Tài liệu học AI miễn phí, chọn lọc theo trình độ

Bài này là bài tổng của loạt bài về tài liệu học AI trên blog Big-O Coding. Mỗi phần dưới đây dẫn sang một bài chi tiết. Thông tin về khóa học, sách, thời lượng lấy từ trang chính thức của từng tài liệu, đọc ngày 11/11/2026; tài liệu trên mạng có thể đổi, nên trước khi bắt đầu hãy mở lại trang gốc.

Chọn tài liệu thế nào

Mỗi năm có thêm hàng trăm khóa học và danh sách "tài liệu học AI hay nhất". Phần lớn người học bỏ dở không phải vì thiếu tài liệu mà vì học quá nhiều thứ cùng lúc. Bài này chọn lọc theo ba tiêu chí:

1. Đúng bậc. Tài liệu ghi rõ cần biết gì trước. Học tài liệu cao hơn trình độ hiện tại thì nhanh nản; thấp hơn thì phí thời gian.
2. Có bài tập hoặc code chạy được. Xem video mà không gõ lại code thì gần như không đọng lại gì.
3. Người làm có uy tín và tài liệu còn được duy trì. Ưu tiên trường đại học, tác giả sách giáo khoa, hãng làm ra công cụ. Ghi năm của tài liệu để biết nó cũ hay mới.

Mọi tài liệu dưới đây đều học miễn phí được. Một vài nơi (Coursera, edX) có chứng chỉ trả phí; chứng chỉ không bắt buộc để học.

Bậc 1: nền tảng Python và toán

Trước khi học AI, cần hai thứ: lập trình Python thành thạo ở mức vòng lặp, hàm, danh sách, từ điển; và toán ở mức đại số tuyến tính, xác suất, đạo hàm cơ bản.

Python cho AI. Ba thư viện cần học trước: numpy (mảng số), pandas (bảng dữ liệu) và matplotlib (vẽ biểu đồ). Tài liệu chính thức của mỗi thư viện đều có phần cho người mới: "NumPy: the absolute basics for beginners", "10 minutes to pandas", "Quick start guide" của matplotlib. Nếu muốn một cuốn sách gom cả ba, Python Data Science Handbook của Jake VanderPlas đọc miễn phí trên mạng; chữ theo giấy phép CC-BY-NC-ND, code theo MIT, mỗi chương là một notebook Jupyter. Sách đi từ IPython, numpy, pandas, matplotlib tới học máy với scikit-learn. Bài Python cho AI chỉ nên học gì trước, gì sau.

Toán cho AI. Cuốn Mathematics for Machine Learning của Marc Peter Deisenroth, A. Aldo Faisal và Cheng Soon Ong (Cambridge University Press, 2020) có bản PDF miễn phí do tác giả giữ trên trang sách. Phần I gồm đại số tuyến tính, hình học giải tích, phân rã ma trận, giải tích véc-tơ, xác suất, tối ưu liên tục; phần II áp dụng vào hồi quy tuyến tính, PCA, mô hình hỗn hợp Gauss, SVM. Với người cần trực giác trước khi đọc công thức, loạt video về mạng nơ-ron của 3Blue1Brown là cách mở đầu dễ chịu. Bài toán cho AI chia nhỏ phần toán nào cần cho bậc nào.

Bậc 2: học máy cổ điển

Học máy cổ điển (hồi quy, phân loại, cây quyết định, phân cụm) là nền để hiểu vì sao học sâu hoạt động. Ba lựa chọn chính:

Machine Learning Specialization (Stanford Online và DeepLearning.AI, trên Coursera). Andrew Ng dạy cùng ba người khác. Theo trang khóa học ngày 11/11/2026: 3 khóa, ước 33, 34 và 28 giờ; mức người mới; khoảng 2 tháng nếu học 10 giờ mỗi tuần; học dự thính (audit) miễn phí nhưng không có chứng chỉ, có hỗ trợ tài chính. Khóa 1 về hồi quy và phân loại, khóa 2 về mạng nơ-ron và cây quyết định, khóa 3 về học không giám sát, hệ gợi ý và học tăng cường. Bài các khóa của Andrew Ng xếp thứ tự học các khóa này.

