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

Introduction to AI and Machine Learning with Go (Golang)

Giới thiệu về AI và Machine Learning với Go (Golang)

Giới thiệu về AI và Machine Learning với Go (Golang)

Nắm vững kiến thức nền tảng về Trí tuệ Nhân tạo và Học máy, và áp dụng chúng vào các chương trình Go của bạn.

4.9
(60 đánh giá)
1,134 học viên
Giảng viên
Trevor Sawler
Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao
79.000đ 349.000đ -77%
✓ Xem giỏ hàng và thanh toán
Bao gồm phụ đề tiếng Việt, tiếng Anh
36.0 giờ video
188 bài giảng
Truy cập vĩnh viễn
Học trên mọi thiết bị
Cập nhật: 07/06/2026

Bạn sẽ học được gì

Tìm hiểu các nguyên tắc cơ bản của trí tuệ nhân tạo
Tìm hiểu các thuật toán tìm kiếm AI (BFS, DFS, GBFS, Dijkstra & A* Search)
Tìm hiểu các nguyên tắc cơ bản đằng sau học máy
Tìm hiểu về việc tạo thế giới với các quy tắc cho trí tuệ nhân tạo
Tìm hiểu cách quản lý xác suất với trí tuệ nhân tạo
Tìm hiểu cách huấn luyện mô hình bằng hồi quy tuyến tính và hồi quy tuyến tính bội
Tìm hiểu cách triển khai và sử dụng mạng nơ-ron
Tìm hiểu cách kết nối và sử dụng các mô hình từ xa trên các dịch vụ như Hugging Face
Tìm hiểu cách tích hợp ứng dụng Go với các LLM như ChatGPT và các LLM được lưu trữ cục bộ

Yêu cầu

Hiểu biết cơ bản về lập trình Go
Hiểu biết cơ bản về ngôn ngữ lập trình Python
Lý tưởng nhất là có máy tính trang bị GPU (hữu ích, nhưng không bắt buộc)

Đối tượng phù hợp

Dành cho các nhà phát triển muốn khám phá cách AI & Học máy có thể nâng cao kỹ năng lập trình khi làm việc với ngôn ngữ Go.

