Tổng quan về lộ trình

1. Bạn sẽ nhận được gì?

  • Nền tảng Data Science toàn diện: Nắm vững tư duy phân tích dữ liệu, thống kê, tiền xử lý dữ liệu và mô hình hóa. 

  • Machine Learning thực chiến: Xây dựng, đánh giá và triển khai các mô hình ML theo chuẩn doanh nghiệp.

  • MLOps & Production Workflow: Áp dụng MLOps từ prototype đến production, tự động hóa quy trình ML.

  • Coding & Analytical Engineering Skills: Thành thạo kỹ năng coding (Python/R), phân tích dữ liệu và phối hợp với Data Engineer.

2. Vị trí sẵn sàng ứng tuyển 

Sẵn sàng chinh chiến tại các vị trí: Data Scientist Fresher / Junior / Middle, Machine Learning Engineer (Entry-level), Analytics Engineer / Data Analyst nâng cao

Làm được gì?

  • Phân tích & trực quan hóa dữ liệu chuyên sâu.

  • Xây dựng các mô hình Machine Learning áp dụng thực tế.

  • Triển khai pipeline MLOps vào môi trường doanh nghiệp.

  • Phối hợp với Data Engineering để đưa mô hình vào sản xuất.

3. Lộ trình này dành cho ai?

  • Người mới bắt đầu, chưa biết gì về lập trình hay khoa học dữ liệu.

  • Người đi làm các ngành khác muốn hiểu và ứng dụng dữ liệu. 

  • Sinh viên các ngành CNTT, kinh tế, nghiên cứu... muốn theo đuổi lĩnh vực dữ liệu. 

4. Tại sao chọn Cole?

  • Mô hình Core + Bootcamp độc quyền: Học chắc nền tảng qua khóa Live, mở rộng công nghệ qua Bootcamp.

  • Học từ dự án thực tế: Không chỉ lý thuyết – thực hành bài bản theo quy trình doanh nghiệp.

  • Giảng viên thực chiến: Đội ngũ chuyên gia triển khai Data Science & MLOps trong doanh nghiệp lớn.

  • Định hướng nghề nghiệp rõ ràng: Lộ trình gắn với vị trí công việc, tự tin ứng tuyển sau khóa học.

