Bỏ qua để đến nội dung
AI Atlas

AI Atlas

Học AI theo một tấm bản đồ

Lộ trình 78 bài, từ Python đến mô hình ngôn ngữ lớn, xếp theo thứ tự nên học. Bài được viết dần bằng tiếng Việt và tiếng Anh, miễn phí, không cần tài khoản.

Bắt đầu họcMở bản đồ
Bản đồ An Nam đại quốc họa đồ năm 1838, tên bản đồ in bằng cả chữ Hán và chữ Latin.
An Nam đại quốc họa đồ, Jean-Louis Taberd, 1838. Tên bản đồ in bằng hai thứ chữ.

Bảy phần, một ngã ba

Đi lần lượt qua Python, Toán, Học máy và Học sâu. Tới đó đường rẽ ba: ngôn ngữ, hình ảnh, hoặc mô hình ngôn ngữ lớn.

  1. Python

    Ngôn ngữ chung của mọi bài sau.

    7 bài

    Bảng tính số Bernoulli của Ada Lovelace.
    Bảng tính số Bernoulli của Ada Lovelace, 1843: chương trình đầu tiên được in.

  2. Toán cho AI

    Vectơ, đạo hàm và xác suất: đủ dùng, không hơn.

    3 bài

    Định lý Pythagoras vẽ bằng các hình vuông màu đỏ, vàng, xanh.
    Định lý Pythagoras trong sách Euclid của Oliver Byrne, 1847.

  3. Học máy

    Mô hình đầu tiên, và cách biết nó sai ở đâu.

    14 bài

    Sơ đồ chiều cao cha mẹ và con cái với một hình elip của Francis Galton.
    Sơ đồ của Francis Galton, 1886, trong bài báo đặt tên cho "regression".

  4. Học sâu

    Xếp nhiều lớp nơ-ron chồng lên nhau.

    8 bài

    Hình vẽ tay hai tế bào thần kinh Purkinje với nhánh tỏa ra như cây.
    Tế bào Purkinje, Santiago Ramón y Cajal vẽ, 1899.

  5. Sau Học sâu, chọn một nhánh

  6. Xử lý ngôn ngữ tự nhiên

    Máy đọc chữ: từ tách từ đến BERT, GPT.

    13 bài

    Phiến đá Rosetta khắc một văn bản bằng ba thứ chữ.
    Phiến đá Rosetta: một văn bản, ba thứ chữ. Ảnh in năm 1922.

  7. Thị giác máy tính

    Máy nhìn ảnh: từ CNN đến diffusion.

    10 bài

    Mười hai khung ảnh con ngựa Sallie Gardner, mười một khung đang phi.
    Ngựa Sallie Gardner phi qua từng khung ảnh, Eadweard Muybridge, 1878.

  8. Mô hình ngôn ngữ lớn

    Dùng, xây và huấn luyện mô hình ngôn ngữ lớn.

    23 bài

    Một trang từ điển Việt – La tinh: chữ Nôm, chữ quốc ngữ và tiếng La tinh.
    Từ điển Việt – La tinh, Pigneau de Béhaine soạn, Taberd in năm 1838.

Toàn bộ 78 bài

Mỗi bài biết những bài nào dẫn tới nó. Chọn một điểm đến để thấy đường đi.

Đường tới Hồi quy tuyến tính: 8 bài, qua 3 phần.

Python 4 → Toán cho AI 2 → Học máy 2

Python

7 bài

  1. Làm quen công cụ: Google Colab, Kaggle (Đã học)
  2. Cú pháp cơ bản (Đã học)
  3. Cấu trúc dữ liệu: list, tuple, set, dict (Đã học)
  4. Hàm, chuỗi, đọc/ghi file (Đã học)
  5. Lập trình hướng đối tượng (OOP) (Đã học)
  6. Numpy và Pandas (Đã học)
  7. Trực quan hóa dữ liệu: Matplotlib và Seaborn (Đã học)

Toán cho AI

3 bài

  1. Đại số tuyến tính (Đã học)
  2. Giải tích (Đã học)
  3. Xác suất thống kê (Đã học)

