Bước đầu với Physical AI không cần phần cứng: Tạo AI nhận diện cử chỉ tay bằng webcam

Bạn đã nắm vững kiến thức cơ bản nhưng vẫn thấy mông lung khi áp dụng vào thực tế phải không? Với bí quyết chuyên môn của mình, tôi sẽ giúp bạn hoàn thiện thiết kế RAG và Agent phức tạp.

Khóa học này không tập trung vào việc dạy nhân viên văn phòng không chuyên về kỹ thuật học lập trình thuần túy, mà tập trung vào việc nuôi dưỡng khả năng trực tiếp giải quyết các vấn đề trong công việc bằng cách sử dụng các đại lý AI (AI Agent). Trước đây, khi có vấn đề phát sinh, bạn phải phụ thuộc vào bộ phận IT hoặc thuê ngoài phát triển, nhưng giờ đây là thời đại mà bạn có thể cùng AI thiết kế và tạo ra các bản mẫu (prototype) ngay lập tức để thực hiện tự động hóa công việc. Các năng lực cốt lõi cần thiết cho việc này là định nghĩa vấn đề, thiết lập chiến lược giải quyết thông qua cộng tác với AI và khả năng trực tiếp tạo ra các công cụ cần thiết. Đặc biệt, bằng cách sử dụng Codex CLI, những người đang sử dụng ChatGPT có thể thực hành lập trình theo hướng đại lý (agentic coding) ngay lập tức mà không tốn thêm chi phí, giúp những người không chuyên về kỹ thuật cũng có thể nhanh chóng tích lũy kinh nghiệm thực tế. Chương trình giảng dạy được cấu trúc theo từng bước, từ việc thấu hiểu những thay đổi trong kỷ nguyên đại lý AI đến các kiến thức cơ bản về phát triển, sử dụng terminal, lập trình agentic dựa trên Codex CLI, cấu trúc hóa vấn đề, phát triển ứng dụng web Django và tạo ra các ứng dụng tự động hóa công việc thực tế. Người học có thể đạt được năng lực tự động hóa các công việc lặp đi lặp lại bằng cách trực tiếp tạo ra các ứng dụng có thể áp dụng ngay vào thực tế như danh sách việc cần làm (To-Do), bảng kiểm tra (checklist), quản lý lịch trình, biên bản cuộc họp và công cụ tóm tắt. Toàn bộ khóa học được thiết kế theo phương pháp micro-learning dạng mô-đun với các đơn vị ngắn, giúp người học tiếp thu nhanh chóng các nội dung cần thiết và có thể tái sử dụng ngay lập tức trong quá trình làm việc.

🔥 Vibe Coding với Streamlit 🔥 Trải nghiệm coding thời gian thực tạo ra dịch vụ web của riêng bạn chỉ với một dòng code! Khóa học thực hành tập trung vào hình ảnh phù hợp với cảm tính MZ, không cần kiến thức backend phức tạp. Học những kiến thức cơ bản về Streamlit và trực tiếp triển khai các ứng dụng thực tế để đánh thức giác quan phát triển. Hãy hoàn thành "dịch vụ của riêng bạn" bằng code một cách vibe ngay bây giờ 😎💻

Khóa học này được thiết kế dành cho các nhà phát triển, những người đam mê AI và các chuyên gia muốn phát triển các ứng dụng AI thực tế bằng cách sử dụng LangChain, OpenAI, Hugging Face và Python. Thay vì chỉ tập trung vào lý thuyết, khóa học này áp dụng phương pháp tiếp cận thực tế và định hướng dự án. Trong suốt khóa học, học viên sẽ trực tiếp xây dựng tổng cộng 15 ứng dụng AI hoàn chỉnh, bao gồm chatbot, công cụ phân tích CSV, hệ thống sàng lọc sơ yếu lý lịch, bot trích xuất hóa đơn, trợ lý hỗ trợ, công cụ tiếp thị, ứng dụng Text-to-SQL và nhiều ứng dụng khác. Tôi tạo ra khóa học này để giúp các khái niệm AI phức tạp trở nên dễ hiểu và giúp mọi người đều có thể tiếp cận với việc phát triển LLM hiện đại. Nhiều người học gặp khó khăn trong việc hiểu cách các công cụ như LangChain, embedding, hệ thống bộ nhớ, cơ sở dữ liệu vector và AI Agent tương tác với nhau trong các ứng dụng thực tế. Khóa học này sẽ hướng dẫn bạn từng bước thông qua các giải thích rõ ràng, các phiên lập trình thực tế và quy trình triển khai thực tế. Sau khi hoàn thành khóa học, học viên sẽ tự tin hiểu cách thiết kế, xây dựng và triển khai các ứng dụng dựa trên AI bằng cách tận dụng các công nghệ AI tạo sinh mới nhất.