CS50's Introduction to Artificial Intelligence with Python (Harvard). Bảy tuần bài giảng: tìm kiếm, tri thức, bất định, tối ưu, học, mạng nơ-ron, ngôn ngữ. Theo trang khóa học, điều kiện là đã học CS50x hoặc có ít nhất một năm kinh nghiệm Python. Học miễn phí theo dạng OpenCourseWare; muốn nộp bài để được chấm cần tài khoản edX; có chứng chỉ trả phí qua edX. Điểm mạnh của CS50 AI là rộng: không chỉ học máy mà cả tìm kiếm, logic, xác suất. Xem bài CS50 AI của Harvard.

Machine Learning Crash Course (Google). 12 phần chia bốn nhóm: mô hình (hồi quy tuyến tính, hồi quy logistic, phân loại), dữ liệu (dữ liệu số, dữ liệu phân loại, tập dữ liệu và quá khớp), mô hình nâng cao (mạng nơ-ron, embedding, nhập môn mô hình ngôn ngữ lớn) và học máy thực tế. Có video hoạt hình, hình tương tác và bài tập. Hợp để ôn nhanh hoặc học song song với một khóa dài.

Bằng tiếng Việt. Blog và ebook Machine Learning cơ bản của Vũ Hữu Tiệp là nguồn tiếng Việt được nhiều người học dùng: bài viết từ hồi quy, k-means, k-NN, gradient descent, SVM tới mạng nơ-ron, CNN. Ebook có bản PDF trên kho GitHub tiepvupsu/ebookMLCB; README ghi mọi hình thức sao chép, in ấn cần tác giả đồng ý và khi chia sẻ phải dẫn nguồn. Bài viết mới nhất trên blog là năm 2018, nên phần công cụ (như Keras) có thể đã cũ, còn phần lý thuyết vẫn rất giá trị. Bài học Machine Learning bằng tiếng Việt gom thêm các nguồn tiếng Việt khác.

Bậc 3: học sâu

Neural Networks: Zero to Hero (Andrej Karpathy). Tám video, tự viết từ đầu: micrograd (lan truyền ngược), makemore (mô hình ngôn ngữ cấp ký tự) qua năm phần, rồi GPT và bộ tách từ của GPT. Tổng thời lượng các video là 872 phút, khoảng 14,5 giờ, theo trang karpathy.ai ngày 11/11/2026. Điều kiện: lập trình Python vững và toán nhập môn như đạo hàm, phân phối Gauss. Đây là tài liệu tốt nhất để hiểu mô hình ngôn ngữ từ bên trong. Xem bài Karpathy Zero to Hero.

Practical Deep Learning for Coders (fast.ai, bản 2022). Miễn phí, dành cho người đã lập trình khoảng một năm (tốt nhất là Python) và có toán phổ thông; không cần toán đại học. Khoảng 9 bài, mỗi bài chừng 90 phút. Cách dạy đi từ trên xuống: làm được mô hình chạy trước, hiểu chi tiết sau. Khóa đi kèm một cuốn sách đọc miễn phí trên mạng.

Deep Learning Specialization (DeepLearning.AI, Coursera). 5 khóa: mạng nơ-ron cơ bản; tinh chỉnh siêu tham số, chính quy hóa, tối ưu; cấu trúc dự án học máy; mạng tích chập; mô hình chuỗi. Ước 25, 24, 7, 36 và 37 giờ, mức trung bình. Điều kiện: Python trung cấp, nên biết đại số tuyến tính cơ bản và khái niệm học máy.

Sách học sâu đọc miễn phí. Ba cuốn hay được dùng:

• Dive into Deep Learning (Aston Zhang, Zachary C. Lipton, Mu Li, Alexander J. Smola): sách tương tác có code cho PyTorch, JAX, TensorFlow và numpy/MXNet. Trang sách ghi được dùng ở 500 trường đại học tại 70 quốc gia. Có bản dịch tiếng Việt "Đắm mình vào Học Sâu" trong kho GitHub d2l-ai/d2l-vi, lần cập nhật gần nhất năm 2022. Lưu ý: tên miền cũ của bản dịch (d2l.aivivn.com, cố ý không đặt liên kết) khi mở ngày 11/11/2026 không còn chứa sách mà là trang quảng cáo cờ bạc; chỉ mở bản dịch qua kho GitHub.
• Deep Learning (Ian Goodfellow, Yoshua Bengio, Aaron Courville, MIT Press, 2016): bản trực tuyến đọc miễn phí trọn vẹn. Nặng lý thuyết, hợp để tra cứu.
• Understanding Deep Learning (Simon J. D. Prince, MIT Press): trang sách có bản PDF đầy đủ để tải (bản ngày 09/02/2026), kèm notebook Python. Bao quát cả transformer và mô hình khuếch tán.

