộc trong Data Engineering.
Một pipeline hiện đại cần có:
- Kiểm thử tự động mỗi lần code thay đổi.
- Kiểm tra chất lượng và bảo mật code.
- Triển khai đồng bộ qua môi trường.
- Cảnh báo tự động khi có lỗi.
Càng tự động hóa, bạn càng giảm rủi ro “tay người”.
Càng kiểm soát quy trình, bạn càng nhanh thích ứng với thay đổi.

📌 Clean Architecture: tư duy “xây nhà” cho hệ thống dữ liệu

Nhiều data project bắt đầu nhỏ và “phình to” theo thời gian, đến lúc nào đó chẳng ai dám chạm vào code vì sợ “đụng đâu hỏng đó”.
Nguyên nhân: business logic, data logic và hạ tầng trộn lẫn vào nhau.
Thay đổi một chút ở upstream là downstream “sập dây chuyền”.
Áp dụng tư duy Clean Architecture giúp tách bạch:
- Data Access Layer: giao tiếp với nguồn dữ liệu.
- Business Logic Layer: chứa toàn bộ logic xử lý, tính toán.
- Application Layer: điều phối, giám sát, logging, alerting.
Khi có sự thay đổi, bạn chỉ sửa đúng “lớp” liên quan.
Không cần “đập đi xây lại từ đầu”.

📌 Những kỹ năng Data Engineer cần học thêm
1. Lập trình thật sự không chỉ viết script.
Học cấu trúc code, OOP, design pattern, functional style.
Viết code cho người khác đọc, không chỉ cho máy chạy.

2. Testing & CI/CD biến chúng thành thói quen.
Biết test data logic, test schema, test performance.
Biết build pipeline có thể deploy an toàn.

3. Software architecture hiểu cách hệ thống lớn được thiết kế.
Nắm vững khái niệm distributed system, API, event-driven, fault tolerance.

📌 Thị trường đã đổi bạn cũng cần đổi
Nếu bạn đọc JD của các công ty hàng đầu hiện nay, bạn sẽ thấy:
- Python và SQL là điều kiện tối thiểu,
- còn CI/CD, test automation, version control, system design mới là điều kiện tiên quyết.

Các Data Engineer “thuần ETL” đang dần bị thay thế bởi những người hiểu kỹ thuật phần mềm.
---
Tương lai của Data Engineer = Software Engineer chuyên xử lý dữ liệu
Ranh giới giữa hai vai trò đang mờ dần.
Người thành công sẽ là người biết lập trình, thiết kế hệ thống, và hiểu dữ liệu.
Còn nếu bạn vẫn giữ tư duy “viết script rồi chạy cronjob”, thì sớm muộn gì, bạn cũng sẽ bị bỏ lại phía sau.
---
Và bạn thì sao?
Bạn đang là Data Engineer kiểu “viết ETL cho xong”, hay đang dần trở thành một Software Engineer làm việc với dữ liệu?

Fyi, cho bạn nào quan tâm. Cô share thông tin thôi, chứ k dắt team nhé 😉
——-
HackSecureX International Hackathon 2026
“Code. Comply. Conquer. The AI Cyber Law Challenge.”

In Collaboration With:
• THE UNIVERSITY OF TEXAS AT EL PASO, USA
• UNIVERSITY OF SOUTH FLORIDA, USA
• UNIVERSITY OF PIRAEUS, GREECE

🌐 Website:

HackSecureX International Hackathon 2026 | The AI Cyber Law Challenge Compete globally in HackSecureX 2026 on January 16-17. A 48-hour innovation marathon for AI-powered solutions in cybersecurity, legal tech, and digital compliance.

KÊNH YOUTUBE TIẾNG ANH HỌC VỀ COMPUTER SCIENCE DÀNH CHO HỌC SINH, SINH VIÊN VÀ NGƯỜI ĐI LÀM

👨🏻‍💻 1. Abdul Bari: https://www.youtube.com//videos

Được mệnh danh là “thầy của mọi thầy”. Chỉ đơn giản với một cây bút và bảng trắng, thầy giảng dạy toàn bộ cấu trúc dữ liệu và giải thuật theo cách được phần đông học sinh sinh viên cho là “dễ hiểu hơn bất kỳ ai”. Thầy dạy cực kỳ mạch lạc, tư duy rõ ràng, giải thích từ gốc rễ từng khái niệm.

Kênh thường sử dụng các ví dụ minh họa dễ hiểu, giúp người học hình dung cách các thuật toán hoạt động trong thực tế.

Chủ đề chính: Cấu trúc dữ liệu, Thuật toán, Kiến trúc máy tính, Hệ điều hành, Lý thuyết đồ thị.

