Khóa Học AI Engineer Fullstack 2026

Mục tiêu học tập

OP1 Nền tảng Data Science & Machine Learning: Hiểu ứng dụng khoa học dữ liệu, vai trò Python, làm quen Jupyter Notebook, Google Colab.

OP2 Thành thạo ngôn ngữ Python cho AI: Làm chủ cú pháp Python từ cơ bản đến nâng cao, thao tác dữ liệu bằng Pandas, vẽ biểu đồ bằng Matplotlib/Seaborn.

OP3 Phân tích dữ liệu với thống kê & xác suất: Áp dụng thống kê mô tả, kiểm định, trực quan hóa dữ liệu, phân tích thăm dò chuyên sâu (EDA).

OP4 Xây dựng mô hình Machine Learning: Hiểu và thực hành hồi quy, phân lớp, phân cụm với Linear Regression, Decision Tree, SVM, K-Means.

OP5 Khai phá dữ liệu & hệ thống gợi ý: Làm việc với TF-IDF, Word Embedding, collaborative filtering, luật kết hợp, truy xuất văn bản.

OP6 Làm quen Deep Learning: Nắm kiến thức về mạng neural, lan truyền ngược, tối ưu hóa; áp dụng vào hình ảnh, văn bản.

OP7 Quy trình triển khai dự án AI: Phân tích bài toán, chọn mô hình, huấn luyện & đánh giá, xây dựng hệ thống phân tích và báo cáo.

OP8 Kỹ năng trình bày & teamwork: Trình bày dự án bằng dashboard, storytelling; rèn phản biện, làm việc nhóm, thuyết phục bằng dữ liệu.

OP9 Tổng quan hệ thống AI hiện đại: Hiểu quy trình phát triển AI end-to-end, nắm kiến thức về CV, NLP, RL, LLMs, AI Agents, Transformer, GAN, Diffusion.

OP10 Kỹ năng của một AI Engineer chuyên nghiệp: Làm việc với PySpark, NumPy, TensorFlow, PyTorch, triển khai mô hình bằng Flask/FastAPI, tối ưu mô hình bằng ONNX, quantization, pruning.

OP11 Thực hành triển khai hệ thống AI thực tế: Đóng gói mô hình qua API, triển khai lên cloud/edge devices, xây pipeline AI thực tế, ứng dụng trong Generative AI, y tế, hóa đơn, chatbot...

Đối tượng học tập

Sinh viên, nghiên cứu sinh nhóm ngành công nghệ thông tin, khoa học, toán ứng dụng, điện tử, ...

Người đã đi làm các lĩnh vực khác, muốn tìm hiểu về AI/ML để ứng dụng trong công việc.

Người đã đi làm trong các mảng khác của ngành CNTT, muốn chuyển sang học AI/ML để thay đổi công việc, hoặc áp dụng công việc.

Lộ trình học tập

Module 1: Python for AI

Buổi 1: Làm quen với Python cơ bản

- Cấu trúc chương trình Python.
- Biến và các kiểu dữ liệu.
- Input & print trong Python.
- Biểu thức điều kiện.
- Áp dụng các kiểu dữ liệu nào trong thực tế?

Buổi 2: Cấu trúc điều khiển

- Các phép toán
- Vòng lặp For, While
- Tự động hóa các tác vụ lặp đi lặp lại

Buổi 3: Kiểu dữ liệu Lists và Tuples & Kiểu dữ liệu Dictionaries và Sets

- 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 để 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

Buổi 4: Hàm và Module

- Cách thức hoạt động của hàm
- Gọi hàm trong python
- Biến cục bộ và biến toàn cục
- Hàm lambda

Buổi 5: Hướng đối tượng trong Python

- Lớp và đối tượng
- Phương thức
- Package và import
Thực hành: lớp và đối tượng

Buổi 6: Python for data analyst(Thư viên Pandas)

- 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

Buổi 7: Python for data visualization- Matplotlib & Seaborn

- Import thư viện
- Các biểu đồ cơ bản
- Lợi ích của Seaborn
- Biểu đồ trong Seaborn

Buổi 8: Python NumPy & Vectorized Computing

- NumPy array vs Python list
- Broadcasting
- Vectorization & performance
- Dot product, matrix ops trong NumPy
- Liên hệ với ML (loss, gradient)

