Sách Deep Learning đọc miễn phí trên mạng

Thông tin về từng sách lấy từ trang chính thức của sách, đọc ngày 11/11/2026: năm, phiên bản, định dạng, giấy phép đều ghi theo trang đó.

Sáu cuốn và khác biệt của chúng

Neural Networks and Deep Learning (Michael Nielsen)

Cuốn nhập môn ngắn, 6 chương, đọc trên web. Chương 1 tự viết một mạng nơ-ron nhận dạng chữ số viết tay; chương 2 giải thích lan truyền ngược với bốn phương trình cơ bản; các chương sau nói về cách cải thiện việc học, vì sao mạng nơ-ron xấp xỉ được mọi hàm, vì sao mạng sâu khó huấn luyện, và học sâu. Trang sách ghi trích dẫn là Determination Press, 2015, lần cập nhật cuối 26/12/2019, giấy phép Creative Commons Attribution-NonCommercial 3.0: được sao chép, chia sẻ, dựa trên đó để làm tiếp, nhưng không được bán.

Hợp với ai: người muốn hiểu thật kỹ một mạng nơ-ron đơn giản trước khi dùng thư viện. Code dùng Python thuần và numpy, nên bạn thấy mọi phép tính.

Dive into Deep Learning

Sách tương tác của Aston Zhang, Zachary C. Lipton, Mu Li và Alexander J. Smola: mỗi mục có lý thuyết, toán và code chạy được, với PyTorch, JAX, TensorFlow và numpy/MXNet. Trang sách ghi được dùng ở 500 trường đại học tại 70 quốc gia, có bản đọc trên web, bản PDF và notebook tải về.

Hợp với ai: người học bằng cách chạy code, muốn một cuốn bao quát từ hồi quy tuyến tính tới transformer. Có bản dịch tiếng Việt cũ trên GitHub; xem bài học Machine Learning bằng tiếng Việt.

Deep Learning for Coders (fastbook)

Bộ notebook của Jeremy Howard và Sylvain Gugger, là nền của khóa Practical Deep Learning for Coders của fast.ai và của cuốn sách in cùng tên. README ghi mọi nội dung thuộc bản quyền của hai tác giả từ năm 2020; phần code theo giấy phép GPL v3, còn phần chữ chỉ được sao chép notebook hoặc fork kho để dùng cá nhân, không thương mại, không đổi định dạng. README khuyên người mới mở notebook trên Google Colab để khỏi cài đặt.

Hợp với ai: người muốn làm được mô hình chạy thật trước, hiểu chi tiết sau, học song song với khóa fast.ai.

Understanding Deep Learning (Simon J. D. Prince)

Sách của MIT Press, trang sách có bản PDF đầy đủ để tải (bản ngày 09/02/2026) cùng notebook Python và hình vẽ. 21 chương đi từ học có giám sát, mạng nông, mạng sâu, hàm mất mát, huấn luyện, chính quy hóa, mạng tích chập, mạng dư (residual), transformer, mạng nơ-ron đồ thị, tới GAN, normalizing flows, VAE, mô hình khuếch tán, học tăng cường sâu, vì sao học sâu hiệu quả, và đạo đức trong học sâu.

Hợp với ai: người muốn một cuốn đầy đủ, hiện đại, hình vẽ rõ, đã có nền toán. Đây là cuốn mới nhất trong danh sách.

Deep Learning (Goodfellow, Bengio, Courville)

Sách giáo khoa kinh điển của MIT Press năm 2016, bản trực tuyến đọc miễn phí trọn vẹn. Ba phần: toán ứng dụng và nền học máy (đại số tuyến tính, xác suất, tính toán số), mạng sâu thực hành (mạng truyền thẳng, chính quy hóa, tối ưu, mạng tích chập, mô hình chuỗi), và nghiên cứu học sâu. Phần câu hỏi thường gặp của trang ghi không có bản PDF vì hợp đồng với nhà xuất bản; định dạng HTML là yêu cầu của hợp đồng.

Hợp với ai: tra cứu lý thuyết. Nội dung về mô hình mới như transformer không có, vì sách ra trước khi kiến trúc đó xuất hiện.

The Little Book of Deep Learning (François Fleuret)

Cuốn ngắn giới thiệu học sâu cho người có nền khoa học, kỹ thuật, ban đầu được thiết kế để đọc trên màn hình điện thoại. Trang sách ghi bản 1.3 cập nhật ngày 12/05/2026, phân phối theo giấy phép Creative Commons phi thương mại, đã được tải hơn 1 triệu lần từ khi ra mắt tháng 4/2023. Tác giả cũng cảnh báo bản bán trên một số trang thương mại với giá cao là bản không được phép.

Hợp với ai: ôn tập nhanh, đọc trên đường, hoặc xem tổng quan trước khi vào một cuốn dày.

Lọc sách theo nhu cầu

Đoạn Python dưới đây ghi lại thông tin của sáu cuốn (năm cập nhật theo trang sách, định dạng, có code hay không) và lọc theo ba điều kiện: cần code, cần định dạng nào, cập nhật từ năm nào. Sách mà trang không ghi năm cập nhật sẽ bị loại khi bạn lọc theo năm, để tránh đoán.

"""Lọc sách học sâu đọc miễn phí theo nhu cầu: có code không, đọc dạng gì, cập nhật từ năm nào.

