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

Generative AI Masters 2026 - From Python to Gen AI

Generative AI Masters 2026 - Từ Python đến Gen AI

Generative AI Masters 2026 - Từ Python đến Gen AI

Thành thạo Generative AI qua thực hành với LLM, ChatGPT, LangChain, RAG, Fine Tuning và các dự án thực tế.

4.7
(929 đánh giá)
23,736 học viên
Giảng viên
Dr. Satyajit Pattnaik
Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao
79.000đ 829.000đ -90%
✓ Xem giỏ hàng và thanh toán
Bao gồm phụ đề tiếng Việt, tiếng Anh
48.0 giờ video
216 bài giảng
Truy cập vĩnh viễn
Học trên mọi thiết bị
Cập nhật: 07/06/2026

Bạn sẽ học được gì

Xây dựng nền tảng vững chắc về lập trình Python để triển khai hiệu quả các khái niệm và ứng dụng AI.
Hiểu toàn bộ quy trình xử lý ngôn ngữ tự nhiên, từ tiền xử lý dữ liệu đến triển khai mô hình.
Tìm hiểu cách các mô hình transformer cách mạng hóa các tác vụ NLP và cách ứng dụng chúng cho nhiều mục đích khác nhau.
Khám phá kiến thức cốt lõi về Mô hình Ngôn ngữ Lớn (LLM) và ứng dụng của chúng trong các tác vụ sinh dữ liệu.
Trải nghiệm thực hành với Retrieval-Augmented Generation (RAG) và Langchain để xây dựng các ứng dụng AI tiên tiến.
Phát triển kỹ năng tạo prompt hiệu quả để tối ưu hiệu suất mô hình và đạt được kết quả mong muốn.
Học cách sử dụng cơ sở dữ liệu vector để lưu trữ và truy xuất embedding hiệu quả trong các dự án AI.

Yêu cầu

Kiến thức cơ bản về Machine Learning sẽ có lợi nhưng không bắt buộc

Đối tượng phù hợp

Dành cho những cá nhân đam mê AI và ML, muốn mở rộng kiến thức và kỹ năng trong lĩnh vực ứng dụng generative AI.
Các chuyên gia muốn nâng cao trình độ chuyên môn trong việc xây dựng và triển khai mô hình generative AI.
Các nhà phát triển quan tâm đến việc tích hợp khả năng AI tiên tiến vào ứng dụng của mình và tìm hiểu về triển khai, tối ưu hóa mô hình AI.