Buổi 9: Mini Project

- Đọc dataset CSV
- Làm sạch dữ liệu
- Thống kê mô tả
- Vẽ biểu đồ
- Viết báo cáo notebook

Module 2: Machine Learning cơ bản

Buổi 10: Nền tảng Toán học

- Vector và biểu diễn dữ liệu trong AI
- Không gian vector và đặc trưng dữ liệu
- Độ dài vector (norm) và khoảng cách giữa các vector
- Tích vô hướng (dot product) và ý nghĩa hình học
- Cosine similarity và đo độ tương đồng giữa dữ liệu

Buổi 11: Nền tảng Toán học

- Ma trận và phép nhân ma trận – vector
- Ma trận như một phép biến đổi tuyến tính trong mô hình học máy
- Linear Transformation

Buổi 12: Nền tảng Toán học

- Hàm số và đồ thị hàm số trong Machine Learning
- Đạo hàm và ý nghĩa của đạo hàm trong tối ưu hóa
- Gradient của hàm nhiều biến
- Hàm mục tiêu (objective function) trong bài toán tối ưu
- Gradient Descent và nguyên lý cập nhật tham số

Buổi 13: Nền tảng Toán học

- Learning rate và ảnh hưởng tới quá trình huấn luyện
- Local minimum và global minimum
- Vai trò của nhiễu (noise) và phương sai trong dữ liệu

Buổi 14: Tổng quan Machine Learning

- Khái niệm Machine Learning
- Các loại học máy: Supervised, Unsupervised
- Regression và Classification
- Bài toán học máy trong thực tế
- Quy trình Machine Learning tổng quát
- Vai trò của dữ liệu trong học máy

Buổi 15: Supervised Learning

- Khái niệm học có giám sát
- Dữ liệu có nhãn và vai trò của nhãn
- Quy trình học có giám sát
- Thuật toán K-Nearest Neighbors (KNN)
- Khoảng cách giữa các mẫu dữ liệu
- Ưu điểm và hạn chế của KNN
- So sánh KNN với các mô hình tham số
- Nguyên lý của KNN
- Lựa chọn số lượng hàng xóm K
- Ưu điểm và hạn chế của KNN
- Curse of dimensionality
- Ứng dụng KNN trong thực tế

Buổi 16: Biểu diễn dữ liệu & Feature Engineering

- Dữ liệu đầu vào trong Machine Learning
- Feature vector và không gian đặc trưng
- Chuẩn hoá và scale dữ liệu
- Train / Validation / Test split
- Encoding dữ liệu dạng categorical
- Feature selection và feature extraction
- Ảnh hưởng của feature tới hiệu quả mô hình

Buổi 17: Linear Regression và Logistic Regression

- Bài toán hồi quy tuyến tính
- Mô hình tuyến tính và hàm dự đoán
- Hàm mất mát MSE
- Huấn luyện Linear Regression bằng Gradient Descent
- Bài toán phân loại nhị phân
- Hàm sigmoid trong Logistic Regression
- Decision boundary
- Hàm mất mát Cross-Entropy
- So sánh Linear Regression và Logistic Regression
- Ứng dụng hồi quy và phân loại trong thực tế

Buổi 18: Đánh giá mô hình

- Accuracy, Precision, Recall
- F1-score
- Confusion Matrix
- ROC Curve và AUC
- Đánh giá mô hình trong bối cảnh thực tế

Buổi 19: Overfitting & Tổng quát hoá

- Overfitting và Underfitting
- Bias – Variance tradeoff
- Regularization (L1, L2)
- Early stopping
- Data leakage
- Chiến lược cải thiện khả năng tổng quát hoá

Buổi 20: Support Vector Machine và Decision Tree

- Bài toán phân loại và hồi quy
- Ý tưởng tìm siêu phẳng phân tách dữ liệu
- Margin và vai trò của margin trong phân loại
- Support vectors
- Kernel và ánh xạ dữ liệu sang không gian đặc trưng
- Ưu điểm và hạn chế của Support Vector Machine
- Cấu trúc mô hình Decision Tree
- Tiêu chí chia nhánh (Gini, Entropy)
- Overfitting trong Decision Tree
- Ưu điểm và hạn chế của Decision Tree