Đây là khóa học giúp bạn tự xây dựng chương trình tự động giao dịch chứng khoán và tiền điện tử bằng cách tận dụng ChatGPT mà không cần kiến thức về lập trình. Bạn sẽ được thực hành toàn bộ quy trình từ thu thập dữ liệu, phát triển mô hình dự đoán, hệ thống gợi ý mã đầu tư cho đến giao dịch tự động thực tế, qua đó đồng thời tiếp thu kỹ năng phát triển ứng dụng AI và kiến thức đầu tư tài chính.

Ngay cả khi chưa có kinh nghiệm lập trình, bạn vẫn có thể tự mình tạo ra các chương trình tự động hóa công việc thực tế với Cursor AI. Khóa học này là một khóa học thực hành, trong đó bạn sẽ sử dụng Python và Cursor AI để tự động thu thập bình luận tin tức (Crawling), lưu vào tệp CSV, sau đó phân tích dư luận và cảm xúc, từ đó hoàn thiện một dự án trọn vẹn. Đây không phải là khóa học chỉ đơn giản yêu cầu bạn nhập lại mã nguồn. Nội dung được xây dựng để bạn có thể trải nghiệm toàn bộ quy trình phát triển thực tế, từ cách đặt câu hỏi hiệu quả cho Cursor AI, thiết lập môi trường phát triển, viết chương trình tự động hóa cho đến xử lý lỗi. Trong quá trình học, bạn sẽ từng bước học từ cài đặt Python, thiết lập Cursor AI, những kiến thức cơ bản về tự động hóa công việc, thu thập bình luận tin tức, lưu dữ liệu CSV, phân tích cảm xúc cho đến cách sửa lỗi phát sinh trong các dự án thực tế. Ngay cả những người mới bắt đầu lập trình cũng có thể tự nhiên học được cách phát triển cùng AI, tự động hóa các công việc lặp đi lặp lại và nâng cao năng lực thực tiễn trong việc khai thác dữ liệu.

Nếu chỉ biết LangChain thì đó là một chatbot, nhưng nếu biết LangGraph và mô hình Multi-Agent thì đó sẽ trở thành một dịch vụ. Giảng viên AI thực chiến sẽ truyền đạt bí quyết xây dựng quy trình làm việc (workflow) của AI Agent có khả năng vận hành thực tế từ đầu đến cuối — không chỉ dừng lại ở việc gọi prompt đơn thuần mà còn biết sử dụng công cụ, duy trì bộ nhớ và có sự kiểm duyệt của con người — thông qua 17 notebook thực hành và 4 mô hình đa tác nhân (Subagents · Handoffs · Router · Skills).

Chỉ với việc gọi API AI thì khó có thể hoàn thiện dịch vụ phân loại. Dựa trên kinh nghiệm thực tế, tôi sẽ hướng dẫn từ khâu triển khai đến triển khai.

