Connect with us

Sách

Định nghĩa về nhà khoa học dữ liệu

Published

on

Course Text Book: ‘Getting Started with Data Science’ Publisher: IBM Press; 1 edition (Dec 13 2015) Print.

Author: Murtaza Haider

Chapter 1 Pg. 12-15

đã biết nội dung của cuốn sách, đến lúc đưa ra một số định nghĩa. Mặc dù được sử dụng rộng rãi, các khái niệm về Dữ liệu lớn và Khoa học dữ liệu vẫn chưa có sự đồng thuận. Câu hỏi “Ai là nhà khoa học dữ liệu?” vẫn còn nóng hổi và gây tranh cãi giữa các cá nhân, một số người chỉ quan tâm đến việc bảo vệ lĩnh vực hoặc địa hạt học thuật của họ. Trong phần này, tôi cố gắng giải quyết những tranh cãi này và giải thích Tại sao một định nghĩa hẹp về Dữ liệu lớn hoặc Khoa học dữ liệu sẽ dẫn đến việc loại trừ hàng trăm nghìn người đã chuyển sang lĩnh vực mới nổi này gần đây.

Everybody loves a data scientist, (Mọi người đều yêu thích nhà khoa học dữ liệu, ) Simon Rogers (2012) viết trên Guardian.

Ông cũng cho rằng tình yêu mới với việc phân tích số liệu bắt nguồn từ lời của Hal Varian thuộc Google, người tuyên bố rằng công việc hấp dẫn trong 10 năm tới sẽ là thống kê viên.

Trong khi Hal Varian gọi các nhà thống kê (statisticians) là quyến rũ, nhiều người cho rằng ý ông thực sự là các nhà khoa học dữ liệu (data scientists). Điều này đặt ra một số câu hỏi quan trọng:

  • What is data science?
    Khoa học dữ liệu là gì?
  • How does it differ from statistics?
    Nó khác với thống kê như thế nào?
  • What makes someone a data scientist?
    Điều gì tạo nên nhà khoa học dữ liệu?

Trong thời đại dữ liệu lớn, một câu hỏi đơn giản như, Khoa học dữ liệu là gì? có thể dẫn đến nhiều câu trả lời. Đôi khi, sự đa dạng ý kiến về các câu trả lời này gần như thù địch.

Tôi định nghĩa nhà khoa học dữ liệu là người tìm ra giải pháp cho vấn đề bằng cách phân tích dữ liệu lớn nhỏ sử dụng công cụ phù hợp và sau đó kể chuyện để truyền đạt phát hiện của mình tới các bên liên quan. Tôi không dùng kích thước dữ liệu làm điều kiện hạn chế.

Việc một người xử lý lượng dữ liệu dưới một ngưỡng tùy ý nào đó không làm giảm giá trị của họ với tư cách là một nhà khoa học dữ liệu. Định nghĩa của tôi về một nhà khoa học dữ liệu cũng không giới hạn ở việc sử dụng các công cụ phân tích cụ thể như học máy. Miễn là một người có tâm trí tò mò, thành thạo trong phân tích và có khả năng truyền đạt kết quả, tôi xem người đó là một nhà khoa học dữ liệu.

Tôi định nghĩa khoa học dữ liệu là việc các nhà khoa học dữ liệu làm.

Nhiều năm trước, khi còn là sinh viên kỹ thuật tại Đại học Toronto, tôi đã bị mắc kẹt với câu hỏi: Kỹ thuật là gì? Tôi đã viết luận văn thạc sĩ về dự báo giá nhà ở và luận án tiến sĩ về dự đoán các lựa chọn của nhà xây dựng liên quan đến việc họ xây dựng gì, khi nào và ở đâu cho nhà ở mới. Trong khoa kỹ thuật dân dụng, người khác tập trung vào thiết kế nhà cửa, cầu cống, đường hầm và lo lắng về độ ổn định của mái dốc. Công việc của tôi và giáo viên hướng dẫn không phải là kỹ thuật thông thường. Hiển nhiên, tôi thường xuyên bị hỏi liệu nghiên cứu của mình có thực sự là kỹ thuật hay không.

