Khóa học AI Engineer 2025

Nhận tư vấn Kiểm tra trình độ

Thời lượng

8 tháng

Hình thức đào tạo

Online

Số tín chỉ

Tổng quan

Hiện tại, nghề AI Engineer đang phát triển mạnh mẽ, trở thành trụ cột trong chuyển đổi số của doanh nghiệp. AI Engineers ngày nay không chỉ tập trung vào xây dựng mô hình, mà còn đóng vai trò quan trọng trong việc tối ưu hóa hệ thống, xử lý dữ liệu lớn và triển khai các ứng dụng AI trong thực tế. Trong tương lai, xu hướng AI càng mạnh mẽ với sự bùng nổ của trí tuệ nhân tạo tổng hợp (General AI), học tăng cường (Reinforcement Learning), và mô hình ngôn ngữ tiên tiến. Các kỹ năng kết hợp giữa AI và bảo mật, AI và IoT sẽ rất cần thiết.

Hiện nay, mức lương của AI Engineer thuộc hàng cao nhất trong lĩnh vực công nghệ, thường dao động từ 70,000 đến 150,000 USD/năm, tùy kinh nghiệm và kỹ năng. Trong tương lai, khi nhu cầu AI tăng mạnh, mức lương dự kiến còn tăng cao hơn nữa, nhất là với chuyên gia có kỹ năng nâng cao về AI tổng hợp và bảo mật.

Chương trình học cung cấp nền tảng toàn diện về trí tuệ nhân tạo (AI), học máy (Machine Learning), và học sâu (Deep Learning), giúp học viên nắm bắt kiến thức từ cơ bản đến nâng cao. Khóa học tập trung vào các ứng dụng của AI như thị giác máy tính (Computer Vision) và xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP), hướng dẫn học viên xây dựng và triển khai các mô hình AI thực tế từ A đến Z. Bên cạnh lý thuyết, chương trình tích hợp các bài thực hành thực tế, giúp học viên áp dụng kiến thức vào các bài toán cụ thể, xây dựng nền tảng vững chắc cho sự nghiệp trong lĩnh vực AI.

Mục tiêu học tập

OP1: Nắm được các khái niệm cơ bản về AI/ML/DL, Python và môi trường thực hành Google Colab.
OP2: Nắm được các bước xây dựng mô hình học máy, hai loại bài toán hồi quy và phân loại trong học có giám sát. Xây dựng được mô hình dự đoán.
OP3: Nắm được các loại bài toán trong học không giám sát: phân cụm, phát hiện bất thường dữ liệu, giảm chiều dữ liệu. Xây dựng được mô hình phân cụm.
OP4: Nắm được khái niệm về mạng nơron đa lớp và phương pháp huấn luyện mạng nơron. Biết cách sử dụng các thuật toán để tối ưu mô hình. Áp dụng kiến thức học được để xây dựng mô hình nhận dạng chữ viết tay.
OP5: Nắm được khái niệm về xử lý ảnh và thị giác máy tính, các kỹ thuật cải thiện chất lượng ảnh với Gaussian, Laplace. Sử dụng được các kỹ thuật xử lý ảnh OpenCV, Pillow.
OP6: Nắm được các kỹ thuật trích xuất thông tin ảnh phổ biến Edge detection, Corner detection, Feature detection. xây dựng được hệ thống nhận diện vật thể đơn giản.
OP7: Nắm được khái niệm về học sâu, mô hình CNN, kiến trúc mô hình học sâu ResNet, MobileNet và ứng dụng trong thị giác máy tính. Xây dựng được mô hình phân loại hình ảnh, xác định vật thể trong ảnh.
OP8: Hiểu được luồng xử lý và cách xử lý dữ liệu trong xử lý ngôn ngữ tự nhiên (NLP), nắm được các kỹ thuật và tự xây dựng mô hình Embedding từ.
OP9: Hiểu được khái niệm về Tokenizer, các mạng học sâu (RNN, LSTM, GRU), các bài toán trong ngôn ngữ tự nhiên (Text classification, POS tagging), cấu trúc Se‌lf Attentio‌n và Transformer. Giải quyết bài toán Text classification và Image Captioning.
OP10: Trình bày được dự án trước cả lớp, tổng kết lại các kiến thức đã học.

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.

