Thực hành SVD, MF và Transformer, kết thúc bằng việc xây dựng một website gợi ý có chức năng đăng nhập

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!

Hãy cùng sử dụng Keras để tìm hiểu về các thuật toán mô hình trong Machine Learning và Deep Learning nhé!

Bạn có thể sử dụng Docker để tạo môi trường phân tích học sâu trên đám mây. Khi kết hợp Docker và đám mây do Google, MS quản lý, bạn có thể thực hiện công việc bằng các phương pháp phân tích học sâu mới nhất trên máy tính của mình.

Hãy tự xây dựng một mô hình phân tích giá cổ phiếu mạnh mẽ bằng cách sử dụng AI để phân tích hơn 40 loại chỉ số kinh tế và dữ liệu giá cổ phiếu, dự đoán không chỉ S&P 500 và QQQ ETF mà còn cả các cổ phiếu riêng lẻ!

Khóa học này bắt đầu từ câu hỏi “Nếu tôi ở trên tàu Titanic, liệu tôi có thể sống sót không?”, từ đó phát triển một mô hình AI dự đoán xác suất sống sót dựa trên dữ liệu thực tế và hoàn thiện một dự án full-stack để cung cấp dịch vụ đó trên web. Bạn sẽ được thực hành toàn bộ quy trình phát triển AI và web, từ xây dựng mô hình Deep Learning bằng PyTorch, thiết lập máy chủ backend với FastAPI, cho đến triển khai giao diện người dùng bằng Next.js.

Đây là khóa học giúp người mới bắt đầu phân tích dữ liệu nắm vững các kỹ năng cơ bản trong toàn bộ quy trình phân tích dữ liệu bằng Python. Với kinh nghiệm là nhà lập kế hoạch thương mại điện tử và nhà phát triển đang ứng dụng kỹ thuật phân tích dữ liệu trong thực tế công việc, tôi đã xây dựng khóa học này để bạn có thể dễ dàng học toàn bộ quy trình phân tích dữ liệu bằng Python và áp dụng ngay.

Hãy chắc chắn bắt đầu với những điều cơ bản về học máy và học sâu! Phân loại/hồi quy/phân cụm/tạo và sử dụng mạng thần kinh nhân tạo trong Python

- Dự án thực chiến cuộc thi Kaggle: từ khám phá dữ liệu đến nộp bài - Sau phần hướng dẫn, cùng theo dõi một cuộc thi Kaggle thực tế từ đầu đến cuối Bạn đã đăng ký Kaggle và hoàn thành cả phần hướng dẫn Titanic, nhưng khi đứng trước một cuộc thi thực sự lại thấy bối rối, không biết nên bắt đầu từ đâu? Nếu chỉ sao chép notebook của người khác rồi nộp bài, bạn sẽ sớm gặp phải bức tường mang tên "Tại sao điểm của mình không tăng?" Trong khóa học này, chúng ta sẽ cùng thực hiện trọn vẹn một cuộc thi Kaggle thực tế từ đầu đến cuối: khám phá dữ liệu, thiết kế quy trình xác thực, kỹ thuật tạo đặc trưng, xây dựng mô hình và nộp bài. Thay vì học thuộc mã nguồn, bạn sẽ rèn luyện được tư duy xuyên suốt của một cuộc thi: "Thử điều gì và vì sao, đồng thời kiểm chứng hiệu quả của thử nghiệm đó như thế nào?" [Một dòng về kinh nghiệm tham gia/đạt giải cuộc thi hoặc kinh nghiệm thực tế của bạn]

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.

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.

Dựa trên trải nghiệm thắc mắc về cách nhận diện khuôn mặt hoạt động trong môi trường ngoại tuyến (offline) tại hiện trường, trong khóa học này, chúng ta sẽ cùng nhau xây dựng cấu trúc cơ bản của hệ thống quản lý ra vào và điểm danh dựa trên nhận diện khuôn mặt, sử dụng React + Electron và DeepFace chạy trên nền tảng FastAPI của Python. Khóa học tập trung vào việc thấu hiểu nguyên lý hoạt động và xây dựng nền tảng vững chắc để có thể mở rộng thành dự án cá nhân, thay vì chỉ chú trọng vào mức độ hoàn thiện của sản phẩm.