Nội dung khóa học

27 phần • 216 bài giảng
1 Giới thiệu
2 Tài nguyên Khóa học
1 Chào mừng đến với mô-đun về Python
2 Giới thiệu
3 Kiểu dữ liệu & Toán tử
4 Biến & Từ khóa
1 Danh sách (Lists)
2 Bộ giá trị (Tuples)
3 Tập hợp (Sets)
4 Từ điển (Dictionary)
1 Vòng lặp & Lặp lại
2 Hàm trong Python
3 Các Hàm Map, Reduce & Filter
4 Xử lý File
1 Cấu trúc Điều khiển
2 Khái niệm Lập trình Hướng đối tượng
1 Pandas
2 Numpy
1 Trực quan hóa Dữ liệu
2 Matplotlib
3 Seaborn
1 Chào mừng đến với mô-đun về NLP
2 Giới thiệu
3 Giới thiệu (Phần II)
4 Thách thức Chính trong NLP
5 Ngôn ngữ học
1 Chuẩn hóa Chữ viết (Case Folding)
2 Loại bỏ Ký tự Đặc biệt
3 Xử lý Từ Viết tắt (Contractions)
4 Phân tách Từ (Tokenization)
5 Loại bỏ Từ dừng (Stop Words)
6 nGrams
7 Vector hóa
8 Word Embeddings
9 Bag of Words (Lý thuyết)
10 Bag of Words (Thực hành)
11 TF-IDF (Lý thuyết)
12 TF-IDF (Thực hành)
13 Gán nhãn Từ loại & Nhận dạng Thực thể (NER)
14 Nhận dạng Thực thể (Thực hành)
1 Giới thiệu Word2Vec
2 Word2Vec Phần 2
3 Word2Vec Đã được Huấn luyện Trước
4 Hiểu sâu về Word2Vec
5 Word2Vec 50 Đặc trưng
6 Word2Vec CBOW
7 Word2Vec SkipGrams
8 GloVe
9 fastText
10 Độ tương tự Cosine
1 LSTM Phần 1
2 LSTM Phần 2 (Kiến trúc)
3 LSTM Phần 3 (Đi sâu vào Kiến trúc)
4 LSTM Phần 4 (Các Phép toán Điểm)
5 LSTM Phần 5 Cổng Quên (forgetGate)
6 LSTM Phần 6 Cổng Đầu vào (inputGate)
7 LSTM Phần 7 Cổng Đầu ra (outputGate)
8 LSTM Phần 8 Thực hành
9 LSTM Phần 9 Thực hành
10 LSTM Phần 10 Thực hành
11 GRU Phần 1
12 GRU Phần 2
13 GRU Phần 3 (Cổng Đặt lại - resetGate)
14 GRU Phần 4 (Cổng Cập nhật - updateGate)
15 GRU Phần 5 Thực hành
16 RNN Hai chiều (Bi Directional RNN)
1 Chào mừng đến với mô-đun về Học sâu
2 Giới thiệu về Học sâu
3 Hiểu về Học sâu
4 Nơ-ron là gì?
5 Hàm Kích hoạt
6 Hàm Bước (Step Function)
7 Hàm Tuyến tính
8 Hàm Sigmoid
9 Hàm TanH
10 Hàm ReLU
11 Lan truyền Ngược vs Lan truyền Xuôi
12 Gradient Descent
13 Hiểu sâu về ANN
14 ANN (Thực hành)
15 ANN (Tối ưu Siêu tham số)
16 CNN - Các Bước trong CNN
17 CNN - CNN là gì?
18 CNN - Giải thích Kiến trúc
19 CNN - Tăng cường Ảnh (Image Augmentation)
20 CNN - Kích thước Batch vs Số lần Lặp vs Số Epoch
21 CNN - Triển khai Code cho CNN
22 CNN - Tóm tắt Mô hình & Các Tham số
23 CNN - Dự án Thực hành (Phân loại Ảnh X-quang)
24 RNN - Cơ bản
25 RNN - Các Loại RNN
26 RNN - Vấn đề Gradient Biến mất vs Gradient Bùng nổ
27 RNN - LSTMs
28 RNN - LSTMs (Thực hành)
29 Mô hình Đã được Huấn luyện Trước (Lý thuyết)
30 Mô hình Đã được Huấn luyện Trước (Thực hành)
31 VGG16
32 MobileNet
33 Học Chuyển giao (Transfer Learning)
34 Dự án Cuối cùng + Streamlit
1 Chào mừng đến với hành trình khám phá Gen AI
2 Các Loại Transformers
3 Transformers là gì?
4 Self Attention là tất cả những gì bạn cần!!
5 Kiến trúc Bộ mã hóa (Encoder)
6 Embeddings Ngữ cảnh (Contextual Embeddings)
7 Kiến trúc Bộ giải mã (Decoder)
1 Giới thiệu về BERT
2 Các Cấu hình BERT
3 Tinh chỉnh BERT (BERT Fine Tuning)
4 Huấn luyện Trước BERT (Mô hình Ngôn ngữ Mặt nạ - Masked LM)
5 Input Embeddings trong BERT
6 ARLM vs AELM
7 RoBERTa
8 DistilBERT
9 AlBERT
1 Giới thiệu về GPT
2 Kiến trúc GPT
