Kỷ nguyên đại hải tặc AI đã mở ra.

Giúp bạn trực quan hóa chính xác các khái niệm của các lý thuyết nền tảng của deep learning.

Sau 14 ngày sử dụng ngay từ khi vừa ra mắt, đây là lý do tại sao tôi khuyên dùng Claude Code (AI Coding) cho cả những người đang tìm việc và những người đang đi làm vì có thể áp dụng được ngay lập tức.

Để theo kịp xu hướng Deep Learning gần đây, chúng ta sẽ tìm hiểu bối cảnh phát triển đột phá của Deep Learning.

Bạn đã nắm vững kiến thức cơ bản nhưng vẫn thấy lúng túng khi áp dụng vào thực tế? Với kinh nghiệm thực chiến, tôi sẽ giải đáp một cách rõ ràng các cấu trúc LLM phức tạp.

Bạn sẽ học từng bước từ các khái niệm cơ bản về LLM (Mô hình ngôn ngữ lớn) cho đến cách tinh chỉnh mô hình Llama 2, LLM hiệu suất cao, trên tập dữ liệu bạn chọn.

Đây là bài giảng trong đó bạn tìm hiểu khái niệm về mô hình Gemini của Google và cách sử dụng API Gemini cũng như tạo các ứng dụng AI khác nhau bằng Streamlit.

RAG(Retrieval-Augmented Generation) từ lý thuyết đến RAG đa phương thức và dựa trên agent mới nhất! Đây là khóa học thực hành được thiết kế để cả những người không chuyên cũng có thể hiểu được. Từ review paper đến triển khai code thực tế, được thiết kế để những người mới tiếp cúc với RAG cũng có thể dễ dàng theo kịp.

Khóa học này là một quá trình tổng hợp toàn bộ kiến thức cần thiết để ứng dụng AI tạo sinh trong thực tế, từ nguyên lý cơ bản của LLM (Mô hình Ngôn ngữ Lớn), RAG (Retrieval-Augmented Generation), đến các công nghệ mới nhất như AI Agent và MCP (Modular Command Protocol). Khóa học được thiết kế để bạn có thể học một cách tự nhiên theo dòng chảy công nghệ, hiểu được cách AI tạo sinh hiểu thông tin, tìm kiếm, đưa ra phán đoán và mở rộng thành AI Agent có khả năng hành động.

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.

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.

<밑바닥부터 만들면서 배우는 LLM>(길벗, 2025)의 깃허브 노트북과 보너스 콘텐츠를 다루는 강의입니다. 깃허브: https://github.com/rickiepark/llm-from-scratch/ <밑바닥부터 만들면서 배우는 LLM>은 세바스찬 라시카(Sebastian Raschka)가 쓴 베스트셀러 <Build a Large Langauge Model (from Scratch)>(Manning, 2024)의 번역서입니다. 이 책은 오픈AI가 만든 GPT-2 모델을 밑바닥에서부터 시작해서 완전한 모델을 만들어 보면서 대규모 언어 모델의 작동 원리를 배우고 활용하는 방법을 제공합니다.

<Mô hình Ngôn ngữ Lớn, chỉ những điều cốt lõi một cách nhanh chóng!>(Insight, 2025)를 바탕으로 LLM의 이론과 실전 예제를 다루는 강의입니다.

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'.

Tại sao Attention lại cần thiết và cách thức hoạt động của nó được hiểu thông qua 'việc triển khai trực tiếp bằng code'. Khóa học này xuất phát từ những hạn chế cấu trúc của mô hình RNN và Seq2Seq, xác minh thông qua thí nghiệm vấn đề nghẽn cổ chai thông tin do context vector cố định tạo ra, vấn đề phụ thuộc dài hạn và giải thích một cách tự nhiên cách Attention đã xuất hiện để giải quyết những hạn chế đó. Không chỉ đơn thuần giới thiệu khái niệm, mà trực tiếp xác nhận qua thí nghiệm những hạn chế cấu trúc của RNN và vấn đề nghẽn cổ chai thông tin của Seq2Seq, và triển khai từng cái một **Bahdanau Attention(attention cộng)** và **Luong Attention(attention tích vô hướng)** đã xuất hiện để giải quyết vấn đề này, hiểu rõ sự khác biệt giữa chúng. Mỗi attention Hình thành mối quan hệ Query–Key–Value theo cách nào, Có những khác biệt toán học·trực quan nào trong quá trình tính toán trọng số, Tại sao lại không thể không dẫn đến các mô hình thế hệ sau Đặc tính và dòng chảy tiến hóa đó được kết nối một cách tự nhiên. Cách Attention nhìn nhận câu và từ, Cách mỗi từ được gán tầm quan trọng và tích hợp thông tin được học tập dưới dạng công thức → trực quan → code → thí nghiệm liên kết thành một. Khóa học này là quá trình xây dựng 'thể lực cơ bản' để hiểu đúng Transformer, giúp hiểu sâu sắc tại sao khái niệm Attention lại mang tính cách mạng, và tại sao tất cả các mô hình NLP hiện đại sau này (Transformer, BERT, GPT, v.v.) lại lấy Attention làm thành phần cốt lõi. Đây là khóa học được tối ưu hóa cho những học viên muốn thể hóa dòng chảy RNN → Seq2Seq → Attention không phải bằng khái niệm mà bằng code và thí nghiệm.