- Chọn kênh theo mục đích học, không theo số người theo dõi: hiểu trực giác, học bài bản, tự viết code, đọc bài báo, hay theo kịp tin mới.
- Trực giác: 3Blue1Brown (toán trực quan), StatQuest (thống kê và học máy từng bước nhỏ). Bài bản: Stanford Online, MIT OpenCourseWare. Tự viết code: Andrej Karpathy, DeepLearning.AI.
- Bài báo và tin mới: Yannic Kilcher, Two Minute Papers; podcast Latent Space, Machine Learning Street Talk.
- Một giờ video thường cần thêm thời gian tự làm. Lên lịch xem có cả phần gõ code, như đoạn Python trong bài.
Thông tin về mỗi kênh lấy từ trang kênh và mô tả do chính kênh viết, xem ngày 11/11/2026. Bài không ghi số người theo dõi vì con số đổi liên tục và không nói lên chất lượng.
Video giúp gì, không giúp gì
Video rất tốt để có trực giác: thấy một phép biến đổi ma trận chuyển động, thấy gradient đi xuống dốc. Nhưng xem video cho cảm giác "đã hiểu" nhanh hơn thực tế. Chỉ khi tự gõ lại code, tự làm bài tập, bạn mới biết mình hiểu tới đâu. Vì vậy bài này xếp kênh theo mục đích, và gợi ý đi kèm mỗi loại một việc cần tự làm.
Hiểu trực giác
3Blue1Brown của Grant Sanderson. Theo mô tả kênh, video bàn về nhiều chủ đề toán và các lĩnh vực gần như vật lý, khoa học máy tính, luôn nhấn mạnh việc trực quan hóa. Kênh có các loạt về đại số tuyến tính, giải tích và mạng nơ-ron, rất hợp để xem trước khi học phần toán trong toán cho AI. Việc tự làm: sau mỗi video, viết lại khái niệm bằng một đoạn code numpy nhỏ.
StatQuest with Josh Starmer. Mô tả kênh nói thống kê, học máy, khoa học dữ liệu và AI trông đáng sợ, nhưng mỗi kỹ thuật thật ra chỉ là sự kết hợp của các bước nhỏ và đơn giản. Kênh giải thích từng thuật toán (hồi quy, cây quyết định, gradient boosting, mạng nơ-ron) theo đúng tinh thần đó. Việc tự làm: chạy thuật toán vừa xem bằng scikit-learn trên một bộ dữ liệu nhỏ.
Học bài bản như ở đại học
Stanford Online. Mô tả kênh giới thiệu đây là cổng giáo dục học thuật và chuyên nghiệp của Trường Kỹ thuật Stanford. Kênh đăng bài giảng nhiều môn về AI; ví dụ danh sách phát CS229 Machine Learning do Andrew Ng dạy học kỳ thu năm 2018 (xem bài các khóa của Andrew Ng). Việc tự làm: tải bài tập của môn trên trang môn học và làm.
MIT OpenCourseWare. Kênh video của chương trình học liệu mở của MIT, ví dụ môn 18.06 Linear Algebra của giáo sư Gilbert Strang. Video đi kèm tài liệu, bài tập và lời giải trên trang OpenCourseWare.
DeepLearning.AI. Mô tả kênh ghi có video từ các chương trình học máy trên Coursera và các buổi sự kiện được ghi lại; hợp để xem trước nội dung một khóa trước khi đăng ký.
Tự viết code từ đầu
Andrej Karpathy. Kênh có loạt Neural Networks: Zero to Hero, tự viết từ bộ tính đạo hàm (micrograd) tới GPT và bộ tách từ; xem bài Karpathy Zero to Hero. Đây là loại video "không nhằm để chỉ ngồi xem": tạm dừng, gõ, chạy, rồi mới xem tiếp.
Đọc bài báo và theo kịp tin mới
Yannic Kilcher. Mô tả kênh: video về các bài báo nghiên cứu học máy, lập trình, các vấn đề của cộng đồng AI và tác động rộng hơn của AI tới xã hội. Hợp khi bạn bắt đầu đọc bài báo: xem giải thích, rồi đọc lại bản gốc; xem bài 10 bài báo AI kinh điển.
Two Minute Papers. Video ngắn giới thiệu kết quả nghiên cứu mới. Tốt để biết có gì mới; muốn hiểu thì phải đọc bài gốc.
