Ưu đãi trong tuần: Nhập mã UD50 giảm 50k cho đơn từ 300k!
Trang chủ
Đăng nhập
Xem tất cả kết quả
Menu
Đăng nhập Đăng ký miễn phí

The Complete Full Stack AI Engineering Bootcamp

Khóa Học Bootcamp Kỹ Sư AI Full Stack Toàn Diện

Khóa Học Bootcamp Kỹ Sư AI Full Stack Toàn Diện

Đào Tạo Kỹ Sư AI Toàn Diện: ML, DL, PyTorch, Transformers, LLMs, Databricks, Hugging Face, LangGraph và AI Agents

4.3
(35 đánh giá)
245 học viên
Giảng viên
Aritra Basak
Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao
79.000đ 899.000đ -91%
✓ Xem giỏ hàng và thanh toán
Bao gồm phụ đề tiếng Việt, tiếng Anh
55.5 giờ video
338 bài giảng
16 bài quiz
4 bài coding
Truy cập vĩnh viễn
Học trên mọi thiết bị
Cập nhật: 07/06/2026
#Artificial Intelligence #Full Stack Development #Machine Learning #Python

Bạn sẽ học được gì

Xây dựng các dự án Kỹ thuật AI từ đầu đến cuối bằng Python, PyTorch, scikit-learn và SQL, từ xử lý dữ liệu đến triển khai mô hình.
Làm chủ Xử lý Ngôn ngữ Tự nhiên (NLP) và Transformers thông qua triển khai các dự án thực tế với Hugging Face, BERT, T5 và Mô hình Ngôn ngữ Lớn (LLMs).
Phát triển các API AI sẵn sàng cho sản xuất bằng FastAPI và Docker để triển khai mô hình có khả năng mở rộng.
Hiểu và triển khai LangChain và LangGraph để xây dựng các ứng dụng LLM đa tác nhân với bộ nhớ, công cụ và quy trình làm việc.
Học Giao thức Ngữ cảnh Mô hình (MCP) và tạo máy chủ và máy khách MCP để tích hợp công cụ AI tiên tiến.
Thực hiện phân tích dữ liệu, trực quan hóa và kỹ thuật đặc trưng bằng Matplotlib và scikit-learn cho các pipeline machine learning.
Thiết kế hệ thống AI với kỹ thuật ngữ cảnh, kỹ thuật prompt, RAG và quản lý bộ nhớ.
Có được các kỹ năng thực tế cần thiết cho các vị trí Kỹ sư AI, Kỹ sư NLP và Kỹ sư LLM trong ngành.
Chạy các LLM mã nguồn mở cục bộ bằng Ollama
Tích hợp các mô hình Ollama với Python và LangChain để xây dựng ứng dụng AI cục bộ
Thiết kế các pipeline dữ liệu có khả năng mở rộng bằng Azure Databricks, PySpark và Delta Lake cho các ứng dụng AI thực tế
Áp dụng MLflow để theo dõi thí nghiệm, quản lý mô hình và xây dựng các quy trình AI và LLM có thể tái tạo

Yêu cầu

Không yêu cầu kiến thức nền tảng về AI hay machine learning. Mọi thứ đều được dạy từ cơ bản
Cần có laptop hoặc máy tính để bàn có kết nối internet để chạy Python, VS Code và các công cụ cần thiết
Sẽ cần một OpenAI API key cho một số ví dụ về LLM và ứng dụng AI (việc sử dụng có thể phát sinh chi phí nhỏ)
Azure Databricks sẽ được sử dụng trong phần kỹ thuật dữ liệu; việc tạo và sử dụng nó có thể phát sinh phí sử dụng đám mây

