Lộ trình 6 tháng học AI cho sinh viên IT, kèm tài liệu từng tháng

Bài này gom các tài liệu đã giới thiệu trong những bài trước thành một kế hoạch có lịch, có dự án và có cách tự kiểm. Giờ của các khóa học lấy từ trang chính thức, đọc ngày 11/11/2026; giờ tự học và làm dự án là ước lượng của bài, ghi rõ trong code.

Ai hợp với lộ trình này

Lộ trình viết cho sinh viên IT năm hai, năm ba đã biết lập trình cơ bản và muốn có nền AI vững trong một học kỳ cộng kỳ hè. Nếu bạn chưa biết lập trình, dành thêm một đến hai tháng học Python trước. Nếu bạn đã học học máy ở trường, có thể rút gọn tháng 2 và 3 còn một tháng.

Sáu tháng không biến bạn thành chuyên gia. Mục tiêu thực tế là: hiểu nền tảng, tự làm được dự án nhỏ, đọc được tài liệu và bài báo, và biết mình muốn đi tiếp theo hướng nào trong nghề AI (xem AI Engineer làm gì).

Vì sao đi theo thứ tự này

Thứ tự sáu tháng không ngẫu nhiên. Python cho dữ liệu đứng đầu vì mọi tháng sau đều cần đọc, làm sạch và vẽ dữ liệu; người học bỏ qua phần này thường mất thời gian gấp đôi ở tháng học máy vì vừa học thuật toán vừa vật lộn với pandas. Học máy cổ điển đứng trước học sâu vì các khái niệm nền (hàm mất mát, quá khớp, chia tập dữ liệu, chỉ số đánh giá) xuất hiện lại y nguyên trong học sâu, và dễ hiểu hơn nhiều khi mô hình còn đơn giản. Học sâu từ gốc đứng trước ứng dụng mô hình ngôn ngữ vì khi đã tự viết một GPT nhỏ, bạn sẽ hiểu vì sao mô hình lớn có lúc trả lời sai, vì sao độ dài ngữ cảnh có giới hạn, và vì sao cần đánh giá thay vì tin vào cảm giác.

Mỗi giai đoạn kết thúc bằng một dự án vì hai lý do. Thứ nhất, dự án buộc bạn ghép các mảnh kiến thức lại, và lộ ra chỗ mình chưa hiểu. Thứ hai, sáu dự án nhỏ có ngày tháng rõ ràng trên GitHub là bằng chứng thuyết phục hơn mọi chứng chỉ khi bạn đi xin thực tập.

Tháng 1: Python cho dữ liệu

Mục tiêu: thành thạo numpy, pandas, matplotlib. Tài liệu: các trang cho người mới trong tài liệu chính thức của numpy, pandas, matplotlib; Python Data Science Handbook. Chi tiết trong bài Python cho AI. Dự án cuối tháng: chọn một bộ dữ liệu CSV bạn quan tâm (xem bộ dữ liệu để luyện AI), làm sạch, trả lời ba câu hỏi bằng số liệu và biểu đồ. Song song, ôn véc-tơ, ma trận theo bài toán cho AI.

Bốn tuần của tháng 1. Tuần đầu dành cho mảng numpy: tạo mảng, cắt lát, phép tính trên cả mảng, broadcasting. Tuần thứ hai chuyển sang pandas: đọc tệp CSV, chọn dòng và cột, xử lý ô trống, nhóm và tính trung bình. Tuần thứ ba học vẽ với matplotlib theo kiểu hướng đối tượng, và ôn lại Git để đưa code lên GitHub. Tuần cuối làm dự án, viết README nêu câu hỏi, cách làm và kết luận.

Tự kiểm cuối tháng. Bạn có tự viết lại được, không tra cứu, đoạn code đọc một tệp CSV, bỏ dòng trùng, điền ô trống và vẽ một biểu đồ cột không? Bạn có giải thích được vì sao phép tính trên mảng numpy nhanh hơn vòng lặp không? Nếu chưa, dành thêm một tuần trước khi sang tháng 2.