Học máy

14 bài

  1. Tổng quan về Học máy (Đã học)
  2. Hồi quy tuyến tính (Đã học)
  3. Overfitting và Underfitting (Đã học)
  4. Ridge, Lasso, Elastic Net (Đã học)
  5. Gradient Descent (Đã học)
  6. Thuật toán tối ưu nâng cao (Đã học)
  7. K-means (Đã học)
  8. K-Nearest Neighbors (KNN) (Đã học)
  9. Hồi quy Logistic (Đã học)
  10. Đánh giá mô hình: Accuracy, Precision, Recall, F1 (Đã học)
  11. Hồi quy Softmax (Đã học)
  12. Decision Tree và Random Forest (Đã học)
  13. Xử lý dữ liệu (Đã học)
  14. Dự án ML từ đầu đến cuối (Đã học)

Học sâu

8 bài

  1. Mạng nơ-ron nhân tạo (Đã học)
  2. Huấn luyện mạng nơ-ron (Đã học)
  3. Mạng tích chập (CNN) (Đã học)
  4. Kiến trúc CNN hiện đại (Đã học)
  5. Mạng nơ-ron hồi tiếp (RNN) (Đã học)
  6. GRU (Đã học)
  7. LSTM và BiLSTM (Đã học)
  8. Transformers (Đã học)

Sau Học sâu, chọn một nhánh

Xử lý ngôn ngữ tự nhiên

13 bài

  1. Biểu thức chính quy (Regex) (Đã học)
  2. Tách từ (Tokenizer) (Đã học)
  3. Chuẩn hóa văn bản (Đã học)
  4. Vector Semantics và Embeddings (Đã học)
  5. Word2Vec (CBOW, Skip-gram), GloVe, FastText (Đã học)
  6. BERT (Đã học)
  7. GPT và huấn luyện phân tán (Đã học)
  8. Transformers nâng cao (Đã học)
  9. Truy xuất thông tin (Information Retrieval) (Đã học)
  10. Phân tích cảm xúc (Đã học)
  11. Nhận dạng thực thể (NER) (Đã học)
  12. Sinh văn bản và tóm tắt văn bản (Đã học)
  13. Hỏi đáp (Question Answering) (Đã học)

Thị giác máy tính

10 bài

  1. Phân loại ảnh với CNN (Đã học)
  2. Phân loại ảnh với Transformer: Attention, ViT (Đã học)
  3. Semantic Segmentation: FCN, UNet, FPN, DeepLab, HRNet (Đã học)
  4. Instance và Universal Segmentation (Đã học)
  5. Ảnh + văn bản (1): CLIP, BLIP, GLIP (Đã học)
  6. Ảnh + văn bản (2): LLaVA và các biến thể (Đã học)
  7. Sinh ảnh (1): VAE, GAN, CycleGAN, Pix2Pix (Đã học)
  8. Sinh ảnh (2): Diffusion, Stable Diffusion, LoRA (Đã học)
  9. Data augmentation trong CV (Đã học)
  10. Self-supervised learning với ảnh (Đã học)

Mô hình ngôn ngữ lớn

23 bài

Ứng dụng LLM

  1. Sử dụng API văn bản (Đã học)
  2. Làm giao diện với Gradio/Streamlit (Đã học)
  3. Prompt Engineering (Đã học)
  4. Docker và Cloud (Đã học)
  5. Deploy mô hình riêng (Đã học)
  6. RAG và chatbot hiện đại (Đã học)
  7. Crawl dữ liệu và MongoDB (Đã học)
  8. LangChain và LlamaIndex (Đã học)
  9. Agents (Đã học)
  10. Graph RAG (Đã học)
  11. API cho hình ảnh và video (Đã học)

Xây dựng và huấn luyện LLM

  1. Xây dựng LLM đầu tiên (Đã học)
  2. Họ GPT và fine-tune đa nhiệm (Đã học)
  3. Chuẩn bị dữ liệu pre-train (Đã học)
  4. RLHF (Đã học)
  5. DPO (Đã học)
  6. Đánh giá mô hình và PEFT (Đã học)
  7. Họ LLaMA: RoPE, huấn luyện song song (Đã học)
  8. Mô hình chuỗi sang chuỗi (Seq2Seq) (Đã học)
  9. Họ DeepSeek (Đã học)
  10. Debug mô hình ngôn ngữ (Đã học)
  11. Multimodal (Đã học)
  12. Deploy LLM: nhiều GPU, phân tán (Đã học)

Chữ đậm: bài đã mởChữ nhạt: sắp có

Bên trong một bài học

Mỗi bài đi cùng một trình tự: trực giác trước, rồi lý thuyết, rồi code ví dụ.