Buổi 21: Unsupervised Learning

- Khái niệm học không giám sát
- Sự khác biệt giữa Supervised và Unsupervised Learning
- Bài toán phân cụm dữ liệu
- Ứng dụng Unsupervised Learning trong thực tế
- Thách thức khi không có nhãn dữ liệu
- Nguyên lý thuật toán K-means
- Khoảng cách và tâm cụm (centroid)
- Khởi tạo K-means
- Lựa chọn số lượng cụm K
- Ưu điểm và hạn chế của K-means
- Ứng dụng phân cụm dữ liệu

Buổi 22: Ensemble Learning

- Khái niệm Ensemble Learning
- Bagging và Boosting (ý tưởng)
- Random Forest
- Vì sao kết hợp nhiều mô hình lại hiệu quả
- So sánh model đơn và ensemble
- Ứng dụng ensemble trong thực tế

Buổi 23: Hyperparameter Tuning

- Tham số và siêu tham số
- Ảnh hưởng của hyperparameter tới mô hình
- Grid Search
- Random Search
- Overfitting trong quá trình tuning
- Chiến lược chọn mô hình tốt

Buổi 24: Giới thiệu Neural Network

- Perceptron
- Mạng nơ-ron nhiều lớp
- Activation function
- Vai trò phi tuyến trong Neural Network
- Giới hạn của Perceptron (bài toán XOR)
- Universal Approximation (ý tưởng: NN đủ lớn có thể xấp xỉ hàm bất kỳ)
- So sánh Neural Network và mô hình tuyến tính
Thực hành: so sánh decision boundary giữa Logistic Regression và Neural Network

Buổi 25: Huấn luyện Neural Network

- Hàm mất mát trong Neural Network
- Chu trình huấn luyện Neural Network
- Computational graph
- Backpropagation (ý tưởng)
- Gradient Descent trong Neural Network
- Vanishing và Exploding Gradient
- Regularization trong Neural Network
Thực hành: huấn luyện Neural Network đơn giản từ đầu

Buổi 26: ML Pipeline & Experiment Tracking trong thực tế

- ML pipeline chuẩn
- Cross-validation thực tế
- Random seed, reproducibility
- Giới thiệu MLflow / Weights & Biases (concept)

Buổi 27: Case Study Machine Learning trong doanh nghiệp

3 case:
- Churn prediction
- Credit scoring
- Recommendation cơ bản
Phân tích:
- Dữ liệu
- Mô hình
- Metric
- Trade-off

Buổi 28: Tổng kết Machine Learning

- Tổng hợp kiến thức Machine Learning
- So sánh các nhóm mô hình học máy
- Chiến lược lựa chọn mô hình phù hợp
- Liên hệ Machine Learning với Deep Learning
- Chuẩn bị cho Computer Vision và NLP
- Trình bày bài thực hành

Module 3: Computer Vision

Buổi 29: Giới thiệu CV & CNN cơ bản

Lý thuyết: convolution, pooling, receptive field, activation, cross-entropy loss, train/val/test.

Buổi 30: Kiến trúc CNN hiện đại

Lý thuyết: residual blocks (ResNet), batchnorm, skip connections, regularization cơ bản, transfer learning.
Kiến thức mở rộng: Giới thiệu Vision Transformer (ViT), ConvNeXt, EfficientNetV2 – vì sao các model này chiếm ưu thế trong doanh nghiệp (nhẹ, tốc độ nhanh, inference tốt). Trình bày ví dụ real-world: Google Lens, FaceNet nhận diện khuôn mặt.

Buổi 31: Data augmentation & training best practices

Lý thuyết: augmentation (flip/crop/color jitter), normalization, learning rate scheduler, early stopping, weight decay.
Code: Áp dụng torchvision transforms; thử 2 pipeline augmentation; mô tả cách chọn LR scheduler. Bài tập bổ trợ:
- Yêu cầu: So sánh performance giữa “no augmentation” vs “strong augmentation”
- Mục đích: Hiểu tầm quan trọng của augmentation & regularization

Buổi 32: Model Evaluation & Error Analysis trong CV

- Confusion matrix cho CV
- Class imbalance
- Error analysis (FP/FN)
- Dataset bias trong CV
- mAP cho bài toán object detection