Đối tượng phù hợp

Người mới bắt đầu muốn có một lộ trình rõ ràng và có cấu trúc để bước vào lĩnh vực AI và machine learning từ con số không
Các nhà phát triển phần mềm và lập trình viên full stack muốn chuyển đổi sang kỹ thuật AI và tìm hiểu cách các hệ thống AI thực tế được xây dựng và triển khai
Các nhà phân tích dữ liệu, kỹ sư dữ liệu và những người mong muốn trở thành nhà khoa học dữ liệu muốn củng cố kỹ năng AI và deep learning thực tế của mình
Sinh viên và người mới tốt nghiệp muốn trở thành kỹ sư AI sẵn sàng đi làm

Nội dung khóa học

28 phần • 338 bài giảng
1 Machine Learning là gì
2 AI so với ML so với DL
3 Các loại Machine Learning
4 Tải tài nguyên
1 Tải toàn bộ ghi chú khóa học
1 Tải tài nguyên
2 Cách Python hoạt động
3 Cài đặt Python
4 Biến trong Python
5 Vòng lặp trong Python
6 Cấu trúc dữ liệu trong Python
7 Cách Import hoạt động trong Python
8 Phương thức trong Python
9 Xử lý ngoại lệ trong Python
10 Lập trình hướng đối tượng trong Python
11 List Comprehension trong Python
12 Xử lý tệp tin trong Python
13 Generator và Decorator trong Python
14 Đa xử lý trong Python
15 Asyncio trong Python
16 Thiết lập môi trường ảo trong Python
17 Hàm Lambda trong Python
18 Map, Filter & Reduce trong Python
19 Truy cập mã khóa học: NumPy, Pandas, Matplotlib & Seaborn
20 Kiến thức cơ bản về NumPy trong Python
21 Kiến thức cơ bản về Pandas trong Python
22 Kiến thức cơ bản về Matplotlib trong Python
23 Kiến thức cơ bản về Seaborn trong Python
1 Vector là gì
2 Các loại Vector khác nhau
3 Phép cộng Vector
4 Span của Vector là gì
5 Phép nhân Vector
6 Trực giác về Vector cho dự án Machine Learning
7 Đạo hàm là gì
8 Đạo hàm riêng là gì
9 Trực giác về Gradients
10 Quy tắc dây chuyền của đạo hàm
1 Giới thiệu về Thống kê
2 Cấp độ đo lường trong Thống kê
3 Trung bình, Trung vị & Mode
4 Hàm Phân phối Xác suất trong Thống kê
5 Hàm Khối Xác suất là gì
6 Chỉnh sửa nhỏ trong PMF
7 Hàm Mật độ Xác suất trong Thống kê
8 Phân phối Chuẩn là gì
9 Tổng thể và Mẫu trong Thống kê
10 Các thuật ngữ Thống kê thông dụng bạn nên biết
11 Điểm Z trong Thống kê
12 Giải thích về Phân phối Phi Gaussian
13 Phân phối Nhị thức & Poisson
14 Định lý Giới hạn Trung tâm là gì
15 Khoảng tin cậy trong Thống kê
16 Kiểm định Giả thuyết
17 T-Test và ANOVA
1 Giới thiệu về Trực quan hóa Dữ liệu
2 Thiết lập dự án
3 Biểu đồ Cột Giải thích
4 Tải bộ dữ liệu từ Kaggle
5 Trung bình, Trung vị và Mode
6 Biểu đồ Histogram và KDE
7 Biểu đồ Phân tán
8 Trực quan hóa Mối quan hệ với Pairplots
9 Bar Plot Giải thích
10 Trực quan hóa Dữ liệu Phân loại với Count Plots
11 Tìm Mẫu trong Bộ dữ liệu Bằng Trực quan hóa Dữ liệu
1 Giới thiệu về Kỹ thuật Đặc trưng
2 Chuẩn hóa Standardization là gì
3 Chuẩn hóa Normalization là gì
4 Giải thích về Ordinal Encoding
5 Giải thích về One Hot Encoding (OHE)
6 Biến đổi Biến số là gì
7 Cách xử lý Biến hỗn hợp trong Bộ dữ liệu
8 Cách xử lý Dữ liệu bị thiếu trong Bộ dữ liệu
9 Phương pháp KNN Imputation
10 Phương pháp MICE Imputation
11 Cách phát hiện Ngoại lai trong Bộ dữ liệu
12 Giải thích về Xây dựng Đặc trưng