Podcast. Latent Space tự giới thiệu là ấn phẩm cho AI Engineer, gồm bài phân tích riêng, podcast và một bản tin AI hằng ngày, dành cho kỹ sư xây sản phẩm với AI. Machine Learning Street Talk mô tả mình là podcast AI thiên về kỹ thuật, bàn về nghiên cứu, khoa học và triết học của AI. Lex Fridman Podcast có nhiều cuộc phỏng vấn dài với nhà nghiên cứu. Nghe podcast khi đi đường giúp biết ngành đang bàn gì, nhưng không thay được việc học có bài tập.
Lên lịch xem có cả thời gian tự làm
Một loạt video 14 giờ không có nghĩa là học xong trong 14 giờ. Đoạn Python dưới đây lên lịch cho một loạt video theo số phút bạn có mỗi ngày, tốc độ phát, và một hệ số cho thời gian tự gõ code. Ví dụ dùng độ dài tám video của Zero to Hero theo trang karpathy.ai; video dài hơn quỹ thời gian một ngày được chia thành nhiều buổi.
"""Lên lịch xem một loạt video học AI: mỗi ngày bao nhiêu phút, xem ở tốc độ nào, cộng thêm thời gian tự gõ code.
Ví dụ dùng độ dài 8 video của Neural Networks: Zero to Hero (theo karpathy.ai, đọc ngày 11/11/2026).
Video dài hơn quỹ thời gian một ngày thì được chia thành nhiều buổi.
"""
import math
ZERO_TO_HERO = ["2:25:00", "1:57:00", "1:15:00", "1:55:00", "1:55:00", "0:56:00", "1:56:00", "2:13:00"]
def phut(chuoi):
"""'h:mm:ss' hoặc 'mm:ss' -> số phút (làm tròn lên)."""
so = [int(x) for x in chuoi.split(":")]
giay = 0
for x in so:
giay = giay * 60 + x
return math.ceil(giay / 60)
def lap_lich(do_dai, phut_moi_ngay, toc_do=1.0, he_so_thuc_hanh=1.0):
"""Trả về danh sách các ngày; mỗi ngày là danh sách (số thứ tự video, số phút dành cho video đó trong ngày)."""
viec = [math.ceil(phut(d) / toc_do * he_so_thuc_hanh) for d in do_dai]
ngay, hom_nay, con = [], [], phut_moi_ngay
for i, can in enumerate(viec, 1):
while can > 0:
lam = min(can, con)
hom_nay.append((i, lam))
can -= lam
con -= lam
if con == 0:
ngay.append(hom_nay)
hom_nay, con = [], phut_moi_ngay
if hom_nay:
ngay.append(hom_nay)
return ngay
def tom_tat(do_dai, phut_moi_ngay, toc_do=1.0, he_so_thuc_hanh=1.0):
ngay = lap_lich(do_dai, phut_moi_ngay, toc_do, he_so_thuc_hanh)
tong = sum(m for d in ngay for _, m in d)
return (f"{phut_moi_ngay} phút/ngày, tốc độ {toc_do}x, hệ số thực hành {he_so_thuc_hanh}: "
f"{tong} phút, {len(ngay)} ngày")
def chay_thu():
dong = [f"Tổng độ dài video: {sum(phut(d) for d in ZERO_TO_HERO)} phút",
tom_tat(ZERO_TO_HERO, 60),
tom_tat(ZERO_TO_HERO, 60, toc_do=1.25),
tom_tat(ZERO_TO_HERO, 60, toc_do=1.0, he_so_thuc_hanh=2.0)]
ngay1 = lap_lich(ZERO_TO_HERO, 60)[:3]
dong.append("Ba ngày đầu (60 phút/ngày): " + " | ".join(
", ".join(f"video {v}: {m}'" for v, m in d) for d in ngay1))
print("\n".join(dong))
return dong
if __name__ == "__main__":
chay_thu()
Kết quả: tổng 872 phút video. Với 60 phút mỗi ngày, xem ở tốc độ thường mất 15 ngày; xem ở 1,25x còn 12 ngày; còn nếu tính thêm thời gian tự gõ code bằng đúng thời lượng video (hệ số 2), cần 30 ngày. Video đầu dài 145 phút nên được chia vào ba buổi đầu. Hệ số thực hành là giả định để bạn tự chỉnh; với video tự viết code, thời gian làm theo thường lớn hơn thời lượng video.