Nội dung khóa học

14 phần • 188 bài giảng
1 Giới thiệu
2 Đôi điều về tôi
3 Cài đặt Go
4 Cài đặt một IDE
5 Thiết lập VS Code cho Python
1 Nội dung chúng ta sẽ học trong phần này
2 Định nghĩa một mê cung
3 Tải mê cung từ ổ đĩa
4 Tìm kiếm Không Định hướng (Uninformed Search)
5 Bắt đầu với Tìm kiếm Theo chiều sâu (DFS)
6 Thử nghiệm thuật toán DFS của chúng ta
7 Thêm đầu ra hình ảnh vào dự án
8 Tạo hoạt ảnh minh họa quá trình giải mê cung
9 Triển khai Tìm kiếm Theo chiều rộng (BFS)
10 Triển khai Tìm kiếm Dijkstra
11 Thêm Chi phí Manhattan vào hình ảnh được tạo
12 Tìm kiếm Có Định hướng (Informed Search)
13 Triển khai Tìm kiếm Tham lam Ưu tiên Tốt nhất (GBFS)
14 Tổng quan về Tìm kiếm A*
15 Triển khai Tìm kiếm A*
16 Thêm các chướng ngại vật vào mê cung
17 Tính toán chi phí khi có chướng ngại vật
18 Tóm tắt
1 Nội dung chúng ta sẽ học trong phần này
2 Bắt đầu với robot hút bụi của chúng ta
3 Tải cấu hình Phòng
4 Bắt đầu in phòng ra terminal
5 Hoàn thiện việc in phòng ra terminal
6 Tải đồ đạc và vật cản
7 Tổng quan thuật toán Đi ngẫu nhiên (Random Walk)
8 Thiết lập các hàm mà mọi thuật toán dọn dẹp đều cần
9 Triển khai A* cho thuật toán Đi ngẫu nhiên
10 Bắt đầu với thuật toán Đi ngẫu nhiên
11 Thuật toán đường thẳng Bresenham và di chuyển dọc theo một đường cho đến khi gặp vật cản
12 Hoàn thiện hàm CleanRandomWalk
13 Thử nghiệm code của chúng ta với CleanRandomWalk
14 Thuật toán SLAM
15 Bắt đầu với thuật toán SLAM
16 Thêm các điểm lân cận vào biên giới (frontier)
17 Tiếp tục với thuật toán SLAM
18 Thêm kiểm tra biên giới kỹ lưỡng và kiểm tra độ phủ đủ
19 Hoàn thiện và thử nghiệm thuật toán SLAM của chúng ta
20 Thuật toán Xoắn ốc (Spiral)
21 Bắt đầu với thuật toán Xoắn ốc
22 Tìm tâm phòng và tạo mẫu xoắn ốc
23 Hoàn thiện thuật toán Xoắn ốc
24 Thuật toán Đường rắn (Snaking hay Boustrophedon path)
25 Bắt đầu với thuật toán Đường rắn
26 Hoàn thiện thuật toán Đường rắn
27 Thêm khả năng nhận diện vật cản
28 Phức tạp hóa vấn đề với một chú Mèo
29 Hoàn thiện logic cho Mèo
1 Nội dung chúng ta sẽ học trong phần này
2 Bắt đầu với nhiều phòng
3 Làm cho code hoạt động với nhiều phòng, nhưng chưa có logic
4 Định nghĩa bảng chân lý và quy tắc cho logic mệnh đề
5 Bắt đầu với thế giới logic của chúng ta
6 Hoàn thiện các phương thức cho thế giới logic
7 Bắt đầu với robot được tích hợp logic
8 Thử nghiệm robot và thế giới mới có nhận thức logic
9 Hoàn thiện robot logic mệnh đề
1 Chúng ta sẽ xây dựng gì trong phần này
2 Bắt đầu với code của chúng ta
3 Tải ứng viên từ file CSV
4 Thiết lập thuộc tính công bằng (fairness)
5 Thiết lập thuộc tính rủi ro (risk)
6 Hoàn thiện logic kiểm tra mô hình và thử nghiệm
1 Nội dung chúng ta sẽ học trong phần này
2 Bắt đầu với trò chơi Battleship của chúng ta
3 Thiết lập người chơi là Người
4 Thiết lập người chơi AI
5 Đặt tàu cho người chơi AI
6 Đặt tàu cho người chơi là Người
7 Để người chơi là Người thực hiện lượt đi
8 Bắt đầu cho phép người chơi AI thực hiện lượt đi
9 Thiết lập huntModeBoosts
10 Hoàn thiện việc cho phép người chơi AI thực hiện lượt đi
11 Hiển thị bản đồ nhiệt và thử nghiệm
12 Cải thiện chức năng bản đồ nhiệt
13 Đánh chìm tàu
14 Thử nghiệm trò chơi đã hoàn thiện
1 Nội dung chúng ta sẽ học trong phần này
2 Bắt đầu với trò chơi Blackjack của chúng ta
3 Xóa màn hình, tạo bộ bài và xáo trộn
4 Chiến lược mà người đếm bài của chúng ta sẽ sử dụng
5 Khả năng đếm bài cho người chơi AI
6 Kiểm tra xem bộ bài có cần xáo lại không và tạo người chơi
7 Chia bài cho cả ba người chơi và tính điểm
8 Hiển thị bài trên tay người chơi
9 Chơi một vòng cho người chơi là Người
10 Chơi một vòng cho người chơi AI
11 Chơi một vòng cho Nhà cái và thử nghiệm
1 Nội dung chúng ta sẽ học trong phần này
2 Bắt đầu với chương trình: tải và tiền xử lý dữ liệu
3 Chuẩn bị dữ liệu cho mô hình hóa, tách dữ liệu và huấn luyện mô hình
