Tuần trước, tôi đã hướng dẫn các bạn cách lập trình mô hình dự đoán bằng Vibe Code từ đầu.
Phản hồi rất tích cực và nhiều người đã bắt đầu tự chế tạo mô hình của riêng mình, điều này thật tuyệt vời.
Một số câu hỏi tôi nhận được trong tuần này có nội dung tương tự như “Tôi nên cố gắng dự đoán điều gì?” và “Liệu có phải chỉ cần tuân theo mô hình một cách mù quáng sau khi nó đã được thiết lập và hoạt động?”
Vì vậy, tôi nghĩ mình nên viết thêm một Bit về khái niệm kiến thức chuyên ngành vì nó trả lời cả hai câu hỏi này và nhiều hơn nữa.
Kiến thức chuyên môn là một lớp nền tảng (hoặc nên được đặt) ở cả phía dưới và phía trên bất kỳ mô hình nào bạn xây dựng. Đó là yếu tố phân biệt người chỉ có mô hình với người có mô hình tốt , và người sử dụng mô hình của mình hiệu quả.
Đây là những kiến thức bạn có về lĩnh vực chuyên môn của mình mà không bộ dữ liệu nào có thể nắm bắt đầy đủ. Bối cảnh, sắc thái, các trường hợp ngoại lệ, ETC Những điều khó định lượng nhưng dễ nhận ra nếu bạn đã dành hàng nghìn giờ trong lĩnh vực đó.
Tôi nghĩ rằng việc hiểu cách thức và thời điểm áp dụng kiến thức chuyên môn của mình là một trong những kỹ năng quan trọng nhất mà bạn phát triển khi làm việc với các mô hình dự đoán. Và đó là điều tôi đã suy nghĩ rất nhiều khi tiếp tục hoàn thiện mô hình Dota 2 của mình và theo dõi các kèo đặt cược thực tế.
Nhân tiện, mô hình của tôi đang tiếp tục chứng minh là một thứ khá sinh lời. Đây là kết quả mới nhất. Tuy còn sớm, nhưng sự tự tin của tôi đang dần dần tăng lên:
Đã đặt 137 cược và có lãi. Tôi sẽ không cảm thấy quá thoải mái cho đến khi đạt 500 cược, và có lẽ sẽ không thực sự thoải mái cho đến khi đạt hơn 1000 cược, nhưng… chúng ta đang trên đường đến đó.
Thôi được. Quay lại với kiến thức chuyên ngành. Đây là những gì chúng ta sẽ tìm hiểu hôm nay:
Kiến thức chuyên ngành thực chất là gì?
Nơi kiến thức chuyên môn giúp bạn xây dựng mô hình tốt hơn.
Khi nào nên tin tưởng bản thân hơn là tin tưởng mô hình
Khi nào nên tin tưởng mô hình hơn là chính bản thân mình
Điều này không chỉ áp dụng cho cá cược thể thao điện tử.
Lời kết
Kiến thức chuyên môn là tất cả những gì bạn biết về một chủ đề mà bạn đã tích lũy được thông qua kinh nghiệm, quan sát và tham gia. Đó là những kiến thức nằm trong đầu bạn và rất khó để đưa vào bảng tính, tệp JSON hoặc Bit mã Python.
Đối với tôi và Dota 2, đó là kiến thức có được từ hơn 20 năm chơi game và hàng nghìn giờ xem các trận đấu chuyên nghiệp. Một số ví dụ về kiến thức chuyên môn:
Những thông tin đó không có trong dữ liệu huấn luyện của mô hình tôi. Bạn có thể nghĩ ra cách để thêm các phiên bản của chúng vào mô hình, nhưng a) bạn vẫn cần phải biết cách tìm kiếm chúng ngay từ đầu (điều mà tôi nghi ngờ hầu hết những người không phải fan Dota sẽ không thể làm được) và b) phần lớn thời gian, việc thu thập thông tin rất khó/không thể và chỉ áp dụng cho một tỷ lệ rất nhỏ các trận đấu, việc cố gắng làm điều đó thậm chí còn gây hại cho mô hình tổng thể.
Mô hình chỉ nhìn vào các con số. Tỷ lệ thắng, các trận đấu giữa các anh hùng, phong độ gần đây, thành tích trong quá khứ. Nó làm tốt với những con số đó. Nhưng nó không thực sự xem các trận đấu, không xem các cuộc phỏng vấn trước và sau trận đấu, và nó không hiểu... nói một cách dễ hiểu hơn, không hiểu được "cảm xúc" của trận đấu.
Và đúng vậy, tôi đang dùng từ "cảm giác" một cách nghiêm túc, bởi vì đôi khi mọi chuyện chỉ đơn giản là như vậy. Bạn xem một đội thi đấu và cảm thấy có điều gì đó không ổn, vì vậy bạn có thể tìm hiểu và nhận ra: à, hóa ra huấn luyện viên của họ không tham gia giải đấu này vì lý do X, Y, Z. Vì vậy, họ không chọn được tuyển thủ tốt như mong đợi, điều đó giải thích cho cảm giác của tôi!
Đó là kiến thức chuyên ngành.
Các chi tiết cụ thể sẽ khác nhau tùy thuộc vào loại sự kiện bạn đang cố gắng dự đoán, nhưng nguyên tắc thì giống nhau. Kiến thức chuyên môn bao gồm a) những điều bạn biết mà hầu hết người khác không biết và bạn có thể đưa vào mô hình của mình, và b) những điều bạn biết mà không thể đưa vào bất kỳ mô hình nào một cách hợp lý, nhưng có thể ảnh hưởng đến mức độ bạn muốn tin tưởng vào các dự đoán của mô hình.
Chúng ta hãy cùng xem xét những điều này chi tiết hơn một Bit .
Đọc thêm