Khi tôi chia sẻ những lo ngại này với giáo sư hướng dẫn tiến sĩ, Giáo sư Eric Miller, ông đã bật cười. Tiến sĩ Miller đã dành cả đời nghiên cứu quy hoạch đô thị và giao thông, trước đó từng lấy bằng tiến sĩ tại MIT.

“Kỹ thuật là những gì mà các kỹ sư làm,” anh ấy đáp lại.

Trong 17 năm tiếp theo, tôi nhận ra sự sáng suốt trong lời nói của ông ấy. Trước tiên, bạn trở thành kỹ sư bằng cách lấy bằng cấp và đăng ký với tổ chức chuyên môn địa phương quản lý ngành kỹ thuật. Giờ bạn là kỹ sư. Bạn có thể đào hầm; viết mã phần mềm; thiết kế linh kiện iPhone hoặc máy bay siêu thanh. Bạn là kỹ sư. Và khi bạn dẫn dắt ứng phó toàn cầu với khủng hoảng tài chính trong vai trò kinh tế trưởng của Quỹ Tiền tệ Quốc tế (IMF), như Tiến sĩ Raghuram Rajan đã làm, bạn là kỹ sư.

Giáo sư Raghuram Rajan tốt nghiệp kỹ sư điện từ Viện Công nghệ Ấn Độ. Ông học sau đại học về kinh tế, sau đó trở thành giáo sư tại một trường đại học danh tiếng, và cuối cùng làm việc tại IMF. Hiện ông đang là Thống đốc thứ 23 của Ngân hàng Dự trữ Ấn Độ. Liệu có ai cho rằng tài năng trí tuệ của ông chỉ đến từ đào tạo kinh tế và những kiến thức cơ bản học được khi là sinh viên kỹ sư không đóng vai trò gì trong phát triển khả năng giải quyết vấn đề của ông?

Giáo sư Rajan là một kỹ sư. Tương tự như Xi Jinping, Chủ tịch nước Cộng hòa Nhân dân Trung Hoa, và Alexis Tsipras, Thủ tướng Hy Lạp, người đang buộc thế giới phải suy nghĩ lại về nền tảng kinh tế toàn cầu. Họ có thể không thiết kế mạch điện, thiết bị chưng cất hay cầu mới, nhưng họ đang giúp xây dựng xã hội và nền kinh tế tốt đẹp hơn. Đó chính là định nghĩa tuyệt vời nhất về kỹ thuật và kỹ sư – những người tận tâm xây dựng nền kinh tế và xã hội tốt đẹp hơn.

Tóm lại, tôi cho rằng khoa học dữ liệu là những gì các nhà khoa học dữ liệu làm.

Nhiều người định nghĩa khác nhau.

Vào tháng 9 năm 2015, một đồng nghiệp tại buổi gặp mặt do BigDataUniversity.com tổ chức ở Toronto đã giới hạn khoa học dữ liệu vào machine learning học máy. Đó là vấn đề. Theo một số chuyên gia, nếu bạn không sử dụng các hộp đen của học máy, bạn không phải là nhà khoa học dữ liệu. Ngay cả khi bạn tìm ra phương thuốc chữa bệnh cứu sống hàng triệu người, các đồng nghiệp bảo vệ lãnh địa vẫn sẽ loại bạn khỏi câu lạc bộ khoa học dữ liệu.

Tiến sĩ Vincent Granville (2014), một tác giả về khoa học dữ liệu, đưa ra một số tiêu chuẩn để trở thành nhà khoa học dữ liệu. Trong trang 8 và 9 của cuốn Phát triển Tài năng Phân tích, Tiến sĩ Granville mô tả giáo sư khoa học dữ liệu mới là một giảng viên không có nhiệm kỳ tại một trường đại học phi truyền thống, người công bố kết quả nghiên cứu trên blog trực tuyến, không lãng phí thời gian viết đơn xin tài trợ, làm việc tại nhà và kiếm được nhiều tiền hơn các giáo sư có nhiệm kỳ truyền thống. Có thể nói rằng cộng đồng học thuật khoa học dữ liệu đang phát triển mạnh mẽ có thể không đồng ý với Tiến sĩ Granville.