Lộ trình học

Khóa học 1

Khóa Học Data Science & Machine Learning Advance 2026

  • Giảng viên Tiến sĩ Đặng Lê Quang
Module 1: Tổng quan cơ sở dữ liệu và ngôn ngữ truy vấn
- Giới thiệu về các RDBMS, công cụ làm việc, ngôn ngữ làm việc, đơn vị hay sử dụng.
- So sánh cơ sở dữ liệu quan hệ với phi quan hệ
- Hệ quản trị cơ sở dữ liệu (RDBMS)
- Cơ sở dữ liệu (DB)
- Ngôn ngữ SQL
- Chương trình giúp người dùng giao tiếp với cơ sở dữ liệu (MySQL Workbench)
- Thiết lập hệ quản trị CSDL MySQL trên máy tính cá nhân
- Thiết lập môi trường truy vấn Workbench
- Tạo cơ sở dữ liệu qua Copy and Paste
- Tạo cơ sở dữ liệu qua Import, Export
- Gõ các câu truy vấn SQL theo mẫu
- Đọc nội dung của một số câu truy vấn SQL
- Khái niệm truy vấn dữ liệu
- Cấu trúc, ví dụ cụ thể cho từng câu lệnh
    - Select
    - Where và các điều kiện logic: AND, OR
    - Các hàm cơ bản trong MySQL
    - Các hàm tổng hợp dữ liệu trong MySQL: SUM(), COUNT()
    - GROUP BY, ORDER BY, HAVING, LIMIT
- Nhóm cấu trúc truy vấn
    - SELECT, SELECT DISTINCT, AS, ORDER BY, WHERE, LIMIT, GROUP BY, HAVING
- Nhóm toán tử logic
    - AND, OR, IN, BETWEEN, NULL
- Nhóm hàm toán học
    - SUM, COUNT
- Truy vấn các bảng hệ thống
    - Các bảng, view của một CSDL
    - Các cột của một bảng và tính chất các cột
- Đọc Diagram
- Quan hệ dữ liệu: 1-1; 1-n; n-n
- Khóa: Primary Key; Foreign Key
- Kiểu dữ liệu
- Join: Khái niệm, phân biệt LEFT JOIN, INNER JOIN, RIGHT JOIN
- Union: Khái niệm, ví dụ
- View: Các kiểu view
- Tạo lược đồ quan hệ của cơ sở dữ liệu
- Đọc và phân tích được cơ sở dữ liệu từ lược đồ quan hệ
- Truy vấn các bảng của cơ sở dữ liệu
- Insert: Chèn 1 dòng hoặc nhiều dòng từ 1 bảng
- Delete: Xóa dòng, ý nghĩa mệnh đề WHERE
- Update: Cập nhật dữ liệu, ý nghĩa mệnh đề WHERE
- Xây dựng các cấu trúc
    - Table, View, các ràng buộc: Key (PK, UK)
    - Tối ưu qua Index
    - Procedure
- Truy vấn dữ liệu
    - Join (LEFT JOIN, RIGHT JOIN, INNER JOIN), Union, View
- Tạo cấu trúc và thủ tục
    - Table, View, Procedure
- Dự án
    - Truy vấn từ cơ bản đến nâng cao để tìm hiểu cơ sở dữ liệu
    - Xây dựng cơ sở dữ liệu OLAP
    - Xây dựng dashboard trên OLTP (Excel hoặc Power BI)
    - Xây dựng dashboard trên OLAP
- Ôn tập
- Chia sẻ các nội dung chuyên sâu
- Hỏi đáp thắc mắc
- Tổng quan về lĩnh vực Khoa học Dữ liệu và tầm quan trọng của nó
- Các bài toán phổ biến và quan trọng trong lĩnh vực Khoa học Dữ liệu
- Python trong Data Science
- Tổng quan kiến thức cơ bản về Machine Learning cần thiết trong khóa học
- Giới thiệu và hướng dẫn cài đặt môi trường thực hành như Jupyter Notebook, Colab, v.v.
- Cấu trúc chương trình Python
- Biến và các kiểu dữ liệu
- Input & print trong Python
- Áp dụng các kiểu dữ liệu nào trong thực tế?
- Các phép toán
- Biểu thức điều kiện
- Vòng lặp For, While
- Tự động hóa các tác vụ lặp đi lặp lại
- Cách thức hoạt động của hàm
- Gọi hàm trong Python
- Biến cục bộ và biến toàn cục
- Hàm lambda
- Các thao tác trên List
    - Khởi tạo List
    - Truy cập phần tử trong List (truy cập bằng index, truy cập đầu cuối danh sách)
    - Thao tác trên List (thêm, xóa, thay đổi giá trị phần tử)
    - Cắt (slicing) List
    - Các phương thức List (sort(), reverse(), count(), index(), extend())
- Các thao tác trên Tuple
    - Cú pháp tạo Tuple bằng dấu ngoặc tròn ()
    - Truy cập phần tử trong Tuple
    - Thao tác với Tuple
    - Ứng dụng của Tuple
    - Tuple packing và unpacking
- Khởi tạo và thao tác trên Dictionaries và Sets
    - Ứng dụng của Dictionaries và Sets
- Lớp và đối tượng
- Phương thức
- Package và import
- Thực hành: lớp và đối tượng
- Xử lý dữ liệu thiếu (Missing Data)
- Đối tượng Groupby
- Làm việc với DataFrame
- Chèn, xóa, sửa dòng và cột trong DataFrame
- Sắp xếp dữ liệu trong DataFrame
- Import thư viện
- Các biểu đồ cơ bản
- Lợi ích của Seaborn
- Biểu đồ trong Seaborn
- Đại diện dữ liệu
    - Scalar, Vector, Matrix, Tensor: Cách máy tính "nhìn" dataset và hình ảnh
