AI Core cho lập trình viên
Khoá cơ chế AI cho software engineer đã biết code, không cần nền ML. Hiểu LLM sinh văn bản thế nào (token, context window, sampling) và vì sao nó bịa; embedding biến nghĩa thành vector ra sao và khi nào semantic search hỏng; rồi tự quyết định prompt-only vs RAG vs fine-tune cho use case thật. Không dạy API framework — dạy cỗ máy bên dưới để đọc tài liệu nào cũng hiểu.

Giảng viên
OLHub Team54 bài đã sẵn sàng · Đọc kỹ, không xem video
6 module
Học theo từng phần, không bị nhồi
Cơ bản
Phù hợp người mới — không cần tiền đề
54 bài
Text-first — đọc kỹ, không xem video
~10.1 giờ
Tự nhịp, học theo tốc độ của bạn
Bạn sẽ học được gì
Sau khoá học, bạn sẽ:
Explain vị trí của AI, machine learning, deep learning và generative AI trên cùng một bản đồ, và phân biệt pha train với pha inference
Trace pipeline sinh văn bản của LLM: tokenize → context → dự đoán phân phối → sample → decode
Explain hallucination như hệ quả của cơ chế next-token thay vì coi nó là bug ngẫu nhiên
Explain embedding và similarity phục vụ semantic search thế nào
Predict các truy vấn mà semantic search thua keyword search và khi nào cần hybrid
Justify lựa chọn prompt-only vs RAG vs fine-tune cho một use case cụ thể, kèm rủi ro
Diagnose failure phổ biến: bad retrieve, context overflow, temperature, đếm token sai
Design checklist tối thiểu trước khi ship AI feature: eval, cost, privacy, fallback
Chương trình
Nội dung khoá học
6 module sẵn sàng · 54 bài. Mỗi bài 18-25 phút đọc kỹ — không xem video, không hype.
01
Bản đồ AI & học từ dữ liệu
9 bài · ~100 phút
- 01Tổng quan: Bản đồ AI & học từ dữ liệu5p
- 02Khi nào cần học từ dữ liệu, khi nào if-else vẫn thắng13p
- 03Ba kiểu học — phân biệt bằng tín hiệu dạy13p
- 04Dữ liệu, nhãn và ba tập không được trộn12p
- 05Train vs inference — hai pha, hai loại hoá đơn13p
- 06Overfitting & data leakage: demo đẹp mà production hỏng13p
- 07LLM nằm ở đâu trên bản đồ AI, deep learning, generative AI12p
- 08Mini-challenge: đọc ba mô tả hệ thống13p
- 09Tổng kết: Bản đồ AI & học từ dữ liệu6p
02
Não nhân tạo vừa đủ
9 bài · ~100 phút
- 01Tổng quan: Não nhân tạo vừa đủ5p
- 02Neuron nhân tạo — trọng số mới là thứ model học được12p
- 03Xếp lớp và hàm phi tuyến — vì sao một lớp không đủ12p
- 04Loss — quy cái sai của model về một con số duy nhất12p
- 05Gradient descent — vòng lặp chỉnh trọng số cho bớt sai13p
- 06Tham số và siêu tham số — 7 tỷ tham số nghĩa là gì12p
- 07Representation — tầng ẩn tự học ra đặc trưng dữ liệu13p
- 08Mini-challenge: chẩn đoán ba đường cong huấn luyện hỏng15p
- 09Tổng kết: Não nhân tạo vừa đủ6p
03
Cỗ máy LLM
9 bài · ~98 phút
- 01Tổng quan: Cỗ máy LLM5p
- 02Dự đoán token kế tiếp — vòng lặp sinh văn bản12p
- 03Tokenization — vì sao model không thấy ký tự13p
- 04Context window — bộ nhớ làm việc hữu hạn12p
- 05Sampling — temperature và top-p11p
- 06Từ base model đến chat model11p
- 07Hallucination — vì sao model bịa13p
- 08Mini-challenge: đọc log ba sự cố LLM15p
- 09Tổng kết: Cỗ máy LLM6p
04
Transformer & attention
9 bài · ~100 phút
- 01Tổng quan: Transformer & attention5p
- 02Nỗi đau của model đọc tuần tự trước khi có transformer12p
- 03Query/Key/Value: attention là phép tra cứu mềm có trọng số13p
- 04Multi-head attention — mỗi head một góc nhìn riêng11p
- 05Transformer block: ghép attention, FFN, residual thành khối13p
- 06Từ transformer đến LLM: causal mask và train song song13p
- 07Scaling laws — dự đoán loss khi tăng params, data, compute12p
- 08Mini-challenge: đọc sơ đồ kiến trúc LLM15p
- 09Tổng kết: Transformer & attention6p
05
Embedding, tìm kiếm & RAG
9 bài · ~105 phút
- 01Tổng quan: Embedding, tìm kiếm & RAG5p
- 02Embedding — không gian của nghĩa13p
- 03Cosine similarity — đo gần nghĩa bằng góc11p
- 04Semantic search vs keyword search12p
- 05Chunking — cắt tài liệu để truy hồi12p
- 06RAG — retrieve rồi mới generate13p
- 07Bốn kiểu hỏng của RAG13p
- 08Mini-challenge: chọn kiến trúc cho ba bài toán thật20p
- 09Tổng kết: Embedding, tìm kiếm & RAG6p
06
Tầng quyết định của engineer
9 bài · ~102 phút
- 01Tổng quan: Tầng quyết định của engineer5p
- 02Nguyên tắc prompt bám cơ chế: cấu trúc, ví dụ, tách suy luận13p
- 03Fine-tune model — khi nào xứng đáng, khi nào không13p
- 04Agent trong AI: LLM + tool trong vòng lặp quyết định12p
- 05Eval & golden set — đo AI feature thay vì tin demo13p
- 06Cost và latency AI feature: tính từ token trước khi code12p
- 07Privacy và prompt injection khi thiết kế AI feature13p
- 08Mini-challenge: dựng checklist ship AI feature hoàn chỉnh15p
- 09Tổng kết: Tầng quyết định — và cả khoá AI Core6p
Giảng viên
Ai đứng sau khoá này
OLHub Team
Backend engineers
Backend engineers với kinh nghiệm thực tế trên Java/Spring, PostgreSQL, distributed systems. Tự build và maintain platform này, viết toàn bộ nội dung khoá học theo triết lý “hiểu bản chất, không học vẹt”.
Xem hồ sơ team →Gửi khoá này cho bạn học cùng?
Copy link đã gắn nguồn — dán group, chat, hoặc LinkedIn.
Sẵn sàng bắt đầu?
Học miễn phí, không cần thẻ, không thời hạn. Chỉ cần bạn ngồi xuống đọc kỹ.