Đọc theo thứ tự
Lộ trình AI Engineer: ML · DL · CV
14 phần
Phần 1
Lộ trình AI Engineer 2026: học Machine Learning, Deep Learning, Computer Vision từ đâu
Bản đồ 14 bài để đi từ toán và Python tới Machine Learning, Deep Learning, Computer Vision và triển khai mô hình — kèm danh sách khoá học, sách, tài liệu miễn phí đáng tin cậy và cách học không bị lạc.
PRO9 phút đọc#AI #Computer Vision #Deep Learning #MACHINE LEARNING #Nghề nghiệpPhần 2
Toán cho Machine Learning: vector, ma trận, đạo hàm và xác suất viết bằng NumPy
Phần toán tối thiểu để đọc hiểu ML và Deep Learning: tích vô hướng, nhân ma trận, gradient, quy tắc chuỗi, phân phối xác suất, kỳ vọng, Bayes — mỗi khái niệm đi kèm vài dòng NumPy và chỗ nó xuất hiện trong mô hình thật.
PRO14 phút đọc#AI #MACHINE LEARNING #NumPy #Python #ToánPhần 3
Python cho dữ liệu: NumPy, Pandas, Matplotlib qua bộ dữ liệu Titanic
Bộ công cụ hằng ngày của AI Engineer: vector hoá với NumPy, đọc–lọc–gộp–làm sạch dữ liệu với Pandas, vẽ biểu đồ khám phá với Matplotlib. Thực hành trọn một vòng EDA trên Titanic, kết thúc bằng bảng đặc trưng sẵn sàng cho mô hình.
PRO11 phút đọc#AI #MACHINE LEARNING #NumPy #Pandas #PythonPhần 4
Machine Learning nhập môn: hồi quy tuyến tính, gradient descent và overfitting
Mô hình ML đầu tiên, viết tay bằng NumPy rồi bằng scikit-learn: hàm mất mát MSE, gradient descent theo batch và mini-batch, chia train/validation/test, overfitting–underfitting, hồi quy đa thức và regularization Ridge/Lasso.
PRO14 phút đọc#AI #Linear Regression #MACHINE LEARNING #Python #scikit-learnPhần 5
Phân loại với hồi quy logistic: precision, recall, ROC-AUC và cross-validation
Từ hồi quy sang phân loại: sigmoid, softmax, cross-entropy, viết hồi quy logistic bằng NumPy; rồi đánh giá đúng cách với confusion matrix, precision/recall/F1, chọn ngưỡng, ROC-AUC, dữ liệu mất cân bằng, cross-validation và Pipeline chống rò rỉ dữ liệu.
PRO12 phút đọc#AI #Evaluation #Logistic Regression #MACHINE LEARNING #scikit-learnPhần 6
Cây quyết định, Random Forest và Gradient Boosting: vũ khí số một cho dữ liệu dạng bảng
Cây quyết định chia dữ liệu bằng Gini/entropy, vì sao một cây dễ overfit, Random Forest gộp nhiều cây (bagging), gradient boosting sửa lỗi tuần tự; thực hành với scikit-learn, giới thiệu XGBoost/LightGBM/CatBoost, feature importance và permutation importance.
PRO13 phút đọc#AI #Gradient Boosting #MACHINE LEARNING #Random Forest #XGBoostPhần 7
Học không giám sát: phân cụm K-means, DBSCAN và giảm chiều PCA, t-SNE
Khi dữ liệu không có nhãn: viết K-means từ đầu, chọn số cụm bằng elbow và silhouette, khi nào dùng DBSCAN; giảm chiều bằng PCA (tự viết bằng SVD), nén ảnh chữ số, trực quan hoá bằng t-SNE/UMAP và phát hiện bất thường.
