【從奧運談根部中心】
2020東京奧運終於在剛過去的星期天落幕。在環球疫情肆虐下舉行的這次奧運會,本身已經極具歷史意義,透過自身就已經盡顯不屈不饒、堅持不懈的奧林匹克精神。而更值得高興的,當然是香港與台灣皆獲得了前身未有的好成績,相信能夠在這動盪不安的大時代,帶給大家一點安慰與振奮。
能夠踏上奧運這終極舞台,並最終贏得獎牌的選手們,必定每位都是身經百戰的戰士,擁有常人無法媲美的強大心臟(拳擊術語,代表無法阻擋的求勝意志,如何被擊倒都有力量再次站起來)。然而,看著選手們的精彩比賽,不禁讓我疑惑到,他們的Human Design 人類圖設計究竟長甚麼模樣?根據Human Design人類圖的區分系統,有說到開放根部中心的人(空根)比較不擅於抗壓,那奧運奬牌得主是否會比較偏重有定義根部中心的人呢?
在好奇心和市場調研職業病的驅使下,我決定做一個客觀的研究分析,挑選了60名來自世界各地的歷屆奧運奬牌得主,跑他們的圖來看看他們的設計差異。
這60位選手皆曾經在奧運比賽中贏取過奬牌,也橫跨了不同的年代、國籍與比賽項目,以求盡量減低sampling bias(取樣偏誤)。此外,除了少數能夠找出準確出生時間的選手(依據 Astrodatabank),其餘大部份選手我都會替他們每隔6小時跑一張圖,確保得出的結果具可靠性。
在這60個樣本當中,有31位選手根部中心有定義,其中包括「台灣聖筊」麟洋配二人、為香港拿下第一金的張家朗、100米世界紀錄保持者牙買加飛人Usain Bolt(保特/博爾特)、以及曾拿下三面奧運銀牌的「大馬羽球一哥」李宗偉等。
開放根部中心的則有16個,其中包括為香港拿下兩面銀牌的飛魚何詩蓓、被譽為羽球壇GOAT(Greatest of All Time)的林丹、曾於2016里奧奧運拿下四金一銅但這次因為精神健康而選擇臨場退賽的美國競技體操選手Simone Biles(比列絲/拜爾斯)等。
另外的13位,由於無法呈現出一致結果(同一天的部份時間為有定義,部份時間為開放),所以無法解讀。
➡️➡️ 如果有興趣知道詳細分析結果,歡迎前往網頁版並滑到最底下查看明細:https://bit.ly/3yK0xLS
驟眼看來,31比16(66% vs 34%),奬牌得主看來彷彿真的比較傾向擁有有定義根部中心。然而,當考慮到人口中根部有定義的本來就偏多(60-68%),剛好與以上選手有定義比例相符合(fair share的概念)。換句話說,根部中心有定義與否,似乎並不影響這選手在奧運做出好表現並贏得奬牌的機會。
若是如此,那我們又該如何理解有定義與開放根部之間的差別呢?