Bài sách Deep Learning miễn phí so sánh các cuốn này và gợi ý đọc cuốn nào trước.

Bậc 4: mô hình ngôn ngữ lớn và ứng dụng

Khóa học của Hugging Face. Trang Hugging Face Learn liệt kê các khóa như LLM Course, Agents Course, Deep RL Course, Audio Course, Diffusion Course, Community Computer Vision Course và Open-Source AI Cookbook. Các khóa dạy bằng chính thư viện và kho mô hình bạn sẽ dùng khi làm dự án. Nếu chưa quen Hugging Face, đọc bài Hugging Face là gì trước.

Tài liệu chính thức của các hãng. Khi đã dùng API của mô hình, tài liệu gốc của hãng là nguồn đúng nhất: tài liệu Claude của Anthropic (có phần hướng dẫn viết lời nhắc), kho claude-cookbooks trên GitHub, OpenAI Cookbook. Chúng được cập nhật theo phiên bản mô hình, điều mà sách in không theo kịp. Xem bài tài liệu chính thức của các hãng AI.

Bài báo gốc. Đến lúc nào đó bạn sẽ cần đọc bài báo gốc, ví dụ "Attention Is All You Need" (2017, arXiv 1706.03762) đặt nền cho transformer. Bài 10 bài báo AI kinh điển chọn sẵn và tóm tắt từng bài.

Thực hành, video, thi đấu và lộ trình

Bộ dữ liệu để luyện. Kaggle (có cả phần Learn với các khóa ngắn về Python, pandas, trực quan hóa dữ liệu), kho UCI Machine Learning Repository và Hugging Face Datasets là ba nơi tìm dữ liệu cho dự án. Bài bộ dữ liệu để luyện AI chỉ cách chọn bộ dữ liệu vừa sức và đọc giấy phép dữ liệu.

Video và podcast. Ngoài 3Blue1Brown và Karpathy, có nhiều kênh giải thích bài báo, phỏng vấn nhà nghiên cứu. Bài kênh video và podcast học AI chọn lọc theo mục đích.

Olympic AI quốc tế (IOAI). Kỳ thi AI quốc tế dành cho học sinh trung học. Theo trang chính thức ngày 11/11/2026: kỳ thứ 3 năm 2026 tổ chức ở Astana (Kazakhstan) đã kết thúc; kỳ thứ 4 sẽ diễn ra tại Singapore từ 4 đến 10/7/2027, và chương trình thi (syllabus) năm 2027 đã được đăng. Xem bài Olympic AI quốc tế.

Lộ trình. Nếu bạn muốn một kế hoạch theo tháng, bài lộ trình 6 tháng học AI xếp các tài liệu trên thành từng tháng, kèm dự án cuối mỗi giai đoạn.

Bảng tổng hợp

Ước thời gian học

Một câu hỏi hay gặp: học hết mấy tài liệu này mất bao lâu? Đoạn Python dưới đây ước số tuần theo số giờ bạn có mỗi tuần. Số giờ lấy từ trang chính thức: giờ ước tính của Coursera đã tính cả phần làm bài, còn với Karpathy và fast.ai chỉ có độ dài video, nên nhân thêm một hệ số cho việc tự gõ lại code và làm bài. Hệ số mặc định là 3; đó là giả định, bạn tự chỉnh theo tốc độ của mình.

"""Ước số tuần cần để học xong vài tài liệu AI, theo số giờ bạn có mỗi tuần.