Thông tin lấy từ trang chính thức của từng sách, đọc ngày 11/11/2026 ("cap_nhat" là năm của phiên bản
hay lần cập nhật mà trang ghi). Đây là dữ liệu để lọc, không phải xếp hạng.
"""

SACH = [
    dict(ten="Deep Learning (Goodfellow, Bengio, Courville)", cap_nhat=2016, dang={"html"}, code=None,
         ghi_chu="đọc trực tuyến, không có PDF theo hợp đồng với MIT Press; nặng lý thuyết"),
    dict(ten="Neural Networks and Deep Learning (Nielsen)", cap_nhat=2019, dang={"html"}, code="Python",
         ghi_chu="CC BY-NC 3.0; nhập môn, tự viết mạng nhận dạng chữ số"),
    dict(ten="Dive into Deep Learning (Zhang và cộng sự)", cap_nhat=None, dang={"html", "pdf", "notebook"},
         code="PyTorch, JAX, TensorFlow, MXNet", ghi_chu="sách tương tác, mỗi mục có code chạy được"),
    dict(ten="Deep Learning for Coders (fastbook)", cap_nhat=None, dang={"notebook"}, code="fastai, PyTorch",
         ghi_chu="notebook mở trên Colab; code GPL v3, phần chữ chỉ dùng cá nhân"),
    dict(ten="Understanding Deep Learning (Prince)", cap_nhat=2026, dang={"pdf", "notebook"}, code="Python",
         ghi_chu="PDF bản 09/02/2026, có notebook; gồm transformer, mô hình khuếch tán"),
    dict(ten="The Little Book of Deep Learning (Fleuret)", cap_nhat=2026, dang={"pdf"}, code=None,
         ghi_chu="bản 1.3 ngày 12/05/2026, khổ đọc trên điện thoại; CC phi thương mại"),
]


def loc(can_code=False, dang=None, tu_nam=None):
    ket_qua = []
    for s in SACH:
        if can_code and not s["code"]:
            continue
        if dang and dang not in s["dang"]:
            continue
        if tu_nam and (s["cap_nhat"] is None or s["cap_nhat"] < tu_nam):
            continue
        ket_qua.append(s)
    return ket_qua


def in_ket_qua(mo_ta, ds):
    dong = [f"{mo_ta}: {len(ds)} cuốn"]
    for s in ds:
        dong.append(f"  - {s['ten']} [{s['code'] or 'không có code'}] {s['ghi_chu']}")
    return "\n".join(dong)


def chay_thu():
    kq = [
        in_ket_qua("Có code, đọc dạng notebook", loc(can_code=True, dang="notebook")),
        in_ket_qua("Có bản PDF, cập nhật từ 2025", loc(dang="pdf", tu_nam=2025)),
    ]
    print("\n".join(kq))
    return kq


if __name__ == "__main__":
    chay_thu()

Ví dụ: cần code và đọc dạng notebook thì có 3 cuốn (Dive into Deep Learning, fastbook, Understanding Deep Learning); cần bản PDF cập nhật từ 2025 thì có 2 cuốn (Understanding Deep Learning và The Little Book of Deep Learning).

Đọc thế nào cho hiệu quả

• Một cuốn chính, một cuốn tra. Ví dụ học theo Dive into Deep Learning, gặp chỗ toán khó thì tra Goodfellow.
• Chạy code song song. Với sách có code, chạy từng ô, đổi tham số, xem kết quả thay đổi thế nào.
• Đi kèm video. Zero to Hero của Karpathy bổ sung tốt cho phần lan truyền ngược và mô hình ngôn ngữ.
• Ôn toán khi cần. Phần lớn sách giả định bạn biết đại số tuyến tính và xác suất; xem toán cho AI.

Ba lộ trình đọc gợi ý

Tùy nền tảng hiện có, có thể ghép các cuốn thành lộ trình như sau (đây là gợi ý của bài viết, không phải của tác giả sách):

• Mới biết Python, chưa học học máy: Nielsen chương 1 và 2 để hiểu một mạng nơ-ron từ gốc, rồi Dive into Deep Learning từ phần hồi quy tuyến tính, chạy hết code từng mục.
• Đã học một khóa học máy: Understanding Deep Learning từ chương 1 tới chương transformer, làm notebook đi kèm; tra Goodfellow khi cần chứng minh chi tiết hơn.
• Muốn làm sản phẩm nhanh: fastbook trên Colab song song với khóa fast.ai, sau đó đọc các chương về mạng tích chập và transformer trong Dive into Deep Learning để hiểu sâu hơn.

Dù theo lộ trình nào, sau mỗi phần lớn hãy làm một dự án nhỏ trên dữ liệu của riêng bạn; đọc mà không tự làm thì kiến thức trôi đi rất nhanh.

Câu hỏi thường gặp

Học tiếp

• Toàn cảnh tài liệu học AI theo bậc: tài liệu học AI miễn phí.
• Video đi kèm phần lan truyền ngược và GPT: Karpathy Zero to Hero.
• Ôn toán trước khi đọc sách nặng: 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

• Michael Nielsen: Neural Networks and Deep Learning
• Dive into Deep Learning
• fastai/fastbook
• Simon J. D. Prince: Understanding Deep Learning
• Goodfellow, Bengio, Courville: Deep Learning
• François Fleuret: The Little Book of Deep Learning