    - Hàng (Sample) và Cột (Feature) trong không gian dữ liệu
- Độ đo & Khoảng cách
    - Dot Product & Cosine Similarity: Đo độ tương đồng giữa các vector (ứng dụng trong NLP, Recommendation)
    - Norms (L1, L2): Các cách đo khoảng cách và độ lớn của vector
- Ma trận & Biến đổi tuyến tính
    - Phép nhân ma trận (Matrix Multiplication): Bản chất là phép biến đổi, quay và co giãn không gian (nền tảng của Neural Networks)
    - Ma trận nghịch đảo & Định thức (Determinant)
- Phân rã ma trận (Dimensionality Reduction)
    - Eigenvalues & Eigenvectors: Tìm ra "trục chính" chứa thông tin quan trọng nhất của dữ liệu
    - PCA (Principal Component Analysis): Nguyên lý giảm chiều dữ liệu
Sử dụng database trên kaggel dùng Python để xử lý dữ liệu ban đầu, phân tích và trực quan hóa dữ liệu
- Khám phá vai trò của thống kê trong khoa học dữ liệu
- Phân biệt giữa thống kê mô tả và thống kê suy luận
- Sử dụng thống kê mô tả (Python) để
    - Tóm tắt nhanh dữ liệu
    - Đo lường trung tâm dữ liệu
    - Đo lường độ phân tán dữ liệu
    - Đo lường vị trí tương đối của dữ liệu
- Học các quy tắc cơ bản để tính xác suất cho sự kiện đơn lẻ
- Khám phá cách sử dụng định lý Bayes để mô tả các sự kiện phức tạp
- Học cách sử dụng các phân phối xác suất (nhị thức, Poisson, chuẩn) để hiểu rõ cấu trúc dữ liệu
- Học về các phương pháp thu thập và phân tích dữ liệu mẫu
- Tìm hiểu cách tránh sai lệch do chọn mẫu
- Học cách sử dụng phân phối mẫu để đưa ra ước lượng chính xác
- Sử dụng mẫu nhỏ để suy luận về tập dữ liệu lớn
- Khám phá cách sử dụng khoảng tin cậy để mô tả sự không chắc chắn trong ước lượng
- Học cách xây dựng và diễn giải khoảng tin cậy
- Tìm hiểu cách tránh các hiểu lầm phổ biến liên quan đến khoảng tin cậy
- Kiểm định giả thuyết giúp xác định tính ý nghĩa thống kê của kết quả so với ngẫu nhiên
- Học các bước cơ bản của một kiểm định giả thuyết
- Hiểu cách kiểm định giả thuyết giúp đưa ra kết luận có ý nghĩa về dữ liệu
- Sử dụng Python để trực quan hóa dữ liệu
- Áp dụng kiến thức thống kê để đánh giá thêm về dữ liệu và mô hình trực quan hóa
Ứng dụng xác suất thống kê vào qui trình phân tích dữ liệu thăm dò (EDA) và trực quan hóa cho các bộ dữ liệu thật từ doanh nghiệp.
- Tổng quan về bài toán Hồi quy và các ứng dụng thực tế của nó
- Giới thiệu các thuật toán Hồi quy phổ biến như Linear Regression, Logistic Regression,...
- Cách tiếp cận và xây dựng một mô hình Hồi quy trong các tình huống thực tế
- Các phương pháp để đánh giá hiệu suất và độ chính xác của một hệ thống Hồi quy
- Setup môi trường Google Colab
- Thực hành chạy một số đoạn Python code, Markdown cơ bản
- Load và xử lý dữ liệu cơ bản với pandas
- Tổng quan về bài toán Phân loại và các ứng dụng thực tế của nó
- Giới thiệu các thuật toán Phân loại phổ biến như Linear classifiers, Decision Tree, SVM,...
- Cách tiếp cận và xây dựng một mô hình phân loại trong các tình huống thực tế
- Các phương pháp để đánh giá hiệu suất và độ chính xác của một hệ thống phân loại
- Xây dựng các mô hình hồi quy bằng thư viện sklearn
- Đánh giá, so sánh độ chính xác của các mô hình hồi quy
- Tự thực hành
    - Học viên tự áp dụng các kiến thức đã được hướng dẫn trên các bộ dữ liệu khác
    - Học viên tự điều tra và thử nghiệm nhiều mô hình khác nhau và đưa ra đánh giá
- Học viên thực hành áp dụng kiến thức đã học vào việc giải quyết một bộ dữ liệu mẫu trên nền tảng Kaggle
- Cung cấp cơ hội cho học viên đặt câu hỏi và nhận được sự giải đáp từ giảng viên hoặc các thành viên khác trong khóa học
- Tổng quan về bài tập lớn (Project) của khóa học, đưa ra mục tiêu, yêu cầu và quá trình thực hiện của dự án
- Xử lý dữ liệu, trích rút đặc trưng văn bản
- Xử lý bài toán phân loại sắc thái bình luận
- Tự thực hành
    - Học viên tự áp dụng các kiến thức đã được hướng dẫn trên các bộ dữ liệu khác
    - Học viên tự điều tra và thử nghiệm nhiều mô hình khác nhau và đưa ra đánh giá
- Giới thiệu bài toán phân cụm và giải thuật K-Means, một phương pháp phân cụm phổ biến trong Khoa học Dữ liệu