首先,開放根部中心,並不代表一定無法在壓力下發揮,只是代表他們比較沒有穩定的方法去面對壓力,因此在面臨壓力的情況下,反而會呈現出兩極化的表現,要不超水準,要不失場。
在近代NBA中,出現了三位歷史級超巨,分別是Michael Jordan(佐敦/喬丹)、Kobe Bryant(高比/柯比)以及 Lebron James(大帝占士/詹姆士大帝)。他們經常被球迷拿來作比較,而且就算不太懂籃球的人大概也聽過他們的大名,所以用來作例子正好。
Michael Jordan 與 Lebron James 兩者的根部中心皆有定義。在他們的職業生涯中,場均得分大約是27-30,歷史最高單場得分分別為69和61,而得分少於20的場次只佔總場次的14-18%。
相比之下,開放根部中心的Kobe則有著很不一樣的表現。在他的職業生涯中,場均得分為25,略少於前者,但差異並不算太明顯。但有趣的是,他的得分更顯兩極化,他曾經單場砍下81分(1963年後的最高記錄),但得分少於20分的場次卻佔總場次的30%,比例明顯比前者高。
當然以上只是很片面的數據分析,既沒有理會數據的完整分佈(data distribution pattern),也無可避免忽略了很多難以量化的影響因素(傷患、職業生涯的長短、關鍵時間的得分)。
但無論空根也好,兩極化的得分也好,我以上所說的,並沒有意圖否定Kobe的偉大。剛好相反,我反而覺得Kobe的偉大,正正在於他能夠從自己的不穩定中,領悟出一套屬於自己的打球智慧。
面對壓力的不穩定性,只是開放根部中心的一個特質,並不代表比較不厲害,也絕非甚麼需要改善的缺點。現實是,只要能夠讓自己回到內在權威與策略,開放根部中心的人其實也能夠減低壓力對他們的負面影響,在轉化壓力成為推動力的同時,不會被壓力壓垮。
擁有20-34通道的Kobe正正是這樣的一位偉大球員。他曾說過,當他專注在比賽中,他會忽然進入一個心流的境界(being in the zone)。時間會放慢,你再也聽不見週邊的聲音,只專注在當下眼前這事情上,彷彿一種入定的狀態。就是這樣的一套打球心法,讓開放根部中心的Kobe最終成為了籃球世界中的傳奇。
換句話說,根部中心有定義與否,影響的並非最終的表現或成就,而是你展現才能的模式。
回到這次的奧運賽事觀察體驗中,上星期看著小戴與陳雨菲的羽球冠軍戰,也同樣讓我得到很深刻的感受與領悟。
看著小戴不斷猛烈進攻,和陳雨菲的穩守突擊,讓我不禁好奇他們有著怎樣的Human Design人類圖設計。我本來最想看的就是小戴的圖,但偏偏因為出生時間不明,只知道她必定是顯示者,卻無法確定她根部中心是否有定義。但她的對手陳雨菲則一整天都是開放根部中心。這確實讓我感到挺訝異的。
雖然我也很想小戴可以擊敗陳雨菲,拿到金牌,但無可否認的是,陳雨菲的防守真的很厲害。尤其無論落後或領先,她總是一直能夠穩定地、不慌不忙地執行相同的策略,就是一直防守等待對手出錯。
這不禁讓我疑惑到,開放根部中心的人,面對壓力時真的能夠如此穩定嗎?壓力到底是甚麼一回事?
然後我發現到,壓力其實是一件很個人的事,全看個人的心態。
同樣的一位奧運選手,如果他覺得自己能夠走到這裡已經很滿足,真心相信輸贏與否已經不再重要,因此只想盡情享受高手過招,那壓力應該會比較少;但如果他覺得自己非拿到奬牌不可,就會形成很大的壓力,再加上如果他更自覺能力比不上對方,那壓力就自然更大。
一念天堂,一念地獄。壓力絕非一個可以由旁人客觀量化的指標,也因此可以透過心態的改變作出調整。
一個空根的人,或許可以透過作出充足的準備,讓自己壓力減少。當他已經把對方的招數研習清楚,當他認定雙方實力程度有明顯的差距,那壓力自然會降低。
同樣地,一個空根的人,也可以透過接受抗壓鍛鍊,讓自己對壓力變得麻木,去提升自己的抗壓力。(當然這只是一種可以提升抗壓力的可能性,或許的確能夠讓選手在大賽中獲得好表現,但對空根的人來說,絕非好的做法,因為長期下來身體或許會付出代價)
當然,我們都不知道陳雨菲在背後經歷了甚麼,經過了甚麼鍛鍊,才能夠在壓力下保持穩定,但從她、Kobe和其它空根奧運選手的例子中應該能夠看出,空根絕非弱點,擁有這設計的人更不一定無法承受壓力,做出驚人的表現。
只要學懂跟自己的身體相處,其實我們每個人都能夠用適合各自的方法,把壓力轉化為推動力。
#東京奧運 #Tokyo2020 #小戴 #戴資穎 #陳雨菲 #Jordan #喬丹 #佐敦 #Kobe #柯比 #高比 #Lebron #大帝 #根部中心 #空根 #定義與開放
---
✨✨ 若在職場上遇上任何疑難,或想探索自己在職場上的可能性,歡迎按以下連結,了解【 職場引導服務 】詳情。👇👇
https://www.KevinCareerCoaching.com/service
.
