Ưu đãi trong tuần: Nhập mã UD50 giảm 50k cho đơn từ 300k!
Trang chủ
Menu

Machine Learning, Data Science & AI Engineering with Python

Học Máy, Khoa Học Dữ Liệu & Kỹ Thuật AI với Python

Học Máy, Khoa Học Dữ Liệu & Kỹ Thuật AI với Python

Hướng dẫn thực hành đầy đủ về học sâu, kỹ thuật AI và AI Tạo sinh cùng khoa học dữ liệu, Tensorflow, GPT, OpenAI

4.6
(36,404 đánh giá)
241,248 học viên
Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao
50.000đ 419.000đ -88%
✓ Xem giỏ hàng và thanh toán
Bao gồm phụ đề tiếng Việt, tiếng Anh
21.0 giờ video
195 bài giảng
Truy cập vĩnh viễn
Học trên mọi thiết bị
Cập nhật: 28/04/2026

Bạn sẽ học được gì

Xây dựng hệ thống AI tạo sinh với OpenAI, RAG và Tác tử LLM
Xây dựng mạng nơ-ron nhân tạo với Tensorflow và Keras
Triển khai học máy ở quy mô lớn với MLLib của Apache Spark
Phân loại hình ảnh, dữ liệu và cảm xúc bằng học sâu
Dự đoán bằng hồi quy tuyến tính, hồi quy đa thức và hồi quy đa biến
Trực quan hóa dữ liệu với MatPlotLib và Seaborn
Hiểu về học tăng cường - và cách xây dựng bot chơi Pac-Man
Phân loại dữ liệu bằng phân cụm K-Means, Máy Vector Hỗ trợ (SVM), KNN, Cây Quyết định, Naive Bayes và PCA
Sử dụng kiểm tra huấn luyện/kiểm tra và xác thực chéo K-Fold để lựa chọn và điều chỉnh mô hình
Xây dựng hệ thống đề xuất phim bằng lọc cộng tác dựa trên mục và dựa trên người dùng
Làm sạch dữ liệu đầu vào để loại bỏ các giá trị ngoại lai
Thiết kế và đánh giá thử nghiệm A/B bằng Kiểm định T và Giá trị P

Yêu cầu

Bạn cần một máy tính để bàn (Windows, Mac hoặc Linux) có thể chạy Anaconda 3 trở lên. Khóa học sẽ hướng dẫn bạn cài đặt các phần mềm miễn phí cần thiết.
Cần có một số kinh nghiệm viết mã hoặc kịch bản trước đó.
Cần có kỹ năng toán học ít nhất ở cấp trung học phổ thông.

Đối tượng phù hợp

Các nhà phát triển phần mềm hoặc lập trình viên muốn chuyển sang con đường sự nghiệp hấp dẫn về khoa học dữ liệu và học máy sẽ học được rất nhiều từ khóa học này.
Những người làm công nghệ tò mò về cách thức hoạt động thực sự của học sâu
Các nhà phân tích dữ liệu trong ngành tài chính hoặc các ngành phi công nghệ khác muốn chuyển sang ngành công nghệ có thể sử dụng khóa học này để học cách phân tích dữ liệu bằng mã lệnh thay vì công cụ. Tuy nhiên, bạn cần có một số kinh nghiệm trước về viết mã hoặc kịch bản để thành công.
Nếu bạn chưa có kinh nghiệm viết mã hoặc kịch bản trước đó, bạn NÊN CHƯA tham gia khóa học này. Hãy tham gia một khóa học Python nhập môn trước.