Tháng 2 và 3: học máy

Mục tiêu: hiểu và tự huấn luyện, đánh giá các mô hình học máy cổ điển. Tài liệu: Machine Learning Specialization trên Coursera, ba khóa với tổng thời lượng ước tính 95 giờ theo trang khóa ngày 11/11/2026 (xem các khóa của Andrew Ng). Có thể đọc song song blog Machine Learning cơ bản bằng tiếng Việt. Tháng 2 học khóa 1 cùng phần toán còn thiếu (đạo hàm, hạ gradient); tháng 3 học khóa 2 và 3.

Dự án tháng 2: tự viết hồi quy tuyến tính bằng numpy, so kết quả với scikit-learn. Dự án tháng 3: một mô hình phân loại trên dữ liệu thật, có precision, recall, ma trận nhầm lẫn, và một đoạn phân tích lỗi.

Nhịp từng tuần trong hai tháng này. Mỗi tuần xem hết phần bài giảng của tuần đó trong khóa, làm bài lab ngay sau khi xem, và dành một buổi để viết lại bằng numpy thuật toán vừa học mà không nhìn lời giải. Khi gặp phần toán khó, dừng lại học đúng phần đó (ví dụ đạo hàm riêng khi tới hạ gradient), rồi quay lại khóa. Cuối mỗi tuần viết năm dòng tóm tắt: thuật toán làm gì, giả định gì, khi nào không nên dùng.

Tự kiểm cuối tháng 3. Bạn có giải thích được cho một người bạn vì sao mô hình có độ chính xác 95% trên tập huấn luyện mà chỉ 70% trên tập kiểm tra không? Bạn có biết khi nào nên nhìn recall thay vì độ chính xác không? Bạn có chia được tập dữ liệu đúng cách khi nhãn lệch không? Ba câu hỏi này là nền của mọi dự án học máy sau này.

Tháng 4 và 5: học sâu và mô hình ngôn ngữ

Mục tiêu: hiểu mạng nơ-ron từ bên trong, tới được một mô hình GPT nhỏ. Tài liệu: Neural Networks: Zero to Hero của Andrej Karpathy, tám video tổng 872 phút theo trang karpathy.ai (xem Karpathy Zero to Hero); tra thêm trong sách Deep Learning miễn phí. Tháng 4 làm video 1 đến 5 (micrograd, makemore), tháng 5 làm video 6 đến 8 (WaveNet, GPT, bộ tách từ) và đọc bài báo Attention Is All You Need (xem 10 bài báo AI kinh điển).

Dự án tháng 4: mạng nơ-ron nhỏ tự viết, so kết quả với cùng mạng viết bằng PyTorch. Dự án tháng 5: huấn luyện một GPT nhỏ trên văn bản tiếng Việt bạn chọn, ghi lại hàm mất mát và vài mẫu sinh ra.

Cách làm với video dài. Mỗi video của loạt này dài từ một tới hơn hai giờ và chủ yếu là viết code trực tiếp. Chia mỗi video thành hai, ba buổi; trong buổi, tạm dừng mỗi khi tác giả sắp viết một đoạn mới, tự gõ thử, rồi mới xem tiếp. Làm bài tập trong phần mô tả của video. Video thứ năm (tự lan truyền ngược bằng tay) khó nhất và cũng đáng nhất; đừng vội.

Tự kiểm cuối tháng 5. Bạn có tự viết lại được, không nhìn video, hàm lan truyền ngược cho một nơ-ron không? Bạn có giải thích được attention làm gì bằng một ví dụ ba từ không? Bạn có biết vì sao bộ tách từ ảnh hưởng tới chi phí và chất lượng của mô hình ngôn ngữ không? Nếu trả lời được, bạn đã có nền vững hơn phần lớn người chỉ dùng API.