- Giới thiệu về khái niệm độ tương đồng trong phân cụm, là một phép đo để đánh giá sự tương đồng giữa các điểm dữ liệu
- Giới thiệu một số phương pháp mã hóa văn bản như Bag-of-Words, TF-IDF và Word Embedding để biểu diễn văn bản thành dữ liệu số hóa
- Hướng dẫn thực hành giải quyết bài toán truy xuất và phân cụm tài liệu, sử dụng các kỹ thuật và công cụ như K-Means và phương pháp mã hóa văn bản để xử lý và phân tích các tài liệu dựa trên nội dung của chúng
- Phân tích cách tiếp cận một bài toán hồi quy, phân loại khi gặp một bộ dữ liệu mới
- Tổng hợp các kiến thức học viên tự tìm hiểu ở 2 buổi trước
- Phân tích ưu nhược điểm của các phương pháp xử lý dữ liệu và các mô hình khác nhau
- Giới thiệu về hệ thống gợi ý và vai trò của nó trong cung cấp thông tin và đề xuất cho người dùng
- Tổng quan về một số thuật toán phổ biến trong hệ thống gợi ý như Lọc cộng tác, Gợi ý dựa trên nội dung,...
- Cách tiếp cận và quy trình xây dựng một hệ thống gợi ý trong môi trường thực tế, từ việc thu thập dữ liệu đến xây dựng mô hình và triển khai
- Giới thiệu các phương pháp để đánh giá hiệu suất và độ chính xác của một hệ thống gợi ý
- Hướng dẫn thực hành xây dựng và đánh giá hệ thống gợi ý trên một bộ dữ liệu thực tế, áp dụng các thuật toán và phương pháp đã học vào thực tế
- Tìm hiểu phương pháp đánh giá độ tương đồng văn bản
- Xây dựng mô hình phân cụm K-Means phân cụm văn bản
- Đánh giá kết quả mô hình
- Tự thực hành
    - Học viên tự áp dụng các kiến thức đã được hướng dẫn trên các bộ dữ liệu khác
    - Học viên tự điều tra và thử nghiệm nhiều mô hình khác nhau và đưa ra đánh giá
- Giới thiệu về khái niệm và mục tiêu của khai phá luật kết hợp trong Khoa học Dữ liệu
- Các phương pháp và định dạng để biểu diễn luật kết hợp, bao gồm dạng tập hợp, dạng chuỗi và dạng cây
- Phương pháp khai thác và tìm kiếm các mẫu phổ biến từ dữ liệu như tìm tập hợp phổ biến, chuỗi phổ biến hoặc cây phổ biến
- Khám phá các luật kết hợp từ các mẫu phổ biến
- Phân tích tương quan giữa các mẫu hoặc thuộc tính dữ liệu để tìm hiểu sự tương quan và tương tác giữa chúng, đồng thời đưa ra các phân tích và nhận định về mối quan hệ
- Xử lý dữ liệu cho bài toán hệ gợi ý
- Xây dựng mô hình lọc cộng tác cho bài toán gợi ý phim
- Đánh giá kết quả gợi ý của mô hình
- Tự thực hành
    - Học viên thử nghiệm phương pháp gợi ý dựa trên nội dung
- Học viên sẽ được thực hành áp dụng kiến thức về bài toán phân cụm, hệ gợi ý và khai phá luật kết hợp bằng cách giải quyết một bộ dữ liệu mẫu trên nền tảng Kaggle
- Cung cấp cơ hội cho học viên đặt câu hỏi và nhận được sự giải đáp từ giảng viên hoặc các thành viên khác trong khóa học
- Học viên sẽ được giới thiệu tổng quan về bài tập lớn (Project) của khóa học, bao gồm mục tiêu, yêu cầu và quy trình thực hiện của dự án
- Xử lý dữ liệu cho bài toán khai phá luật kết hợp
- Xây dựng mô hình luật kết hợp cho bài toán giỏ hàng
- Đánh giá kết quả của mô hình
- Tự thực hành
    - Học viên thử nghiệm phương pháp khai phá luật kết hợp
- Tổng quan về Học Sâu và các lĩnh vực ứng dụng trong Khoa học Dữ liệu
- Giới thiệu về xử lý và phân tích hình ảnh thông qua công nghệ thị giác máy tính và các ứng dụng trong thực tế
- Giới thiệu về xử lý ngôn ngữ tự nhiên và các phương pháp, công cụ để xử lý, phân tích và hiểu văn bản tự nhiên
- Phân tích cách tiếp cận một bài toán hồi quy, phân loại khi gặp một bộ dữ liệu mới
- Tổng hợp các kiến thức học viên tự tìm hiểu ở 3 buổi trước
- Phân tích ưu nhược điểm của các phương pháp xử lý dữ liệu và các mô hình khác nhau
- Mối liên hệ giữa trọng số và các nodes trong hidden layers
- Hàm mất mát và điều chỉnh trọng số
- Thuật toán Gradient Descent
- Thuật toán Stochastic Gradient Descent
- Thuật toán Mini-batch Gradient Descent
- Thực hiện các thay đổi thông số khác nhau trên mô hình hồi quy hoặc phân lớp dùng ANN đã xây dựng từ buổi trước để hiểu rõ hơn về Gradient Descent và Loss