Số giờ lấy từ trang chính thức, đọc ngày 11/11/2026:
- Machine Learning Specialization (Coursera): 3 khóa ước 33 + 34 + 28 giờ.
- Deep Learning Specialization (Coursera): 5 khóa ước 25 + 24 + 7 + 36 + 37 giờ.
- Neural Networks: Zero to Hero (karpathy.ai): 8 video, tổng 872 phút.
- Practical Deep Learning for Coders (course.fast.ai): 9 bài, mỗi bài khoảng 90 phút.
Giờ của Coursera đã tính cả phần làm bài. Với tài liệu chỉ có độ dài video, nhân thêm hệ số cho phần tự gõ lại code
và làm bài; hệ số mặc định 3 chỉ là giả định, bạn tự chỉnh theo tốc độ của mình.
"""
import math

TAI_LIEU = [
    # (tên, số giờ, là giờ video hay không)
    ("Machine Learning Specialization", 33 + 34 + 28, False),
    ("Deep Learning Specialization", 25 + 24 + 7 + 36 + 37, False),
    ("Neural Networks: Zero to Hero", 872 / 60, True),
    ("Practical Deep Learning (fast.ai)", 9 * 90 / 60, True),
]


def so_tuan(gio, gio_moi_tuan, la_video, he_so_video=3):
    tong = gio * he_so_video if la_video else gio
    return tong, math.ceil(tong / gio_moi_tuan)


def bang(gio_moi_tuan, he_so_video=3):
    dong = [f"Với {gio_moi_tuan} giờ mỗi tuần (hệ số cho video: {he_so_video}):"]
    tong_tuan = 0
    for ten, gio, la_video in TAI_LIEU:
        tong, tuan = so_tuan(gio, gio_moi_tuan, la_video, he_so_video)
        tong_tuan += tuan
        dong.append(f"  {ten:<36} {tong:6.1f} giờ  ~ {tuan:>2} tuần")
    dong.append(f"  {'Cộng (học lần lượt)':<36} {'':>6}        ~ {tong_tuan:>2} tuần")
    return "\n".join(dong)


def chay_thu():
    kq = [bang(10), bang(5)]
    print("\n\n".join(kq))
    return kq


if __name__ == "__main__":
    chay_thu()

Với 10 giờ mỗi tuần, học lần lượt bốn tài liệu mất khoảng 33 tuần; với 5 giờ mỗi tuần thì khoảng 63 tuần. Con số cho thấy hai điều: một là không cần học hết cả bốn (ví dụ chọn Machine Learning Specialization rồi Zero to Hero là đủ cho năm đầu), hai là học đều đặn mỗi tuần quan trọng hơn học dồn.

Học thế nào cho hiệu quả

• Gõ lại code, không chỉ xem. Với các video tự viết từ đầu như Zero to Hero, tạm dừng và tự gõ trước khi xem lời giải.
• Mỗi bậc một dự án nhỏ. Học xong bậc 2, làm một mô hình phân loại trên bộ dữ liệu bạn tự chọn. Học xong bậc 3, huấn luyện một mạng nhỏ. Đưa lên GitHub với README rõ ràng; xem bài portfolio AI trên GitHub.
• Dùng AI để hỏi, không để làm hộ. Nhờ trợ lý AI giải thích một công thức hay một dòng code bạn chưa hiểu là rất tốt. Nhờ nó viết hộ bài tập thì bạn mất đúng phần cần học.
• Ghi chép bằng lời của mình. Sau mỗi buổi, viết lại năm dòng: hôm nay học gì, chỗ nào chưa hiểu.
• Học cùng người khác. Một nhóm học nhỏ hay một lớp có giảng viên giúp bạn không bỏ dở giữa chừng.

Câu hỏi thường gặp

Học tiếp

• Có kế hoạch theo tháng: lộ trình 6 tháng học AI.
• Bắt đầu từ nền tảng: Python cho AI và toán cho AI.
• Chọn khóa học máy đầu tiên: các khóa của Andrew Ng.

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

Nguồn tham khảo

• CS50's Introduction to Artificial Intelligence with Python (Harvard)
• Coursera: Machine Learning Specialization
• Coursera: Deep Learning Specialization
• Andrej Karpathy: Neural Networks: Zero to Hero
• fast.ai: Practical Deep Learning for Coders
• Dive into Deep Learning
• Mathematics for Machine Learning
• Python Data Science Handbook
• Hugging Face Learn
• International Olympiad in Artificial Intelligence (IOAI)