DatAI@SG xin trân trọng giới thiệu "The International Online seminar series on Data Science". Đây là hoạt động chung của DatAI@SG và ISODS nhằm chia sẻ kiến thức thông qua các bài giảng online. Mọi người có thể tham gia online thông qua zoom hoặc offline tại một địa điểm host (sẽ thay đổi luân phiên giữa một số đơn vị).

Nhằm nâng cao tính hội nhập và hợp tác, chuỗi bài giảng sẽ được trình bày bằng tiếng Anh.

Bài giảng đầu tiên mang tựa đề "The two cultures: retrospects and prospects" của TS Nguyễn Phúc Sơn, Giảng Viên Khoa Toán Kinh Tế, Đại Học Kinh Tế Luật, ĐHQG Tp HCM.

Bài giảng sẽ được diễn ra lúc 9:00-11:00 AM, thứ bảy, ngày 30/11/2019. Địa điểm host: Data Innovation Lab, ĐH Công Nghiệp Tp HCM. Nếu quý vị có ý định dự bài giảng offline tại địa điểm host, xin đăng ký vào Google form để ban tổ chức thuận tiện trong việc sắp xếp https://forms.gle/tpPGo3W5sKVdzR8A9

Nếu quý vị tham gia online, xin dùng zoom ID: 359-047-375.

===========================
The two cultures: retrospects and prospects
Son P. Nguyen
University of Economics and Law, VNU (Ho Chi Minh)
sonnp@uel.edu.vn
===========================
Abstract
In 2001, prominent statistician Leo Breiman wrote a renowned paper titled “Statistical modeling: the two cultures" in which he described two seemingly contrasting approaches to data analysis, namely
1. Data modeling: select generative models with emphasis on interpretability, and, to some extent, causality.
2. Algorithmic modeling: select models with best predictive capabilities (via validation) with little or no consideration to model explainability.
In this talk, after briey reviewing Breiman&sharp39;s ideas, we will discuss some reasons why both approaches are needed in modern data science. Moreover, to get the best of both worlds, we would like a unified framework which allows data scientists to exibly take advantage of both types of modeling. Next, we will introduce fundamentals of probabilistic programming languages with a few examples to illustrate the combinations.
===========================
Keywords
Statistics, Machine learning, Data science, probabilistic programming language

sharpISODS, sharpIUH, sharpDataiSG