Tiến sĩ Granville định nghĩa khoa học dữ liệu dựa trên giới hạn kích thước dữ liệu và phương pháp. Ông mô tả nhà khoa học dữ liệu là người có thể xử lý dễ dàng bộ dữ liệu 50 triệu hàng trong vài giờ và không tin tưởng vào các mô hình (thống kê). Ông phân biệt khoa học dữ liệu với thống kê. Tuy nhiên, ông liệt kê đại số, giải tích và đào tạo về xác suất và thống kê là nền tảng cần thiết để hiểu khoa học dữ liệu (trang 4).

Một số người cho rằng dữ liệu lớn chỉ đơn thuần là vượt qua một ngưỡng nhất định về kích thước dữ liệu hoặc số lượng quan sát, hoặc là về việc sử dụng một công cụ cụ thể như Hadoop. Những ngưỡng tùy ý về kích thước dữ liệu như vậy là có vấn đề, bởi vì với sự đổi mới, ngay cả những máy tính thông thường và phần mềm có sẵn cũng đã bắt đầu xử lý được các tập dữ liệu rất lớn. Stata, một phần mềm thường được các nhà khoa học dữ liệu và thống kê sử dụng, đã công bố rằng người ta giờ đây có thể xử lý từ 2 tỷ đến 24,4 tỷ hàng bằng các giải pháp máy tính để bàn của họ. Nếu Hadoop là mật khẩu để gia nhập câu lạc bộ dữ liệu lớn, thì khả năng xử lý 24,4 tỷ hàng của Stata, dù có một số hạn chế, vừa mới đột nhập vào bữa tiệc dữ liệu lớn đó.

Cần nhận ra rằng việc đặt ra các ngưỡng tùy tiện để loại trừ người khác thường dẫn đến mâu thuẫn. Mục tiêu nên là định nghĩa khoa học dữ liệu trong bối cảnh độc lập với ngành và nền tảng, không phụ thuộc quy mô, nơi giải quyết vấn đề dựa trên dữ liệu và khả năng kể chuyện thuyết phục đóng vai trò trung tâm.

Xét đến tranh cãi, tôi muốn tham khảo ý kiến người khác về cách họ mô tả nhà khoa học dữ liệu.

Tại sao chúng ta không một lần nữa tham khảo ý kiến của Trưởng Khoa học Dữ liệu Hoa Kỳ (Chief Data Scientist of the United States)?

Nhớ lại rằng Tiến sĩ Patil đã nói với báo Guardian năm 2012 rằng nhà khoa học dữ liệu là sự kết hợp độc đáo của các kỹ năng có thể vừa khai thác thông tin từ dữ liệu vừa kể một câu chuyện tuyệt vời thông qua dữ liệu. Điều đáng ngưỡng mộ về định nghĩa của Tiến sĩ Patil là nó bao gồm cả những người có nền tảng học thuật và đào tạo khác nhau, không giới hạn định nghĩa nhà khoa học dữ liệu vào một công cụ cụ thể hay đặt ra một ngưỡng tối thiểu tùy ý nào về kích thước dữ liệu.

Một yếu tố quan trọng khác của nhà khoa học dữ liệu giỏi là tính cách tò mò. Họ phải có tâm trí luôn khao khát khám phá, sẵn sàng bỏ nhiều thời gian và công sức để theo đuổi trực giác của mình. Trong báo chí, biên tập viên gọi đó là có “mũi” đánh hơi tin tức. Không phải phóng viên nào cũng biết tin ở đâu. Chỉ những người có “mũi” mới tìm ra câu chuyện. Tính tò mò quan trọng với nhà khoa học dữ liệu không kém gì với nhà báo.