- Mạng nơ-ron trong gợi ý (Neural Collaborative Filtering): Cách sử dụng Deep Learning để học các tương tác phi tuyến tính giữa người dùng và sản phẩm thay vì chỉ dùng tích vô hướng
- Hệ thống gợi ý lai (Hybrid Systems): Kỹ thuật kết hợp giữa Content-based và Collaborative Filtering để khắc phục nhược điểm của từng loại (ví dụ: mô hình Wide & Deep của Google)
- Word/Item Embeddings: Ứng dụng Word2Vec hoặc Item2Vec để biểu diễn sản phẩm dưới dạng vector, giúp tìm kiếm sự tương đồng chính xác hơn
- Gợi ý theo phiên (Session-based Recommendation): Sử dụng RNN hoặc LSTM để dự đoán hành vi người dùng dựa trên chuỗi hành động ngắn hạn (ví dụ: vừa xem giày, vừa xem tất → gợi ý dây giày) thay vì lịch sử dài hạn
- Xây dựng Item2Vec (Embeddings)
- Xây dựng mô hình Neural Collaborative Filtering (NCF) - Trọng tâm
- Demo hệ thống gợi ý theo phiên (Session-based RecSys) với RNN/LSTM
- Học viên sẽ được thực hành áp dụng kiến thức về mô hình học sâu bằng cách giải quyết một bộ dữ liệu mẫu trên nền tảng Kaggle
- Xây dựng mô hình học sâu và các thành phần cơ bản
- Học cách huấn luyện một mô hình học sâu
- Tổng kết Module 4 về lý thuyết
- Hỏi đáp về Mini-Project
- Định nghĩa Time Series: Phân biệt với dữ liệu Cross-sectional
- Các đặc trưng cốt lõi: Trend (Xu hướng), Seasonality (Mùa vụ), Cyclical (Chu kỳ), Noise (Nhiễu)
- Khái niệm Stationarity (Tính dừng): Tại sao chuỗi thời gian cần phải "dừng" để dự báo? Kiểm định Dickey-Fuller (ADF test)
- Thư viện Pandas: pd.to_datetime, set index là ngày tháng
- Resampling (gom nhóm dữ liệu): Chuyển dữ liệu theo giờ thành ngày/tháng (.resample())
- Xử lý dữ liệu thiếu (Missing values): Forward fill, Backward fill, Interpolation
- Vẽ biểu đồ cơ bản để nhìn ra Trend/Seasonality
- Time Series Decomposition: Mô hình Cộng (Additive) vs Mô hình Nhân (Multiplicative)
- Tự tương quan (ACF) và Tự tương quan riêng phần (PACF): Công cụ để tìm quy luật trễ (lags)
- Các kỹ thuật làm mịn: Simple Moving Average (SMA), Exponential Smoothing (ETS), Holt-Winters
- Sử dụng seasonal_decompose để tách Trend, Seasonality, Residual
- Vẽ và đọc biểu đồ ACF/PACF (bước đệm quan trọng cho ARIMA)
- Thực hành làm mượt dữ liệu chứng khoán hoặc doanh số bán hàng để thấy xu hướng rõ hơn
- Giới thiệu AR (AutoRegressive), MA (Moving Average) và I (Integrated - sai phân)
- ARIMA (p, d, q): Ý nghĩa từng tham số và cách chọn dựa trên ACF/PACF
- SARIMA: Mở rộng cho dữ liệu có tính mùa vụ (ví dụ: doanh số tăng vào cuối tuần)
- Sử dụng thư viện statsmodels
- Quy trình chuẩn: Kiểm tra tính dừng → Sai phân → Tìm p, q → Fit mô hình
- Auto-ARIMA (thư viện pmdarima): Tự động tìm tham số tối ưu (cách làm thực tế)
- Phân tích phần dư (Residual analysis): Kiểm tra độ tin cậy của mô hình
- Hạn chế của ARIMA (khó bắt quy luật phi tuyến tính, khó thêm ngày lễ tết)
- Giới thiệu Facebook Prophet: Dễ dùng, xử lý tốt outliers và dữ liệu thiếu
- Tư duy Supervised Learning cho Time Series: Phương pháp Sliding Window (Cửa sổ trượt) - Bước chuẩn bị quan trọng để hiểu Input của LSTM ở buổi sau
- Cài đặt và chạy Prophet: Thêm holidays (ngày lễ) vào mô hình dự báo
- Feature Engineering: Tạo các cột lag_1, lag_7, rolling_mean
- Thử nghiệm chạy Random Forest hoặc XGBoost để thấy sự khác biệt với ARIMA
- Lý thuyết: Từ Thống kê đến Deep Learning
- Metrics đánh giá: MAE, RMSE, MAPE (Khi nào dùng cái nào?)
- Backtesting: Tại sao train_test_split ngẫu nhiên là sai lầm trong Time Series? Giới thiệu TimeSeriesSplit
- Giới thiệu Deep Learning cho chuỗi thời gian
- RNN (Recurrent Neural Networks): Tại sao cần "bộ nhớ" (Memory) thay vì chỉ học độc lập như Regression?
- Vấn đề của RNN: "Trí nhớ ngắn hạn" (Vanishing Gradient)
- LSTM (Long Short-Term Memory) & GRU: Giải thích nôm na về cơ chế "Cổng" (Gate) giúp mô hình nhớ được quy luật dài hạn và quên đi nhiễu
- Demo LSTM
- Chạy một mô hình LSTM đơn giản bằng thư viện Keras/TensorFlow trên cùng bộ dữ liệu của Buổi 3/4
- Cho học viên thấy sự khác biệt về cách chuẩn bị dữ liệu (Data Scaling về [0,1] là bắt buộc với LSTM, trong khi ARIMA thì không cần)