👨🏻‍💻 2. Gate Smashers: https://www.youtube.com//videos

Gate Smashers là nền tảng giáo dục miễn phí hàng đầu tại Ấn Độ, hỗ trợ học sinh sinh viên chuẩn bị cho các kỳ thi quan trọng trong lĩnh vực Khoa học Máy tính. Thầy dạy từ mất gốc - cơ bản - đến nâng cao.

Trước đây, giảng viên Varun Singla của kênh Gate Smashers vẫn sử dụng tiếng Ấn để giảng dạy, sau đó thầy đã phát triển video với bản lồng tiếng tiếng Anh để mọi người học trên thế giới có thể tiếp cận bài học dễ dàng hơn.

Chủ đề chính: Cấu trúc dữ liệu, giải thuật, hệ điều hành, mạng máy tính, cơ sở dữ liệu và luyện thi GATE, UGC NET, CTET, KVS, NVS (chuyên ngành Khoa học Máy tính).

👨🏻‍💻 3. Michael Sambol: https://www.youtube.com//videos

Michael giải thích cấu trúc dữ liệu và giải thuật bằng animation ngắn gọn và trực quan. Hầu hết video dài không quá 5 phút, tập trung vào một khái niệm cụ thể nhưng lượng kiến thức cũng có thể tương đương vài buổi học trên lớp.

Các video tập trung vào cốt lõi: Giải thích rõ ràng "tại sao" và "làm thế nào" các cấu trúc dữ liệu và thuật toán hoạt động; tuy nhiên kênh không bao phủ quá nhiều chủ đề nâng cao so với các kênh khác, nhưng cũng là nền tảng tốt để nắm bắt nhanh các khái niệm cơ bản như một bước khởi đầu trước khi tìm hiểu sâu hơn.

Chủ đề chính: Thuật toán, Cấu trúc dữ liệu.

👨🏻‍💻 4. NeetCode: https://www.youtube.com//videos

Đây là một trong những kênh YouTube uy tín, chuyên sâu về cách tiếp cận và giải bài toán lập trình thường xuất hiện trong các buổi phỏng vấn kỹ thuật tại các công ty công nghệ hàng đầu (FAANG).

Kênh tập trung hướng dẫn giải các bài toán điển hình trên nền tảng LeetCode với cách trình bày rõ ràng, logic và dễ hiểu, giúp người học xây dựng tư duy thuật toán vững chắc và chuẩn bị kỹ lưỡng cho các vòng phỏng vấn tuyển dụng. Vì vậy, kênh thích hợp cho các bạn sinh viên đã có nền tảng cơ bản về lập trình và cấu trúc dữ liệu.

Chủ đề chính: Luyện tập bài tập phỏng vấn kỹ thuật, LeetCode, thuật toán, cấu trúc dữ liệu, kỹ năng giải thuật.

👨🏻‍💻 5. StatQuest with Josh Starmer: https://www.youtube.com//videos

Đây là kênh YouTube nổi tiếng với khả năng biến các khái niệm phức tạp về thống kê và học máy trở nên dễ tiếp cận và thú vị. Josh Starmer sử dụng phong cách độc đáo - kết hợp âm nhạc, hình ảnh minh họa sinh động và cách trình bày hài hước để giải thích các phương pháp thống kê và học máy. Kênh đặc biệt tập trung vào việc làm rõ cách các kỹ thuật này được ứng dụng trong thực tế. (Lưu ý: Một số chủ đề có thể yêu cầu người xem có kiến thức toán học cơ bản để hiểu sâu hơn.)

Mặc dù phong cách trình bày sinh động và vui nhộn có thể không phù hợp với sở thích học Computer Science của tất cả học sinh sinh viên, nhưng cách tiếp cận độc đáo này đâu đó cũng sẽ giúp người xem thay đổi quan điểm và dễ dàng nắm bắt các kiến thức trừu tượng.
Các chủ đề chính của kênh bao gồm: Thống kê, Học máy (Machine Learning) và Khoa học Dữ liệu (Data Science).

StatQuest with Josh Starmer Statistics, Machine Learning, Data Science, and AI seem like very scary topics, but since each technique is really just a combination of small and simple steps, they are actually quite simple. My goal with StatQuest is to break down the major methodologies into easy-to-understand pieces. That said,....

👉 IQ: Chỉ số thông minh: giúp bạn học nhanh, hiểu sâu, giải quyết vấn đề logic tốt.
Những người IQ cao thường nổi bật trong học tập, công việc… Nhưng đó mới chỉ là điều kiện cần để tồn tại.