Chuẩn đầu ra 

Theo chuẩn BLOOM 3 mốc đầu

Biết:
• Được trang bị những kiến thức cơ bản về AI, học máy, học sâu, các thuật toán quan trọng (như Linear Regression, Logistic Regression, Decision Tree, k-NN).
• Có khả năng nhắc lại các khái niệm và vai trò của thị giác máy tính và xử lý ngôn ngữ tự nhiên.

Hiểu:
• Phân loại được các bài toán AI, nắm rõ các phương pháp và quy trình xây dựng mô hình học máy và học sâu.
• Có thể phân tích và so sánh các thuật toán khác nhau trong học máy và học sâu.

Áp dụng:
• Áp dụng được các kiến thức đã học để xử lý các bài toán trong thực tế như dự đoán giá nhà, phân đoạn ảnh, nhận dạng vật thể và phân loại văn bản.
• Xây dựng được các mô hình AI ứng dụng được trong môi trường doanh nghiệp.

Theo tư duy, công cụ, kỹ năng

Công cụ:
• Thành thạo Python và Google Colab, sử dụng thư viện OpenCV, Pillow cho xử lý ảnh và các thư viện học sâu phổ biến như TensorFlow, Keras.

Tư duy:
• Phát triển tư duy giải quyết vấn đề, tư duy phân tích và tổng hợp dữ liệu.
• Khả năng tư duy phân tích hệ thống, làm việc với các mô hình thuật toán phức tạp.

Kỹ năng:
• Kỹ năng lập trình Python, kỹ năng xây dựng mô hình học máy.
• Kỹ năng xử lý ảnh và ngôn ngữ tự nhiên.
• Kỹ năng triển khai các mô hình AI trong môi trường thực tế.

Công việc sau khi thành thành khóa học

Bạn có thể trở thành Data Analyst để khai thác dữ liệu chuyên sâu, Machine Learning Engineer với khả năng xây dựng các mô hình máy học phức tạp, hoặc Product Manager AI - người điều phối sản phẩm AI từ ý tưởng đến triển khai. Những kỹ năng này cũng giúp bạn dễ dàng chuyển sang vai trò Data Scientist hay Business Analyst chuyên sâu về AI, đóng góp cho chuyển đổi số và nâng cao hiệu suất cho doanh nghiệp. Đây là những công việc đang có nhu cầu cao và hứa hẹn sự phát triển dài hạn trong sự nghiệp.

Lộ trình học tập 

Module 1: Tổng quan về kiến thức của Data Science, Machine Learning, AI Engineer
- Tổng quan về lĩnh vực Khoa Học Dữ liệu & trí tuệ nhân tạo và tầm quan trọng của nó hiện nay.
- Các bài toán phổ biến và quan trọng trong lĩnh vực Khoa học dữ liệu.
- Python và SQL 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.
Hàm tạo bảng và truyền dữ liệu: Create and insert Select statement.
Where clause + And/or.
In, not in, is null, between.
Order by, Limit, Distinct and rename columns.
UPPER(), LOWER(), LENGTH(), TRIM().
String Functions: SUBSTRING(), REPLACE(), POSITION() and COALESCE().
Grouping Functions: MIN(), MAX(), AVG(), SUM(), COUNT().
Understanding Grouping:
- GROUP BY & HAVING Clauses Subqueries.
Using CASE Clause.
INNER and OUTER Joins.
Using UNION, UNION ALL and EXCEPT Clauses.
Joins and Subqueries.
JOIN nâng cao:
- Self-Join.
- Cross-Join.
Phép toán tập hợp:
- INTERSECT.
- EXCEPT.
- Ứng dụng thực tế của UNION.
Tìm hiểu về hàm cửa sổ (ROW_NUMBER(), RANK(), DENSE_RANK(), NTILE(), v.v.).
Các ví dụ thực tiễn về việc sử dụng hàm cửa sổ trong phân tích dữ liệu.
Sử dụng WITH để tạo CTEs.
Truy vấn đệ quy để xử lý dữ liệu dạng phân cấp (ví dụ: tìm mối quan hệ cha - con).
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
Học cách xử lý chuỗi thông qua:
- Cắt chuỗi (slicing).
- Lập chỉ mục (indexing).
- Định dạng (formatting).
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.
- Khởi tạo và thao tác trên Arrays và Vectors.
- Ứng dụng của Arrays và Vectors.
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.
Sử dụng database trên kaggel dùng SQL và Python để tạo biểu đồ.
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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- Tổng quan về Học Sâu và các lĩnh vực ứng dụng trong Khoa học dữ liệu.
- Các kiến thức cơ bản cần nắm về Học Sâu, bao gồm kiến trúc mạng neural, hàm kích hoạt, lan truyền ngược, và thuật toán tối ưu hóa.
- 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.
- 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.
- Tổng kết Module 4 về lý thuyết.
- Hỏi đáp về Mini-Project.
- Hướng dẫn về cách tiếp cận và phân tích một bài toán trong Khoa học dữ liệu, bao gồm việc định nghĩa mục tiêu, thu thập dữ liệu, đặt câu hỏi và tạo ra giả thuyết để đưa ra các phương pháp phân tích.
- Hướng dẫn về việc xác định và thu thập dữ liệu phù hợp cho bài toán, bao gồm các nguồn dữ liệu, phương pháp thu thập và quy trình xử lý dữ liệu.
- Hướng dẫn về quy trình khai phá dữ liệu (EDA) để hiểu cấu trúc và tính chất của dữ liệu. Bên cạnh đó, cung cấp hướng dẫn về các phương pháp biểu diễn trực quan dữ liệu, như biểu đồ, đồ thị, hay bản đồ, để hỗ trợ quá trình khai phá và hiểu rõ hơn về dữ liệu.
- Hướng dẫn về các phương pháp tiếp cận dữ liệu, bao gồm tiền xử lý, lọc dữ liệu và trích xuất đặc trưng. Điều này bao gồm các kỹ thuật như xử lý dữ liệu thiếu, giải quyết nhiễu, trích xuất thông tin quan trọng và giảm chiều dữ liệu.

