Đăng ký
Tất cả lộ trình

LỘ TRÌNH HỌC AI

Từ dữ liệu và mô hình
đến hệ thống AI

Kết nối toán, NumPy, PyTorch, deep learning, LLM, RAG và MLOps bằng những bài thực hành có kiểm thử.

  • Thực hành tensor, gradient, loss và optimizer từ gốc.
  • Nội dung đi từ nền tảng toán đến hệ thống thực tế.
  • PyTorch là trục chính, có bài NumPy và pipeline dữ liệu.
  • Có bài BPE, embedding, RAG, căn chỉnh và tối ưu triển khai.
394 bài tập15 chủ đề3 mức độ
Bắt đầu học AI Xem chặng học

LỘ TRÌNH TỪNG CHẶNG

Đi từng bước, thấy rõ tiến bộ

Bắt đầu ở chặng phù hợp với kiến thức hiện tại. Luyện từng chủ đề, hiểu cách giải rồi chuyển sang bài phức tạp hơn.

Xem danh sách
AI
Thời lượng trong ảnh chỉ minh họa các chặng học, không phải cam kết cố định. Lộ trình cần điều chỉnh theo kiến thức đầu vào và tiến độ của bạn. Chạm vào ảnh để mở kích thước đầy đủ.
1

Nền tảng

NumPy, tensor, đại số tuyến tính, giải tích và autograd.

2

Machine Learning

Chống leakage, hồi quy, CART, K-Means, PCA và metrics.

3

Deep Learning

MLP, loss, optimizer, CNN, RNN, GNN, VAE, GAN và diffusion.

4

Transformer & LLM

Attention, BPE, embedding, batch ngôn ngữ và giải mã văn bản.

5

RAG & căn chỉnh

Retrieval, reranking, LoRA, RL, RLHF, DPO và đánh giá LLM/RAG.

6

Hệ thống AI

Agent, tool calling, guardrail, nén mô hình, serving và MLOps.

CHUẨN BỊ TRƯỚC KHI HỌC

Bạn cần biết gì?

Nên biết Python, thao tác mảng NumPy và toán nền tảng. Học shape, dtype và tensor trước autograd, mạng neural và hệ thống RAG.

Mở không gian học

Hiểu gradient từ bên trong

Thực hành autograd PyTorch rồi tự triển khai forward/backward của MLP bằng NumPy.

Xây các thành phần RAG

Cắt văn bản, xếp hạng lại kết quả, lắp ngữ cảnh theo ngân sách token và đánh giá câu trả lời.

Thực hành vận hành mô hình

Làm bài serving SSE và các thành phần pipeline, monitoring, MLOps trong thư viện.

CHỦ ĐỀ TRONG NGÂN HÀNG

Chọn một chủ đề để bắt đầu

Luyện tập theo một nhóm kiến thức, từ bài làm quen đến bài cần kết hợp nhiều kỹ năng. Chọn chủ đề để mở các bài phù hợp.

NumPy, tensor & đại số tuyến tínhToán nền tảng cho AI: thao tác vector, ma trận, PyTorch tensor, broadcasting và bố trí bộ nhớ.29Dữ liệu & machine learning cổ điểnTiền xử lý dữ liệu, chia tập train/test, mô hình hồi quy, phân loại và các chỉ số đánh giá.115Giải tích, gradient & autogradĐạo hàm giải tích, đồ thị tính toán computational graph, lan truyền ngược và PyTorch autograd.15Mạng nơ-ron, loss & tối ưuMạng nơ-ron nhiều tầng (MLP), hàm mất mát, bộ tối ưu hóa (SGD, AdamW) và vòng lặp huấn luyện.64Tokenizer, từ vựng & BPETiền xử lý văn bản cho LLM: tách từ, từ điển vocabulary, padding/masking và thuật toán Byte-Pair Encoding.20CNN & thị giác máy tínhMạng tích chập 2D (Conv2D), Max Pooling, kiến trúc phân loại ảnh LeNet/ResNet và Vision Transformer.13RNN, âm thanh & chuỗi thời gianMô hình chuỗi: RNN cơ bản, LSTM, GRU, xử lý dữ liệu chuỗi thời gian và trích xuất đặc trưng âm thanh.9Attention & kiến trúc TransformerCơ chế Scaled Dot-Product Attention, Multi-Head Attention, Rotary Embedding (RoPE) và Transformer.27Embedding, tìm kiếm & RAGVector embedding, tìm kiếm độ tương đồng, cơ sở dữ liệu vector, hybrid search và kiến trúc RAG.25Sinh văn bản & đánh giá LLMKỹ thuật suy luận mô hình ngôn ngữ: KV-Cache, chiến lược lấy mẫu Temperature, Top-K, Top-P và Beam Search.19Fine-tuning & thích ứng mô hìnhTinh chỉnh mô hình hiệu quả tài nguyên (PEFT): Low-Rank Adaptation (LoRA), QLoRA và prompt tuning.5Đồ thị, GNN & knowledge graphHọc sâu trên dữ liệu đồ thị: Graph Convolutional Network (GCN), Graph Attention (GAT) và biểu diễn tri thức.8VAE, GAN & diffusionMô hình sinh: Variational Autoencoder (VAE), GAN đối kháng, mô hình khuếch tán DDPM và Latent Diffusion.10Reinforcement learning & căn chỉnhHọc tăng cường: MDP, Q-Learning, Deep Q-Network, Policy Gradient PPO và căn chỉnh mô hình RLHF/DPO.10Agent, MLOps & tối ưu triển khaiTriển khai hệ thống AI: Tool calling, Agent tự chủ, serving API với FastAPI/SSE, lượng hóa mô hình INT8/FP4.25Xem tất cả chủ đề

HỌC QUA BÀI TẬP THẬT

Bạn sẽ thực hành gì với AI?

Ba ví dụ trong thư viện, từ kỹ năng nền tảng đến cách áp dụng kiến thức.

CÁCH HỌC TẠI AIEA

Đọc hiểu → tự viết →
chạy thử → nộp bài

Hiểu yêu cầu trước khi viết code. Dùng ví dụ để kiểm tra ý tưởng, rồi đối chiếu kết quả và sửa từng lỗi để hiểu sâu hơn.

  1. Đọc hiểu

    Đọc đề, Input/Output và ví dụ.

  2. Tự viết

    Phát triển ý tưởng từ starter code.

  3. Chạy thử

    Kiểm tra code với dữ liệu thử.

  4. Nộp bài

    Đọc kết quả chấm và phản hồi.

Đề bài và starter code có thể đọc công khai. Gợi ý, lời giải, chạy code, nộp bài và hỏi AI yêu cầu đăng nhập; khả năng thực thi phụ thuộc loại bài và dịch vụ đang khả dụng.

SẴN SÀNG BẮT ĐẦU?

Chọn bài đầu tiên phù hợp với bạn.

Mở danh sách, chọn chủ đề và bắt đầu từ một bài bạn có thể tự giải thích cách làm.

Vào lộ trình AI