Các khóa của Andrew Ng: học theo thứ tự nào

Thông tin trong bài lấy từ trang Coursera của từng khóa và trang DeepLearning.AI, đọc ngày 11/11/2026. Andrew Ng là đồng sáng lập Coursera và người sáng lập DeepLearning.AI; các khóa của ông là điểm bắt đầu phổ biến nhất cho người học máy.

Bản đồ các khóa

Ngoài ra, trang DeepLearning.AI ngày 11/11/2026 liệt kê hơn 100 khóa ngắn (short courses), phần lớn dài khoảng 1 đến 2 giờ, về các chủ đề như mô hình ngôn ngữ lớn, agent, RAG; và có các khóa mới do Andrew Ng dạy như Agentic AI.

Machine Learning Specialization: bắt đầu từ đây

Đây là bản làm mới của khóa Machine Learning nổi tiếng của Andrew Ng, do Stanford Online và DeepLearning.AI cùng mở trên Coursera. Andrew Ng dạy cùng Eddy Shyu, Geoff Ladwig và Aarti Bagul. Ba khóa theo trang ngày 11/11/2026:

1. Supervised Machine Learning: Regression and Classification (ước 33 giờ): hồi quy tuyến tính, hồi quy logistic, hạ gradient, quá khớp.
2. Advanced Learning Algorithms (ước 34 giờ): mạng nơ-ron, cây quyết định, lời khuyên thực tế khi xây mô hình.
3. Unsupervised Learning, Recommenders, Reinforcement Learning (ước 28 giờ): phân cụm, phát hiện bất thường, hệ gợi ý, học tăng cường.

Trang khóa ghi mức người mới và khoảng 2 tháng nếu học 10 giờ mỗi tuần. Phần câu hỏi thường gặp cho biết có thể học dự thính (audit) miễn phí nhưng không có chứng chỉ, và có hỗ trợ tài chính. Khóa dạy bằng tiếng Anh, có phụ đề nhiều ngôn ngữ.

Vì sao học khóa này trước: nó giải thích trực giác của từng thuật toán rõ ràng, toán vừa phải, và bài thực hành bằng Python. Nếu bạn chưa vững numpy, xem bài Python cho AI; nếu ngại phần toán, xem toán cho AI.

Deep Learning Specialization: bước tiếp theo

Năm khóa, do Andrew Ng dạy cùng Younes Bensouda Mourri và Kian Katanforoosh:

1. Neural Networks and Deep Learning (ước 25 giờ)
2. Improving Deep Neural Networks: Hyperparameter Tuning, Regularization and Optimization (ước 24 giờ)
3. Structuring Machine Learning Projects (ước 7 giờ)
4. Convolutional Neural Networks (ước 36 giờ)
5. Sequence Models (ước 37 giờ)

Mức trung bình. Trang ghi điều kiện cần là Python trung cấp (vòng lặp, if/else, danh sách, từ điển), khuyến nghị biết đại số tuyến tính cơ bản (phép nhân ma trận với véc-tơ) và các khái niệm học máy. Thời gian ước khoảng 3 tháng nếu học 10 giờ mỗi tuần.

Khóa 3 (Structuring Machine Learning Projects) ngắn nhưng rất đáng học: nó dạy cách phân tích lỗi, chia tập dữ liệu, quyết định nên cải thiện phần nào, những kỹ năng ít khóa khác dạy.

AI For Everyone và Generative AI for Everyone

Hai khóa này không dạy lập trình, mà dạy cách hiểu và dùng AI:

• AI For Everyone: 7 giờ, 4 phần, mức người mới, phần lớn không mang tính kỹ thuật. Hợp với người làm quản lý, kinh doanh, hay sinh viên ngành khác muốn hiểu AI làm được gì và không làm được gì.
• Generative AI for Everyone: 6 giờ, 3 phần (nhập môn AI tạo sinh, dự án dùng AI tạo sinh, AI tạo sinh trong doanh nghiệp và xã hội). Trang ghi không cần biết trước về AI hay lập trình.

Lưu ý: trang AI For Everyone ngày 11/11/2026 ghi muốn xem tài liệu khóa cần mua gói có chứng chỉ, có dùng thử miễn phí cho người đủ điều kiện. Điều kiện này khác với Machine Learning Specialization; hãy đọc trang khóa trước khi đăng ký.

Lịch học theo mục tiêu

Đoạn Python dưới đây xếp các khóa theo ba mục tiêu (hiểu AI không lập trình, làm học máy, học đầy đủ) và tính tuần bắt đầu, tuần kết thúc của từng khóa theo số giờ bạn có mỗi tuần. Số giờ lấy đúng từ trang Coursera; khóa sau bắt đầu ngay khi khóa trước xong.

"""Xếp thứ tự các khóa của Andrew Ng theo mục tiêu, kèm tuần bắt đầu và kết thúc từng khóa.