- Hướng dẫn về cách khai thác thông tin từ các trường dữ liệu có sẵn và tạo ra các trường dữ liệu mới dựa trên kiến thức và hiểu biết về bài toán. Điều này có thể bao gồm việc kết hợp, biến đổi hoặc áp dụng các quy tắc và hàm tính toán để tạo ra thông tin mới từ dữ liệu hiện có.

- Hướng dẫn về việc mã hóa và chuẩn hóa dữ liệu để đảm bảo tính nhất quán và khả năng so sánh giữa các đặc trưng. Bao gồm các phương pháp như mã hóa one-hot, mã hóa số hóa, chuẩn hóa z-score và chuẩn hóa min-max để biến đổi và điều chỉnh các giá trị dữ liệu thành dạng phù hợp và thống nhất.
- Hướng dẫn về quá trình phân tích bài toán và lựa chọn mô hình phù hợp dựa trên yêu cầu và đặc điểm của dữ liệu. Bao gồm việc tìm hiểu và so sánh các mô hình khác nhau, đánh giá khả năng của chúng trong việc giải quyết bài toán cụ thể.

- Hướng dẫn về quá trình xây dựng mô hình, bao gồm việc định nghĩa kiến trúc mô hình, khởi tạo các tham số và quyết định các thông số quan trọng như learning rate, số lượng layer, kích thước batch, v.v.

- Hướng dẫn về quá trình huấn luyện mô hình base, bao gồm việc chuẩn bị dữ liệu huấn luyện, chia thành batch, tạo bộ kiểm tra, lựa chọn hàm mất mát và phương pháp tối ưu hóa, đánh giá và tinh chỉnh mô hình dựa trên kết quả huấn luyện.

- Giới thiệu tổng quan về các tham số của mô hình và các tham số được sử dụng trong quá trình huấn luyện, bao gồm các thông số kiến trúc như số lượng layer, số lượng units trong mỗi layer, hệ số dropout, v.v. Các tham số huấn luyện bao gồm learning rate, số lượng epoch, kích thước batch, v.v.

- Hướng dẫn về cách tối ưu các tham số của mô hình trong quá trình huấn luyện. Điều này có thể bao gồm việc sử dụng phương pháp tìm kiếm lưới (grid search) để thử nghiệm các giá trị khác nhau cho các tham số, sử dụng kỹ thuật tinh chỉnh tự động (automated tuning) như tối ưu bayes (Bayesian optimization), hoặc sử dụng phương pháp tinh chỉnh thông qua việc giảm thiểu hàm mất mát (loss function minimization).
- Phân tích lỗi mô hình: Sử dụng hàm lỗi và quan sát thực tế để hiểu các hạn chế và điểm yếu của mô hình.

