Kiến thức khóa học AI

Mười module học AI, nhìn bằng hình.

Mỗi module vài ý tưởng cốt lõi, có hình động để thấy thuật toán chạy thế nào. Từ Big-O ở module đầu tới AI Agent ở module cuối.

Bắt đầu từ module 01
  • 10module, xây từ số 0 đến GenAI và LLM
  • 840+giờ học trực tiếp
  • 5giai đoạn, từ Nền tảng đến Công nghệ mới

Module 01

Toán, Python và thuật toán

Nền móng cho cả năm học: toán cơ bản, Python, cấu trúc dữ liệu và lập trình hướng đối tượng. Phần bổ sung đi qua thuật toán, từ Big-O đến quy hoạch động.

  • Basic Maths
  • Python
  • Data Structures
  • OOP

Bổ sungAlgorithms (Big-O đến Dynamic Programming), Git & Teamwork Tools, Data Understanding

Màn hình đầy mã nguồn nhiều màu
Hình 1.1
O(n²)O(n)O(log n)nT(n)
Big-OSố bước tăng theo cỡ dữ liệu n. Khi n gấp đôi, O(log n) chỉ thêm một bước, O(n) gấp đôi, O(n²) gấp bốn.
Hình 1.2
mảng đã sắp xếptìm 23258121623384556728190949799giữanhị phân: 3 lần so sánhquét lần lượt: 6 lần
Tìm nhị phânTìm 23 trong 15 số đã sắp xếp: so với số ở giữa rồi bỏ nửa không chứa nó. Ba lần so sánh là thấy, quét lần lượt phải qua sáu ô.

Module 02

Toán của dữ liệu

Đại số tuyến tính với Numpy, xác suất và thống kê, rồi hai thuật toán đầu tiên dựa trên khoảng cách giữa các điểm dữ liệu: K-Means và KNN.

  • Advanced Maths
  • Numpy & Linear Algebra
  • Probability & Statistics
  • K-Means
  • KNN

Bổ sungExploratory Data Analysis, NoSQL & Vector Databases, MLOps

Vectơ và công thức viết bằng phấn trên bảng đen
Hình 2.1
k = 3
K-MeansLặp hai bước: gán mỗi điểm cho tâm cụm gần nhất, rồi dời tâm về trung bình các điểm trong cụm. Tâm đứng yên thì dừng.
Hình 2.2
k = 53 phiếu : 2 phiếuxanhxámđiểm mới
KNNĐiểm mới lấy nhãn theo đa số trong k điểm gần nhất. Với k = 5 có ba điểm xanh, hai điểm xám, nên điểm mới thuộc nhóm xanh.

Module 03

Cây quyết định và hồi quy

Những mô hình đọc được bằng mắt: cây quyết định, rừng ngẫu nhiên và hồi quy tuyến tính. Phần bổ sung có Boosting, Explainable AI và chuỗi thời gian.

  • Decision Trees
  • Random Forest
  • Linear Regression

Bổ sungExplainable AI, Boosting (XGBoost/LightGBM/CatBoost), Time-series (ARIMA)

Biểu đồ nến chứng khoán
Hình 3.1
x₁x₂x₁ < .5x₂ < .6
Decision TreeMỗi câu hỏi ở một nút cắt không gian đặc trưng làm hai. Đi từ gốc xuống lá là ra một vùng, cũng là ra dự đoán.
Hình 3.2
yxŷ = 0.46x + 1.3vạch đứt: sai số
Hồi quy tuyến tínhGradient descent xoay dần đường thẳng tới chỗ tổng bình phương sai số nhỏ nhất. Vạch đứt là sai số của từng điểm.

Module 04

Từ logistic đến mạng nơ‑ron

Từ hồi quy logistic, softmax đến mạng nơ-ron nhiều lớp viết bằng PyTorch. Lan truyền ngược là cách cả mạng học từ sai số của chính nó.