1 Giới thiệu về EDA
2 EDA so với Kỹ thuật Đặc trưng
3 Thiết lập dự án
4 Khám phá Bộ dữ liệu
5 Thay đổi Kiểu dữ liệu trong Bộ dữ liệu
6 Cách thực hiện Imputation trên Bộ dữ liệu
7 Imputation trên các Đặc trưng Rời rạc
8 Làm sạch Dữ liệu trong EDA
9 Phát hiện Ngoại lai trong Bộ dữ liệu
10 Phân tích Dữ liệu
11 Kỹ thuật Đặc trưng trong Bộ dữ liệu
12 Giải thích về Data Leakage
1 Giới thiệu về RDBMS và SQL
2 Cài đặt PostgreSQL trên Windows
3 Tạo Bảng đầu tiên trong PostgreSQL
4 Chèn Bản ghi trong PostgreSQL
5 Truy vấn SQL Update
6 Truy vấn SQL Delete
7 Lệnh Drop so với Truncate trong SQL
8 Từ khóa SQL Alter
9 Làm chủ các Lệnh SQL: DDL, DML, DQL & DCL
10 Cách SQL Thực thi một Truy vấn
11 Chiến lược Thiết kế Cơ sở dữ liệu
12 Hiểu về Khóa chính và Khóa ngoại trong SQL
13 Tính nhất quán Dữ liệu trong SQL là gì
14 Giải thích về SQL Joins: Inner, Left, Right và Full
15 GROUP BY trong SQL là gì
16 Hiểu về Subqueries trong SQL
17 Hiểu về Chuẩn hóa Cơ sở dữ liệu
18 Làm chủ Views trong SQL
19 Materialized Views trong SQL
20 Đồng thời trong SQL: Locks, Isolation và Transactions
21 Hiểu về Kiểu dữ liệu Mảng và JSON trong SQL
22 Làm chủ Stored Procedures trong SQL
23 Làm chủ Window Functions trong SQL
24 Hiểu về các Thuộc tính ACID trong PostgreSQL
1 Bước đầu tiên trước bất kỳ dự án Machine Learning nào
2 Trực giác về Simple Linear Regression
3 Hàm Chi phí là gì
4 Gradient Descent là gì
5 Trực giác về Learning Rate
6 Trực giác Toán học đằng sau Cập nhật Trọng số
7 Multiple Linear Regression
8 Các chỉ số hiệu suất của Mô hình
9 Hiểu các Hàm Chi phí khác nhau
10 Overfitting và Underfitting trong Machine Learning
11 Mode Validation là gì
12 Simple Linear Regression trong Scikit-learn
13 Huấn luyện Mô hình bằng Scikit-learn
14 Xác thực Hiệu suất Mô hình
15 Multiple Linear Regression Bằng Scikit-learn
16 Polynomial Regression là gì
17 Polynomial Regression Bằng Scikit-learn
18 Ridge Regression là gì
19 Lasso Regression là gì
20 Hiểu về Cross Validation
21 Ridge và Lasso Regression trong Scikit-learn
22 Trực giác Toán học đằng sau Logistic Regression
23 Hiểu Phương trình Logistic Regression
24 Hàm Chi phí cho Logistic Regression
25 Các chỉ số Hiệu suất cho Logistic Regression
26 Hiểu về Phân loại Đa cấp
27 Code Logistic Regression Bằng Scikit-learn
28 Linear Regression so với Logistic Regression
29 Support Vector Machine (SVM)
30 Trực giác Toán SVM
31 Các Hàm Chi phí của SVM
32 Hiểu về SVM Kernels
33 Xây dựng Mô hình SVM Bằng Scikit-learn
34 K-Nearest Neighbors (KNN)
35 Thuật toán Naive Bayes
36 Trực giác Toán học của Thuật toán Naive Bayes
37 Áp dụng Naive Bayes trên Bộ dữ liệu
38 Các loại Thuật toán Naive Bayes
39 Naive Bayes sử dụng Scikit-learn
40 Thuật toán Decision Tree
41 Tính Entropy trong Thuật toán Decision Tree
42 Tính Gain trong Thuật toán Decision Tree
43 Trực giác Pre-Pruning và Post-Pruning
44 Decision Tree Regressor
45 Khi nào nên dùng Decision Tree
46 Thuật toán Decision Tree Bằng Scikit-learn
47 Thuật toán Random Forest
48 Trực giác Thuật toán Random Forest