Tìm hiểu cách sử dụng OpenCV và xử lý hình ảnh thông qua triển khai thực tế nhận dạng danh thiếp. OpenCV sẽ được giải thích ngắn gọn và các chức năng OpenCV cần thiết để triển khai nhận dạng danh thiếp sẽ được giải thích chi tiết hơn. Nói cách khác, thay vì là một khóa học cơ bản, nó cung cấp một phần trích dẫn để sử dụng thực tế trong việc nhận dạng danh thiếp. Nó cũng bao gồm việc sử dụng Tesseract và công cụ OCR của Microsoft. Mã nguồn của khóa học này dựa trên Python, nhưng vì bạn sẽ học các lớp và chức năng OpenCV cũng như công nghệ xử lý và nhận dạng hình ảnh nên sẽ không khó để áp dụng nó cho Android và iOS dựa trên điều này. Những người tham gia khóa học sẽ được cung cấp slide bài giảng và mã nguồn nhận dạng danh thiếp thực tế. Nội dung bài giảng đã được hoàn thiện và kiểm chứng hơn nữa trong ba buổi hội thảo ngoại tuyến tổ chức vào tháng 1 và tháng 2 năm 2017, đã được người hướng dẫn ghi lại cẩn thận để sử dụng trực tuyến. Đây là các hàm OpenCV được sử dụng trong bài giảng này. cv2.Canny() cv2.GaussianBlur() cv2.VideoCapture() cv2.adaptiveThreshold() cv2.approxPolyDP() cv2.arcLength() cv2.boundingRect() cv2.boxPoints() cv2.contourArea() cv2.convertScaleAbs() cv2.createTrackbar() cv2.cvtColor() cv2.destroyAllWindows() cv2.dilate() cv2.drawContours() cv2.findContours() cv2.getAffineTransform() cv2.getPerspectiveTransform() cv2.getTrackbarPos() cv2.imread() cv2.imshow() cv2.imwrite() cv2.minAreaRect() cv2.namedWindow() cv2.hình chữ nhật() cv2.resize() cv2.threshold() cv2.waitKey() cv2.warpAffine() cv2.warpPerspective()

Khi nghiên cứu AI hoặc thực hiện một dự án sử dụng nó, việc thực hiện một luận điểm cơ bản là điều cần thiết. Thông qua bài giảng này, hãy nâng cao kỹ năng thực hành của bạn bằng cách triển khai một luận văn thực tế!

Bạn có thể có được cái nhìn tổng quan về machine learning và deep learning nói chung, cách sử dụng các công cụ cơ bản và kiến ​​thức ngôn ngữ Python cần thiết cho việc học trong một khoảng thời gian ngắn.

Khóa học này bao gồm từ các khái niệm cơ bản của hệ thống gợi ý đến các nguyên lý ứng dụng Deep Learning. Hãy cùng học hỏi các thuật toán gợi ý đa dạng như lọc cộng tác (Collaborative Filtering), lọc dựa trên nội dung (Content-based Filtering), hệ thống gợi ý lai (Hybrid Recommender System) và nâng cao năng lực thực tiễn để phát triển dịch vụ gợi ý!

Trong bài giảng này, chúng ta sẽ xem xét toàn bộ quá trình tạo ảnh ghép mosaic từ góc độ thuật toán. Sau khi thu gọn ảnh đầu vào thành tập hợp các màu đại diện phù hợp với số lượng ô gạch thông qua phân cụm K-means, chúng ta áp dụng thuật toán Hungarian để ghép cặp tối ưu 1:1 giữa mỗi màu và ô gạch. Thông qua đó, chúng ta hiểu được quá trình kết hợp xử lý ảnh và thuật toán tối ưu hóa tổ hợp để tạo ra một kết quả hình ảnh.

Khi bạn tải hình ảnh lên, Opencv sẽ xử lý hình ảnh đó để tạo một ứng dụng web phát hiện khuôn mặt.

Công nghệ OCR thực sự dùng trong thực tế, nếu muốn học đúng cách thì chỉ cần một khóa học này là đủ! Đạt mục tiêu chính xác trên 98% ngay cả với tài liệu phi cấu trúc và bố cục phức tạp, dựa trên các mô hình SOTA mới nhất cùng kinh nghiệm thực chiến, chúng tôi sẽ cùng bạn xây dựng dự án OCR cấp doanh nghiệp.