🔍🔍 若對走進Human Design人類圖的世界,對學習基礎知識很感興趣,歡迎按以下連結,了解【Living Your Design 人類圖初階課程 】詳情。👇👇
https://www.kevincareercoaching.com/livingyourdesign
.
💪💪 若渴望能夠在日常生活中好好運用自己的薦骨權威,或想認識薦骨的運作,歡迎按以下連結,了解【薦骨健身房 】詳情。👇👇
https://www.KevinCareerCoaching.com/sacral-gym
.
👁️👁️ 若對靈魂、意念和催眠感到興趣,歡迎追蹤 靈魂事務所專頁,獲得最新的課程和服務資訊。
「data sampling」的推薦目錄:
- 關於data sampling 在 孭起背包·遊歷不預期 Facebook 的最佳解答
- 關於data sampling 在 Scholarship for Vietnamese students Facebook 的最佳貼文
- 關於data sampling 在 Scholarship for Vietnamese students Facebook 的最讚貼文
- 關於data sampling 在 About data sampling | Facebook Business Help Center 的評價
- 關於data sampling 在 Is sampling relevant in the time of 'big data'? - Cross Validated 的評價
- 關於data sampling 在 Data Sampling Methods [IB Math AI SL/HL] - YouTube 的評價
data sampling 在 Scholarship for Vietnamese students Facebook 的最佳貼文
[RESEARCH SERIES] Cấu trúc và một số lưu ý khi viết phần Phương pháp nghiên cứu (Research methods)
Khi đọc phần phương pháp nghiên cứu, biên tập viên và người bình duyệt sẽ cơ bản thấy được khả năng nghiên cứu, sự chuyên nghiệp trong nghiên cứu của tác giả. Thông tin được viết trong phần này phải đủ chi tiết để người đọc đánh giá được sự phù hợp của phương pháp nghiên cứu, quy trình thu thập và xử lý dữ liệu bạn đã sử dụng. Bài viết chị chia sẻ hôm nay về kinh nghiệm của TS. Nguyễn Hữu Cương khi viết cấu trúc và một số lưu ý khi viết phần phương pháp nghiên cứu, mọi người đón đọc nhé!
Nếu như phần Tổng quan nghiên cứu (Literature review) được coi là phần khó viết nhất thì phần Phương pháp nghiên cứu được cho là phần dễ viết nhất (nhiều người thường viết phần Phương pháp nghiên cứu đầu tiên) đơn giản bởi vì ta chỉ mô tả lại những gì đã làm trong quá trình lựa chọn phương pháp nghiên cứu, thiết kế công cụ thu thập dữ liệu, thu thập dữ liệu và xử lý dữ liệu. Tuy nhiên, để có một phần Phương pháp nghiên cứu tốt, bạn cần lưu ý là thông tin bạn viết trong phần này phải đủ chi tiết để độc giả đánh giá được sự phù hợp của các phương pháp nghiên cứu bạn đã sử dụng, đánh giá được độ giá trị (validity) và độ tin cậy (reliability) của kết quả nghiên cứu (Belcher, 2019).
Thông thường những thông tin cần viết trong phần Phương pháp nghiên cứu bao gồm:
- Các phương pháp thu thập dữ liệu đã sử dụng (data collection methods): định lượng (quantitative), hay định tính (qualitative), hay hỗn hợp (mixed method).
- Các công cụ thu thập dữ liệu tương ứng với phương pháp thu thập dữ liệu: bảng hỏi (survey questionnaires), dữ liệu phân tích thống kê (statistical analysis) đối với phương pháp định lượng; phỏng vấn (interview), quan sát (observation), phân tích văn bản (document analysis), thảo luận nhóm (focus group)… đối với phương pháp định tính.