49 Giới thiệu về Thuật toán AdaBoost
50 Tính Trọng số trong Thuật toán AdaBoost
51 Trực giác Toán học của Thuật toán AdaBoost
52 Thuật toán AdaBoost so với Random Forest
53 Giới thiệu về Thuật toán XGBoost
54 Các Tính năng khác nhau của Thuật toán XGBoost
55 Gradient Boosting hoạt động như thế nào
56 XGBoost trong bài toán Hồi quy
57 XGBoost trong bài toán Phân loại
58 Xây dựng mô hình với XGBoost và Scikit-learn
59 Khi nào nên dùng thuật toán nào
1 Thuật toán phân cụm K-means
2 Phân cụm K-means sử dụng Scikit-learn
3 Thuật toán phân cụm phân cấp
4 Thuật toán phân cụm DBSCAN
5 Phát hiện bất thường trong Học máy
1 DevOps cho Học máy
2 Docker là gì
3 Cài đặt Docker Desktop
4 Xây dựng pipeline mô hình Hồi quy tuyến tính bằng Python
5 Tạo file .pkl
6 FastAPI là gì
7 Cấu trúc thư mục trong một dự án FastAPI
8 Tạo file main.py trong FastAPI
9 Tạo API trang chủ và Template
10 Tạo endpoint dự đoán trong FastAPI
11 Tạo Dockerfile
12 Tạo Container và chạy Image trong Docker
1 Giới thiệu về Kỹ thuật dữ liệu
2 Tổng quan về vị trí của Kỹ thuật dữ liệu
3 Big Data là gì
4 Hiểu kiến trúc HDFS
5 Kiến trúc Apache Spark
6 Hiểu về Spark Cluster
7 Cách Spark lên kế hoạch xử lý
8 Cách mọi thứ kết nối với nhau
9 Giới thiệu về Kafka
10 Hiểu kiến trúc Kafka
1 Giới thiệu về Databricks
2 Các loại tài khoản Databricks
3 Hiểu hệ sinh thái Databricks
4 Databricks hoạt động bên trong như thế nào
5 Bắt đầu với PySpark
6 Thiết lập Databricks trên Azure
7 Microsoft Entra ID là gì? Khái niệm cơ bản về Identity & Access
8 Giới thiệu về Unity Catalog trong Databricks
9 Thiết lập Metastore của Unity Catalog trong Databricks
10 Hiểu về Deep Copy và Shallow Copy
11 Tối ưu hóa Delta Tables trong Databricks
12 Hiểu về Narrow và Wide Transformations
13 Xây dựng ETL Pipelines trong Databricks
14 Workflows trong Databricks: Điều phối & Lập lịch Job
15 Xây dựng Data Pipelines với Delta Live Tables (DLT)
16 Thực hành tốt nhất về code trong Databricks: Thiết kế module & tái sử dụng
17 Tích hợp Databricks với Azure DevOps Repos
18 Quan trọng: Xóa Compute trong Databricks để tránh phát sinh chi phí
1 Perceptron là gì
2 Lan truyền xuôi trong ANN
3 Lan truyền ngược trong ANN
4 Vấn đề Vanishing Gradient là gì
5 Hiểu về các Hàm kích hoạt trong Deep Learning
6 Thêm một số Hàm kích hoạt
7 Hàm mất mát và Chi phí trong ANN
8 Các loại Hàm chi phí
9 Optimizers trong Deep Learning
10 Một số Optimizers khác
11 Vấn đề Exploding Gradient
12 Kỹ thuật khởi tạo trọng số trong Deep Learning
13 Hiểu về Dropout Layers
14 Kỹ thuật tối ưu hóa ANN
15 Thảo luận về Kỹ thuật tối ưu hóa ANN
1 Giới thiệu về Mạng nơ-ron tích chập
2 Phép toán tích chập
3 Padding và Strides trong CNN
4 Hiểu về Pooling Layer
5 Hiểu kiến trúc CNN
6 Hiểu về Backpropagation trong CNN
7 Fine Tuning trong CNN
1 Tokenization là gì
2 Hiểu về Lemmatization và Stop Words trong NLP
3 Hiểu về thư viện NLTK
4 Hiểu về Stemming và Lemmatization
5 Nhận dạng thực thể có tên (NER)
6 One Hot Encoding trong NLP
7 Bag of Words và N-gram
8 Code Bag of Words với thư viện NLTK
9 Hiểu thuật toán TF-IDF