Nếu bạn yêu cầu AI "hãy tạo mô hình bằng dữ liệu này", vài dòng đầu tiên trông có vẻ hợp lý, nhưng chỉ cần phức tạp hơn một chút, nó sẽ sử dụng sai cột, làm rò rỉ dữ liệu (leakage), và dù điểm số tăng lên nhưng mô hình thực tế lại tệ đi. Khóa học này không dạy bạn cách viết prompt tốt hơn. Thay vào đó, nó tập trung vào cách trực tiếp thiết kế một vòng lặp (harness) để Agent có thể hiểu dữ liệu, lập kế hoạch, viết mã, tự xác nhận kết quả và quay lại nếu sai sót. Sau khi thực hành thủ công một vòng lặp năm mảnh của DS-STAR, chúng ta sẽ lần lượt lắp ráp các thành phần: Data Profile Card, Hook, Skill Hierarchy, Independent Verifier và Ablation.

Bạn sẽ trực tiếp xây dựng một nền tảng trang trại thông minh (smart farm) có khả năng hoạt động thực tế, tích hợp thu thập dữ liệu cảm biến, giao tiếp MQTT, bảng điều khiển web và phân tích môi trường bằng AI. Bạn sẽ được trải nghiệm toàn bộ quy trình chuyển đổi số (DX) trong nông nghiệp thông qua dự án thực tế, từ liên kết cảm biến IoT, phát triển máy chủ API dựa trên FastAPI/Spring, xây dựng bảng điều khiển React/Vue cho đến triển khai trên đám mây.

Dành cho những ai đã chạy thử ví dụ nhận diện bàn tay nhưng vẫn thấy mơ hồ về cách dạy AI nhận biết cử động tay của mình để tạo ra một sản phẩm có thể sử dụng, tôi sẽ tận dụng kinh nghiệm quản lý tổng thể quá trình phát triển và đào tạo giảng viên dạy nghề để hướng dẫn bạn từ A đến Z — từ cài đặt, thu thập dữ liệu, huấn luyện cho đến hoàn thiện giao diện web — chỉ với một webcam.

Xây dựng hệ thống Full-stack không cần lập trình: Tự mình hoàn thiện toàn bộ pipeline từ thu thập dữ liệu, phân tích AI·ML đến bảng điều khiển web chỉ bằng các câu lệnh tiếng Hàn (Vibe Coding). Sở hữu pipeline tự động hóa 100%: Sở hữu công cụ phân tích chứng khoán độc lập, nhận kết quả sàng lọc S&P 500 và ý kiến đầu tư qua Telegram vào mỗi sáng. Tiếp thu khung đầu tư dựa trên dữ liệu thực tế: Biến năng lực phân tích dữ liệu và quản trị rủi ro cấp độ tổ chức thành của riêng bạn dựa trên mã nguồn đang vận hành thực tế.

Đây là khóa học dựa trên <Mô hình ngôn ngữ lớn, nhanh chóng nắm bắt những điểm cốt lõi!> (Insight, 2025), trình bày về lý thuyết và các ví dụ thực tiễn của LLM.

Khóa học này nhằm mục đích hướng dẫn cách sử dụng Gemini API SDK mới nhất (@google/genai) trong môi trường Node.js và TypeScript. Bạn sẽ học cách sử dụng công nghệ đa phương thức (multimodal) để xử lý đồng thời văn bản, hình ảnh và video. Chúng ta sẽ thực hành toàn bộ quy trình từ cấp phát API key, thiết lập dự án cho đến việc gọi mô hình.

Bạn sẽ được tìm hiểu tường tận về Transformer thông qua việc trực tiếp triển khai bằng mã nguồn từ Multi Head Attention, mô hình Transformer nguyên bản, BERT, mô hình dịch thuật MarianMT dựa trên Encoder-Decoder cho đến Vision Transformer.

Đây là khóa học Python cơ bản dành cho những người mới bắt đầu muốn phát triển thành nhà phân tích dữ liệu. - Người muốn phân tích dữ liệu nhưng chưa biết Python - Người muốn học machine learning bằng Python - Người đang chuẩn bị cho kỳ thi thực hành chứng chỉ phân tích Big Data - Người muốn phát triển ứng dụng dựa trên machine learning bằng Python

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