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 sung Algorithms (Big-O đến Dynamic Programming), Git & Teamwork Tools, Data Understanding
Hình 1.1
O(n²) O(n) O(log n) n T(n)
Big-O Số 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 xếp tìm 23 2 5 8 12 16 23 38 45 56 72 81 90 94 97 99 giữa nhị phân: 3 lần so sánh quét lần lượt: 6 lần
Tìm nhị phân Tìm 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 sung Exploratory Data Analysis, NoSQL & Vector Databases, MLOps
Hình 2.1
k = 3
K-Means Lặp 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 = 5 3 phiếu : 2 phiếu xanh xám điểm mới
KNN Điểm 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 sung Explainable AI, Boosting (XGBoost/LightGBM/CatBoost), Time-series (ARIMA)
Hình 3.1
x₁ x₂ x₁ < .5 x₂ < .6
Decision Tree Mỗi 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
y x ŷ = 0.46x + 1.3 vạch đứt: sai số
Hồi quy tuyến tính Gradient 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 sung ML Data Pipeline, Advanced Tree-based Methods
Hình 4.1
p 1 .5 0 z σ(z)=1/(1+e⁻ᶻ) ranh giới
Hồi quy logistic Hàm 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
L xuôi → ← ∂L/∂w
Backpropagation Lượt 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 sung Model Inference (MLOps), Dimensionality Reduction (PCA/t-SNE/UMAP)
Hình 5.1
−1 0 1 −2 0 2 −1 0 1 7×7 3×3 5×5 ∗ =
Convolution Bộ 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) h₀ h₁ Tôi h₂ học h₃ AI h₄ mỗi ngày y
RNN Mạng đọc câu từng từ một. Trạng thái ẩn h mang thông tin của các từ đã đọc sang bước kế tiếp.
Hình 5.3
Mèo ngồi trên ghế vì nó mệt .58 .21 Σα = 1
Attention Mỗi 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 sung Object Localization, POS Tagging, Advanced Deep Architectures, MLOps
Hình 6.1
Adam SGD L(w)
Optimizer Hai 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 gốc lật xoay phóng sáng một ảnh thành nhiều mẫu học
Data Augmentation Một 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 sung Advanced CV (Domain Adaptation, Knowledge Distillation), MLOps Pipeline
Hình 7.1
xe máy IoU .25 IoU .46 IoU .67 IoU .86 IoU .96
Object Detection Hộp 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
xe cây đường
Segmentation Không 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 sung Model Optimization, End-to-End MLOps, Reinforcement Learning, Generative Models (GANs)
Ảnh: Willi Heidelbach , CC BY 2.5
Hình 8.1
PER Lan bay từ LOC Hà Nội đến LOC Đà Nẵng ngày DATE 2/9
NER Nhận diện thực thể gắn nhãn cho từng cụm từ trong câu: tên người PER, địa danh LOC, ngày tháng DATE.
Hình 8.2
VI EN Tôi thích học máy I like machine learning
Dịch máy Mỗi 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 sung LLMOps, Flow Matching, 3D Point Cloud, Advanced MLOps (Kubernetes/Kubeflow)
Ảnh: Szeronine , CC BY 4.0
Hình 9.1
kho chữ: low ×5, lower ×2, newest ×6, widest ×3 l o w e s t ký tự rời l o w es t e + s l o w est es + t lo w est l + o low est lo + w từ mới "lowest" → low + est
Tokenizer BPE Bắt 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 .82 prompt câu hỏi kho tài liệu top-3
RAG Ba 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=0 t=1 dữ liệu
Flow Matching Mô 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 sung AgentOps, Automated DA/DS with GenAI, World Models
Hình 10.1
Nghĩ Làm Quan sát ReAct trả lời
AI Agent Vòng 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 ảnh Trong ảnh có gì? VLM núi và mặt trời
VLM Ảnh được cắt thành mảnh, mỗi mảnh thành một token, đi cùng token của câu hỏi vào cùng một mô hình.