Tháng 6: ứng dụng AI

Mục tiêu: làm một ứng dụng dùng mô hình ngôn ngữ, đo được chất lượng. Tài liệu: tài liệu chính thức của hãng mô hình bạn dùng, bắt đầu từ trang tổng quan về prompt (xem tài liệu chính thức của các hãng AI); các bài về gọi API, RAG và đánh giá trong loạt bài nghề AI của blog. Dự án cuối: chatbot hỏi đáp tài liệu môn học, có trích nguồn và bộ đánh giá 30 đến 50 câu hỏi mẫu. Đưa cả sáu dự án lên GitHub theo bài portfolio AI trên GitHub.

Bốn tuần của tháng 6. Tuần đầu gọi API của một mô hình bằng Python, đọc khóa từ biến môi trường, thử vài cách viết prompt trên cùng một câu hỏi. Tuần thứ hai làm phần truy xuất: chia tài liệu thành đoạn, tìm đoạn liên quan cho câu hỏi. Tuần thứ ba ghép thành chatbot có trích nguồn và viết bộ câu hỏi mẫu kèm đáp án đúng. Tuần cuối chạy bộ đánh giá, sửa chỗ yếu, đo lại, rồi hoàn thiện README cho cả sáu dự án.

Tự kiểm cuối tháng 6. Bạn có nói được chatbot của mình đúng bao nhiêu phần trăm trên bộ câu hỏi mẫu, và sai ở loại câu hỏi nào không? Bạn có biết mỗi câu hỏi tốn bao nhiêu token không? Một ứng dụng AI mà không trả lời được hai câu này thì mới là bản thử, chưa phải sản phẩm.

Kiểm xem lộ trình có vừa sức không

Kế hoạch đẹp trên giấy thường vỡ ở tháng 3. Đoạn Python dưới đây ghi lại sáu tháng của lộ trình cùng số giờ cần mỗi tháng (giờ của Machine Learning Specialization lấy từ trang Coursera, phần còn lại là ước lượng), rồi so với số giờ bạn có, tính mỗi tháng bốn tuần, và đánh dấu tháng quá tải.

"""Lộ trình 6 tháng học AI cho sinh viên IT: mỗi tháng một mục tiêu, tài liệu, dự án cuối tháng, và số giờ cần.

Giờ của khóa học lấy từ trang chính thức (đọc ngày 11/11/2026): Machine Learning Specialization 95 giờ (Coursera),
Neural Networks: Zero to Hero 872 phút video (karpathy.ai). Giờ còn lại (tự học, dự án) là ước lượng của bài viết.
Chương trình kiểm: với số giờ bạn có mỗi tuần, tháng nào bị quá tải.
"""

THANG = [
    # (tháng, mục tiêu, tài liệu chính, dự án cuối tháng, số giờ cần)
    (1, "Python cho dữ liệu", "numpy, pandas, matplotlib (tài liệu chính thức)",
     "phân tích một bộ dữ liệu CSV, có biểu đồ", 40),
    (2, "Toán và học máy (1)", "Machine Learning Specialization khóa 1 + toán theo nhu cầu",
     "hồi quy tuyến tính tự viết bằng numpy", 33 + 12),
    (3, "Học máy (2)", "Machine Learning Specialization khóa 2 và 3",
     "mô hình phân loại có đánh giá precision, recall", 34 + 28),
    (4, "Học sâu từ gốc", "Neural Networks: Zero to Hero, video 1 đến 5",
     "mạng nơ-ron nhỏ tự viết, so với PyTorch", 30),
    (5, "Mô hình ngôn ngữ", "Zero to Hero video 6 đến 8 + gọi API mô hình",
     "GPT nhỏ huấn luyện trên văn bản tiếng Việt", 30),
    (6, "Ứng dụng AI", "RAG, đánh giá câu trả lời, đưa dự án lên GitHub",
     "chatbot hỏi đáp tài liệu, có bộ đánh giá", 45),
]


def kiem_tai(gio_moi_tuan, tuan_moi_thang=4):
    co = gio_moi_tuan * tuan_moi_thang
    return [(t, muc, can, co, can > co) for t, muc, _, _, can in THANG]


