Thời đại AI chỉ đơn giản trả lời đã kết thúc. Giờ đây là thời đại của các LLM Agent có khả năng tự phán đoán và hành động. Khóa học này dành cho người mới bắt đầu, giúp bạn học bằng cách trực tiếp triển khai các nguyên lý và cấu trúc cốt lõi của agent chỉ trong 90 phút thực hành. Giảm thiểu lý thuyết phức tạp, khóa học tập trung vào thực hành qua mã nguồn, giúp bạn trực tiếp trải nghiệm “AI phán đoán và sử dụng công cụ như thế nào”. Hãy cùng bắt đầu bước đầu tiên trong tự động hóa AI, vượt ra ngoài kỹ thuật prompt engineering.

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.

Bạn có sử dụng ChatGPT, nhưng có phải bạn từng thấy khó giải thích tại sao lại cho ra câu trả lời như vậy không? “RAG, agent, fine-tuning… Tôi biết các thuật ngữ này nhưng khó có thể giải thích một cách chính xác” “Mỗi khi nghe các thuật ngữ liên quan đến LLM, tôi lại không biết phải nói gì” “Trong các cuộc họp về AI, việc giải thích khái niệm lúc nào cũng mơ hồ” Khóa học này được tạo ra dành cho chính những người như bạn. Đây là khóa học lý thuyết giúp bạn hiểu LLM không phải như một “công cụ” mà như một “cấu trúc”. Không phải là cách sử dụng ChatGPT hay Gemini, mà là xây dựng cho bạn nền tảng để có thể giải thích tại sao chúng lại hoạt động như vậy.

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.

Đây là khóa học triển khai nhiều mạng nơ-ron nhân tạo khác nhau bằng cách sử dụng PyTorch, một framework học sâu có tính ứng dụng rất cao trong lĩnh vực Trí tuệ Nhân tạo.

“Bước đầu tạo LLM tùy chỉnh của riêng bạn bằng phương pháp fine-tuning nhẹ dựa trên LoRA!” Khóa học này là khóa thực hành nhập môn, được thiết kế để ngay cả những người mới làm quen với LLM cũng có thể dễ dàng theo học. Giảm thiểu phần lý thuyết phức tạp, khóa học hướng dẫn từng bước toàn bộ quy trình: 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 mới nhất như LoRA và QLoRA, qua đó nắm bắt được cảm giác “À, thì ra fine-tuning LLM vận hành như thế này”. Ngay cả khi không có nhiều tài nguyên, hãy tự mình cảm nhận niềm vui khi tạo ra một LLM chuyên biệt cho lĩnh vực của riêng bạn!

Khóa học này hướng dẫn thu thập, xử lý và phân tích trực tiếp dữ liệu lớn xã hội từ web, SNS... bằng Python (Python), một ngôn ngữ lập trình phù hợp cho việc phân tích dữ liệu lớn. Các bài thực hành lập trình Python được tiến hành theo hình thức “làm theo”, giúp các nhà nghiên cứu trong lĩnh vực nhân văn và khoa học xã hội chưa có kinh nghiệm lập trình cũng có thể dễ dàng học tập. Sau khi hoàn thành khóa học, bạn sẽ có thể học Python, thu thập dữ liệu và phân tích dữ liệu lớn.

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.

Nắm vững toàn bộ vòng đời xây dựng các ứng dụng Generative AI hiện đại bằng cách sử dụng Mô hình Ngôn ngữ Lớn, Retrieval-Augmented Generation và các hệ thống AI tác tử. Học cách thiết kế các giải pháp AI cấp doanh nghiệp từ kỹ thuật viết prompt đến triển khai, kết hợp LLM với cơ sở dữ liệu vector và các nguồn kiến thức bên ngoài để tạo ra những ứng dụng sẵn sàng cho môi trường production.

Một chuyên gia đang làm việc sẽ nhanh chóng truyền đạt nội dung trọng tâm, từ kiến thức cơ bản cần cho LLM đến những mẹo thực chiến!

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

Bạn mới bắt đầu với Python và thấy phần thi thực hành quá khó khăn? Giảng viên có hơn 10 năm kinh nghiệm giảng dạy phân tích dữ liệu sẽ hướng dẫn bạn từng bước, bắt đầu từ một biến, rồi nâng dần lên tiền xử lý dạng 1, xây dựng mô hình và nộp result.csv ở dạng 2, cho đến kiểm định thống kê ở dạng 3. Mỗi video đều cung cấp một notebook có chỗ trống để bạn trực tiếp thực hành theo trong môi trường sát với phòng thi nhất, giúp việc học không chỉ dừng lại ở xem mà còn thực sự ghi nhớ qua thao tác. Dựa trên phần tự đánh giá, hãy chọn lộ trình phù hợp với mình (người hoàn toàn mới bắt đầu 6 tuần · người đã có kinh nghiệm 3 tuần · 2 tuần trước kỳ thi) và chỉ học những nội dung cần thiết.