Nội dung khóa học

17 phần • 151 bài giảng
1 Giới thiệu
2 Udemy 101: Tận dụng tối đa khóa học này
3 Lưu ý quan trọng
4 Cài đặt: Bắt đầu
5 [Thực hành] WINDOWS: Cài đặt và Sử dụng Anaconda & Tài liệu Khóa học
6 [Thực hành] MAC: Cài đặt và Sử dụng Anaconda & Tài liệu Khóa học
7 [Thực hành] LINUX: Cài đặt và Sử dụng Anaconda & Tài liệu Khóa học
8 Kiến thức cơ bản Python, Phần 1 [Tùy chọn]
9 [Thực hành] Kiến thức cơ bản Python, Phần 2 [Tùy chọn]
10 [Thực hành] Kiến thức cơ bản Python, Phần 3 [Tùy chọn]
11 [Thực hành] Kiến thức cơ bản Python, Phần 4 [Tùy chọn]
12 Giới thiệu Thư viện Pandas [Tùy chọn]
1 Các Loại Dữ liệu (Số, Phân loại, Thứ tự)
2 Trung bình, Trung vị, Mode
3 [Thực hành] Sử dụng trung bình, trung vị và mode trong Python
4 [Thực hành] Phương sai và Độ lệch chuẩn
5 Hàm mật độ xác suất; Hàm khối lượng xác suất
6 Các Phân phối Dữ liệu Phổ biến (Chuẩn, Nhị thức, Poisson, v.v.)
7 [Thực hành] Phân vị và Mô men
8 [Thực hành] Khóa học cấp tốc về matplotlib
9 [Thực hành] Trực quan hóa nâng cao với Seaborn
10 [Thực hành] Hiệp phương sai và Tương quan
11 [Bài tập] Xác suất có điều kiện
12 Lời giải bài tập: Xác suất mua hàng theo độ tuổi có điều kiện
13 Định lý Bayes
1 [Thực hành] Hồi quy Tuyến tính
2 [Thực hành] Hồi quy Đa thức
3 [Thực hành] Hồi quy Bội và Dự đoán Giá Xe hơi
4 Mô hình Đa cấp
1 Học có Giám sát vs. Không giám sát, và Huấn luyện/Kiểm tra
2 [Thực hành] Sử dụng Huấn luyện/Kiểm tra để Ngăn chặn Quá khớp trong Hồi quy Đa thức
3 Phương pháp Bayes: Khái niệm
4 [Thực hành] Triển khai Bộ phân loại Thư rác với Naive Bayes
5 Phân cụm K-Means
6 [Thực hành] Phân cụm người dựa trên thu nhập và độ tuổi
7 Đo lường Entropy
8 [Thực hành] WINDOWS: Cài đặt Graphviz
9 [Thực hành] MAC: Cài đặt Graphviz
10 [Thực hành] LINUX: Cài đặt Graphviz
11 Cây Quyết định: Khái niệm
12 [Thực hành] Cây Quyết định: Dự đoán Quyết định Tuyển dụng
13 Học Tập thể
14 [Thực hành] XGBoost
15 Tổng quan về Máy Vector Hỗ trợ (SVM)
16 [Thực hành] Sử dụng SVM để phân cụm người dùng bằng scikit-learn
1 Lọc Cộng tác Dựa trên Người dùng
2 Lọc Cộng tác Dựa trên Mục
3 [Thực hành] Tìm Độ tương đồng Phim bằng Cosine Similarity
4 [Thực hành] Cải thiện Kết quả về Độ tương đồng Phim
5 [Thực hành] Đề xuất Phim với Lọc Cộng tác Dựa trên Mục
6 [Bài tập] Cải thiện kết quả của hệ thống đề xuất
1 K-Nearest-Neighbors: Khái niệm
2 [Thực hành] Sử dụng KNN để dự đoán xếp hạng cho một bộ phim
3 Giảm chiều; Phân tích Thành phần Chính (PCA)
4 [Thực hành] Ví dụ PCA với bộ dữ liệu Iris
5 Tổng quan về Kho dữ liệu: ETL và ELT
6 Học Tăng cường
7 [Thực hành] Học Tăng cường & Q-Learning với Gym
8 Hiểu về Ma trận Nhầm lẫn
9 Đo lường Bộ phân loại (Độ chính xác, Độ nhạy, F1, ROC, AUC)
1 Sự đánh đổi Độ chệch/Phương sai
2 [Thực hành] Xác thực chéo K-Fold để tránh quá khớp
3 Làm sạch và Chuẩn hóa Dữ liệu
4 [Thực hành] Làm sạch dữ liệu nhật ký web
5 Chuẩn hóa dữ liệu số
6 [Thực hành] Phát hiện giá trị ngoại lai
7 Kỹ thuật Đặc trưng và Lời nguyền Chiều
8 Kỹ thuật Imputation cho Dữ liệu Thiếu
9 Xử lý Dữ liệu Không Cân bằng: Lấy mẫu vượt, Lấy mẫu thiếu và SMOTE
10 Phân nhóm, Biến đổi, Mã hóa, Tỷ lệ và Xáo trộn
1 Cảnh báo về Java 21+ và Spark 3!
2 Lưu ý cài đặt Spark cho người dùng MacOS và Linux
3 [Thực hành] Cài đặt Spark
4 Giới thiệu Spark
5 Spark và Tập dữ liệu Phân tán Đàn hồi (RDD)
6 Giới thiệu MLLib
7 Giới thiệu về Cây Quyết định trong Spark
8 [Thực hành] Phân cụm K-Means trong Spark
9 TF / IDF
10 [Thực hành] Tìm kiếm Wikipedia với Spark
11 [Thực hành] Sử dụng Spark DataFrame API cho MLLib
1 Triển khai Mô hình vào Hệ thống Thời gian Thực
2 Khái niệm Kiểm tra A/B