- Đối tượng tham gia cung cấp dữ liệu (participants) và chọn mẫu (sampling): mô tả quần thể nghiên cứu (target population), phương pháp chọn mẫu, tổng số mẫu thu được.
- Quá trình thu thập dữ liệu (data collection procedure).
- Phân tích dữ liệu (data analysis): dùng công cụ, phần mềm gì để phân tích dữ liệu, ví dụ SPSS đối với phân tích dữ liệu định lượng hay Nvivo đối với phân tích dữ liệu định tính.
- Những vấn đề cần lưu ý về đạo đức nghiên cứu (ethical considerations), đặc biệt đối với những nghiên cứu liên quan đến trẻ em, người bệnh, người tàn tật, người già (Azevedo et al., 2011; Belcher, 2019).
Một phần lưu ý nữa là bạn nên trình bày phần Phương pháp nghiên cứu theo từng đầu mục (sub-heading) một cách chi tiết để một người không trực tiếp tham gia vào nghiên cứu vẫn hiểu chính xác bạn đã làm gì và tại sao.
Lưu lý là phần Phương pháp nghiên cứu thường chiếm 1/8 (một phần tám) bài báo. Như vậy, với bài viết có độ dài 4000-8000 từ thì Phương pháp nghiên cứu có thể có độ dài tương ứng là 500-1000 từ.
Tài liệu tham khảo
Azevedo, L. F., Canário-Almeida, F., Fonseca, A. J., Costa-Pereira, A, Winck, J. C., & Hespanhol, V. (2011). How to write a scientific paper—writing the methods section. Rev Port Pneumol, 17(5), 232-238.
Belcher, W. L. (2019). Writing your article in 12 weeks: A guide to academic publishing success (2nd ed.). Chicago: Chicago University Press.
❤ Like page, tag và share cho bạn bè cả nhà nhé ❤
#HannahEd #duhoc #hocbong #sanhocbong #scholarshipforVietnamesestudents
data sampling 在 Scholarship for Vietnamese students Facebook 的最讚貼文
[Sharing]
HỌC DATA SCIENCE NHƯ THẾ NÀO?
#datascience
Helu mấy em, dạo này có rất nhiều bạn sinh viên hỏi chị về định hướng theo 1 ngành siêu hot là Data Science đấy! Vậy ngồi xuống đây đọc một bài viết hay về nghề Data Science nhé. Đây là ngành nghề được dự đoán sẽ có nhu cầu cao nhất trong tương lai đó. Bài viết này sẽ đưa ra các bước và nguồn cho các bạn muốn học Data Science đó, đọc xem và share cho các bạn còn loay hoay nha!
___________________________________
I. Học lập trình:
Một Data Scientist (DStist) không thể không biết lập trình, dù không cần thiết phải giỏi như một lập trình viên nhưng phải đủ khả năng viết được những chương trình cơ bản. Từ khi nhập học tới giờ, từ một đứa mà kiến thức lập trình là con số 0 tròn trình, mình đã học qua R, Java, Python, SQL (kì tới sẽ có cả NoSQL nữa). Học tới đâu là sử dụng luôn tới đấy nên thường mình phải tự học thêm rất nhiều để có thể hiểu được logic và cú pháp của ngôn ngữ lập trình đó. Ngôn ngữ quan trọng nhất, phổ biến nhất dành cho DStist là Python với thư viện khổng lồ. Xếp sau Python là R, rất mạnh về phân tích thống kê. Năm ngoái mình được Khoa Toán thuê viết một App (ShinyApp) tương tác dành cho một dự án nghiên cứu của Bang sử dụng ngôn ngữ này.