3 GPT (Masked Multi Head Attention)
4 Các Khối GPT
5 Huấn luyện GPT
1 Tokens là gì?
2 Cửa sổ Ngữ cảnh (Context Window)
3 Prompt là gì?
4 Kỹ thuật Prompt (Prompt Engineering)
5 Điều chỉnh Prompt (Prompt Tuning)
6 Cấu trúc Prompt
1 Giới thiệu về RAGs
2 RAGs - Là gì và Tại sao
3 RAGs - Các Trường hợp Sử dụng
4 RAGs - Bài báo Nghiên cứu
5 Kiến trúc RAGs + Kiến trúc VectorDB
6 RAGs - Kiến trúc Chi tiết
7 RAGs - Chatbot dựa trên Bài báo Nghiên cứu sử dụng Open AI (Thực hành)
1 LangChain
1 Giới thiệu về Kỹ thuật Prompt
2 Các Loại Prompting
3 Hạn chế của Few Shot
4 Prompting Chuỗi Suy nghĩ (Chain of Thoughts)
1 Cơ sở dữ liệu Vector
2 Chỉ mục Vector vs Cơ sở dữ liệu Vector
3 Cơ sở dữ liệu Vector hoạt động như thế nào
4 Cơ sở dữ liệu Vector (Thực hành)
5 LSH
1 Tổng quan Mô hình
2 Bắt đầu với Ollama
3 Kiểm tra Mô hình
4 Triển khai với Python
5 Hệ thống RAG với Ollama
6 Hệ thống RAG với Ollama (Thực hành)
1 Tổng quan về LLM APIs
2 Hệ thống RAG với xAI: LLM APIs
3 Hệ thống RAG với xAI: LLM APIs (Thực hành)
1 Giới thiệu
2 RAGs vs Fine Tuning
3 Khi nào sử dụng RAG/Fine-Tuning?
4 Fine Tuning
5 PEFT và Lượng tử hóa (Quantization)
6 LoRA (Giai đoạn I - Hạng thấp)
7 LoRA (Giai đoạn II - Bộ điều hợp)
8 LoRA (Giai đoạn III - Hạng thấp + Bộ điều hợp)
9 qLoRA (LoRA đã Lượng tử hóa)
1 Giới thiệu
2 Giới thiệu Đánh giá RAG
3 Chỉ số N-gram (BLEU)
4 Chỉ số N-gram (ROUGE)
5 Chỉ số N-gram (METEOR)
6 Chỉ số Nội tại (Điểm PPL)
7 Thực hành Chỉ số Nội tại (Điểm PPL)
8 Chỉ số dựa trên Mô hình (BARTScore vs BERTScore)
9 Framework RAGAS (Đánh giá RAG)
10 (THỰC HÀNH) Đánh giá RAG bằng RAGAS
11 (THỰC HÀNH) Đánh giá RAG bằng BLEU, ROUGE
12 (THỰC HÀNH) Đánh giá RAG bằng BERTScore, BARTScore
1 Giới thiệu Triển khai (ML, DL, NLP, v.v.)
2 Giới thiệu Flask
3 Xây dựng Ứng dụng Flask Cơ bản
4 Xây dựng Mô hình (Ung thư Vú)
5 Ứng dụng Flask (Ung thư Vú)
6 Vai trò của Điện toán Đám mây trong Triển khai (AWS)
7 Triển khai Ứng dụng ML/DL trên AWS
8 Triển khai Mô hình Gen AI
9 Sơ đồ Kiến trúc
10 Phục vụ Mô hình (Model Serving)
11 Các bước Tiếp theo
12 Chatbot Air India
13 Mã nguồn - Dựa trên PDF
14 Mã nguồn - Dựa trên Thư mục
15 Ứng dụng Streamlit
16 Triển khai trên AWS EC2
1 Dự án 1: Chatbot RAG Nghiên cứu
2 Dự án 2: Chatbot Chat Scholar + Hệ thống Chấm điểm Bài luận
3 Dự án 3: Xử lý Yêu cầu Bảo hiểm bằng AI
4 Dự án 4: Cố vấn Nghề nghiệp AI (Phần 1)
5 Dự án 4: Cố vấn Nghề nghiệp AI (Phần 2)
6 Dự án 4: Cố vấn Nghề nghiệp AI (Phần 3)
7 Dự án 5: Chatbot Bền vững (xAI's Grok-3)
8 Dự án 6: Chatbot RAG Đa PDF từ Dữ liệu Thu thập Web
9 Dự án 7: Chatbot Text-to-SQL: Phần 1
10 Dự án 7: Chatbot Text-to-SQL: Phần 2
11 Dự án 7: Chatbot Text-to-SQL: Phần 3
12 Dự án 7: Chatbot Text-to-SQL: Phần 4
13 Dự án 7: Chatbot Text-to-SQL: Phần 5
14 Dự án 7: Chatbot Text-to-SQL: Phần 6
15 Dự án 7: Chatbot Text-to-SQL: Phần 7
1 Hướng dẫn Phỏng vấn Gen AI
2 Phỏng vấn Gen AI #1
3 Phỏng vấn Gen AI #2
4 Phỏng vấn Gen AI #3
5 Phỏng vấn Gen AI #4
6 Phỏng vấn Gen AI #5
7 Phỏng vấn Gen AI #6
8 Phỏng vấn Gen AI #7
9 Phỏng vấn Gen AI #8
10 Phỏng vấn Gen AI #9
11 Phỏng vấn Gen AI #10