def in_lo_trinh(gio_moi_tuan):
    dong = [f"Với {gio_moi_tuan} giờ/tuần (khoảng {gio_moi_tuan * 4} giờ/tháng):"]
    for t, muc, can, co, qua in kiem_tai(gio_moi_tuan):
        dong.append(f"  Tháng {t}: {muc:<22} cần {can:>2} giờ" + ("  QUÁ TẢI" if qua else ""))
    so_qua = sum(1 for *_, q in kiem_tai(gio_moi_tuan) if q)
    dong.append("  => vừa sức" if so_qua == 0 else f"  => {so_qua} tháng quá tải: kéo dài lộ trình hoặc tăng giờ")
    return dong


def chay_thu():
    dong = in_lo_trinh(10) + in_lo_trinh(15)
    print("\n".join(dong))
    return dong


if __name__ == "__main__":
    chay_thu()

Kết quả: với 10 giờ mỗi tuần (khoảng 40 giờ một tháng), ba tháng quá tải là tháng 2, tháng 3 và tháng 6; với 15 giờ mỗi tuần, chỉ còn tháng 3 (cần 62 giờ) quá tải. Cách xử lý hợp lý là kéo dài tháng đó, không phải bỏ dự án. Sửa số giờ trong code cho đúng với tốc độ của bạn sau tháng đầu tiên.

Điều chỉnh lộ trình theo hoàn cảnh

Nếu học kỳ ở trường đang nặng. Giữ nguyên thứ tự, nhưng chuyển sang nhịp 8 đến 10 giờ mỗi tuần và kéo lộ trình thành chín tháng. Tháng thi cuối kỳ thì chỉ giữ một buổi ôn nhẹ mỗi tuần, không học phần mới, để khỏi phải học lại từ đầu sau kỳ thi.

Nếu bạn đã học học máy ở trường. Gộp tháng 2 và 3 thành một tháng: chỉ làm lại các bài lab và dự án phân loại, bỏ phần bài giảng đã quen. Dùng tháng dư để làm dự án tháng 6 kỹ hơn, hoặc thêm một dự án thị giác máy tính.

Nếu bạn định thi Olympic AI. Lộ trình này trùng phần lớn với chương trình thi, nhưng cần thêm phần thực hành với thư viện học sâu và các mô hình huấn luyện sẵn cho ảnh, âm thanh; xem bài Olympic AI quốc tế.

Nếu bạn hướng tới vị trí ML Engineer. Sau sáu tháng, đi tiếp phần triển khai, pipeline dữ liệu và vận hành mô hình theo lộ trình ML Engineer.

Dù điều chỉnh thế nào, giữ hai nguyên tắc: không học phần sau khi chưa làm xong dự án của phần trước, và cuối mỗi tháng cập nhật README của dự án tháng đó trên GitHub, kể cả khi dự án chưa hoàn hảo.

Giữ nhịp trong sáu tháng

• Lịch cố định mỗi tuần: ví dụ hai buổi tối và sáng cuối tuần, thay vì "khi nào rảnh".
• Một tài liệu chính mỗi tháng: không mở thêm khóa khác giữa chừng.
• Ghi nhật ký học: mỗi buổi năm dòng; cuối tháng đọc lại để thấy mình tiến tới đâu.
• Trợ lý AI là người hướng dẫn, không phải người làm bài: nhờ nó giải thích, gợi ý chỗ sai, còn code dự án thì tự viết.
• Học cùng bạn: một nhóm hai, ba người cùng lộ trình giúp không bỏ cuộc giữa chừng.

Câu hỏi thường gặp

Học tiếp

• Toàn cảnh tài liệu học AI theo bậc: tài liệu học AI miễn phí.
• Biết mình đang học để làm nghề gì: AI Engineer làm gì.
• Ý tưởng dự án cho từng tháng: 10 dự án AI nhỏ cho portfolio.

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
• Andrej Karpathy: Neural Networks: Zero to Hero
• NumPy: the absolute basics for beginners
• 10 minutes to pandas
• Claude Docs: Prompt engineering overview