Vậy học lập trình ở đâu?
https://www.tutorialspoint.com/
Trang này thì gi gỉ gì gi cái gì cũng có, thích học gì có ngay cái đó. Còn nhớ năm ngoái mình cực kỳ đuối khi các thầy bắt học thêm Java, với lý do rằng DStist thường hay phải làm việc trực tiếp với lập trình viên, vậy thì phải học để có thể trò chuyện với nhau được. Mình đã phải đọc thêm sách, đi học thêm phụ đạo, rồi lại đọc mòn mỏi trên trang này để theo kịp các bạn trên lớp. Kết quả là cuối kì, mình tự viết được cả trò chơi và thậm chí còn lập trình được công thức toán thống kê cho thư viện Java đấy.
2. https://codingbat.com/
Đây là nơi mình luyện viết code, từ những ứng dụng đơn giản nhất chỉ vài ba dòng. Trình độ của mình đã lên rất nhanh sau khi hoàn thành phân nửa số bài tập trên này.
3. https://www.datacamp.com/
Mình chưa sử dụng trang này bao giờ, nhưng được quảng cáo khá nhiều. Trên này có các khóa học miễn phí R và Python thiết kế riêng cho DS. Thích hợp cho những ai mới bắt đầu.
4. https://www.udemy.com/.../development/programming-languages/
5. https://www.codecademy.com/catalog/subject/all
Đây là hai trang do bạn bè mình giới thiệu. Có mấy bạn không đi học phụ đạo Java được đã trả tiền theo học trên này. Vì thường xuyên có giảm giá sâu nên khóa học không quá đắt đỏ. Và điểm lợi thế là sẽ có chứng nhận cuối khóa, có thể củng cố thêm cho hồ sơ xin học hoặc xin việc của bạn.
II. Học thống kê:
Đã làm việc với dữ liệu là phải hiểu lý thuyết thống kê, chí ít cũng phải biết tới những khái niệm cơ bản như lấy mẫu (sampling), trung bình (mean), trung vị (median), độ lệch chuẩn (standard deviation), hồi quy tuyến tính (linear regression),... Nếu muốn trở thành DStist thì còn phải biết tới kiến thức thống kê nâng cao, liên quan tới machine learning. Một điều tuyệt vời là những cuốn sách thống kê hay ho nhất, tổng hợp nhất lại miễn phí, nhằm đáp ứng nhu cầu học tập về dữ liệu ngày càng cao. Hai cuốn sách mà tất cả các giáo sư Khoa Toán của mình đều sử dụng là:
The Elements of Statistical Learning (Trevor Hastie, Robert Tibshirani, Jerome H. Friedman, 2001)
Cuốn này hơn 700 trang, chia làm 18 chương, sử dụng R trong phân tích thống kê. Bản thân mình thấy sách quá hay, minh họa đầy đủ, giải thích kĩ càng, đọc tới đâu có thể copy code đến đấy để tự thử nghiệm. Dĩ nhiên bạn không cần phải đọc hết sách. Đụng tới khái niệm thống kê nào thì tra cứu tương ứng trong sách cũng được.
https://web.stanford.edu/~hastie/Papers/ESLII.pdf
2. An Introduction to Statistical Learning: With Applications in R ( Trevor Hastie, Robert Tibshirani, Daniela Witten, Gareth James, 2013)
Cuốn này cũng hay, hơn 400 trang, chia làm 10 chương, cũng dùng R. Ai ngại đọc cuốn trên thì có thể bắt đầu với cuốn này.
https://www-bcf.usc.edu/.../ISL/ISLR%20First%20Printing.pdf
III. Học Data Science - Nâng cao:
Sau khi có chút kiến thức cơ bản về lập trình và thống kê rồi thì bạn có thể sử dụng các trang sau để tìm hiểu thêm về các mảng chính của DS như artificial intelligence, computer vision, machine learning, Big Data Analytics, Business Intelligence...
