Cuốn sách bao quát rộng rãi từ lý thuyết kỹ thuật prompt đến các kỹ thuật thực hành, cũng như các trường hợp ứng dụng mới nhất và các vấn đề bảo mật, đạo đức, nhằm cung cấp sự hỗ trợ thực tiễn cho tất cả các nhà phát triển dịch vụ dựa trên LLM, nhà khoa học dữ liệu và nhà hoạch định AI.

Giải thích lý do tại sao cần LLM, bối cảnh kỹ thuật và các khái niệm cơ bản dành cho người phụ trách lập kế hoạch LLM và lập kế hoạch ứng dụng LLM.

Thấu hiểu bản chất của thống kê cơ bản cần thiết cho việc phát triển và ứng dụng trí tuệ nhân tạo mà không cần đến một công thức hay một dòng mã nào.

Giúp các lập trình viên trẻ có thể sử dụng trí tuệ nhân tạo làm công cụ phát triển để thấu hiểu toàn bộ quy trình phát triển, từ lập kế hoạch đến viết mã, triển khai và kiểm chứng.

Giúp rèn luyện 'tư duy cấu trúc' vấn đề.

Đề xuất phương án cải thiện hiệu suất RAG dựa trên lý thuyết Tải nhận thức (Cognitive Load). Để vượt qua những hạn chế của các kỹ thuật cải thiện hiệu suất RAG hiện có, chúng tôi tổng hợp các kỹ thuật đa dạng bằng cách áp dụng khung tư duy về tải nhận thức.

Bạn có thể học hỏi các khái niệm và phương pháp 'thiết kế dịch vụ' cần thiết khi lập kế hoạch cho các ứng dụng hoặc dịch vụ web được xây dựng dựa trên LLM, một loại trí tuệ nhân tạo tạo sinh (AI tạo sinh).

"Chỉ thay đổi một cái tên, nhưng mã nguồn đã trở nên khác biệt." Tôi đã tổng hợp từ nguyên lý đến các ví dụ thực tế về 'đặt tên dễ đọc' - yếu tố cốt lõi của một mã nguồn có tính khả đọc cao. Đặt tên dễ hiểu chính là điểm bắt đầu của sự hợp tác.

Đây là bài giảng giúp bạn có thể hiểu được ngay cả khi hoàn toàn không biết Lập trình an toàn (Secure Coding) là gì. Sau khi nắm vững các khái niệm lập trình an toàn cơ bản, bài giảng sẽ tập trung giải thích về bảo mật dịch vụ web. Đây là bài giảng từng được tổ chức dưới dạng chuyên đề đặc biệt do Đại học OO chủ trì. Với hơn 160 mã nguồn đi kèm chú thích phong phú, bài giảng giúp bạn nắm bắt chính xác các chủ đề và kỹ thuật cốt lõi có thể áp dụng ngay vào thực tế.

Bạn có thể nhanh chóng hiểu được các khái niệm cơ bản và cú pháp cơ bản của ngôn ngữ C.

Đưa ra các kỹ thuật lập trình sạch (clean coding) đa dạng.

Giới thiệu các mẫu prompt cơ bản cho lập trình và các mẫu prompt API nâng cao để tận dụng trí tuệ nhân tạo.

Khám phá cách xây dựng thẩm phán trí tuệ nhân tạo bằng cách kết hợp các hệ thống suy luận, biểu đồ tri thức và nhiều framework agent như CrewAI, LangChain, AutoGen, những công cụ cho phép triển khai công nghệ đa tác nhân (multi-agent) dựa trên LLM.

Tìm hiểu các phương pháp thu thập và phân tích yêu cầu của người dùng để lập kế hoạch cho dịch vụ LLM.

Khám phá những hạn chế của LLM, các công nghệ mới nhất để khắc phục những hạn chế đó và triển vọng của các công nghệ trong tương lai.

Chúng ta hãy cùng tìm hiểu về các loại ứng dụng hoặc dịch vụ web có thể được xây dựng bằng cách sử dụng LLM.

Bạn có thể nâng cao năng lực phát triển của mình thông qua việc khám phá sâu sắc các nguyên lý cơ bản của các mô hình ngôn ngữ lớn như ChatGPT hay Claude. Bạn có thể học hỏi được nhiều thông tin đa dạng và các kỹ thuật phát triển mà thông thường ít khi được tiếp cận.

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.

Khám phá những hạn chế của LLM, các công nghệ mới nhất để khắc phục những hạn chế đó và triển vọng của các công nghệ trong tương lai.

Đây là khóa học giúp bạn thành thạo lý thuyết cơ bản về LLM và các công nghệ cốt lõi của LangChain cùng RAG. Bạn có thể dễ dàng học từ kiến thức nền tảng về LLM đến các công nghệ AI mới nhất được sử dụng trong thực tế!

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.

<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.

Sẽ thế nào nếu AI có thể trực tiếp mở trình duyệt và viết mã shell script để giải quyết các sự cố máy chủ? Thông qua những bí quyết tự động hóa thực tế được triển khai bằng OpenClaw trên cả Windows và Linux, chúng tôi sẽ hướng dẫn bạn con đường ngắn nhất để hoàn thiện môi trường phát triển từ xa mạnh mẽ của riêng mình mà không cần các thiết lập phức tạp.

"Bước đầu tiên để tạo LLM tùy chỉnh của riêng bạn với Fine-tuning nhẹ dựa trên LoRA!" Đây là khóa học thực hành nhập môn được thiết kế để những người mới tiếp xúc với LLM cũng có thể dễ dàng theo dõi. 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 hiện đại như LoRA·QLoRA, và có thể nắm bắt được cảm giác "À, fine-tuning LLM hoạt động như thế này". Hãy tự mình cảm nhận thành tựu tạo ra LLM chuyên biệt cho lĩnh vực của bạn, ngay cả khi không có nhiều tài nguyên!

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.

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