4 Đánh giá mô hình của chúng ta
5 In kết quả huấn luyện ra console
6 Hiển thị hình ảnh trực quan hóa dữ liệu
7 Dự đoán giá nhà dựa trên dữ liệu ngoài tập dữ liệu của chúng ta
8 Bắt đầu với Hồi quy Tuyến tính Bội trong Python
9 Triển khai khả năng xử lý dữ liệu
10 Phát triển các thao tác mô hình - Phần I
11 Phát triển các thao tác mô hình - Phần II
12 Thử nghiệm code chúng ta đã viết cho đến nay
13 Trực quan hóa: Hiển thị Kết quả
14 Tạo dữ liệu cho trực quan hóa
15 Tạo hình ảnh trực quan 2D
16 Tạo hình ảnh trực quan 3D
1 Nội dung chúng ta sẽ học trong phần này
2 Bắt đầu với chương trình: phân tích cờ dòng lệnh
3 Thiết lập kiểu dữ liệu, tải và xác thực dữ liệu
4 Thiết lập Kiểu Hồi quy Tuyến tính và lưu trữ dữ liệu mô hình
5 Tải dữ liệu và in thông tin tóm tắt
6 Thiết lập trình xử lý Mô hình và thử nghiệm tải dữ liệu
7 Chuẩn hóa Đặc trưng (Normalize Features)
8 Huấn luyện mô hình
9 Hiển thị thông tin mô hình đã huấn luyện
10 Thử nghiệm huấn luyện một mô hình
11 Lưu và Tải một mô hình đã huấn luyện
12 Thiết lập phương thức Dự đoán trên kiểu LinearRegression
13 Thiết lập hàm xử lý dự đoán (handlePrediction)
14 Hiển thị Dự đoán
15 Cài đặt ứng dụng phụ trợ (sidecar) để tạo hình ảnh trực quan hóa dữ liệu (plot)
16 Viết code Go để gọi ứng dụng phụ trợ: Phần I
17 Viết code Go để gọi ứng dụng phụ trợ: Phần II
18 Thử nghiệm chức năng vẽ đồ thị của chúng ta
19 Cập nhật ứng dụng Python để lưu sang định dạng JSON
20 Tải mô hình được huấn luyện trong Python vào ứng dụng Go của chúng ta
1 Nội dung chúng ta sẽ học trong phần này
2 Thiết lập dự án Python cho Mạng Nơ-ron
3 Tải và tiền xử lý dữ liệu của chúng ta
4 Thử nghiệm tải dữ liệu
5 Thiết lập phần còn lại của các cờ dòng lệnh
6 Bắt đầu huấn luyện mạng nơ-ron của chúng ta
7 Thiết lập vòng lặp huấn luyện
8 Thử nghiệm vòng lặp huấn luyện
9 Lưu mô hình đã huấn luyện
10 Tải file ONNX đã lưu và thực hiện dự đoán
11 Thử nghiệm hàm dự đoán của chúng ta
12 Mèo vs Chó: Mạng Nơ-ron Tích chập (CNN)
13 Bắt đầu với CNN của chúng ta
14 Thiết lập GPU, nếu có sẵn
15 Bắt đầu huấn luyện mô hình: tải dữ liệu
16 Định nghĩa mạng nơ-ron của chúng ta
17 Thiết lập lượt truyền thuận (forward pass) cho mạng
18 Thiết lập hàm mất mát, bộ tối ưu và bộ lập lịch tốc độ học
19 Thiết lập hàm train_model
20 Triển khai dừng sớm (early stopping)
21 Khôi phục mô hình tốt nhất (best model restoration)
22 Lưu trạng thái mô hình
23 Thiết lập suy luận (inference)
24 Thử nghiệm
1 Nội dung chúng ta sẽ học trong phần này
2 Bắt đầu với gói tóm tắt văn bản của chúng ta
3 Thiết lập một ứng dụng đơn giản
4 Bắt đầu với mô-đun tóm tắt (summarizer)
5 Cấu hình bộ tóm tắt của chúng ta
6 Bắt đầu với tóm tắt trích xuất
7 Lấy các Thực thể có Tên (Named Entities)
8 Tính trọng số vị trí câu
9 Tạo bản đồ các câu chứa thực thể quan trọng
10 Tìm từ khóa tiêu đề nếu có
11 Tạo biểu diễn đồ thị cho thuật toán kiểu TextRank
12 Phân tích mối quan hệ giữa các câu
13 Chấm điểm thực thể có tên
14 Độ trùng khớp từ khóa tiêu đề
15 Điểm kiểu TextRank sử dụng ma trận tương đồng
16 Điểm gắn kết, chấm điểm câu và lấy các câu xếp hạng cao nhất
17 Trích xuất từ khóa
18 Triển khai GetResponse
19 Thiết lập ứng dụng web
20 Gọi gói tóm tắt từ ứng dụng web
1 Lấy khóa API Hugging Face
2 Thiết lập Taskfile
3 Thiết lập Hugging Face trong gói summarizer
4 Thiết lập hàm summarizer cho Hugging Face
5 Cập nhật GenerateSummary cho Hugging Face
6 Thiết lập Hugging Face trong ứng dụng web
7 Kiểm tra thử nghiệm
1 Cài đặt và cấu hình Ollama
2 Thiết lập OpenAI trong gói summarizer
3 Cập nhật GenerateSummary cho OpenAI
4 Cập nhật ứng dụng web cho OpenAI
5 Kiểm tra thử nghiệm
1 Thiết lập tóm tắt lai trong gói summarizer
2 Cập nhật GenerateSummary cho tóm tắt Lai
3 Cập nhật ứng dụng web cho tóm tắt Lai
4 Triển khai chế độ CLI