10 Hiểu mô hình Word 2 Vec
1 Giới thiệu về thuật toán RNN
2 Lan truyền xuôi trong RNN
3 Lan truyền ngược trong RNN
4 Trực quan về kiến trúc LSTM & GRU
5 Trực quan về RNN hai chiều
6 Kiến trúc Encoder Decoder
1 Giới thiệu về PyTorch
2 Các phép toán cơ bản trong PyTorch
3 Phép toán Inplace trong PyTorch
4 PyTorch trên GPU
5 Hiểu về Autograd trong PyTorch
6 Hiểu về Dataset và Dataloader trong PyTorch
7 Xây dựng mạng nơ-ron đầu tiên trong PyTorch
8 Hiểu về nn Module trong PyTorch
9 Thiết kế ANN đơn giản bằng PyTorch
10 Thiết kế Mạng nơ-ron sâu bằng PyTorch
11 Hiểu về Hyperparameter Tuning
12 Học chuyển giao CNN bằng PyTorch
13 Xây dựng mô hình RNN bằng PyTorch
14 Lưu và tải Model Artifact
1 Giới thiệu về Transformers
2 Tại sao lại là Transformers
3 Hiểu về Self-Attention trong Transformer
4 Hiểu về Contextual Embeddings
5 Trực quan về Self-Attention
6 Hình ảnh hóa Self-Attention
7 Trực quan đằng sau Multi Head Self Attention
8 Hiểu về Positional Encoding trong Transformer
9 Trực quan đằng sau Layer Normalization
10 Kiến trúc Transformer Encoder
11 Giới thiệu về Decoder
12 Hiểu về Cross Attention trong Transformer
13 Hiểu kiến trúc Decoder
14 Cách Transformer hoạt động trong quá trình suy luận
1 Lịch sử tóm tắt của LLM
2 Trực quan về Generative AI
3 Trực quan về Kỹ thuật LLM
1 LangChain là gì
2 Các khái niệm cơ bản trong LangChain
3 Hiểu về Sequential Chains
4 Hiểu về Parallel Chains
5 LangChain với HuggingFace
6 HuggingFace Pipeline API
7 RAG là gì
8 Hiểu về Vector Databases
9 Hiểu kiến trúc RAG
10 Đầu ra có cấu trúc của LLM sử dụng LangChain
11 Xây dựng RAG Pipeline sử dụng LangChain
1 Cải thiện truy vấn & Phân rã truy vấn
2 Kiến trúc RAG đa phương thức
3 Kiến trúc Agentic RAG
4 Cache Augmented Generation (CAG)
1 Giới thiệu về Agentic AI
2 LangChain so với LangGraph
3 Giới thiệu về LangGraph
4 Graph, Nodes và Edges trong LangGraph
5 Hiểu về Persistence trong LangGraph
6 Xây dựng Workflow tuần tự sử dụng LangGraph
7 Xây dựng LLM Workflow sử dụng LangGraph
8 Xây dựng LLM Workflow song song sử dụng LangGraph
9 Xây dựng LLM Workflow có điều kiện sử dụng LangGraph
10 Check Pointers trong LangGraph
11 Hiểu về Tool Calling trong LangGraph
12 Kiến trúc Multi Agent
13 Human in the Loop sử dụng LangGraph
1 MCP là gì
2 Hiểu kiến trúc MCP
3 Hiểu vòng đời MCP
4 Tạo MCP Server cục bộ
5 Tạo MCP Client
1 Giới thiệu về MLflow
2 Tải xuống tài nguyên Code
3 Thiết lập MLflow Server cục bộ
4 Giải thích về Child Runs và Artifacts trong MLflow
5 Ghi nhật ký mô hình trong MLflow
6 Đăng ký mô hình trong MLflow
7 Các phương pháp hay nhất để module hóa code Machine Learning
8 Thử nghiệm Prompt với MLflow cho ứng dụng LLM
9 Đánh giá Prompt với MLflow cho ứng dụng LLM
1 Tải xuống mã nguồn
2 Giới thiệu về Ollama
3 Tải xuống và cài đặt Ollama
4 Tương tác với LLM cục bộ qua Ollama CLI
5 Tương tác với LLM cục bộ qua thư viện Ollama
6 Sử dụng LangChain để tương tác với các mô hình Ollama
7 Hiểu về Modelfile trong Ollama
8 Tương tác với các mô hình Ollama qua ứng dụng Ollama
1 Kết luận khóa học và Lời cảm ơn