3 Kiểm định T và Giá trị P
4 [Thực hành] Thực hành với Kiểm định T
5 Xác định Thời gian Chạy Thí nghiệm
6 Những vấn đề thường gặp với Kiểm tra A/B
1 Điều kiện Tiên quyết cho Học Sâu
2 Lịch sử Mạng Nơ-ron Nhân tạo
3 [Thực hành] Học Sâu trong Tensorflow Playground
4 Chi tiết về Học Sâu
5 Giới thiệu Tensorflow
6 [Thực hành] Sử dụng Tensorflow, Phần 1
7 [Thực hành] Sử dụng Tensorflow, Phần 2
8 [Thực hành] Giới thiệu Keras
9 [Thực hành] Sử dụng Keras để Dự đoán Xu hướng Chính trị
10 Mạng Nơ-ron Tích chập (CNN)
11 [Thực hành] Sử dụng CNN để nhận dạng chữ viết tay
12 Mạng Nơ-ron Hồi quy (RNN)
13 [Thực hành] Sử dụng RNN để phân tích cảm xúc
14 Điều chỉnh Mạng Nơ-ron: Tốc độ học và Siêu tham số Kích thước Batch
15 Điều chuẩn Học Sâu với Dropout và Dừng sớm
16 Đạo đức trong Học Sâu
1 Bộ Mã hóa Tự động Biến phân (VAE) - cách chúng hoạt động
2 Bộ Mã hóa Tự động Biến phân (VAE) - Thực hành với Fashion MNIST
3 Mạng Đối nghịch Tạo sinh (GAN) - Cách chúng hoạt động
4 Mạng Đối nghịch Tạo sinh (GAN) - Thử nghiệm với một số demo
5 Mạng Đối nghịch Tạo sinh (GAN) - Thực hành với Fashion MNIST
6 Tìm hiểu thêm về Học Sâu
1 Kiến trúc Transformer (bộ mã hóa, bộ giải mã và tự chú ý.)
2 Tự chú ý, Tự chú ý có Mặt nạ và Tự chú ý Đa đầu chi tiết
3 Ứng dụng của Transformers (GPT)
4 GPT hoạt động như thế nào, Phần 1: Kiến trúc Transformer GPT
5 GPT hoạt động như thế nào, Phần 2: Token hóa, Mã hóa vị trí, Embedding
6 Tinh chỉnh / Học chuyển giao với Transformers
7 [Thực hành] Token hóa với Google CoLab và HuggingFace
8 [Thực hành] Mã hóa vị trí
9 [Thực hành] Tự chú ý có Mặt nạ, Đa đầu với BERT, BERTViz và exBERT
10 [Thực hành] Sử dụng mô hình GPT nhỏ và lớn trong Google CoLab và HuggingFace
11 [Thực hành] Tinh chỉnh GPT với bộ dữ liệu IMDb
12 Từ GPT đến ChatGPT: Học tăng cường sâu, Gradient chính sách gần
13 Từ GPT đến ChatGPT: Học tăng cường từ Phản hồi Con người và Kiểm duyệt
1 [Thực hành] OpenAI Chat Completions API
2 [Thực hành] Sử dụng Công cụ và Hàm trong OpenAI Chat Completion API
3 [Thực hành] Images (DALL-E) API trong OpenAI
4 [Thực hành] Embeddings API trong OpenAI: Tìm độ tương đồng giữa các từ
5 OpenAI Responses API và các công cụ (MCP, tìm kiếm web, v.v.)
6 [Thực hành] Sử dụng OpenAI Responses API (MCP, lập luận, hàm, công cụ)
7 Legacy Fine-Tuning API cho Mô hình GPT trong OpenAI
8 [Demo] Tinh chỉnh Mô hình Davinci của OpenAI để mô phỏng Dữ liệu từ Star Trek
9 OpenAI Fine-Tuning API mới; Tinh chỉnh GPT-3.5 để mô phỏng Chỉ huy Data!
10 [Thực hành] OpenAI Moderation API
11 [Thực hành] OpenAI Audio API (chuyển giọng nói thành văn bản)
1 Tạo sinh Tăng cường Truy xuất (RAG): Cách hoạt động, với một số ví dụ.
2 Demo: Sử dụng Tạo sinh Tăng cường Truy xuất (RAG) để mô phỏng Chỉ huy Data từ Star Trek
3 Số liệu RAG: Bộ ba RAG, mức độ liên quan, độ nhạy, độ chính xác, độ đúng và hơn thế nữa
4 [Thực hành] Đánh giá Chỉ huy Data dựa trên RAG của chúng tôi bằng
5 Advanced RAG: Pre-Retrieval; chunking; semantic chunking; data extraction.
6 Advanced RAG: Query Rewriting
7 Advanced RAG: Prompt Compression, and More Tuning Opportunities
8 [Activity] Simulating Cdr. Data with Advanced RAG and langchain
9 LLM Agents and Swarms of Agents
10 [Activity] Building a Cdr. Data chatbot with LLM Agents, web search & math tools
1 Agentic AI: Multi-Agent Design Patterns
2 Using the OpenAI Agents SDK
3 [Activity] Building Cdr. Data with the OpenAI Agents SDK and multiple agents
1 Your final project assignment: Mammogram Classification
2 Final project review
1 More to Explore
2 Don't Forget to Leave a Rating!
3 Bonus Lecture