Giới thiệu khóa học

Unlock the potential of Generative AI with our comprehensive course, "Gen AI Masters 2025 - From Python To LLMs and Deployment" This course is designed for both beginners and seasoned developers looking to deepen their understanding of the rapidly evolving field of artificial intelligence.

Learn how to build Generative AI applications using Python and LLMs. Understand prompt engineering, explore vector databases like FAISS, and deploy real-world AI chatbots using RAG architecture.

In this course, you will explore a wide range of essential topics, including:

  • Python Programming: Learn the fundamentals of Python, the go-to language for AI development, and become proficient in data manipulation using libraries like Pandas and NumPy.

  • Natural Language Processing (NLP): Dive into the world of NLP, mastering techniques for text processing, feature extraction, and leveraging powerful libraries like NLTK and SpaCy.

  • Deep Learning and Transformers: Understand the architecture of Transformer models, which are at the heart of many state-of-the-art AI applications. Discover the principles of deep learning and how to implement neural networks using TensorFlow and PyTorch.

  • Large Language Models (LLMs): Gain insights into LLMs, their training, fine-tuning processes (including PEFT, LoRA, and QLoRA), and learn how to effectively use these models in various applications, from chatbots to content generation.

  • Retrieval-Augmented Generation (RAGs): Explore the innovative concept of RAG, which combines retrieval techniques with generative models to enhance AI performance. You'll also learn about RAG evaluation methods, including the RAGAS framework, BLEU, ROUGE, BARScore, and BERTScore.

  • Prompt Engineering: Master the art of crafting effective prompts to improve interactions with LLMs and optimize outputs for specific tasks.

  • Vector Databases: Discover how to implement and utilize vector databases for storing and retrieving high-dimensional data, a crucial skill in managing AI-generated content.

The course culminates in a Capstone Project, where you will apply everything you've learned to solve a real-world problem using Generative AI techniques.

Projects List: 

  • AI Career Coach: A personalized chatbot that guides users in career development and job search strategies using real-time data and insights.

  • AI Powered Automated Claims Processing: An intelligent system that streamlines insurance claims by automating data extraction and decision-making processes.

  • Chat Scholar Chatbot + Essay Grading System: An interactive chatbot that assists students with writing and provides AI-driven grading and feedback on essays.

  • Research RAG Chatbot: A research assistant chatbot that retrieves relevant academic information and generates summaries based on user queries.

  • Sustainability Chatbot (GROK AI): An eco-focused chatbot that educates users on sustainable practices and provides actionable tips for reducing their carbon footprint.

If you have a specific project idea in mind, feel free to share it, and we will do our best to bring your vision to life.

By the end of this course, you will have a solid foundation in Generative AI and the skills to implement complex AI solutions. Whether you're looking to enhance your career, transition into AI development, or simply explore this fascinating field, this course is your gateway to mastering Generative AI.

Enroll now and take the first step toward becoming an expert in Generative AI!

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 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 😊