<밑바닥부터 만들면서 배우는 LLM> Khóa học giải thích

Với Chuỗi Hanbit Media Honggong, bạn có thể học các hướng dẫn về học máy và học sâu siêu việt như thể bạn đang dạy kèm 1:1, hiểu chúng bằng hàng trăm bức vẽ tay và có thể thực hành ngay chỉ với một trình duyệt thông qua Google Colab.

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

Đây là khóa học về lý thuyết machine learning và các ví dụ thực tế dựa trên cuốn sách <머신러닝, 핵심만 빠르게!>(Insight, 2025).

Đánh thức bộ não lập trình đang ngủ say. Từ cơ bản về Python đến Machine Learning chỉ trong một cuốn sách! Cuốn sách này là tài liệu nhập môn khoa học máy tính được xây dựng dựa trên bài giảng của MIT, giúp những người mới bắt đầu hoàn toàn chưa biết gì về lập trình cũng có thể thoải mái tìm đọc. Hãy đánh thức bộ não lập trình của bạn bằng những chủ đề thiết yếu để bắt đầu lập trình như tư duy máy tính và các thuật toán đơn giản. Thông qua các bài tập rèn luyện trí não ở mỗi chương, bạn sẽ được tìm hiểu các chủ đề thực tiễn như trực quan hóa dữ liệu, mô phỏng, kỹ thuật tính toán dữ liệu và machine learning.

Bài giảng này là một bước về khái niệm, một bước về công thức và một bước về mã hóa. Nó hướng dẫn người đọc học sâu với bước tiến và hướng đi đúng đắn nhất. Ngoài ra, còn có hơn 100 biểu đồ, hình minh họa và sơ đồ nên ngay cả những khái niệm trừu tượng cũng có thể được chấp nhận dễ dàng và nhanh chóng. Một tính năng độc đáo khác của khóa học này là bạn có thể bắt đầu thực hành ngay bằng cách truy cập trình duyệt web mà không cần cài đặt chương trình. Sau khi hiểu lý thuyết một cách thoải mái, bạn có thể tự viết mã và chinh phục bốn vấn đề điển hình của deep learning bằng chính đôi mắt của mình, vì vậy đây là một cuốn sách giáo khoa hoàn hảo cho deep learning. Các khái niệm hoặc thuật ngữ cần được chỉ ra là ‘Đợi một chút!’ xuất hiện ở giữa văn bản. Hiệu quả học tập được nâng cao nhờ việc xem lại sách hai lần qua góc ‘Để chuyển sang phần tiếp theo’ và góc ‘Thẻ nhớ’ ở cuối chương. 『Làm đi! Hãy nhanh chóng giải quyết vấn đề học sâu bằng “Giới thiệu về học sâu”.

Đây là bài giảng bao quát nội dung của cuốn sách bán chạy nhất trên Amazon <Hands-On Machine Learning, 2nd Edition>. Bạn sẽ được học về nhiều thuật toán học máy và phương pháp đánh giá khác nhau bằng cách sử dụng Scikit-Learn, một thư viện học máy tiêu biểu. Ngoài ra, chúng ta sẽ cùng củng cố cả lý thuyết lẫn thực hành từ mạng thần kinh nhân tạo đến học tăng cường bằng cách sử dụng TensorFlow và Keras, những thư viện học sâu nổi tiếng nhất. Đây là khóa học chưa hoàn thiện hoàn toàn. Dự kiến mỗi tuần sẽ có thêm từ 1 đến 2 bài giảng mới được cập nhật.

Thời đại AI chỉ đơn thuần trả lời đã kết thúc. Giờ đây là thời đại của LLM Agent tự phán đoán và hành động. Khóa học này là khóa nhập môn giúp bạn học và trực tiếp xây dựng nguyên lý cốt lõi cũng như cấu trúc của agent chỉ trong 90 phút thực hành. Giảm thiểu tối đa lý thuyết phức tạp, với luồng thực hành tập trung vào code, bạn có thể trực tiếp trải nghiệm "AI phán đoán và sử dụng công cụ như thế nào". Vượt qua prompt engineering, hãy cùng bắt đầu bước đầu tiên của tự động hóa AI.

"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.

Từ Multi Head Attention đến mô hình Original Transformer, BERT, mô hình dịch thuật MarianMT dựa trên Encoder-Decoder, cho đến Vision Transformer, bạn sẽ học hiểu sâu sắc về Transformer thông qua việc tự tay triển khai code.

Khóa học này bao gồm toàn bộ quá trình phát triển ChatGPT từ một AI hội thoại đơn thuần thành một AI Agent thông minh có khả năng thực hiện các công việc thực tế. Bạn sẽ được trực tiếp xây dựng các AI Agent có thể ứng dụng ngay vào công việc thực tiễn bằng cách sử dụng ba khung làm việc cốt lõi: LangChain, LangGraph và LangSmith.

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.

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".

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

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 về các ứng dụng hoặc dịch vụ web có thể được xây dựng bằng cách sử dụng LLM.

Mấy lời giới thiệu này có quan trọng không? Dùng ngay mô hình deepseek R1 đi.

LLM và Agent là những công nghệ nền tảng của các AI như ChatGPT. Hiện tại, LLM là công nghệ tiến gần nhất đến AGI (Trí tuệ nhân tạo tổng quát). Trong bài giảng này, chúng ta sẽ tìm hiểu về công nghệ LLM và Agent dưới góc nhìn của một người bình thường.

Từ lý thuyết cốt lõi về Deep Learning và CNN đến các phương pháp triển khai mô hình CNN đa dạng, bí quyết phát triển Deep Learning thực tế thông qua các bài toán thực tế, Nếu bạn muốn trở thành chuyên gia về công nghệ CNN Deep Learning dựa trên Pytorch, hãy tham gia khóa học này :)

Khóa học này xuất phát từ câu hỏi "Nếu tôi có mặt trên tàu Titanic thì liệu có thể sống sót không?", phát triển mô hình AI dự đoán xác suất sống sót dựa trên dữ liệu thực tế, và hoàn thành dự án fullstack triển khai dịch vụ này lên web. Bạn sẽ thực hành toàn bộ quy trình từ AI đến phát triển web, bao gồm mô hình hóa deep learning với PyTorch, xây dựng backend server với FastAPI, và triển khai giao diện người dùng với Next.js.

Phân tích hơn 40 loại chỉ số kinh tế và dữ liệu giá cổ phiếu bằng AI, dự đoán S&P 500, QQQ ETF lẫn cổ phiếu riêng lẻ, hãy tự tạo một mô hình phân tích giá cổ phiếu mạnh mẽ!