- Đánh giá mô hình và lựa chọn mô hình tốt nhất: Sử dụng các phương pháp như cross-validation, độ đo hiệu suất và so sánh mô hình để lựa chọn mô hình tốt nhất cho áp dụng thực tế.
- Triển khai mô hình bằng cách xây dựng các API hoặc dịch vụ để cung cấp chức năng dự đoán cho người dùng hoặc hệ thống khác.

- Xây dựng một quy trình tự động hoàn chỉnh để xử lý dữ liệu, huấn luyện mô hình và triển khai mô hình trong môi trường thực tế.

- Quy trình này bao gồm các bước từ chuẩn bị dữ liệu, tiền xử lý, huấn luyện mô hình, đánh giá, triển khai và cập nhật mô hình."
- Tổng kết và củng cố kiến thức đã học trong module thực hành, bao gồm các phương pháp, công cụ và kỹ năng đã được áp dụng để giải quyết các bài toán thực tế.

- Các hướng giải quyết khác có thể áp dụng để đạt được kết quả tốt hơn, khám phá và nghiên cứu thêm về các phương pháp mới và tiến bộ trong lĩnh vực khoa học dữ liệu.

- Một số vấn đề cần chú ý khi áp dụng vào hệ thống dữ liệu lớn trong thực tiễn doanh nghiệp bao gồm quy mô, tính khả thi, hiệu suất, bảo mật và tính ổn định của hệ thống và các yếu tố khác như quản lý dữ liệu, quản lý tài nguyên, và tương tác với các thành phần khác trong hệ thống.

- Học viên đặt câu hỏi, chia sẻ kinh nghiệm và thảo luận về project.
- Học viên trình bày Mini-project của mình cá nhân hoặc theo nhóm.
- Các nhóm đặt câu hỏi, chia sẻ kinh nghiệm và thảo luận.
- Tổng hợp và phân tích kiến thức đã học: Tổng kết và đánh giá lại các khái niệm, kỹ năng và công nghệ đã học trong suốt khóa học.

- Đánh giá tiến độ và kết quả học tập: Xem xét và đánh giá tiến bộ cá nhân và kết quả học tập của mỗi học viên để đảm bảo họ đã đáp ứng được các mục tiêu và yêu cầu của khóa học.

- Thảo luận về ứng dụng thực tế: Trao đổi về cách áp dụng kiến thức đã học vào thực tế và giải quyết các vấn đề trong lĩnh vực tương ứng.

- Phân tích và đánh giá project: Đánh giá và phân tích kết quả của các dự án đã thực hiện bởi các nhóm học viên, bao gồm sự đóng góp, hiệu suất và tính khả thi của các giải pháp.

- Tổng kết và phản hồi: Tổng kết khóa học bằng cách cung cấp phản hồi về nội dung, phương pháp giảng dạy và trải nghiệm học tập, nhằm cải thiện chất lượng của khóa học trong tương lai.
Giới thiệu các lĩnh vực ứng dụng AI phổ biến.
Quy trình xây dựng một dự án AI từ A-Z.
Các công cụ và nền tảng trong thực tiễn (PyTorch, TensorFlow, Docker, AWS, v.v.).
Tiền xử lý dữ liệu thực tế: xử lý dữ liệu thiếu, dữ liệu mất cân bằng.
Sử dụng Pandas, NumPy, và PySpark để xử lý dữ liệu lớn.
Tìm hiểu về các kỹ thuật augmentation cho dữ liệu.
Ôn tập về mạng Neural Networks.
Thực hành xây dựng và huấn luyện mô hình cơ bản với PyTorch/TensorFlow.
Các kỹ thuật cải thiện hiệu năng mô hình: Dropout, Batch Normalization.
Học về L1/L2 Regularization và Early Stopping.
Sử dụng TensorBoard để theo dõi quá trình huấn luyện.
Tích hợp thư viện OpenCV và TensorFlow/PyTorch.
Các kiến trúc CNN phổ biến: ResNet, EfficientNet.
Xây dựng ứng dụng phân loại ảnh và phát hiện đối tượng.
Các kỹ thuật NLP cơ bản: Tokenization, Embedding.
Tìm hiểu về Word2Vec, GloVe, BERT, và Transformer.
Ứng dụng: xây dựng chatbot cơ bản hoặc phân loại văn bản.
Giảm kích thước mô hình và tăng tốc độ suy luận (pruning, quantization).
Triển khai mô hình trên các thiết bị biên (Raspberry Pi, NVIDIA Jetson).
Chọn dataset thực tế (ví dụ: phân loại sản phẩm, nhận diện biển số xe).
Huấn luyện mô hình và tích hợp vào hệ thống.
Tích hợp NLP để hiểu và xử lý các câu hỏi của người dùng.
Triển khai chatbot trên web hoặc Telegram.
Tích hợp AI với IoT: ví dụ, nhận diện đối tượng qua camera live stream.
Làm quen với Reinforcement Learning trong các bài toán tự động hóa.
Xây dựng A/B Testing cho các mô hình AI.
Đánh giá chi phí và tối ưu hóa hệ thống AI trong sản xuất.
Thuyết trình dự án của học viên.
Hướng dẫn lộ trình học nâng cao (AI Ethics, Generative AI).
Sử dụng các kỹ thuật nâng cao để xử lý bài toán.
Giới thiệu cơ hội việc làm, thực tập kết nối doanh nghiệp.
Tìm hiểu ngay

