DeepViet 2026

AI Nâng Cao

Khóa học chuyên sâu 6 tháng, tập trung vào các kiến trúc AI tiên tiến nhất hiện nay như Transformers, Generative AI, Self-Supervised Learning, Reinforcement Learning và AI Reasoning.

Mục tiêu khóa học

Làm chủ các kiến trúc mạng nơ-ron tiên tiến (Transformers, ViT, Diffusion Models).
Ứng dụng Trí tuệ nhân tạo Tạo sinh (Generative AI) và Học tự giám sát (Self-Supervised Learning) vào các bài toán thực tế.
Hiểu và triển khai các hệ thống Học tăng cường (Reinforcement Learning) & Suy luận AI (AI Reasoning).
Đánh giá sự công bằng (Fairness), độ lệch (Bias) và thiết kế hệ thống AI an toàn (Safe AI).

Ai phù hợp với khóa học này?

Chương trình được thiết kế đặc biệt để cá nhân hóa lộ trình cho từng nhóm đối tượng, kết hợp giữa lý thuyết hàn lâm và kỹ năng thực chiến.

AI/ML Engineers

Đã có kiến thức nền tảng, mong muốn làm chủ Transformers, AI Tạo sinh và Học tăng cường.

Nghiên cứu sinh / Giảng viên

Cần nền tảng học thuật chuyên sâu để xuất bản bài báo khoa học về Self-Supervised Learning, AI Reasoning.

Kỹ sư Sản phẩm AI

Thiết kế và đánh giá hệ thống AI an toàn, tối ưu hóa các mô hình nền tảng cho ứng dụng doanh nghiệp thực tế.

Đội ngũ giảng viên

TS. Nguyễn Văn Vinh

Co-founder DeepViet

TS. Nguyễn Văn Hiển

Phó Giáo Sư ĐH Houston

Thông tin tổ chức

Thời lượng6 Tháng

Trình độNâng Cao

Học phí8.000.000đ

Lộ trình & Lịch học

Lưu ý: Lịch trình có thể thay đổi tùy theo tình hình thực tế

Cam kết kỷ luật học thuật

Tham gia tối thiểu 85% thời lượng khóa học, hoàn thành 4/5 bài tập lập trình & Đồ án cuối khóa (Final Project). Học phí 8.000.000đ của khóa học này sẽ được hoàn trả 100% khi bạn đạt những tiêu chí khắt khe nói trên.

TUẦN	NỘI DUNG	THỰC HÀNH
Tuần 1-4 (01/07/2026 - 28/07/2026)	●Part 1: Advanced Architectures & Self-Supervised Learning ●Advanced Transformers & Attention Mechanisms (Self-Attention & Multi-Head Attention) ●Vision Transformers (ViT) & high-performance variations (FlashAttention, Linformer) ●Generative AI & Diffusion Models (Stable Diffusion, DALL·E, GANs, Autoencoders)	📝Project: Implement Vision Transformer (ViT) & compare performance with ResNet 📝Project: Train a Stable Diffusion Model to generate artistic images
Tuần 5-8 (29/07/2026 - 25/08/2026)	●Self-Supervised Learning (SSL): Contrastive Learning with SimCLR, MoCo, BYOL ●Graph Neural Networks (GNNs): Graph Representation Learning, GCNs, GATs	📝Project: Implement a contrastive learning model for image classification 📝Project: Build a GNN for social network link prediction
Tuần 9-14 (26/08/2026 - 06/10/2026)	●Phần 2: Mô Hình Ngôn Ngữ Lớn & Học Tăng Cường ●Tổng quan về LLMs (GPT, LLaMA) và Mô hình đa phương thức (Multimodal: CLIP, Flamingo) ●Học Tăng Cường & Tác Tử AI (RL & Agents): Thuật toán Deep Q-Learning (DQN), PPO, A3C ●Tinh chỉnh LLM bằng phản hồi từ con người (RLHF - Reinforcement Learning from Human Feedback)	📝Project: Tự tay xây dựng mô hình Text-to-Image bằng CLIP hoặc DALL·E 📝Project: Huấn luyện AI tự động chơi game Atari bằng Học tăng cường
Tuần 15-20 (07/10/2026 - 17/11/2026)	●Tinh Chỉnh Mô Hình Nền Tảng (FM Tuning): Kỹ thuật LoRA, QLoRA, Prefix Tuning, PEFT ●Mô Hình Pha Trộn Chuyên Gia (Mixture of Experts - MoE) ●Công Bằng AI (AI Fairness) & Công cụ giải thích mô hình (Explainability với SHAP, LIME)	📝Project: Tinh chỉnh (Fine-tune) mô hình LLM chuyên biệt cho ngành dọc 📝Project: Cài đặt kiến trúc Transformer MoE cho các tác vụ xử lý ngôn ngữ 📝Project: Phân tích độ lệch (Bias) và tính minh bạch trong mạng Học Sâu
Tuần 21-24 (18/11/2026 - 15/12/2026)	●Khả năng Suy Luận AI (AI Reasoning) & Triển Khai Thực Tế ●Kỹ thuật Prompting dạng chuỗi (Chain-of-Thought), Tác tử sử dụng công cụ độc lập (ReAct, Toolformer) ●Vận hành mô hình quy mô lớn (Model Serving) bằng Triton, vLLM & Kỹ thuật Nén mô hình (Quantization)	📝Project: Triển khai thành công ứng dụng thực tế từ một Foundation Model đã tinh chỉnh