Rachel Schutt là Nhà khoa học Dữ liệu Trưởng tại News Corp. Cô giảng dạy môn khoa học dữ liệu tại Đại học Columbia. Cô cũng là tác giả của cuốn sách xuất sắc Thực hành Khoa học Dữ liệu. Trong một cuộc phỏng vấn với New York Times, Tiến sĩ Schutt định nghĩa một nhà khoa học dữ liệu là người vừa là nhà khoa học máy tính, vừa là kỹ sư phần mềm và nhà thống kê (Miller, 2013). Nhưng đó là định nghĩa của một nhà khoa học dữ liệu trung bình. “Những người giỏi nhất,” cô khẳng định, “thường là những người rất tò mò, những người suy nghĩ đặt ra những câu hỏi hay và sẵn sàng đối mặt với những tình huống không có cấu trúc và cố gắng tìm ra cấu trúc trong đó.”

Dieter R.

Continue Reading
Click to comment

Leave a Reply

Your email address will not be published. Required fields are marked *

Sách

Zero to One: Từ Số Không đến Số Một trong Khởi nghiệp

Peter Thiel và Blake Masters phân tích chi tiết những yếu tố cần thiết để xây dựng một đế chế kinh doanh vĩ đại. Họ sẽ hướng dẫn bạn cách tạo ra sự khác biệt vượt trội và trở thành người có giá trị nhất. Đồng thời, họ cũng sẽ giới thiệu với bạn những yếu tố quan trọng để xây dựng một doanh nghiệp độc quyền sinh lợi.

Published

on

By

Đây không đơn thuần là một cuốn sách chỉ dẫn cách kiếm tiền. Peter Thiel và Blake Masters chia sẻ cả những thành công lẫn thất bại của họ. Qua những trải nghiệm này, bạn sẽ hiểu được điều gì đã giúp một số công ty đạt được thành công vang dội, và ngược lại, điều gì khiến một số doanh nghiệp thất bại thảm hại. Tuy bạn sẽ không tìm thấy những công thức thành công nhanh chóng trong cuốn sách này, nhưng bạn sẽ học được cách xây dựng một công ty khởi nghiệp có tiềm năng to lớn để trở thành người dẫn đầu trong ngành.

“Zero to One” sẽ hướng dẫn bạn cách nhận diện những cơ hội quý giá và tận dụng chúng một cách triệt để.

Cuốn sách này gồm có 14 chương, chúng ta sẽ cùng nhau “giải mã” 14 chương sách này trong vòng 4 tuần tới.

Mục đích của mình khi viết những bài này là truyền đạt kiến thức và khơi dậy nguồn cảm hứng. Hi vọng sau khi đọc bài viết này, các bạn sẽ được truyền cảm hứng và muốn tìm hiểu sâu hơn. Khi đó, mình khuyến khích các bạn mua sách từ các nhà xuất bản chính thống, việc này không chỉ giúp bạn có trải nghiệm đọc sách trọn vẹn mà còn là cách chúng ta tri ân các tác giả và ngành xuất bản. Cám ơn!

Chương 1: Đối mặt với Thách thức của Tương lai

Tương lai chỉ có giá trị bởi vì nó không thể đoán trước. Nếu ta có thể dự đoán được tương lai, nó sẽ trở nên vô nghĩa. Vì vậy, để đạt được thành công, tầm nhìn xa trông rộng và tư duy đột phá là vô cùng quan trọng. Tương lai của sự thành công có thể phát triển theo hai hướng:

Mở rộng hoặc theo chiều ngang (Extensive or horizontal)
Chuyên sâu hoặc theo chiều dọc (Intensive or vertical)

Có thể bạn đang làm một công việc bình thường và tìm kiếm một lối đi an toàn, không gây tranh cãi. Đây được gọi là con đường phát triển theo chiều rộng. Nó cũng thuộc về xu hướng toàn cầu hóa, vì bạn đang làm những gì mọi người làm hàng ngày. Tất cả các ý tưởng đều na ná giống nhau – bạn chọn một khái niệm khả thi và áp dụng nó theo cách phù hợp với mình.