  • Logistic & Softmax Regression
  • PyTorch
  • Multilayer Perceptron

Bổ sungML Data Pipeline, Advanced Tree-based Methods

Khung kim loại nối thành mạng lưới
Hình 4.1
p1.50zσ(z)=1/(1+e⁻ᶻ)ranh giới
Hồi quy logisticHàm sigmoid ép tổng có trọng số z về xác suất từ 0 đến 1. Ngưỡng 0,5 ứng với z = 0 là ranh giới giữa hai lớp.
Hình 4.2
Lxuôi →← ∂L/∂w
BackpropagationLượt xuôi tính dự đoán và hàm mất mát. Lượt ngược dùng quy tắc chuỗi đưa đạo hàm về từng trọng số để cập nhật.

Module 05

CNN, RNN và Transformer

Các kiến trúc học sâu nền tảng: CNN cho ảnh, RNN cho chuỗi, Transformer và Vision Transformer với cơ chế attention.

  • CNN & Advanced Architectures
  • RNN
  • Transformer
  • Vision Transformer

Bổ sungModel Inference (MLOps), Dimensionality Reduction (PCA/t-SNE/UMAP)

Ảnh X-quang phổi
Hình 5.1
−101−202−1017×73×35×5∗=
ConvolutionBộ lọc 3×3 trượt trên ảnh 7×7, mỗi vị trí cho ra một số. Không đệm viền thì bản đồ đặc trưng còn 5×5.
Hình 5.2
hₜ = tanh(W·hₜ₋₁ + U·xₜ)h₀h₁Tôih₂họch₃AIh₄mỗi ngàyy
RNNMạng đọc câu từng từ một. Trạng thái ẩn h mang thông tin của các từ đã đọc sang bước kế tiếp.
Hình 5.3
Mèongồitrênghếvìnómệt.58.21Σα = 1
AttentionMỗi từ so với mọi từ khác trong câu để biết nên chú ý vào đâu, các trọng số cộng lại bằng 1. Từ “nó” dồn trọng số lớn nhất vào “Mèo”.

Module 06

Tối ưu và tăng cường dữ liệu

Để mô hình học tốt hơn với cùng dữ liệu: học chuyển giao, các thuật toán tối ưu, tăng cường dữ liệu và xây dựng đặc trưng.

  • Transfer Learning
  • Optimizers
  • Data Augmentation
  • Feature Engineering

Bổ sungObject Localization, POS Tagging, Advanced Deep Architectures, MLOps

Ruộng bậc thang Mù Cang Chải trong sương
Hình 6.1
AdamSGDL(w)
OptimizerHai cách đi xuống đáy hàm mất mát trên cùng các đường đồng mức. Adam chỉnh bước riêng cho từng hướng nên đi thẳng hơn SGD.
Hình 6.2
ảnh gốclậtxoayphóngsángmột ảnh thành nhiều mẫu học
Data AugmentationMột ảnh gốc thành nhiều mẫu học: lật, xoay, phóng to, đổi độ sáng. Nhãn giữ nguyên, mô hình quen với nhiều biến thể hơn.

Module 07

Thị giác máy tính nâng cao

Máy nhìn ảnh ở mức chi tiết hơn: phát hiện vật thể, phân đoạn từng điểm ảnh, khử nhiễu và tăng độ phân giải.

  • Segmentation
  • Image Denoising & Super-resolution
  • Object Detection

Bổ sungAdvanced CV (Domain Adaptation, Knowledge Distillation), MLOps Pipeline

Bãi container nhìn từ trên cao
Hình 7.1
xe máyIoU .25IoU .46IoU .67IoU .86IoU .96
Object DetectionHộp dự đoán khớp dần vào hộp thật của chiếc xe máy. IoU, phần giao chia phần hợp của hai hộp, tăng dần về 1.
Hình 7.2
xecâyđường
SegmentationKhông chỉ khoanh hộp: mỗi ô ảnh được gán một lớp. Mặt nạ quét qua cảnh, tô từng ô theo xe, cây hay đường.