PRO13 phút đọc#AI #Clustering #K-means #MACHINE LEARNING #PCAPhần 8
Mạng nơ-ron và backpropagation từ con số 0: tự viết autograd rồi so với PyTorch
Hiểu Deep Learning từ gốc: nơ-ron, hàm kích hoạt, vì sao cần phi tuyến, đồ thị tính toán và backpropagation; tự viết một engine autograd nhỏ kiểu micrograd, huấn luyện MLP bằng NumPy, rồi kiểm tra kết quả với autograd của PyTorch.
PRO17 phút đọc#AI #Backpropagation #Deep Learning #Neural Network #PyTorchPhần 9
Huấn luyện mạng sâu với PyTorch: DataLoader, AdamW, BatchNorm, Dropout và gỡ lỗi khi mô hình không học
Vòng lặp huấn luyện PyTorch chuẩn mực trên Fashion-MNIST: Dataset/DataLoader, nn.Module, GPU, optimizer SGD/Adam/AdamW, lịch learning rate, BatchNorm, Dropout, weight decay, early stopping, checkpoint, mixed precision và quy trình gỡ lỗi 'overfit một batch'.
PRO14 phút đọc#AI #Deep Learning #Optimization #PyTorch #RegularizationPhần 10
CNN — mạng nơ-ron tích chập: từ phép tích chập tới ResNet trên CIFAR-10
Vì sao MLP không hợp với ảnh, phép tích chập hoạt động thế nào (tự viết bằng NumPy), padding, stride, pooling, trường tiếp nhận; lịch sử LeNet → AlexNet → VGG → ResNet; tự xây CNN và khối residual bằng PyTorch, huấn luyện trên CIFAR-10 với data augmentation.
PRO14 phút đọc#AI #CNN #Computer Vision #Deep Learning #PyTorchPhần 11
Transfer learning: phân loại ảnh của riêng bạn với vài trăm ảnh và mô hình tiền huấn luyện
Cách dân chuyên nghiệp làm phân loại ảnh: lấy mô hình đã học trên ImageNet (torchvision, timm), linear probing rồi fine-tuning toàn bộ với learning rate theo tầng; chuẩn bị dữ liệu bằng ImageFolder, augmentation, xử lý lệch lớp, phân tích lỗi và chọn backbone.
PRO13 phút đọc#AI #Computer Vision #Deep Learning #PyTorch #Transfer LearningPhần 12
Phát hiện vật thể và phân đoạn ảnh: IoU, NMS, mAP, YOLO26, U-Net và Segment Anything
Từ 'ảnh này là gì' tới 'vật ở đâu': bounding box, IoU và NMS tự viết bằng NumPy, cách đọc mAP, detector một giai đoạn và hai giai đoạn, huấn luyện YOLO26 trên dữ liệu tự gán nhãn; phân đoạn ngữ nghĩa và instance với U-Net, Mask R-CNN, Segment Anything.
PRO16 phút đọc#AI #Computer Vision #Deep Learning #Object Detection #YOLOPhần 13
Vision Transformer và CLIP: attention cho ảnh, phân loại zero-shot và tìm ảnh bằng câu chữ
Self-attention tự viết bằng PyTorch, cách ViT biến ảnh thành chuỗi patch, so sánh ViT với CNN; CLIP học ảnh và chữ chung một không gian embedding bằng contrastive learning — phân loại không cần dữ liệu huấn luyện và dựng công cụ tìm ảnh bằng mô tả; tổng quan SigLIP, DINOv2 và mô hình đa phương thức.
PRO15 phút đọc#AI #CLIP #Computer Vision #Deep Learning #TransformerPhần 14
Đưa mô hình vào sản phẩm: ONNX, FastAPI, Docker, lượng tử hoá và MLOps cơ bản
Bài cuối của lộ trình: xuất mô hình PyTorch sang ONNX, phục vụ bằng FastAPI + ONNX Runtime, đo độ trễ, lượng tử hoá INT8, đóng Docker; theo dõi thí nghiệm, quản lý phiên bản dữ liệu–mô hình, giám sát drift trong production và 5 dự án portfolio để xin việc AI Engineer.
PRO18 phút đọc#AI #Deployment #FastAPI #MLOps #ONNX