Nếu bạn có thể hình dung một tương lai sáng tạo và đang thử nghiệm những ý tưởng mới, bạn đang đi trên con đường phát triển theo chiều sâu. Nó hoàn toàn đối lập với sự phát triển theo chiều rộng. Điều này đồng nghĩa với việc cung cấp những sản phẩm hoặc dịch vụ chưa từng có trước đây, và nó đòi hỏi nhiều nỗ lực hơn. Cuối cùng, bạn đang tiến lên phía trước. Sự phát triển theo chiều sâu có thể được hiểu như tất cả những công nghệ mới, vốn chân thực và hữu ích cho số đông.

Mặc dù toàn cầu hóa và công nghệ là hai khái niệm hoàn toàn khác nhau, chúng có thể diễn ra cùng lúc hoặc không. Vấn đề của toàn cầu hóa là sự đồng nhất về chất lượng của mọi thứ. Mọi người cạnh tranh cho những nguồn lực hạn chế và chúng nhanh chóng cạn kiệt. Bề ngoài có vẻ có lợi nhuận, nhưng thực tế tổn thất lại lớn hơn nhiều so với lợi ích. Một nền kinh tế toàn cầu hóa dẫn đến một sự tồn tại không bền vững.

Công nghệ là một lựa chọn an toàn hơn. Nó cần nhiều thời gian hơn để phát triển và tiến bộ từ từ.

Thách thức đặt ra cho thế hệ chúng ta là định hình tương lai một cách bền vững với những công nghệ hiện có. Chúng ta thường thấy những công nghệ này được sử dụng bởi các startup và những cá nhân trong các nhóm quyết tâm xây dựng một tương lai đáng giá.

Chương 2: Tiệc tùng như thể đang ở năm 1999

Doanh nghiệp được lập ra để sinh lời, không phải để chịu lỗ. Đơn giản vậy thôi. Thế nhưng, các doanh nghiệp những năm 1990 đã mắc sai lầm khi quên đi sự thật hiển nhiên này. Thoạt nhìn, thập niên 90 dường như là thời kỳ của những bước tiến vượt bậc. Tuy nhiên, cơn sốt internet đã khiến người ta mắc phải những sai lầm ngớ ngẩn, dẫn đến một số thất bại lớn nhất mà nền kinh tế thế giới từng chứng kiến kể từ năm 1929. Thập kỷ này bắt đầu đi xuống sau sự sụp đổ của Bức tường Berlin. Hoa Kỳ rơi vào suy thoái, Đông Á trải qua khủng hoảng tài chính và Nga đối mặt với khủng hoảng đồng Rúp.

Tại đỉnh cao của kỷ nguyên dotcom, PayPal đã vạch ra một kế hoạch đầy tham vọng nhằm thay thế đồng Đô la Mỹ bằng đồng tiền internet của mình. Ban đầu, người dùng còn chưa hiểu rõ về tiền điện tử. PayPal quyết định chi 10 đô la cho mỗi người đăng ký và thêm 10 đô la nếu họ giới thiệu thành công người khác. Mặc dù đây rõ ràng là một chiến lược không bền vững, họ vẫn thu hút được hàng triệu người dùng và hàng tỷ đô la. Ngoài ra, họ thu một khoản phí nhỏ cho mỗi giao dịch và từ đó kiếm được tiền. Đến cuối thiên niên kỷ, họ đã tích lũy đủ vốn để vượt qua cuộc khủng hoảng sắp tới.

Dần dần, qua kinh nghiệm và thời gian, các doanh nhân tập trung vào những nguyên tắc sau:

· Khởi đầu nhỏ và phát triển dần dần.

· Áp dụng kế hoạch kinh doanh linh hoạt. Thay vì bám chặt vào một kế hoạch cố định, hãy thử nghiệm các hoạt động dựa trên tình hình thực tế.