Module 08

Xử lý ngôn ngữ tự nhiên

Máy đọc và viết chữ: nhận diện thực thể, phân loại văn bản, tóm tắt, hỏi đáp, sinh văn bản và dịch máy.

  • NER
  • Text Classification
  • Summarization
  • Q&A
  • Text Generation
  • Machine Translation

Bổ sungModel Optimization, End-to-End MLOps, Reinforcement Learning, Generative Models (GANs)

Khay chữ in rời bằng kim loại
Ảnh: Willi Heidelbach, CC BY 2.5
Hình 8.1
PERLanbaytừLOCHà NộiđếnLOCĐà NẵngngàyDATE2/9
NERNhận diện thực thể gắn nhãn cho từng cụm từ trong câu: tên người PER, địa danh LOC, ngày tháng DATE.
Hình 8.2
VIENTôithíchhọcmáyIlikemachinelearning
Dịch máyMỗi từ ở câu dịch dựa vào các từ của câu gốc với trọng số khác nhau. “học máy” thành “machine learning” đảo thứ tự nên hai đường bắt chéo.

Module 09

Mô hình ngôn ngữ lớn

Mô hình ngôn ngữ lớn từ gốc: tokenizer, tiền huấn luyện GPT, tinh chỉnh, suy luận và căn chỉnh, rồi RAG để trả lời dựa trên tài liệu.

  • Tokenizers
  • Pretraining GPT
  • LLM Fine-Tuning
  • Reasoning & Alignment
  • RAG

Bổ sungLLMOps, Flow Matching, 3D Point Cloud, Advanced MLOps (Kubernetes/Kubeflow)

Các giá sách trong một thư viện
Ảnh: Szeronine, CC BY 4.0
Hình 9.1
kho chữ: low ×5, lower ×2,newest ×6, widest ×3lowestký tự rờiloweste + slowestes + tlowestl + olowestlo + wtừ mới "lowest" → low + est
Tokenizer BPEBắt đầu từ ký tự rời, lần lượt gộp cặp hay đi cùng nhau nhất trong kho chữ. Từ chưa gặp “lowest” vẫn tách được thành low và est.
Hình 9.2
.91.87.82promptcâu hỏikho tài liệutop-3
RAGBa đoạn gần câu hỏi nhất được lấy từ kho tài liệu, đặt vào prompt cùng câu hỏi để mô hình trả lời theo tài liệu.
Hình 9.3
nhiễu t=0t=1 dữ liệu
Flow MatchingMô hình học một trường vận tốc đưa điểm nhiễu về dữ liệu. Các đường đi không cắt nhau, phân bố nhiễu một đỉnh thành phân bố hai đỉnh.

Module 10

AI Agent và đa phương thức

AI Agent biết gọi công cụ theo vòng ReAct, cách đánh giá và giữ an toàn cho LLM, cùng các mô hình vừa nhìn ảnh vừa hiểu chữ.

  • AI Agents (Tool Calling, ReAct)
  • LLM Evaluation & Safety
  • Vision-Language Models (VLM/VLA)

Bổ sungAgentOps, Automated DA/DS with GenAI, World Models

Cánh tay robot trong nhà máy
Hình 10.1
NghĩLàmQuan sátReActtrả lời
AI AgentVòng Nghĩ, Làm, Quan sát: suy luận bước tiếp theo, gọi công cụ, đọc kết quả, lặp tới khi đủ để trả lời.
Hình 10.2
9 mảnh ảnhTrong ảnh có gì?VLMnúi và mặt trời
VLMẢnh được cắt thành mảnh, mỗi mảnh thành một token, đi cùng token của câu hỏi vào cùng một mô hình.

Học AI cùng AI VIET NAM

Mười module trong một năm, từ số 0 đến GenAI và LLM.