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
同時也有10000部Youtube影片,追蹤數超過2,910的網紅コバにゃんチャンネル,也在其Youtube影片中提到,...
「image fourier transform」的推薦目錄:
image fourier transform 在 辣媽英文天后 林俐 Carol Facebook 的最佳貼文
感謝東吳巨量資料學院的胡學長,貢獻了大數據英文用語的part 2囉!
這次胡學長focus在「機器學習篇」,以及介紹三個因為機器學習出現而發展非常快速的領域,分別是「文字」、「影像」和「音訊」。
大家不用覺得機器學習離我們很遙遠,像是youtube的推薦系統、google翻譯以及siri的背後通通都是使用機器學習的演算法哦!而且其實概念並不難,有興趣的孩子可以多探究!
——————————————————
🤖 胡哥+俐媽英文教室—機器學習篇 machine learning:
1️⃣ <機器學習四大類別>
* supervised learning 監督式學習
* semi-supervised learning 半監督式學習
* unsupervised learning 非監督式學習
* reinforcement learning 強化學習
2️⃣ <常見用語>
* cluster 分群
* classification 分類
* regression 迴歸
* model 模型
* parameter 參數
* predict 預測
* accuracy 準確率
* overfitting 過度擬合
* feature 特徵欄位
* label 目標欄位
* training data 訓練資料
* testing data 測試資料
* validation data 驗證資料
* standardization 資料標準化
* feature extraction 特徵提取
* dimension reduction 資料降維
3️⃣ <文字分析>
* text mining 文字探勘
* natural language process 自然語言處理
* text categorization 文本分類
* information retrieval 資訊檢索
* word segmentation 自動分詞
* machine translation 機器翻譯
* topic modeling 主題式分析
* sentiment analysis 文字情緒分析
* part of speech 文字詞性分析
* word embedding 詞向量轉換
4️⃣ <影像辨識>
* computer vision 電腦視覺
* image recognition 影像辨識
* image segmentation 影像切割
* image annotation 影像標注
* object detection 物件偵測
* face detection 人臉辨識
5️⃣ <音訊辨識>
* speech recognition 語音辨識
* signal extraction 訊號處理
* noise reduction 雜訊處理
* acoustic model 聲學模型
* time domain 時域
* frequency domain 頻域
* Fourier transform 傅立葉轉換
—————————————————
真是隔行如隔山,有你們提供其他專業領域英文,大家都彼此受惠!
感謝胡哥🙏🏼~
.
#俐媽英文教室 #俐媽英文教室徵稿中 #俐媽英文教室大數據篇 #謝謝胡哥 #東吳巨量資料學院 #大數據 #bigdata #AI #machinelearning