Giới thiệu khóa học

Are you a Go developer ready to explore the exciting world of AI and machine learning? This course is your comprehensive guide, designed specifically for Gophers who want to add powerful AI skills to their toolkit.

Much of the code in this course is written in Go, but some of it is written in Python, where it makes sense to do so, and this means that before taking this course you should have a basic understanding of both languages.

We'll start with fundamental AI concepts, building a strong foundation with practical, hands-on projects. Then, we'll dive into the world of machine learning, tackling everything from classic regression models to modern neural networks. You'll learn how to leverage Go for high-performance AI applications, and discover how to integrate it with Python and cutting-edge tools like Hugging Face and LLMs for state-of-the-art solutions.

 

What You'll Learn

  • Search Algorithms & Intelligent Agents: Master core AI search algorithms like A* and Dijkstra's by solving mazes and building a robot vacuum.

  • Propositional Logic & Model Checking: knowledge based AI agents often need to make decisions based on available information in the world they operate in. Propositional logic and model checking are two different approaches to solving this problem.

  • Uncertainty: Learn how AI agents handle randomness by creating a Battleship AI and a card-counting Blackjack player.

  • Machine Learning Fundamentals: Get a practical understanding of linear regression by building models in both Python and Go to predict housing prices.

  • Deep Learning & Neural Networks: Build a neural network from scratch for housing price prediction and a Convolutional Neural Network (CNN) for image classification.

  • Natural Language Processing (NLP): Discover the power of NLP by creating an extractive summarization program in Go. You'll also learn to interface with external models from Hugging Face and harness the power of Large Language Models (LLMs) to create hybrid summarization systems.

  • Large Language Models (LLMs): Learn how to connect your Go programs to Large Language Models like ChatGPT. We'll use a locally hosted LLM using Ollama, but the code we write will be 100% compatible with OpenAI, which is used to connect to most LLMs.

 

Course Requirements

This course is for intermediate to advanced Go developers. You should be comfortable with Go syntax and core concepts. A basic understanding of data structures like graphs and trees is also helpful, but not required. You should also have a basic understanding of Python.

All you need is a computer running Windows, macOS, or Linux. While a GPU will speed up certain deep learning tasks, it is not essential; everything will run on a CPU.

 

Why This Course?

This isn't just another machine learning course; it's tailored for Go programmers. You'll learn how to build production-ready AI and machine learning applications that leverage Go's performance and concurrency. By the end, you'll have a portfolio of projects and the skills to confidently build your own intelligent applications.

Ready to build the future of AI with Go? Enroll now and start your journey!

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 Go
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 😊