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 sử dụng trí tuệ nhân tạo làm công cụ phát triển để thấu hiểu toàn bộ quy trình từ lập kế hoạch, viết mã đến triển khai và kiểm chứng, từ đó trang bị năng lực toàn diện (Full-Spectrum) cần thiết trong kỷ nguyên AI để sinh tồn và phát triển.

Khóa học này là một quá trình học tập có hệ thống về kỹ thuật prompt engineering - kỹ năng cốt lõi để sử dụng hiệu quả các mô hình ngôn ngữ lớn (LLM) hoặc trí tuệ nhân tạo sinh tạo. Từ lý thuyết cơ bản đến kỹ thuật thực chiến, cùng với các ứng dụng mới nhất và các vấn đề về bảo mật - đạo đức, khóa học bao quát rộng rãi và mang lại sự hỗ trợ thiết thực cho tất cả các nhà phát triển dịch vụ dựa trên LLM, nhà khoa học dữ liệu và người hoạch định AI.

Vấn đề hóa (Problematization) là một thuật ngữ còn được dịch là đặt vấn đề hoặc lập khung vấn đề. Nó cũng có thể được hiểu là thiết lập vấn đề hoặc định nghĩa vấn đề. Đây là một khái niệm bao gồm quá trình đặt câu hỏi dưới góc nhìn mới đối với những sự thật đã biết như yêu cầu khách hàng hay kiến thức thông thường, định nghĩa lại vấn đề và xây dựng phương pháp để giải quyết vấn đề đó. Vấn đề hóa phải là điểm khởi đầu của mọi quá trình phát triển, nhưng đây là một chủ đề vẫn chưa được thảo luận đầy đủ trong lĩnh vực phát triển. Việc thực hiện dự án hay phát triển chương trình thực chất là việc lập kế hoạch để giải quyết vấn đề. Nói cách khác, nó có liên quan mật thiết đến việc vấn đề hóa. Để giải quyết một vấn đề, trước tiên vấn đề đó phải được định nghĩa rõ ràng. Tuy nhiên, hầu hết các vấn đề thường được đưa ra dưới dạng những yêu cầu mơ hồ. Do đó, chỉ khi có năng lực chuyển đổi những yêu cầu mơ hồ thành những vấn đề rõ ràng, chúng ta mới có thể giảm thiểu "lãng phí phát triển" không cần thiết, giúp việc hợp tác trở nên suôn sẻ và nắm bắt đúng nhu cầu thực sự của người dùng. Khóa học này sẽ giúp bạn rèn luyện "tư duy cấu trúc" vấn đề thông qua các công cụ và ví dụ thực tế.

Khi xây dựng hệ thống RAG (Retrieval-Augmented Generation: Tạo sinh tăng cường truy xuất) dựa trên AI tạo sinh hoặc LLM mà không đạt được hiệu suất mong muốn và không có giải pháp thích hợp, thì phải làm sao? Khóa học này sẽ trình bày các phương pháp cải thiện hiệu suất RAG dựa trên lý thuyết Cognitive Load (Tải trọng nhận thức). Thông qua khóa học này, bạn có thể hiểu được giới hạn của cửa sổ ngữ cảnh LLM và cách quản lý Cognitive Load một cách hiệu quả trong hệ thống RAG. Đây là một khóa học lý thuyết cấp độ thực tiễn, bao gồm các chủ đề như kích thước và thiết kế cấu trúc Chunk, kỹ thuật tạo Chunk chất lượng cao, tối ưu hóa động, đánh giá hiệu suất và các kỹ thuật thực chiến.

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

"Chỉ đổi một cái tên thôi, mã đã khác rồi." Đã tổng hợp từ nguyên lý đến ví dụ về 'đặt tên dễ hiểu' – cốt lõi của mã dễ đọc. Tên dễ đọc là khởi 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.

Nhanh chóng hiểu các khái niệm và cú pháp cơ bản của C.

👨‍🍳 Nấu mã như nấu ăn, sạch sẽ và ngon miệng! 『클린 코딩』 là lớp học nấu mã của lập trình viên giống đầu bếp, nơi học 클린 코딩 vui vẻ qua ví von ẩm thực. 🍽️

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

Giải thích chi tiết về các mô hình ngôn ngữ đa dạng được phát triển trong quá trình từ khởi đầu của công nghệ xử lý ngôn ngữ tự nhiên cho đến các mô hình LLM hiện đại nhất.