Buổi 33: Image Classification

Lý thuyết: Quy trình bài toán classification; Chuẩn bị dataset; Huấn luyện – đánh giá
Kiến thức mở rộng: Giới thiệu các mô hình phổ biến: ResNet

Buổi 34: Thực hành Phân loại hình ảnh

Code:
- Giới thiệu PyTorch
- Xây CNN đơn giản (PyTorch), train nhanh trên CIFAR-10, hiển thị loss/accuracy.
Yêu cầu: Thực hành trên Colab baseline CNN, train trên CIFAR-10 ít nhất 3 epoch, nộp file notebook + ảnh loss/accuracy curve.
Mục đích: Ôn lại pipeline training và đọc kết quả.
Mở rộng: Tham khảo implement mô hình ResNet với PyTorch

Buổi 35: Object Detection

Lý thuyết: Các bước của bài toán phát hiên đối tượng: one-stage vs two-stage detectors;
Kiến thức mở rộng: Giới thiệu SOTA: YOLOv10-12, DETR (Transformer-based detection)

Buổi 36: Thực hành Phát hiện đối tượng

Code:
- Huấn luyện và so sánh 2 mô hình RetinaNet và YOLOv10-12 trên 1 dataset của Roboflow
- Báo cáo so sánh: training time, inference time, accuracy, nhận xét trade-off giữa 2 mô hình

Buổi 37: Image Segmentation

Lý thuyết: Kiến trúc encoder-decoder; mô hình U-net.
Kiến thức mở rộng: Các mô hình unsupervised segmentation như Segment Anything Model

Buổi 38: Thực hành Image Segmentation

Code: Huấn luyện mô hình U-net cho bài toán ảnh y tế
Mở rộng: chạy thử mô hình SAM-3 cho ảnh y tế

Buổi 39: Deployment & Edge AI cho Computer Vision

- ONNX, TorchScript (concept)
- Quantization (int8)
- Inference speed vs accuracy
- CV trên edge device (Jetson, mobile)

Module 4: NLP

Buổi 40: NLP fundamentals & tokenization

Lý thuyết: tokenizers (subword), BOW vs embeddings vs contextual embeddings
Code: dùng Hugging Face tokenizers, demo word2vec/fastText toy
Bài tập bổ trợ:
- Yêu cầu: So sánh embedding trung bình (word2vec) và contextual embedding (BERT) trên 10 câu mẫu
- Mục đích: Hiểu sự khác biệt giữa biểu diễn tĩnh và biểu diễn theo ngữ cảnh
Kiến thức mở rộng: Giới thiệu hành trình phát triển NLP từ rule-based → statistical → neural → LLMs Trình bày ứng dụng NLP trong doanh nghiệp: chatbot CSKH, phân tích cảm xúc, xử lý tài liệu.

Buổi 41: Sequence models -> Transformer architecture

Lý thuyết: Cấu trúc sequence-to-sequence, attention, self-attention, positional encoding, kiến trúc Transformer (encoder–decoder)
Code: mini-Transformer implementation (toy) hoặc visualize attention

Buổi 42: Fine-tuning Transformer cho classification / NER / QA

Lý thuyết: Chiến lược fine-tuning, catastrophic forgetting, data augmentation cho text (EDA, back translation)
Code: fine-tune BERT on sentiment classification / NER using Hugging Face
Kiến thức mở rộng: Giới thiệu các kỹ thuật fine-tuning hiệu quả cho NLP: Adapter Tuning, Prefix/Prompt Tuning, và LoRA (chỉ ở mức khái niệm). Trình bày ứng dụng thực tế: sentiment analysis, legal doc classification, spam filtering

Buổi 43: NLP Error Analysis & Dataset Bias

- Phân tích lỗi classification / NER
- Label noise
- Bias trong dữ liệu text
- Confusion matrix cho NLP

Buổi 44: Các phương pháp sinh văn bản

Lý thuyết: Cách sinh văn bản: greedy search, beam search, top-k & top-p sampling, evaluation (BLEU, ROUGE)
Code: Sinh văn bản bằng mô hình GPT nhỏ (HF pipeline); so sánh các phương pháp decoding
Bài tập bổ trợ:
- Yêu cầu: Tạo 3 câu chuyện ngắn với top-k = 30, top-p = 0.9, beam = 5; so sánh độ tự nhiên của kết quả
- Mục đích: Hiểu ảnh hưởng của chiến lược decoding lên chất lượng văn bản sinh ra
Kiến thức mở rộng: Giới thiệu các ứng dụng Text Generation trong doanh nghiệp: tóm tắt tự động, sinh tiêu đề sản phẩm, sinh phản hồi email. Nói về các hướng phát triển control generation (controllable style, sentiment).