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. Lê Hà Xuân

Thạc sĩ Công nghệ thông tin tại Đại học KMUTNB tại Bangkok, Thái Lan
Tiến sĩ chuyên ngành Tính toán thần kinh Đại học Ruhr-Bochum, Đức
Thành lập công ty công nghệ AI/ML (Spring AI) và dẫn dắt nhóm nghiên cứu quốc tế về Computer Vision và Machine Learning (Legroup & Tuy.AI) với nhiều dự án thành công trong lĩnh vực sản xuất công nghiệp và thương mại
Làm việc tại các viện nghiên cứu và doanh nghiệp hàng đầu như Viện Tính toán Thần kinh Đại học Ruhr Bochum, BMW Research Center & Springer Vision Ltd (Anh)

Trợ giảng

Feedback học viên 

Nguyễn Linh Đan

Ai Engineer tại Sun Group

Giảng viên vô cùng tâm huyết và giàu kinh nghiệm, hướng dẫn từng bước rất chi tiết, giúp mình hiểu sâu về từng thuật toán và cách chúng hoạt động. Điểm nổi bật là các bài tập thực hành rất sát với thực tế, giúp mình tự tin ứng dụng ngay vào công việc. Khóa học còn có cộng đồng học viên và trợ giảng hỗ trợ nhiệt tình, đảm bảo không ai bị bỏ lại phía sau. Đây chắc chắn là lựa chọn lý tưởng cho những ai muốn bước vào thế giới AI đầy tiềm năng này!

Phạm Thanh Hoa

Leader AI Engineer tại Chứng khoán Bảo việt

Mình vừa học xong khóa học này tại Cole. Tất cả mọi thứ đều tốt ngoại trừ việc học quá khó. Do mình chưa có kiến thức nền. Nhưng rồi mình cũng vươn lên được nhờ ó sự giảng dạy và hỉ bapr tận tâm từ các thầy và các bạn. Đội ngũ hỗ trợ bên Cole thì rất nhanh chóng và nhiệt tình. Cảm ơn các bạn vì một khóa học chất lượng!

Nguyễn Thái Lực

Data Science tại LB Bank

Thật may mắn khi có cơ hội học tập tại Cole. Giảng viên và các bạn hỗ trợ ở đây rất nhiết tình. Slide bài giảng chất lượng và nội dung chuyên sâu. Thầy giảng dễ hiểu. Có bài tập về nhà và project sát với thực tế. Cảm ơn Cole và thầy cô đã giảng dạy rất nhiệt tình.

Dự án học viên

Thông tin khóa học

Đào tạo trực tuyến

Các buổi học sẽ diễn ra qua các nền tảng trực tuyến như Zoom, Microsoft Teams, và Google Meet. Học viên tham gia các buổi học trực tiếp với giảng viên qua hình thức online

Nội dung buổi học

Sẽ bao gồm trung bình 60% lý thuyết và 40% thực hành. Các bài thực hành được lấy từ các bài toán thực tế, giúp học viên áp dụng ngay kiến thức vào công việc.

Tài liệu học tập

Slide bài giảng, hướng dẫn thực hành chi tiết.

Video bài giảng

Học viên có thể xem lại video các buổi học để ôn tập và nắm vững kiến thức.

Tương tác trực tiếp

Học viên có thể trao đổi trực tiếp 1-1 với giảng viên hoặc trợ giảng để được giải đáp thắc mắc và hỗ trợ trong quá trình học.