· Tận dụng sự cạnh tranh. Hiểu rõ khách hàng của mình và xây dựng công ty dựa trên nhu cầu của họ. Làm tốt hơn những doanh nghiệp hiện có.

· Đặt sản phẩm lên hàng đầu. Doanh số chỉ là thứ yếu. Một sản phẩm được quảng cáo rầm rộ nhưng chất lượng kém không thể tồn tại lâu trên thị trường. Hãy biến sản phẩm chất lượng của bạn thành xu hướng thị trường.

Những điểm trên đã trở thành tiêu chuẩn cho việc khởi nghiệp trong ngành. Tuy nhiên, những điều sau đây còn đáng chú ý hơn:

  1. Chấp nhận rủi ro lớn còn hơn là an toàn nhưng tầm thường.
  2. Có kế hoạch dở còn hơn không có kế hoạch nào.
  3. Thị trường cạnh tranh gay gắt sẽ làm giảm lợi nhuận.
  4. Doanh số bán hàng cũng quan trọng không kém gì sản phẩm..

Chương 3: Mọi Công ty Thành công đều Độc đáo

Là một doanh nhân, bạn nên tự hỏi: Điều giá trị nào mà chưa ai nhận ra và cung cấp?

Hãy liên tục đặt câu hỏi này cho đến khi bạn tìm ra câu trả lời. Hoặc, viết nó lên một tờ giấy bằng chữ in đậm và dán lên bức tường đối diện nơi bạn làm việc.

Việc tạo ra nhiều giá trị cho công ty của bạn là chưa đủ. Bạn cũng phải đủ khả năng để khai thác nó. Hãy xem xét các mô hình sau để hiểu rõ hơn:

Cạnh tranh Hoàn hảo (Perfect Competition)

Đây là tình huống bạn phải cạnh tranh không chỉ với khách hàng mà còn với các đối thủ kinh doanh.  Trong khi đáp ứng nhu cầu của khách hàng, bạn cũng phải vượt trội hơn các công ty khác. Đồng thời, bạn phải duy trì mức giá tương đương với họ. Điều này có nghĩa là không ai là người dẫn đầu thị trường và không ai nắm giữ toàn bộ quyền lực kinh tế.

Độc quyền (Monopoly)

Ngược lại, độc quyền cho phép bạn bán các sản phẩm độc nhất với mức giá do bạn quyết định. Không có đối thủ cạnh tranh và bạn nắm giữ toàn bộ lợi nhuận thị trường. Ở đây, bạn là người dẫn đầu thị trường. Ví dụ, Google đã thống lĩnh gần như toàn bộ thị trường công cụ tìm kiếm kể từ những năm 2000. Mặc dù Bing và Yahoo có thể được coi là đối thủ cạnh tranh gần nhất, nhưng vẫn không ai có thể sánh được với thành công của Google. Nếu bạn muốn phát triển mạnh mẽ startup của mình, tốt hơn hết là nên hướng tới vị thế độc quyền thay vì tham gia vào cạnh tranh hoàn hảo.

Bạn có thể đang tự hỏi làm thế nào điều này có thể xảy ra. Làm sao những kẻ độc quyền có thể thống trị thị trường và vẫn có lợi nhuận? Sự thật là họ nói dối! Họ nói dối về vị thế thống trị của mình. Để tránh thu hút sự chú ý có thể ảnh hưởng đến lợi nhuận, họ che giấu nó. Bạn đã bao giờ nghe Google khoe khoang về sự độc quyền của họ chưa? Không, họ sẽ không bao giờ thừa nhận rằng họ là người dẫn đầu thị trường. Thay vào đó, họ đưa ra những tuyên bố vô lý, như họ chỉ là một công ty quảng cáo nhỏ, chiếm chỉ 3% thị trường quảng cáo trực tuyến. Nhưng nếu nhìn kỹ hơn vào lĩnh vực công cụ tìm kiếm, ta sẽ thấy họ thực sự thống trị tới 67% thị trường. Tuy nhiên, bạn sẽ không bao giờ nghe họ công khai tuyên bố về sức mạnh này.