Buổi 45: Các vấn đề thực tế khi triển khai NLP

Lý thuyết: Các vấn đề thực tế khi triển khai NLP: giới hạn token, batching, latency, caching, đánh giá model (BLEU, ROUGE, BERTScore)
Code: Xây notebook đánh giá và so sánh hai model bằng Hugging Face pipeline
Kiến thức mở rộng: Giới thiệu thực tiễn triển khai NLP trong doanh nghiệp: mô hình phục vụ API, hệ thống tìm kiếm (semantic search), và quy trình cập nhật model định kỳ. Chia sẻ cách doanh nghiệp đánh giá mô hình NLP theo tiêu chí thực tế (accuracy vs latency vs cost).

Buổi 46: Project NLP

Lý thuyết: Tổng kết pipeline NLP (data → preprocess → fine-tune → eval → deploy). Giảng viên hướng dẫn 2 project mẫu: Question Answering và Named Entity Recognition
Code: Demo hệ thống QA hoặc NER trên domain cụ thể.

Buổi 47: Information Retrieval & Semantic Search

- TF-IDF
- BM25 intuition
- Dense vs sparse retrieval
- Semantic search pipeline

Module 5: LLMs & RAG trong xây dựng Chatbot

Buổi 48: Giới thiệu LLMs, Embeddings & Vector Search

Lý thuyết: Embedding vectors (ý nghĩa), cosine vs dot product, khái niệm vector DB (FAISS/Chroma)
Code: Tạo embedding cho vài văn bản bằng model nhỏ (HF/OpenAI), index vào FAISS, truy vấn nearest neighbors
Bài tập bổ trợ:
- Yêu cầu: Chọn 3-5 tài liệu PDF/text ngắn, thực hiện chunk → embedding → index vào FAISS/Chroma; chạy 10 truy vấn, nộp top-3 results + file index script.
- Mục đích: Hiểu embedding và tìm kiếm vector cơ bản.

Buổi 49: RAG patterns & Retrieval pipeline

Lý thuyết: RAG (retrieve-then-generate), chunking docs, hybrid search (BM25 + vector), metadata filters
Code: Pipeline: chunk văn bản → tạo embeddings → lưu vào Chroma/FAISS → retrieve + gắn prompt
Kiến thức mở rộng: Giới thiệu các mô hình RAG doanh nghiệp hay dùng (LlamaIndex, LangChain, Haystack). Nêu ví dụ thực tế: chatbot tư vấn sản phẩm, hỏi–đáp nội bộ tài liệu

Buổi 50: Prompt engineering & Hallucination mitigation

Lý thuyết: Prompt templates, system/user roles, few-shot; nguyên nhân hallucination và biện pháp giảm (grounding, citations, context window). Chains, memory, tools, agent loop; khi nào dùng agent
Code: Thử 3 prompt templates cho cùng 1 query, so sánh output; thêm context retrieved vào prompt. Xây mini-app LangChain: RAG + 1 tool; demo memory ngắn hạn
Bài tập bổ trợ (nếu có):
- Yêu cầu: Với cùng dataset, viết 3 prompt template (concise, few-shot, context-rich); cho 15 câu hỏi test, đánh giá output theo: factuality (0/1), relevance (0–2). Nộp bảng kết quả và bình luận ngắn
- Mục đích: Hiểu ảnh hưởng của prompt và cách giảm hallucination bằng grounding

Buổi 51: Deployment & scaling basics cho Chatbot

Lý thuyết: Caching, batching, rate limits, cost/latency trade-offs, privacy & data handling
Code: Deploy minimal API (FastAPI) bọc RAG pipeline; thêm caching đơn giản

Buổi 52: RAG Evaluation & Observability

RAG evaluation:
- Faithfulness
- Answer relevance
Human eval vs automatic eval
Logging & tracing
RAG failure patterns
LangSmith for observation