Khi học máy học, bạn học cách nâng cao độ chính xác. Nhưng ngay khoảnh khắc muốn đưa mô hình đó lên một con chip thực tế, vẫn còn những câu hỏi mà không ai nói cho bạn biết. Mô hình này thực hiện bao nhiêu phép nhân? Nó cần ghi nhớ bao nhiêu và những gì? Thông số của con chip đang nhắm tới có đáp ứng được các yêu cầu đó không? Giáo trình máy học nói về độ chính xác, còn giáo trình bán dẫn nói về mạch điện, nhưng tài liệu kết nối hai lĩnh vực này lại rất hiếm. Khi triển khai CPU RISC-V và NPU trên FPGA, tôi đã nhiều lần đối mặt với khoảng cách đó. Đó là tình huống mô hình có độ chính xác cao nhất lại không thể chạy trên bo mạch. Trong khóa học này, bạn sẽ trực tiếp xây dựng sáu thuật toán bằng Python, đồng thời đo số phép nhân, phép so sánh, bộ nhớ và độ chính xác ở mỗi bước. Sau đó, các giá trị này được quy đổi thành tài nguyên trên một bo mạch FPGA thực tế. Chỉ nói “bao nhiêu phép nhân” thì không đủ để hình dung quy mô, nhưng nếu nói “chiếm bao nhiêu phần trăm tài nguyên của bo mạch” thì bạn có thể đưa ra quyết định. Sau khi hoàn thành chín Lab và đưa sáu mô hình vào cùng một bảng, bạn sẽ thấy một bức tranh khác với dự đoán. Chúng ta đã dành chín bài để đếm số phép nhân, nhưng thứ thực sự trở thành nút thắt lại không phải là phép nhân. Sau đó, chúng ta sẽ hạ độ chính xác xuống dạng số nguyên, quản lý số chữ số và xây dựng cả tiêu chí để đánh giá mạch. Bạn không cần có bo mạch FPGA. Khóa học được thực hiện hoàn toàn bằng Python, còn bo mạch chỉ được sử dụng làm 기준 để quy đổi các giá trị đo được.

Giải quyết vấn đề khó xây dựng dịch vụ dù biết cú pháp Python bằng kinh nghiệm thực tế tại Naver và các bài thực hành theo từng bước.

Đây là bài giảng dành cho các bạn sinh viên đang chuẩn bị ứng tuyển vào bộ phận DS của Samsung Electronics (Đánh giá và Phân tích Memory·S.LSI·Foundry·TSP·AVP) và SK hynix (PE·AE·Solution PE) nhưng còn gặp khó khăn trong việc phân biệt giữa các bộ phận kinh doanh và chức năng công việc. Dựa trên quy trình làm việc thực tế của vị trí Đánh giá sản phẩm, khóa học sẽ hệ thống lại tên gọi các vị trí công việc theo từng công ty, đồng thời hướng dẫn cách chuyển đổi kinh nghiệm chuyên ngành của bản thân sang ngôn ngữ chuyên môn để sử dụng trong bản tự giới thiệu và phỏng vấn. Bạn có thể xây dựng chiến lược ứng tuyển bằng cách kết nối các kinh nghiệm như Thiết kế mạch Analog, Verilog/FPGA, thí nghiệm quy trình, phân tích dữ liệu với các từ khóa trọng tâm như Hiệu suất (Yield), Wafer Map, Shmoo Plot và Phân tích lỗi.

Giải quyết ngay điểm nghẽn khiến 80% thất bại tại Makerthon. Hoàn thành trong 4 tuần: Raspberry Pi · Computer Vision · LLM · Thiết kế 3D! Đạt thứ hạng cao tại Makerthon với PoC gương thông minh có thể trình diễn!

Khóa học này không chỉ đơn thuần là "cách triển khai" Transformer, mà là quá trình phân tích từ góc nhìn của người thiết kế về tại sao cấu trúc này được tạo ra, vai trò của từng module, và cách toàn bộ mô hình hoạt động. Phân tích sâu nguyên lý tính toán bên trong của Self-Attention và Multi-Head Attention, đồng thời xác minh trực tiếp qua công thức, bài báo và code triển khai về Positional Encoding, Feed-Forward Network, cấu trúc Encoder·Decoder đã xuất hiện để giải quyết những hạn chế nào. Xuất phát từ Attention, tự tay lắp ráp toàn bộ cấu trúc Transformer, thực hiện training thực tế và thấu hiểu cách mô hình hoạt động. Đây là lộ trình có cấu trúc và thực chiến nhất dành cho "những ai muốn hiểu hoàn toàn về Transformer".