Lợi ích chỉ có tại COLE

- CAM KẾT THỰC TẬP TỐI THIỂU 2 THÁNG
- KẾT NỐI CHƯƠNG TRÌNH HỌC BỔNG QUY MÔ TOÀN THẾ GIỚI

Lợi ích chỉ có tại COLE

Giới thiệu việc làm sau khóa học

Học lại free

Cộng đồng chuyển đổi số 1

Câu hỏi thường gặp

Khóa học có yêu cầu trình độ đầu vào không?
Với khóa học căn bản/ kỹ năng mới trại hè thì khóa hiện tại không yêu cầu đầu vào. Tùy theo lộ trình học để học viên lựa chọn, ví dụ với trình độ và nhu cầu học nâng cao học viên sẽ có yêu cầu đầu vào ở một số khóa.
Sau khi kết thúc khóa học, học viên sẽ được cấp giấy chứng nhận hoàn thành - chương trình đào tạo kỹ năng của trung tâm. Học viên cần làm qua 1 số bài test theo yêu cầu của giáo viên để trung tâm dựa trên đó làm kết quả cấp chứng nhận sau khóa học.
Khi tham gia lớp học, các học viên sẽ được add vào một group trao đổi chung để hỏi đáp các câu hỏi cần hỗ trợ. Các câu hỏi sẽ được giảng viên và chuyên gia trả lời thắc mắc trên nhóm chung này vĩnh viễn.
Đối với các khóa học được tuyển sinh liên tục và đều đặn, Cole có chính sách cho học viên học lại khóa thứ 2 hoặc thứ 3 nếu chưa nắm vững kiến thức. Nhưng với khóa tổ chức một lần thì có thể sắp xếp được sang các lớp khác cùng chủ đề
Đối với các khóa học tương tác trực tuyến qua zoom, Ms tearm - Cole.vn lưu lại video cho các học viên tham gia khóa học. Đối với các lớp tổ chức offline nếu các lớp trung tâm cũng có record và upload lên nền tảng để học viên xem lại. Tuy nhiên có một số lớp mà không quay video lại được thì không xem được
Một số khóa lộ trình nghề nghiệp cụ thể, Cole có hợp tác với một số doanh nghiệp để giới thiệu ứng viên tham gia thực tập và làm việc. Có rất nhiều các học viên sau khi học xong các khóa học tại Cole đã kiếm được các cơ hội nghề nghiệp mới
Khóa học tại Cole sẽ học trực tiếp offline tại Hà Nội (các địa điểm trung tâm liên kết của Cole), đào tạo trực tiếp tại doanh nghiệp. Và các khóa học dạng tương tác trực tuyến thì được học qua nền tảng Zoom, MS Tearm. Hoặc 1 số dạng khóa học đã quay sẵn qua video.
- Một số khóa học có công cụ để thhuwcj hành, các GV sẽ chuẩn bị trước thông tin và hướng dẫn cài đặt công cụ để học viên tham gia học tập một cách hiệu quả nhất.
Project hoặc bài Test của mỗi khóa học đều được dựa trên bài học mà mục tiêu khi xây dựng khung chương trình đào tạo có sẵn. Vì vậy các học viên hoàn toàn có thể hoàn thiện được Project để đạt được 1 kỹ năng cụ thể nào đó.
Cole có đội ngũ chuyên gia hàng đầu tại đang đi làm tại các tổ chức doanh nghiệp, ngoài ra Cole có hoạt động mentoring, hỗ trợ giúp ứng viên đánh giá/ Review CV để thi tuyển vào các công ty và tổ chức. Các hoạt động kết nối nhà tuyển dụng, giới thiệu việc làm chia sẻ cơ hội nghề nghiệp cho ứng viên.
Tìm hiểu ngay
Liên hệ với chúng tôi

Để biết thêm thông tin chi tiết đừng ngần ngại gọi cho chúng tôi.

Hoặc để lại thông tin

COLE - Lựa chọn hàng đầu cho nhân
sự về Digital Skills

5000+

Học viên theo học

30%

Thu nhập học viên tăng lên sau khi học

30+ Khóa học

Hàng đầu về ứng dụng công nghệ

50+

Chuyên gia hàng đầu về chuyển đổi số

300+ Doanh nghiệp hàng đầu lựa chọn Cole để nâng cấp kỹ năng

Hình ảnh lớp học