Khóa học AI Engineer 2025


Thời lượng
8 tháng

Hình thức đào tạo
Online

Số tín chỉ
Tổng quan
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
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
- 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.
Where clause + And/or.
In, not in, is null, between.
Order by, Limit, Distinct and rename columns.
String Functions: SUBSTRING(), REPLACE(), POSITION() and COALESCE().
Grouping Functions: MIN(), MAX(), AVG(), SUM(), COUNT().
- GROUP BY & HAVING Clauses Subqueries.
INNER and OUTER Joins.
Using UNION, UNION ALL and EXCEPT Clauses.
Joins and Subqueries.
- Self-Join.
- Cross-Join.
Phép toán tập hợp:
- INTERSECT.
- EXCEPT.
- Ứng dụng thực tế của UNION.
Các ví dụ thực tiễn về việc sử dụng hàm cửa sổ trong phân tích dữ liệu.
Truy vấn đệ quy để xử lý dữ liệu dạng phân cấp (ví dụ: tìm mối quan hệ cha - con).
Biến và các kiểu dữ liệu.
Input & print trong python.
Áp dụng các kiểu dữ liệu nào trong thực tế?
Biểu thức điều kiện.
Tự động hóa các tác vụ lặp đi lặp lại.
Gọi hàm trong python.
Biến cục bộ và biến toàn cục.
Hàm lambda
- Cắt chuỗi (slicing).
- Lập chỉ mục (indexing).
- Định dạng (formatting).
- 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.
- Ứng dụng của Dictionaries và Sets.
- Ứng dụng của Arrays và Vectors.
Phương thức.
Package và import.
Thực hành: lớp và đối tượng.
Đối tượng Groupby.
Làm việc với DataFrame.
Chèn, xóa, sửa dòng và cột trong DataFrame.
Sắp xếp dữ liệu trong DataFrame.
Các biểu đồ cơ bản.
Lợi ích của Seaborn.
Biểu đồ trong Seaborn.
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.
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.
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.
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.
- Áp dụng kiến thức thống kê để đánh giá thêm về dữ liệu và mô hình trực quan hóa.
- 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.
- 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.
- 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 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.
- 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.
- 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.
- 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.
- 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.
- Tổng kết Module 4 về lý thuyết.
- Hỏi đáp về Mini-Project.
- 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 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 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).
- 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.
- 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."
- 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.
- Các nhóm đặt câu hỏi, chia sẻ kinh nghiệm và thảo luận.
- 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.
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.).
Sử dụng Pandas, NumPy, và PySpark để xử lý dữ liệu lớn.
Tìm hiểu về các kỹ thuật augmentation cho dữ liệu.
Thực hành xây dựng và huấn luyện mô hình cơ bản với PyTorch/TensorFlow.
Học về L1/L2 Regularization và Early Stopping.
Sử dụng TensorBoard để theo dõi quá trình huấn luyện.
Các kiến trúc CNN phổ biến: ResNet, EfficientNet.
Xây dựng ứng dụng phân loại ảnh và phát hiện đối tượng.
Tìm hiểu về Word2Vec, GloVe, BERT, và Transformer.
Ứng dụng: xây dựng chatbot cơ bản hoặc phân loại văn bản.
Triển khai mô hình trên các thiết bị biên (Raspberry Pi, NVIDIA Jetson).
Huấn luyện mô hình và tích hợp vào hệ thống.
Triển khai chatbot trên web hoặc Telegram.
Làm quen với Reinforcement Learning trong các bài toán tự động hóa.
Đánh giá chi phí và tối ưu hóa hệ thống AI trong sản xuất.
Hướng dẫn lộ trình học nâng cao (AI Ethics, Generative AI).
Giảng viên

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 |

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

Phạm Thanh Hoa
Leader AI Engineer tại Chứng khoán Bảo việt

Nguyễn Thái Lực
Data Science tại LB Bank
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
- 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.
Để biết thêm thông tin chi tiết đừng ngần ngại gọi cho chúng tôi.
-
Hotline
-
Email
-
Trang tin chính thức
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