Buổi 53: Project RAG Chatbot — tích hợp & đánh giá

Lý thuyết: Ôn tập pipeline đầy đủ của RAG. Cách thiết kế hệ thống Chatbot thực tế
Code: Giảng viên hướng dẫn và chạy mẫu project hoàn chỉnh: ingest PDF → chunk → tạo embedding → lưu vector DB → xây API trả lời → UI (Streamlit/Gradio). Giải thích từng thành phần và cách mở rộng (thêm metadata, rerankers, multi-source)

Buổi 54: Advanced RAG

- Rerankers
- Multi-hop RAG
- Tool-augmented RAG
- Multi-agent RAG (overview)

Module 6: Reinforcement Learning

Buổi 55: RL fundamentals

Lý thuyết: Giới thiệu RL pipeline, khái niệm state, action, reward, discount γ, policy, value function; phân biệt episodic vs continuing tasks
Code: Cài đặt Q-learning tabular trên FrozenLake hoặc GridWorld (Gym)
Kiến thức mở rộng: Giới thiệu lịch sử phát triển RL, ứng dụng trong game (AlphaGo, Atari) và tối ưu hóa vận hành. Trình bày các thuật toán cơ bản khác: SARSA, Monte Carlo

Buổi 56: Deep RL basics: DQN, Policy Gradient (REINFORCE)

Lý thuyết: Function approximation trong RL, replay buffer, target network, gradient policy (REINFORCE), vấn đề ổn định khi huấn luyện
Code: Implement DQN cho CartPole-v1 (PyTorch hoặc Stable-Baselines3)
Bài tập bổ trợ:
- Yêu cầu: Thử thay đổi network size hoặc learning rate, quan sát ảnh hưởng đến reward trung bình
- Mục đích: Hiểu ảnh hưởng hyperparameter lên hiệu năng

Buổi 57: Practical issues & applications

Lý thuyết: Reward shaping, exploration vs exploitation, sample efficiency, sim2real, ứng dụng RL trong thực tế: inventory management, recommendation system, dynamic pricing
Code: Fine-tune DQN / chạy MountainCar-v0 và thử reward shaping đơn giản
Kiến thức mở rộng: Trình bày ứng dụng RL trong tối ưu vận hành & ra quyết định doanh nghiệp: dynamic pricing, quảng cáo, quản lý kho, logistics

Buổi 58: Project RL (mini)

Lý thuyết: Tổng kết: chọn task → define env → reward → train → visualize
Code (GV hướng dẫn): Làm mẫu project: Inventory management / Traffic signal / Grid navigation

Module 7: Explainable AI, Responsible AI, Multi-Agent

Buổi 59: Multi-Agent systems (overview) & Capstone mini-case study

Lý thuyết: Agent coordination/competition, communication. Thiết kế hệ multi-agent nhỏ dựa trên project RL trước (ví dụ: nhiều agent cùng mua hàng hoặc điều khiển giao thông)
Hoạt động nhóm: Trình bày mô hình → nhận phản hồi từ lớp
Mở rộng: Giới thiệu các ứng dụng Multi-Agent RL (robot swarm, trading bots, supply chain optimization)

Buổi 60: Explainable AI

Lý thuyết: Feature importance, LIME, SHAP, Attention visualization. Áp dụng SHAP cho model tabular hoặc CNN nhỏ
Hoạt động nhóm: Thảo luận “Khi nào giải thích mô hình gây hiểu lầm?”
Mở rộng: Ứng dụng Explainable AI trong y tế, tài chính

Buổi 61: Responsible AI: Bias & Fairness

Lý thuyết: Các loại thiên lệch (data bias, sampling bias, algorithmic bias), fairness metrics (Demographic Parity, Equal Opportunity), trade-off giữa accuracy và fairness. Chạy demo fairness check trên dataset nhỏ (Disparate Impact Calculation hoặc Fairlearn)
Hoạt động nhóm: Chỉnh dataset hoặc weight loss để giảm bias, ghi lại kết quả
Kiến thức mở rộng: Case studies nổi bật — COMPAS (justice bias), Amazon Hiring model (gender bias), AI Ethics tại Google & Meta