https://towardsdatascience.com/
Đây là trang tổng hợp cực kì nhiều bài viết chất lượng từ các giáo sư và chuyên gia trong ngành. Có rất nhiều bài hướng dẫn chi tiết từng bước cho trình độ beginner. Mình thường đọc trên trang này về machine learning và artificial intelligence (AI). Không chỉ có những phân tích rất cặn kẽ về mặt lý thuyết, nhiều bài viết còn cung cấp ví dụ minh họa và đính kèm cả code để bạn đọc tự thử nghiệm. Ví dụ bài viết sau về Deep Learning là của một giáo sư ở Barcelona, toàn bộ Code có trong Notebook trên Google Colab. Vì chạy trên Cloud nên bạn không cần cài đặt gì mà có thể lập tức chạy chương trình ngay được, cực kì phù hợp cho những ai muốn xem qua trước và không muốn mất công cài đặt này nọ.
https://towardsdatascience.com/deep-learning-for...
2. https://www.datascienceweekly.org/
Một bạn người Na Uy trên Tandem giới thiệu cho mình về trang này, bảo rằng đang tự học machine learning ở đây. Thế là mình cũng đăng ký nhận Newsletter từ mấy hôm trước. Mỗi tuần, mình nhận được một email tổng hợp các bài viết nổi bật trong ngành. Như vậy để mình luôn nắm bắt được những xu hướng mới nhất và cập nhật những tiến bộ công nghệ mới.
3. https://www.kaggle.com/
Một đồng nghiệp người Ấn Độ chỉ cho mình trang này quá hay luôn. Đây là nơi bạn học hỏi bằng cách thực hành qua các dự án, các cuộc thi và thử thách quốc tế. Các công ty, tổ chức treo giải thưởng có khi lên tới cả 100,000$ cho đội nào chiến thắng. Chẳng hạn hiện giờ có 20 cuộc thi đấu song song, và đã có hàng ngàn đội đăng kí tham gia. Trên này cũng có các micro-courses hoàn toàn miễn phí từ Python cho tới Deep Learning dành cho beginner.
https://www.kaggle.com/learn/overview
4. https://www.coursera.org/browse/data-science
Và cuối cùng, dĩ nhiên là trên coursera cũng có khóa học miễn phí dành cho DS. Khi nào có thời gian, bạn thử đăng ký xem sao.
Trên đây là những hướng dẫn chung dành cho những ai muốn tìm hiểu về Data Science và học những kĩ năng cơ bản trước. Hi vọng giúp được các bạn đang quan tâm. Mình sẽ tiếp tục cập nhật thêm nhé.
Blog Mai Knows người chị thân thiết của Founder Hoa Dinh ở Đức
https://www.facebook.com/maiknowsnow/
Link tham khảo về lương của DStist:
https://www.burtchworks.com/.../2018-data-scientist.../
----
Join các kênh khác của HannahEd:
- Job Hunters & Career Builders - HannahEd
- Học bổng ngắn hạn, trao đổi, tình nguyện - HannahEd
- English Club HEC
- Scholarship Hunters
- Web/tiktok/insta: hannahed.co
- Youtube: HannahEd
🌍📚Những #Schofan quyết tâm và muốn chuẩn bị kĩ cho nhiều học bổng từ giờ thì mau mau đăng kí lớp tìm và apply học bổng #HannahEd đã có lịch các lớp tháng 11, 12 và chương trình Mentor, Review hồ sơ, Tập phỏng vấn.
Link này để nhận thêm thông tin hoặc email [email protected] nhé:
http://tiny.cc/HannahEdClassInfo
https://hannahed.co/lop-tim-va-nop-hoc-bong/
❤ Like và share nếu các em thấy thông tin có ích nhé ❤
#HannahEd #duhoc #hocbong #sanhocbong #scholarshipforVietnamesestudents
data sampling 在 Is sampling relevant in the time of 'big data'? - Cross Validated 的推薦與評價
We are trying to characterize populations and need to select the appropriate method for gathering and analyzing data about the population. Sampling makes sense ... ... <看更多>
data sampling 在 About data sampling | Facebook Business Help Center 的推薦與評價
Sampling is a widely used approach to data analysis. Rather than analyzing an entire set of data, sampling looks at a portion of the data. ... <看更多>