Giới thiệu khóa học

Master Machine Learning & AI Engineering — From Data Analytics to Agentic AI Solutions

Launch your career in AI with a comprehensive, hands-on course that takes you from beginner to advanced. Learn Python, data science, classical machine learning, and the latest in AI engineering—including generative AI, transformers, and LLM agents / agentic AI.

Why This Course?

Learn by Doing

With over 145 lectures and 21+ hours of video content, this course is built around practical Python projects and real-world use cases—not just theory.

Built for the Real World

Learn how companies like Google, Amazon, and OpenAI use AI to drive innovation. Our curriculum is based on skills in demand from leading tech employers.

No Experience? No Problem

Start from scratch with beginner-friendly lessons in Python and statistics. By the end, you’ll be building intelligent systems with cutting-edge AI tools.

A Structured Path from Beginner to AI Engineer

1. Programming Foundations
Start with a crash course in Python, designed for beginners. You’ll learn the language fundamentals needed for data science and AI work.

2. Data Science and Statistics
Build a solid foundation in data analysis, visualization, descriptive and inferential statistics, and feature engineering—essential skills for working with real-world datasets.

3. Classical Machine Learning
Explore supervised and unsupervised learning, including linear regression, decision trees, SVMs, clustering, ensemble models, and reinforcement learning.

4. Deep Learning with TensorFlow and Keras
Understand neural networks, convolutional neural networks (CNNs), and recurrent neural networks (RNNs), using real code examples and exercises.

5. Advanced AI Engineering and Generative AI
Go beyond traditional ML to learn the latest AI tools and techniques:

  • Transformers and self-attention mechanisms

  • GPT, ChatGPT, and the OpenAI API

  • Fine-tuning foundation models

  • Advanced Retrieval-Augmented Generation (RAG)

  • LangChain and LLM agents

  • Designing and building multi-agent systems with the OpenAI Agents SDK

  • Real-world GenAI projects and deployment strategies

6. Big Data and Apache Spark
Learn how to scale machine learning to large datasets using Spark, and apply ML techniques on distributed computing clusters.

Designed for Career Growth

Whether you're a programmer looking to pivot into AI or a tech professional seeking to expand your skills, this course delivers a complete, industry-relevant education. Concepts are explained clearly, in plain English, with a focus on applying what you learn.

What Students Are Saying

"I started doing your course... and it was pivotal in helping me transition into a role where I now solve corporate problems using AI. Your course demystified how to succeed in corporate AI research, making you the most impressive instructor in ML I've encountered."
— Kanad Basu, PhD

Enroll Today and Build Your Future in AI

Join thousands of learners who have used this course to land jobs, lead projects, and build real AI applications. Stay ahead in one of the fastest-growing fields in tech.

Start your journey today—from Python beginner to AI engineer.

Khóa học liên quan

Khám phá thêm các khoá học cùng chủ đề

Hiển thị tất cả khoá học Data Science
Hiển thị tất cả khoá học Deep Learning
Hiển thị tất cả khoá học Machine Learning
Hiển thị tất cả khoá học Python
Zalo
Tôi có thể tư vấn khoá học cho bạn 😊