Thiết kế và triển khai hệ thống AI Agent có khả năng thực hiện nhiệm vụ tự chủ thay vì chỉ là chatbot đơn thuần. Hoàn thiện năng lực kỹ thuật Agent cấp độ doanh nghiệp thông qua thực hành toàn bộ quy trình, từ kiến trúc dựa trên vòng lặp Sense-Think-Act, cấu trúc vòng lặp LangGraph, đánh giá định lượng dựa trên RAGAS·LangSmith cho đến các rào chắn vận hành (guardrails).

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.

Việc sử dụng AI đã trở nên dễ dàng hơn, nhưng các model card hay bài báo khoa học vẫn rất khó đọc dù chỉ vài dòng. Bởi dù tra cứu thì có thể biết nghĩa của từng từ, nhưng lại không thấy được những từ đó liên kết với nhau như thế nào. Khóa học này sắp xếp hơn 160 thuật ngữ thường xuất hiện trong tài liệu AI theo thứ tự dễ hiểu nhất, để sau mỗi bài, bạn có thể đọc chính xác một câu trong tài liệu thực tế.

Việc tạo MVP bằng AI giờ đây không còn khó khăn nữa. Nhưng hầu hết các dự án đều dừng lại ở bước tiếp theo. 👉 Đã tạo được tính năng 👉 Nhưng việc phát triển không được tiếp tục duy trì Tại sao điều này lại xảy ra? Vấn đề không nằm ở mã nguồn, 👉 Mà là vì thiếu một cấu trúc để AI có thể làm việc liên tục. --- Trong khóa học này, Dựa trên các dự án đã có sẵn, 👉 Chúng ta sẽ cùng nhau xây dựng 👉 Một cấu trúc cho phép AI tiếp tục quá trình phát triển --- Không chỉ đơn thuần là sử dụng các công cụ AI, mà chúng ta sẽ: * Xây dựng cấu trúc docs * Định nghĩa SSOT (Single Source of Truth) * Thực hiện phát triển theo đơn vị ticket * Kết nối với QA và cấu trúc lặp lại (iteration) 👉 Để hoàn thiện thành một "Hệ thống phát triển AI" nhất quán. --- Thông qua quá trình này, bạn có thể: 👉 Xây dựng cấu trúc mà việc phát triển vẫn tiếp diễn 👉 Ngay cả khi con người không trực tiếp viết code Nói cách khác, 👉 Bạn có thể tự mình tạo ra và thấu hiểu 👉 Một hệ thống phát triển vận hành AI như một đội ngũ thực thụ. --- Khóa học này được thiết kế dành cho: 👉 Những ai muốn tạo ra một cấu trúc có thể áp dụng ngay vào dự án của mình 👉 Những ai đã bắt đầu phát triển bằng AI nhưng gặp khó khăn trong việc duy trì 👉 Những ai muốn tiến lên bước tiếp theo sau khi đã làm quen với "Vibe Coding" --- Không chỉ dừng lại ở việc học, khóa học mang đến trải nghiệm: 👉 Thực hành trực tiếp 👉 Tạo ra cấu trúc hoạt động thực tế 👉 Và chuyển đổi nó thành hình thức có thể áp dụng ngay vào dự án cá nhân.

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.

Mục tiêu đỗ trong thời gian ngắn chứng chỉ AI được nhà nước công nhận đầu tiên! Cung cấp 3 bộ bài giải đề thực tế do giảng viên trực tiếp dự thi và biên soạn lại, cùng các mẫu mã nguồn.

Bạn muốn triển khai RAG nhưng cảm thấy bối rối về cấu trúc kết nối từ embedding đến lưu trữ và tìm kiếm vector? Dựa trên kinh nghiệm phát triển dịch vụ thực tế, khóa học này sẽ giải thích các khái niệm cốt lõi của pgvector và mã nguồn dịch vụ. Bạn có thể trực tiếp gọi API để nhanh chóng hiểu toàn bộ quy trình hoạt động của tìm kiếm vector RAG.

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.