Buổi 62: Responsible AI: Privacy, Transparency & Governance

Lý thuyết: Differential Privacy, Federated Learning, Model Governance, Model Cards, Data Lineage. Viết Model Card Template cho 1 model nhóm chọn (CV/NLP/RAG)
Hoạt động nhóm: Thiết kế AI Governance Dashboard mô phỏng — theo dõi fairness, drift, explainability và compliance
Kiến thức mở rộng: Giới thiệu khung AI Act (EU), ISO/IEC 42001 (AI Management System), và các quy định nổi bật (GDPR, DPDP)

Giảng viên

Tiến sĩ Đặng Lê Quang

Giảng viên Toán ứng dụng và Khoa học máy tính - ĐH Ngoại Thương TP.HCM

- Hơn 3 năm là Giảng viên dạy các chủ đề Toán ứng dụng và Khoa học máy tính,Đại học Ngoại Thương,TP HCM
Phân tích dữ liệu, AI, Cơ sở dữ liệu, PowerBI, v.v.

- Hơn 3 năm Giảng viên Đại học Khoa Kỹ thuật Hàng không Vũ trụ, Khoa Kỹ thuật Giao thông Vận tải, Đại học Bách khoa TP.HCM
Nhà khoa học nghiên cứu và Giảng viên về các chủ đề liên quan đến Khoa học tính toán.

- Hơn 3 năm Nghiên cứu viên Viện Năng lượng ứng dụng – NUPEC (Nuclear Power Trung tâm Kỹ thuật), Tokyo, Nhật Bản.

- Hơn 4 năm CNTT tại Công ty DFM-engineering

- Hơn 10 năm nghiên cứu trong lĩnh vực khoa học tính toán và phân tích dữ liệu

TS. Doãn Trung Tùng

- Học vấn: Tiến sĩ CNTT tại Đại học Blaise Pascal (Pháp), Thạc sĩ tại Viện Tin học Pháp ngữ.
- Kinh nghiệm: Giảng viên & Nghiên cứu viên tại Đại học Bách Khoa Hà Nội; Giảng viên/Chủ nhiệm Khoa khoa CNTT - Đại học Greenwich Việt Nam.
- Chuyên môn: Trí tuệ nhân tạo (AI), Học máy (Machine Learning), Công nghệ phần mềm và Hệ thống phân tán và cấu trúc dữ liệu.
- Nghiên cứu: Tham gia nhiều dự án cấp quốc tế (EUAsiaGrid, VNGrid) về tính toán hiệu năng cao và điện toán đám mây. Tác giả của nhiều công bố khoa học quốc tế về Deep Learning và Hệ thống thông minh.

Ths. Nguyễn Việt Hoài

Thạc sĩ Khoa học dữ liệu - Đại học Bách khoa Hà Nội
Machine Learning Team Lead tại GMO Runsystem

– 5+ năm kinh nghiệm xây dựng hệ thống AI cho doanh nghiệp Nhật
– Từng công tác tại FPT Smart Cloud, Sun Asterisk
– Thành thạo: Llama-cpp, LangChain, FastAPI, HuggingFace, FAISS, Docker
– Tác giả nhiều mô hình OCR, Smart Agent, các hệ thống AI ứng dụng vào KYC, hiểu văn bản, trợ lý doanh nghiệp...
- Best Paper Award tại hội thảo MAPR 2023
- Đạt thứ hạng cao trong các cuộc thi AI như ICDAR2021, RIVF2021

TS. Lê Thiện Hòa

Tiến sĩ Khoa học Máy tính – Đại học Lorraine, Pháp/Giảng viên cao học chương trình Erasmus Mundus tại Pháp / Nghiên cứu sinh tại Google Research Zurich