👉 EQ: Trí tuệ cảm xúc: là khả năng thấu hiểu cảm xúc của bản thân và người khác. EQ giúp bạn làm việc nhóm tốt, xây dựng mối quan hệ và phát triển trong môi trường tập thể. Người có EQ cao thường được y:êu mến, dễ hòa nhập đó là điều kiện để phát triển.

👉 DQ: Trí thông minh kỹ thuật số (Digital Intelligence): phản ánh khả năng thích nghi và sử dụng công nghệ trong thời đại số. Bạn có thể có nhiều cơ hội hơn nếu giỏi công nghệ nhưng cơ hội không đồng nghĩa với kết quả tốt nếu bạn không theo tới cùng.

Và AQ (Adversity Quotient) - chỉ số vượt nghịch cảnh mới là yếu tố quyết định bạn có đi đến đích hay không.

🔥 Bởi vì…

IQ cao mà không chịu được thất bại, thì sẽ bỏ cuộc ngay khi kế hoạch đ:ầu tiên không thành. EQ cao mà không đủ bền bỉ, thì sẽ m:ất l:ửa khi người khác không còn tung hô. DQ giỏi đến đâu cũng vô nghĩa nếu bạn không đủ kiên trì để đi tới cùng một con đường.

AQ là thứ duy nhất giữ bạn lại trên đường đua khi mọi thứ khác đều muốn buông tay.

💪 Người có AQ cao là người:
- Dám bước tiếp dù thất bại 5 lần.
- Dám khởi nghiệp lại từ đ:ầu dù m:ất sạch.
- Dám học lại từ con số 0 khi người khác đã yên ổn.
- Và dám tin vào chính mình khi cả thế giới quay lưng.

Họ không ồn ào. Không khoe mình giỏi. Họ chỉ bền bỉ tiến lên từng bước, từng ngày trong im lặng. Và rồi một ngày, người ta gọi họ là "người thành công".

IQ là thiên phú. EQ là rèn luyện. DQ là kỹ năng. Nhưng AQ là lựa chọn.

Bạn chọn đi tiếp hay bỏ cuộc.
Bạn chọn nhìn vào vấn đề hay bỏ qua nó.
Bạn chọn làm lại hay đổ lỗi.

Chính những lựa chọn ấy mới quyết định bạn đi đến đâu. Vì cuối cùng, cuộc chơi này không dành cho người giỏi nhất mà cho người không dừng lại.

🤝 Nếu bạn đang trải qua khó khăn, đang mệt mỏi, đang nghi ngờ chính mình… Hãy nhớ rằng: bạn không thiếu thông minh, không thiếu cơ hội. Thứ bạn cần củng cố là sức bền, là bản lĩnh đi tiếp dù không ai vỗ tay. Rèn AQ mỗi ngày, đó là thứ giúp bạn đứng vững khi đời thử thách.
(St)

Người giỏi giao tiếp thường nói chuyện theo trình tự như này

(Douyin): 认知进化论艾尔文

Dịch: ꜱυռꜱɦıռε

Tôi từng tham dự một buổi họp dự án, có 2 người cùng trình bày một việc nhưng kết quả hoàn toàn khác nhau.

Người đầu tiên nói cả 10 phút, mọi người vẫn mơ hồ, khiến không khí buổi họp rơi vào sự yên lặng gượng gạo khó tả, người thứ hai chỉ mất 3 phút để khiến mọi người hiểu rõ vấn đề, và lập tức bắt tay vào làm.

Vậy sự khác biệt nằm ở đâu? không phải là nội dung, mà là thứ tự trình bày.

Người giỏi giao tiếp biết được một logic cơ bản: Kết luận đi trước, lý do theo sau. Trình tự này dựa trên cơ chế hoạt động của đại não con người, chúng ta chỉ có “7 giây vàng” để tập trung, nếu bạn không nói kết luận trước, người nghe không biết họ phải chú ý điều gì, cũng giống như bạn tra google map, nếu như không biết đích đến ở đâu, thì có xem bao nhiêu tên đường cũng là phí công vô ích.

Đa số mọi người lại làm ngược lại, họ quen với việc mở đầu dài dòng, tạo ám thị, nói vòng vo, khi nói đến ý chính thì người nghe “hồn đã treo ngược cành cây” rồi.

Tôi từng thấy rất nhiều trường hợp như vậy trong các buổi báo cáo công việc, người thuyết trình bắt đầu bằng: tuần này chúng tôi làm những việc này, gặp phải vấn thế kia, rồi xử lý thế nọ… Nói được 5 phút liền bị sếp ngắt lời, bảo: “Rốt cuộc cô cậu muốn nói gì?” anh ta mới lắp ba lắp bắp bảo: “Dự án này có khả năng bị trì hoãn ạ”, lúc này sếp cũng nhăn mặt khó chịu rồi.

