인프런 - 라이프타임 커리어 플랫폼

Giải thích lý do cần LLM, nền tảng kỹ thuật và khái niệm cơ bản.

Giải thích các nguyên lý cơ bản của mô hình ngôn ngữ lớn như ChatGPT, tập trung vào lý thuyết.

Xem xét những hạn chế của LLM, cách khắc phục và các chủ đề nghiên cứu mới nhất.

Chinh phục tất cả về AI thay đổi thế giới chỉ trong 4 bài giảng! Bài 1. Bản chất thật sự của Trí tuệ nhân tạo AI không phải là phép thuật. Đó là bộ não kỹ thuật số được tạo ra bằng cách phân tích 'trí tuệ' của con người như một công thức! Chúng ta sẽ khám phá từng ngóc ngách của cấu trúc cốt lõi của AI tưởng chừng thông minh này. Bài 2. Thuật toán, phương pháp tư duy sáng tạo (?) của AI AI suy nghĩ sẽ tìm ra giải pháp như thế nào? Hãy trực tiếp tìm hiểu chiến lược của AI khi chơi cờ vây, tìm đường và dự đoán kết quả tìm kiếm của bạn. Bài 3. Phần cứng AI, động cơ biến trí tưởng tượng thành hiện thực! Con chip trong điện thoại thông minh của bạn chính là trái tim của AI. Chúng ta sẽ mổ xẻ tất cả, từ CPU, GPU, TPU cho đến những cái tên không thể biết được khác. Bài 4. Cuộc đối đầu lớn giữa Machine Learning và Deep Learning! Việc AI 'học' rốt cuộc có nghĩa là gì? Từ AI dựa trên quy tắc cổ điển, cho đến ChatGPT đang "hot" gần đây! Chúng ta sẽ theo dõi sự tiến hóa của việc học.

"LoRA 기반 경량 파인튜닝으로 나만의 맞춤형 LLM을 만들어보는 첫걸음!" Đây là khóa học thực hành nhập môn được thiết kế để ngay cả những người mới tiếp xúc với LLM lần đầu cũng có thể dễ dàng theo kịp. Giảm thiểu lý thuyết phức tạp, hướng dẫn từng bước toàn bộ quy trình từ tải mô hình → áp dụng dữ liệu → huấn luyện → so sánh kết quả. Trong thời gian ngắn, bạn sẽ trực tiếp trải nghiệm quy trình của các kỹ thuật fine-tuning nhẹ mới nhất như LoRA·QLoRA, và có thể nắm bắt được cảm giác "À, fine-tuning LLM hoạt động như thế này". Hãy trực tiếp cảm nhận thành tựu tạo ra LLM chuyên biệt cho lĩnh vực của riêng bạn, ngay cả khi không có nhiều tài nguyên!

Khóa học này tập trung vào việc xây dựng nền tảng cơ bản về Notion API và học cách sử dụng Notion MCP để tự động hóa Notion thông qua việc tích hợp AI (Claude). Bạn sẽ học cách kiểm soát trực tiếp các block, trang và cơ sở dữ liệu theo tài liệu chính thức của API, và cuối cùng hoàn thành một dự án thực tế có thể tạo cơ sở dữ liệu chỉ bằng lệnh ngôn ngữ tự nhiên (prompt) và tự động thêm trang sau khi phân tích nội dung file văn bản.

Khóa học này là một masterclass thực hành hoàn chỉnh phân tích sâu sự phát triển công nghệ cốt lõi của AI tạo sinh từ LDM(Latent Diffusion Model) đến DiT(Diffusion Transformer). Chúng ta sẽ trực tiếp phân tích nguyên lý học tập dựa trên không gian tiềm ẩn của LDM, cấu trúc của Stable Diffusion, và phương thức triển khai của Diffusion Transformer mới nhất thông qua các bài báo và code. Học viên sẽ trực tiếp triển khai các mô hình LDM, CFG(Classifier-Free Guidance), DiT dựa trên PyTorch, đồng thời học một cách có hệ thống các xu hướng mới nhất và sự tiến hóa cấu trúc của mô hình tạo sinh.

Triển khai từng bước từ lý thuyết đến code cho PixArt dựa trên Transformer mới nhất và SANA thích ứng nhẹ. Dựa trên DDPM·DDIM·LDM·DiT đã đề cập trong phần I·II, hoàn thành theo hướng thực hành từ kết nối text encoder, sampler (DDIM/ODE), điều chỉnh v-prediction/CFG, đến fine-tuning phong cách dữ liệu quy mô nhỏ.

Học các kỹ thuật Context Engineering để tạo ra AI agent chất lượng cao thông qua thực hành.

Khóa học này giải thích các khái niệm cơ bản về LLM và GPT một cách dễ hiểu để mọi người đều có thể nắm bắt được. Học viên sẽ trực tiếp sử dụng GPT API để tạo chatbot và có thể chạy trên web bằng Streamlit. Từ kiến thức cơ bản đến thực hành, bạn sẽ trải nghiệm và xây dựng nền tảng vững chắc cho bước đầu tiên trong việc ứng dụng AI.

Tìm hiểu cách thu thập và phân tích các yêu cầu của người dùng để thiết kế dịch vụ LLM.

Khóa học này là một masterclass thực chiến tập trung vào việc chinh phục hoàn toàn quá trình tiến hóa của Diffusion Model thông qua các bài báo và mã nguồn. Học viên sẽ học từ nguyên lý bài báo đến việc trực tiếp triển khai các mô hình cốt lõi của AI sinh tạo như DDPM(Denoising Diffusion Probabilistic Model) và DDIM. Khóa học phân tích từng bước bối cảnh xuất hiện của từng mô hình, công thức toán học, cấu trúc mạng (U-Net, VAE, Transformer), quá trình học (Noise Schedule, Denoising Step), và những ý tưởng dẫn đến cải thiện hiệu suất. Học viên sẽ trực tiếp lập trình tất cả các mô hình dựa trên PyTorch, không chỉ dừng lại ở việc hiểu bài báo mà còn có được 'khả năng thực tế để tái tạo và ứng dụng'. Ngoài ra, thông qua việc so sánh sự khác biệt và dòng chảy phát triển giữa các mô hình, học viên sẽ hiểu rõ cách chúng được mở rộng. Khóa học này kết hợp lý thuyết·mã nguồn·thực hành thành một, cung cấp hành trình để nghiên cứu viên·nhà phát triển·nhà sáng tạo đều có thể học hỏi một cách có hệ thống về sự tiến hóa của mô hình sinh tạo. Hãy bắt đầu ngay bây giờ trải nghiệm vượt qua việc 'đọc' bài báo, trực tiếp triển khai để 'hiểu và tái sáng tạo'.