Một tuần học mẫu
Một cách phối các kênh trong một tuần, cho người có khoảng một giờ mỗi ngày. Thứ Hai và thứ Ba xem một video trực giác của 3Blue1Brown hoặc StatQuest về chủ đề đang học, rồi viết lại khái niệm bằng một đoạn code nhỏ. Thứ Tư đến thứ Sáu theo một bài giảng dài (Karpathy hoặc một môn của Stanford Online), mỗi ngày một đoạn, tạm dừng để tự gõ. Thứ Bảy làm bài tập hoặc một phần dự án của riêng bạn, không xem video. Chủ nhật nghe một tập podcast lúc rảnh và ghi lại một ý muốn tìm hiểu thêm.
Tỉ lệ thời gian làm so với thời gian xem nên tăng dần theo tuần: những tuần đầu có thể xem nhiều, càng về sau càng phải dành phần lớn thời gian cho việc tự làm.
Video hướng dẫn công cụ: kiểm trước khi làm theo
Ngoài các kênh trên, YouTube có rất nhiều video "hướng dẫn dùng công cụ AI trong 10 phút". Chúng hữu ích để thấy công cụ trông ra sao, nhưng giao diện, tên gói, giá và giới hạn thay đổi theo tháng. Trước khi làm theo, xem ngày đăng video, rồi đối chiếu với tài liệu chính thức của hãng; nếu hai bên khác nhau, theo tài liệu chính thức. Đừng nhập khóa API hay thông tin cá nhân vào công cụ chỉ vì video bảo làm vậy; đọc bài giữ khóa API an toàn trước.
Xem sao cho hiệu quả
- Một kênh chính cho mỗi mục đích, đừng theo dõi hai chục kênh cùng lúc.
- Bật phụ đề tiếng Anh để quen thuật ngữ; phụ đề tự động có thể sai tên riêng và công thức.
- Ghi chép năm dòng sau mỗi video: điều mới, điều chưa hiểu, việc sẽ làm.
- Tốc độ phát nhanh chỉ cho phần quen; chậm lại ở chỗ có công thức hay code mới.
- Kiểm ngày đăng video: công cụ AI đổi nhanh, video hướng dẫn công cụ một năm trước có thể đã cũ; video giải thích nguyên lý thì bền hơn.
- Xem video thay cho làm bài tập, rồi tưởng đã hiểu.
- Học cách dùng công cụ AI từ video cũ mà không đối chiếu tài liệu chính thức mới nhất.
- Chọn kênh theo số người theo dõi hay tiêu đề giật gân.
- Coi podcast là tài liệu học chính.
- Bỏ dở loạt video giữa chừng để chạy theo video mới nổi.
Câu hỏi thường gặp
Có kênh học AI bằng tiếng Việt không?
Có một số kênh và blog tiếng Việt, nhưng các kênh trong bài đều bằng tiếng Anh vì nội dung sâu và cập nhật hơn. Có thể bắt đầu bằng tài liệu tiếng Việt cho lý thuyết, rồi chuyển dần sang video tiếng Anh có phụ đề.
Xem video ở tốc độ 1,5x hay 2x có ổn không?
Ổn với phần bạn đã quen. Với phần mới, đặc biệt là code và công thức, tốc độ thường hoặc chậm hơn và tạm dừng nhiều lần sẽ hiệu quả hơn.
Podcast có giúp học AI không?
Podcast giúp biết ngành đang quan tâm gì và nghe người làm nghề suy nghĩ ra sao. Để học kỹ năng, cần khóa học, sách và dự án.
Nên xem kênh nào đầu tiên?
Nếu mới bắt đầu: 3Blue1Brown cho trực giác về mạng nơ-ron, rồi StatQuest cho các thuật toán học máy. Khi đã vững Python, chuyển sang Karpathy.
Học tiếp
- Toàn cảnh tài liệu học AI theo bậc: tài liệu học AI miễn phí.
- Loạt video tự viết code nên xem kỹ nhất: Karpathy Zero to Hero.
- Đọc bản gốc các bài báo được nhắc trong video: 10 bài báo AI kinh điển.
Nếu bạn muốn học Python và AI bài bản cùng giảng viên, tham khảo khóa học AI của Big-O Coding.
Khóa AI – Introduction to Machine Learning: nền tảng Máy học từ thuật toán cơ bản đến Neural Networks và LLM, học bằng Python. Học thử buổi 1 miễn phí.