Từ Python tới Học máy, code chạy ngay trên trang. Đây là phác thảo bài Hồi quy tuyến tính, bài đầu tiên đã mở.

Tabula Indiae Orientalis, Frederick de Wit, khoảng 1682.

  1. Trực giác

    Nhà rộng hơn thường đắt hơn.

    Kẻ một đường thẳng đi gần

    mọi điểm (diện tích, giá).

    Đường đó đoán giá cho

    căn nhà chưa bán.

  2. Lý thuyết

    y^i=wxi+b\hat{y}_i = w x_i + b

    L=1m∑i=1m(y^i−yi)2\mathcal{L} = \frac{1}{m} \sum_{i=1}^{m} (\hat{y}_i - y_i)^2

    Tìm ww và bb

    để L\mathcal{L} nhỏ nhất.

  3. Code

    import numpy as np

rng = np.random.default_rng(42)
m = 50
x = rng.uniform(0, 10, m)
# tham số thật: w = 3, b = 2, cộng nhiễu
y = 3 * x + 2 + rng.normal(0, 1.5, m)

w, b = np.polyfit(x, y, 1)
loss = np.mean((w * x + b - y) ** 2)
print(f"w = {w:.3f}")
print(f"b = {b:.3f}")
print(f"L = {loss:.3f}")

  4. Kết quả

    w = 3.018
b = 1.653
L = 1.290

    Dữ liệu tạo từ w = 3, b = 2. Mô hình đoán sát dù có nhiễu.

  5. Kiểm tra nhanh

    Mọi giá nhà tăng gấp đôi.

    ww mới bằng bao nhiêu?

    Đáp án: gấp đôi ww cũ.

    Đường thẳng dốc gấp đôi.

  6. Tóm tắt

    Một đường thẳng gần mọi điểm.

    "Gần" đo bằng L\mathcal{L}.

    Đọc thêm: Galton (1886),

    bài báo đặt tên cho "regression".

Một ý, hai cái tên

Lần đầu xuất hiện, mỗi thuật ngữ đi kèm tên tiếng Anh. Đọc tài liệu tiếng Anh sẽ bớt lạ.

Tranh vẽ hoa diên vĩ Iris versicolor màu tím.
Iris versicolor, Curtis’s Botanical Magazine, 1787: một loài hoa, tên Latin và tên thường gọi.
hồi quy tuyến tính
linear regression
hàm mất mát
loss function
tốc độ học
learning rate
trọng số
weight
hệ số tự do
bias
siêu tham số
hyperparameter
tập huấn luyện
training set
học có giám sát
supervised learning
phân cụm
clustering
mạng nơ-ron
neural network
lan truyền ngược
backpropagation
cơ chế chú ý
attention mechanism
tách từ
tokenization
mô hình ngôn ngữ lớn
large language model

Vì sao có AI Atlas

Chào bạn,

AI Atlas bắt đầu từ một giáo án học AI. Mình sắp các buổi học lại thành một tấm bản đồ, để ai cũng thấy nên học gì trước, học gì sau, và vì sao.

Mỗi bài viết bằng tiếng Việt trước, rồi mới dịch sang tiếng Anh. Code trong bài đều được chạy thử, nguồn tham khảo đều có thật.

Trang này miễn phí và không cần tài khoản. Tiến độ học được lưu ngay trên trình duyệt của bạn, không gửi đi đâu cả.

Bài đầu tiên đã mở: Làm quen công cụ: Google Colab, Kaggle. Hẹn gặp bạn ở đó.

LuffyrealsNgười làm AI Atlas

Nội dung theo giấy phép CC BY-NC-SA 4.0. Mã nguồn theo giấy phép MIT.

Đọc giấy phép