Kinh nghiệm làm việc:
- Data & AI Manager Consultant: Tư vấn chiến lược dữ liệu và triển khai giải pháp AI cho doanh nghiệp trong lĩnh vực giao dịch – tập trung vào phân tích thị trường, hỗ trợ ra quyết định và tối ưu vận hành nội bộ.
- Lead Data Scientist - Zalo: Phát triển hệ thống Recommendation System cho Zing MP3 và Zalo Short Video, ứng dụng các mô hình học sâu và thuật toán phân phối dữ liệu lớn trong môi trường real-time.
- Senior Data Scientist - MoMo: Thiết kế và tối ưu hệ thống Recommendation & Engagement Engine bằng Reinforcement Learning, phục vụ các chiến dịch ưu đãi và tăng tương tác người dùng.
- Senior Data Scientist - Geniebook (Singapore): Xây dựng AI chấm điểm và gợi ý học liệu cá nhân hóa – nâng cao hiệu suất học tập, giảm tải cho giáo viên.
- Applied Scientist - Myli.io (Pháp): Triển khai mô hình NLP, Computer Vision, phân tích hội thoại phục vụ các chuỗi nhà hàng lớn tại châu Âu.
Thành tựu nổi bật:
- Công bố nghiên cứu tại các hội nghị AI hàng đầu thế giới: AAAI, COLING, ICANN, cùng nhiều hội thảo học thuật quốc tế khác.
- Reviewer được mời tại các hội thảo chuyên ngành uy tín trong lĩnh vực NLP
- Mentor nghiên cứu và hướng dẫn luận văn cao học cho sinh viên tại châu Âu về NLP & Deep Learning
- Tham gia các học viện AI danh giá thế giới: Google PhD NLP Summit, Deep Learning & Reinforcement Learning Summer School – Vector Institute, Canada, FADEx France–US AI Seminar

ThS. Lê Việt Hưng

Chuyên gia Trí tuệ nhân tạo (AI), Học máy (Machine Learning)

Học vấn:
• Cử nhân Khoa học Máy tính – Đại học Công nghệ, Đại học Quốc gia Hà Nội (2009–2013)
• Thạc sĩ Khoa học Máy tính – Đại học Công nghệ, Đại học Quốc gia Hà Nội (2013–2016)
Kinh nghiệm & chuyên môn:
• Founder & CEO LingoLab Vietnam – startup phát triển giải pháp AI cho luyện thi ngôn ngữ (2025–nay).
• COO & AI Technical Lead tại FIMO JSC – phụ trách chiến lược kỹ thuật và triển khai AI cho các bài toán dữ liệu không gian (2021–2025).
• Mentor AI & Startup tại FPT FUNiX – hướng dẫn học viên triển khai dự án AI ứng dụng và tư duy khởi nghiệp công nghệ (2021–2022).
• 10+ năm kinh nghiệm nghiên cứu, phát triển và triển khai hệ thống AI/ML trong môi trường doanh nghiệp và startup.
• Từng đảm nhiệm các vị trí: Senior AI Engineer, AI Lead, Data Scientist tại AIMENEXT, Mfunctions, VinCommerce.
Hoạt động nghiên cứu & dự án:
• Trí tuệ nhân tạo (AI), Học máy (Machine Learning), Khoa học dữ liệu (Data Science).
• Ứng dụng AI trong doanh nghiệp, sản phẩm số và startup.
• Định hướng giảng dạy thực hành, lấy bài toán thực tế và dự án triển khai làm trung tâm.

Dự án học viên

Feedback học viên

Nguyễn Linh Đan

Ai Engineer tại Sun Group

Mình vừa hoàn thành xong khóa học AI Engineer này và cảm thấy vô cùng hài lòng với chất lượng giảng dạy. Mỗi buổi đều có mini project để ứng dụng ngay kiến thức vừa mới học. Các thầy vô đều rất nhiệt tình, luôn sẵn sàng hỗ trợ trong và sau giờ học. Vậy nên, từ một người chỉ chưa có kiến thức nền, mình đã có thể tự tin apply vào vị trí Junior AI Engineer.

Phạm Thanh Hoa

Leader AI Engineer tại Chứng khoán Bảo việt

Tôi rất ấn tượng với chương trình của khóa kỹ sư AI. Nội dung bài học chuyên sâu, dễ tiếp cận và áp dụng với mô hình thực tế. Các giảng viên không chỉ giỏi mà còn hỗ trợ tận tâm. Nhờ thế mà hiện tại tôi đã vượt qua phỏng vấn ở công ty lớn và làm công việc đáng mơ ước.

Nguyễn Thái Lực

Data Science tại LB Bank

Mình đang làm Data Analyst, nhưng không hiểu nhiều về AI/ML. Nên đã quyết định tham gia khóa học để có thể tự tin hơn trong việc phân tích dữ liệu nâng cao, tối ưu hóa quy trình báo cáo. Ngoài ra mình hiểu về bản chất, cách vận hành thực sự của AI là như thế nào và áp dụng hiệu quả hơn trong công việc.