Khóa học 2

Bootcamp Analytic Engineer

  • Giảng viên Vũ Minh Tâm
Buổi 1: Tổng quan về Data Life Cycle, Modern Data Stack và Analytic Engineer
  • Generic
  • Singular
  • variable
  • hook
  • packages
    • dbt_utils
    • dbt_audit_helper
    • dbt_expectations
  • Table
  • Column
a. Xây dựng các mô hình dữ liệu (Data Model)
b. Biến đổi (Transform) dữ liệu
c. Tăng cường chất lượng dữ liệu (Data Quality) bằng cách xây dựng và thực thi các data test.
d. Tài liệu hóa

Giảng viên

Giảng viên ThS. Nguyễn Danh Tú

Giảng viên Tiến sĩ Đặng Lê Quang

Giảng viên TS. Doãn Trung Tùng

Dự án của học viên

Khóa học 1

Khóa Học Data Science & Machine Learning Advance 2026

Khóa học 2

Bootcamp Analytic Engineer

Khóa học 3

Bootcamp MLOps trong Thực Tế: Từ Notebook đến Production
Tải lộ trình học

Khóa học liên quan

Khóa Học Data Science & Machine Learning Advance 2026

4 tháng

Khai giảng: 08/07/2026

Bootcamp Analytic Engineer

1 tháng

Khai giảng: 30/01/2026

Bootcamp MLOps trong Thực Tế: Từ Notebook đến Production

1 tháng

Khai giảng: 30/01/2026

Khóa Học Agentic Vibe Coding - Nâng Cấp Kỹ Năng AI Xây Sản Phẩm Thực Tế

1 tháng

Khai giảng: 08/07/2026