Vì sao lại như vậy? Bởi vì trước đây khi chúng ta học viết văn đều theo trình tự: mở bài - triển khai - cao trào - kết bài, phải có tiền đề trước rồi mới tới cao trào. Cách này có hiệu quả trong văn học, nhưng lại là thảm họa trong giao tiếp. Nơi làm việc không phải chỗ để kể chuyện, không ai có kiên nhẫn nghe bạn tâm sự. Sếp cần đáp án, khách hàng cần giải pháp, đồng nghiệp cần kết quả, nếu bạn không nói kết luận trước, thì nói gì cũng thành “tiếng ồn”.

Tôi đã từng phạm sai lầm như vậy. Khi mới vừa học làm truyền thông, tôi viết một bài về “cách quản lý thời gian”, mở đầu, tôi kể lể đủ chuyện: nói mình bận rộn thế nào, rồi đi vào kể chi tiết từng việc, cuối cùng mới nói đến phương pháp của mình. Kết quả thất bại thảm hại, lượt đọc không bằng ⅓ bình thường.

Sau này tôi sửa lại bài viết ấy, câu mở đầu sửa thành: Phương pháp cốt lõi để quản lý thời gian là: làm bớt đi, đừng nhận thêm việc*, rồi từ từ triển khai lý do, bài viết này sau đấy hot lên rồi, lượt chia sẻ nhiều gấp 10 lần bài trước đó.

*做减法，不做加法 - làm bớt đi, đừng nhận thêm việc: phương pháp giảm bớt các công việc không cần thiết để nâng cao hiệu suất, trái ngược với việc liên tục nhận thêm các công việc, nhiệm vụ mới.

Đây chính là giá trị của “trình tự”. Khi bạn đưa kết luận lên trước, người nghe sẽ lập tức hiểu được việc này có liên quan gì đến họ, và sẽ tập trung lắng nghe lý do bạn đưa ra. Nếu bạn cứ giấu giấu giếm giếm, họ sẽ do dự có nên nghe tiếp hay không, và rồi tâm trí sẽ lơ đãng.

Vậy nên làm như nào? Rất đơn giản, chỉ cần 3 bước:

Bước 1: Nói kết luận

Bước 2: Giải thích lý do

Bước 3: Nói cách làm

Khi nói kết luận phải thật dứt khoát, trực tiếp bày tỏ quan điểm và nêu ý kiến của bạn, đừng có nói nước đôi. Ví dụ “Tôi đề nghị điều chỉnh kế hoạch này luôn” chứ đừng nói “tôi nghĩ kế hoạch này cần cân nhắc thêm”, câu sau như đang xin ý kiến, còn câu trước là đang thể hiện quan điểm của bạn.

Khi nói lý do phải chuẩn, chọn 2-3 lý do cốt lõi nhất chứ không cần liệt kê toàn bộ. Hãy nhớ rằng, không phải đưa ra càng nhiều lý do càng thuyết phục, mà là lý do càng chuẩn càng thuyết phục người nghe.

Khi nói cách làm cần thực tế, chi tiết: Ai - tại thời điểm nào - cần làm gì, đừng nói chung chung mơ hồ.

Tôi có một người bạn làm Giám đốc sản phẩm (Product Manager) ở tập đoàn thương mại điện tử, anh ấy kể cho tôi một trường hợp thực tế: Khi anh cần tìm bộ phận kỹ thuật hỗ trợ, trước kia, anh sẽ trình bày tình hình thị trường trước, rồi nói tới yêu cầu của khách hàng, cuối cùng mới nói cần bộ phận kỹ thuật hỗ trợ, lần nào như vậy cũng bị từ chối - “Bộ phận kỹ thuật bận không hết việc”. Sau này anh đổi cách nói khác, mở đầu bằng: “Chúng tôi cần bộ phận kỹ thuật hỗ trợ trong 3 ngày để phát triển một tính năng gấp, tuần sau khách hàng lớn muốn nghiệm thu rồi, đơn hàng này sẽ ảnh hưởng tới KPI của cả năm nay”. Trưởng phòng kỹ thuật nghe xong liền đáp: “3 ngày có đủ không? có cần tôi điều thêm người không?”