Giới thiệu khóa học

Welcome to the step by step roadmap to becoming an AI engineer

This course is designed to take you from the very basics to advanced real world AI engineering with a clear learning path. You will not just learn concepts. You will build systems, understand why they work, and learn how different pieces of AI, data, machine learning, deep learning, and LLM engineering connect together in real projects.

Most courses teach tools in isolation. This course teaches you how to connect everything into one complete AI engineering workflow that is used in industry.

In this course you will start from the foundations and gradually move towards advanced AI systems used today.

You will learn

• Python programming from beginner to advanced concepts for AI work

• How data is represented using vectors and matrices

• Data visualization, statistics, and feature engineering techniques

• SQL and PostgreSQL which every AI engineer must know

• Supervised machine learning algorithms like regression, SVM, decision tree, and XGBoost using scikit learn

• Unsupervised learning algorithms like K means and DBSCAN with proper visualization

• How to build APIs using FastAPI and run AI applications inside Docker containers

• Data engineering fundamentals with Kafka and Spark architecture and why data engineering is critical in AI projects

• Build scalable AI engineering pipelines using Azure Databricks, PySpark, Delta Lake, and end to end data workflows

• Deep learning foundations and the mathematics behind neural networks

• CNN and how machines process and understand images

• NLP fundamentals like tokenization, embeddings, and word embeddings

• Sequence models including RNN, LSTM, and GRU

• PyTorch from scratch and building ANN, CNN, and RNN models using PyTorch

• Transformer architecture explained step by step in simple terms

• LLM engineering, RAG, advanced RAG architecture, LangChain, LangGraph, AI agents, and LLM workflows

• Master MLflow for AI engineering, including experiment tracking and prompt experimentation and evaluation

• MCP and how to build a local MCP server and client

• Practical Guide to Running Open Source LLMs Locally using Ollama

This is a complete theory plus hands on course. You will write code, build projects, deploy models, and understand the logic behind every step instead of copying and pasting code.

If you want to transition your career into AI, understand how modern AI systems are built, and become job ready as an AI engineer, this course is for you.

Join this course and start your journey to become a full stack AI engineer.

Khóa học liên quan

Khám phá thêm các khoá học cùng chủ đề

Hiển thị tất cả khoá học Artificial Intelligence
Hiển thị tất cả khoá học Full Stack Development
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 😊