Nguồn: Peter Theil’s ZERO TO ONE Technology and the Threat of a Jobless Future Summary by Ant Hive Media www.anthivemedia.com/freesummaries
© Dịch: Dieter R – KenkAI

Continue Reading

Sách

Supremacy: Cuộc Đua AI | Chương 5

Câu chuyện tiếp theo `Supremacy: Cuộc Đua AI | Chương 5`: Demis Hassabis và Lary Page gặp nhau.

Published

on

By

Supremacy: AI, ChatGPT, and the Race that Will Change the World

Câu chuyện tiếp theo `Supremacy: Cuộc Đua AI | Chương 5`: Demis Hassabis và Lary Page gặp nhau.

Chương 5:

Phần trước: https://kenkai.vn/sach/supremacy-cuoc-dua-ai-chuong-4/

Continue Reading

Giải trí

Sức Mạnh Tri Thức: Nghệ Thuật Thu Thập và Sử Dụng Thông Tin

Đây là hành trình cuối cùng để hiểu sâu sắc về tư duy chiến lược, nơi mỗi thông tin đều có thể trở thành chìa khóa mở ra những cơ hội bất ngờ.

Published

on

By

Thông tin là sức mạnh, và trong thế giới kinh doanh hiện đại, quyền năng của tri thức đã trở thành yếu tố quyết định sự thành bại. Tôn Tử nhấn mạnh rằng một nhà lãnh đạo xuất sắc không chỉ là người có thông tin, mà còn là người biết phân tích, diễn giải và chuyển hóa thông tin thành những lợi thế chiến lược vượt trội.

 Chúng ta sẽ khám phá nghệ thuật thu thập và sử dụng thông tin tình báo, từ việc xây dựng hệ thống thông tin hiệu quả đến việc áp dụng những bài học then chốt từ “Nghệ Thuật Chiến Tranh”. Đây là hành trình cuối cùng để hiểu sâu sắc về tư duy chiến lược, nơi mỗi thông tin đều có thể trở thành chìa khóa mở ra những cơ hội bất ngờ.

Phần trước: https://kenkai.vn/giao-duc/ban-do-thanh-cong-chinh-phuc-dia-hinh-kinh-doanh/

“Nghệ Thuật Chiến Tranh” (The Art of War) là một cuốn sách cổ điển của Tôn Tử (Sun Tzu), một nhà quân sự và triết gia Trung Quốc sống vào khoảng thế kỷ 5 trước Công nguyên. Sách gồm 13 chương, mỗi chương tập trung vào một khía cạnh khác nhau của chiến lược và chiến thuật:

  1. Khảo Luận: Tổng quan về chiến tranh và chiến lược
  2. Tiến Binh: Về việc di chuyển quân đội
  3. Kế Hoạch: Lập kế hoạch chiến dịch
  4. Hình Thế: Đánh giá vị thế và địa hình
  5. Năng Lực: Năng lực của người chỉ huy
  6. Không Chiến: Chiến thuật tác chiến không trực tiếp
  7. Vận Dụng Binh: Sử dụng quân đội một cách linh hoạt
  8. Chín Biến: Các biến đổi trong chiến tranh
  9. Hành Quân: Di chuyển và tiếp vận
  10. Địa Hình: Vai trò của địa hình trong chiến tranh
  11. Chín Tình Thế: Các tình huống chiến thuật
  12. Hỏa Công: Sử dụng chiến thuật tấn công
  13. Sử Dụng Gián Điệp: Vai trò của tình báo

Sách không chỉ là về chiến tranh quân sự mà còn được áp dụng rộng rãi trong kinh doanh, chính trị, và cuộc sống như một cuốn sách về chiến lược và nghệ thuật

⭐ Theo dõi kenkai.vn để không bỏ lỡ các video mới nhất!

Continue Reading

Trending