Cùng một việc, nhưng đổi trình tự, liền dẫn tới hai kết quả trái ngược nhau. Ở đây còn có một nguyên nhân sâu xa là: Khi bạn đưa kết luận lên đầu, bạn đang truyền cho người kia một tín hiệu rằng “Tôi tôn trọng thời gian của bạn”, đây cũng là biểu hiện của người có EQ cao. Ngược lại, nếu bạn bắt người khác nghe cả ngày trời mới biết được bạn muốn nói gì, giống như ẩn ý nói “Thời gian của bạn không quan trọng bằng việc tôi muốn nói”, điều này sẽ khiến người ta phản cảm, khó chịu.

Có rất nhiều người không thể làm được, không phải vì họ không hiểu, mà là vì họ không có can đảm. Họ sợ nếu nói kết luận trước sẽ bị coi là quá cứng nhắc, quá độc đoán, nên phải có lời dẫn, phải vòng vo, nói trắng ra là họ không có tự tin, họ nghĩ rằng vòng vo là khéo léo, thực tế là đang trốn tránh. Người giỏi giao tiếp dám thẳng thắn thể hiện quan điểm của mình, vì họ tin tưởng vào nhận định của bản thân, cũng tin tưởng vào nhận thức của người kia.

Hiện tại, mỗi khi tôi viết Content, trước khi chọn chủ đề đều sẽ tự hỏi mình: Rốt cuộc mình muốn nói điều gì? Câu này có thể nói trong vòng 10 giây không? Nếu không nói được, thì đề tài này không tối ưu. Vì trong thời đại bùng nổ thông tin như hiện nay, không ai nợ bạn sự kiên nhẫn cả. Nếu bạn không chứng minh được giá trị của mình trong thời gian ngắn nhất, người khác không có lí do gì để tiếp tục nghe bạn nói cả.

Trong cuộc sống thường ngày cũng vậy, nhiều người nói chuyện khiến người khác thấy thoải mái dễ chịu, nhiều người nói chuyện lại khiến người ta thấy mệt mỏi. Người khiến người khác thoải mái, là vừa mở lời đã khiến bạn biết họ muốn nói gì, nội dung đằng sau đều đang giải thích cho bạn nghe. Người khiến người khác thấy mệt mỏi, là do nghe họ nói cả ngày trời rồi, bạn vẫn đang đoán xem họ muốn nói gì, cuối cùng cụt hứng bỏ về.

Từ giờ, hãy tập thay đổi trình tự nói chuyện. Trước khi mở lời, hãy nghĩ kỹ quan điểm chính của mình là gì, rồi nói thẳng ra. Đừng sợ, cũng đừng vòng vo. Mới đầu bạn có thể không quen, sẽ thấy hơi gượng gạo, nhưng kiên trì 1 tháng bạn sẽ nhận ra mọi người xung quanh đối với bạn khác hẳn, họ sẽ thấy lời bạn nói có giá trị, làm việc đáng tin tưởng, và là người giao tiếp có hiệu quả.

Đừng để ý tưởng tốt của bạn bị hủy hoại bởi cách diễn đạt tệ hại, nói kết luận trước không phải là mẹo, mà là sự tôn trọng, tự tin và thấu hiểu bản chất của giao tiếp. Người giỏi giao tiếp đều sẽ hiểu: Điều quan trọng nhất phải nói trước tiên.

Khi còn học đại học, thầy cô của bạn có từng nói câu nào khiến bạn đến giờ vẫn không thể quên không?

Trong thời học sinh, có câu nói nào từng khiến bạn chấn động trong lòng, thậm chí thay đổi cả cách bạn nhìn thế giới?

Một câu nói vô tình của thầy cô có thể trở thành một tia sáng sưởi ấm lòng học trò, cũng có thể là một vết bóng tối khó phai.

Có thầy cô dạy ta kiến thức, có thầy cô dạy ta cách làm người. Những lời nói ấy, dù đã trôi qua nhiều năm, mỗi khi nhớ lại, vẫn thấy vừa cay cay, vừa ấm lòng.

Hãy comment xuống dưới nhé.

BÍ QUYẾT THÀNH CÔNG

Howard Schultz, ông chủ của starbucks, mẹ làm giúp việc, cha lái xe tải, học lực bth, trí tuệ bth như bao sinh viên khác, trường học cũng bth nốt.
Phil Knight, đồng sáng lập Nike
Jan koum - sáng lập whatsapp
Li ka-shing - vua nhựa hongkong
Momofuku ando - cha đẻ mì ăn liền

Điểm chung giữa họ: ko có tài sản lẫn tài năng
Nhưng cực kì kiên trì, đây là yếu tố phải có với bất kỳ ai muốn giàu
Khả năng nhìn thấy cơ hội từ những điều tưởng như rất bth
Làm đúng thời điểm, đúng sản phẩm