Số giờ ước tính lấy từ trang Coursera của từng khóa, đọc ngày 11/11/2026:
AI For Everyone 7 giờ; Generative AI for Everyone 6 giờ;
Machine Learning Specialization 33 + 34 + 28 giờ; Deep Learning Specialization 25 + 24 + 7 + 36 + 37 giờ.
"""
import math

GIO = {
    "AI For Everyone": 7,
    "Generative AI for Everyone": 6,
    "Machine Learning Specialization": 33 + 34 + 28,
    "Deep Learning Specialization": 25 + 24 + 7 + 36 + 37,
}

LO_TRINH = {
    "hiểu AI, không lập trình": ["AI For Everyone", "Generative AI for Everyone"],
    "làm học máy": ["Machine Learning Specialization", "Deep Learning Specialization"],
    "đầy đủ": ["AI For Everyone", "Machine Learning Specialization", "Deep Learning Specialization",
               "Generative AI for Everyone"],
}


def lich(muc_tieu, gio_moi_tuan):
    """Trả về danh sách (khóa, tuần bắt đầu, tuần kết thúc); học lần lượt, khóa sau bắt đầu ngay khi khóa trước xong."""
    da_hoc = 0.0
    ket_qua = []
    for khoa in LO_TRINH[muc_tieu]:
        bat_dau = math.floor(da_hoc / gio_moi_tuan) + 1
        da_hoc += GIO[khoa]
        ket_thuc = math.ceil(da_hoc / gio_moi_tuan)
        ket_qua.append((khoa, bat_dau, ket_thuc))
    return ket_qua


def in_lich(muc_tieu, gio_moi_tuan):
    dong = [f"Mục tiêu '{muc_tieu}', {gio_moi_tuan} giờ/tuần:"]
    for khoa, a, b in lich(muc_tieu, gio_moi_tuan):
        dong.append(f"  tuần {a:>2} - {b:>2}  {khoa} ({GIO[khoa]} giờ)")
    return "\n".join(dong)


def chay_thu():
    kq = [in_lich("làm học máy", 10), in_lich("hiểu AI, không lập trình", 3)]
    print("\n".join(kq))
    return kq


if __name__ == "__main__":
    chay_thu()

Với 10 giờ mỗi tuần, mục tiêu làm học máy mất khoảng 23 tuần: Machine Learning Specialization từ tuần 1 tới tuần 10, Deep Learning Specialization từ tuần 10 tới tuần 23. Với 3 giờ mỗi tuần, hai khóa cho mọi người xong trong khoảng 5 tuần. Giờ ước tính của Coursera là trung bình; người mới lập trình thường cần nhiều hơn.

Bài giảng CS229 và khóa ngắn

CS229 (Stanford). Nếu muốn phần toán sâu hơn Machine Learning Specialization, Stanford Online đăng bài giảng CS229 do Andrew Ng dạy học kỳ thu năm 2018 lên YouTube. Đây là môn đại học với nhiều chứng minh toán học, nên học sau khi đã có trực giác từ khóa Coursera. Lưu ý trang cs229.stanford.edu hiện là của lớp mới (hè 2026) do giảng viên khác dạy.

Khóa ngắn DeepLearning.AI. Sau hai Specialization, dùng các khóa ngắn để học từng chủ đề cụ thể như viết lời nhắc, RAG, agent, MCP. Mỗi khóa thường 1 đến 2 giờ, hợp để học xen giữa dự án.

Chuẩn bị trước khi bắt đầu

Tự kiểm năm điều trước khi đăng ký Machine Learning Specialization:

1. Viết được hàm Python có vòng lặp và điều kiện, dùng được danh sách và từ điển.
2. Biết tạo mảng numpy và nhân hai mảng; chưa biết thì học vài giờ theo hướng dẫn cho người mới của numpy.
3. Nhớ đạo hàm của hàm một biến, hiểu ý nghĩa độ dốc; phần đạo hàm riêng khóa học sẽ giải thích lại.
4. Có máy tính và mạng ổn định để xem video và làm bài lab; đọc phần giới thiệu của khóa để biết bài lab chạy ở đâu.
5. Dành được ít nhất 5 giờ mỗi tuần đều đặn trong khoảng 3 đến 4 tháng.

Thiếu điều 1 hoặc 2 thì học Python trước một vài tuần sẽ tiết kiệm thời gian hơn là vừa học khóa vừa học Python.

Học sao cho hiệu quả

• Làm hết bài lập trình. Phần lab và bài tập là nơi bạn thật sự học; xem video mà bỏ bài tập thì gần như không đọng lại.
• Viết lại thuật toán bằng numpy. Sau khóa 1, tự viết hồi quy logistic bằng numpy không dùng thư viện học máy.
• Làm một dự án nhỏ sau mỗi Specialization trên bộ dữ liệu bạn tự chọn, đưa lên GitHub.
• Không cần chứng chỉ để học. Dự án làm thật nói nhiều hơn chứng chỉ khi xin việc.

Nếu bạn thích cách học rộng hơn (tìm kiếm, logic, xác suất), xem CS50 AI của Harvard, có thể học song song hoặc trước Machine Learning Specialization.

Câu hỏi thường gặp

Học tiếp

• Toàn cảnh tài liệu học AI theo bậc: tài liệu học AI miễn phí.
• Khóa nhập môn AI rộng hơn: CS50 AI của Harvard.
• Phần toán cần cho các khóa này: toán cho AI.

Nếu bạn muốn học Python và AI bài bản cùng giảng viên, tham khảo khóa học AI của Big-O Coding.

Nguồn tham khảo

• Coursera: Machine Learning Specialization
• Coursera: Deep Learning Specialization
• Coursera: AI For Everyone
• Coursera: Generative AI for Everyone
• DeepLearning.AI: Courses
• Stanford CS229: Machine Learning (Autumn 2018, YouTube)