KenkAI

Lộ trình Học Trí tuệ Nhân tạo

—

bởi

admin
trong

Bạn có muốn học Trí tuệ Nhân tạo và đang tìm kiếm một Lộ trình Học Trí tuệ Nhân tạo [Lộ trình AI] không?… Nếu có, bài viết này dành cho bạn. Trong bài viết này, bạn sẽ tìm thấy một Lộ trình từng bước để học Trí tuệ Nhân tạo cho năm 2024.

Vậy, không cần chần chừ nữa, hãy bắt đầu Lộ trình Học Trí tuệ Nhân tạo [Lộ trình AI] ngay thôi.

Lộ trình học Trí tuệ Nhân tạo 2024/Lộ trình cho Kỹ sư AI Mới bắt đầu

Trí tuệ Nhân tạo đang ngày càng phổ biến trong thời gian gần đây. Chúng ta có thể thấy sự phát triển của AI trong mọi lĩnh vực như Xe tự lái, Robotics, Gợi ý sản phẩm, Google Assistant/Siri/Alexa, v.v. Để trở thành một Kỹ sư AI, bạn phải có các kỹ năng sau:

  • Toán học
  • Lập trình
  • Dữ liệu lớn (Big Data)
  • Khoa học Dữ liệu (Data Science)
  • Học Máy (Machine Learning)
  • Học Sâu (Deep Learning)
  • AI Tạo sinh/ Mô hình Ngôn ngữ Lớn (LLMs)
  • Xử lý Ngôn ngữ Tự nhiên (Natural Language Processing)
  • Trí tuệ Kinh doanh (Business Intelligence)

Bây giờ, hãy chuyển sang Lộ trình Học tập Trí tuệ Nhân tạo 2024.

Tôi đã cập nhật Lộ trình Học tập Trí tuệ Nhân tạo này vì có rất nhiều thuật ngữ mới xuất hiện trong lĩnh vực AI vào năm 2024. Đó là lý do tại sao bạn phải cập nhật với những thuật ngữ mới này như Large Language Models (Mô hình Ngôn ngữ Lớn), Generative AI (AI Tạo sinh), và Retrieval Augmented Generation (RAG) (Tạo sinh Tăng cường Truy xuất /RAG).

Bước 1. Hiểu về Cơ bản của Trí tuệ Nhân tạo (Artificial Intelligence)

Trước khi học các kỹ năng thiết yếu khác, trước tiên hãy học những kiến thức cơ bản về Trí tuệ Nhân tạo.

Ở bước này, bạn phải hiểu Trí tuệ Nhân tạo là gì, tác động của nó, xu hướng tương lai của Trí tuệ Nhân tạo, và ứng dụng của nó trong các lĩnh vực khác nhau.

Bạn có thể học những điều này từ bất kỳ hướng dẫn YouTube nào hoặc từ bất kỳ khóa học MIỄN PHÍ nào. Tôi cũng sẽ liệt kê một số nguồn tài liệu để học những kiến thức cơ bản về Trí tuệ Nhân tạo.

Tài nguyên để học AI

Bước 2. Học Toán

Bước tiếp theo của bạn nên là học Toán.

Trong các bước sắp tới, bạn sẽ phải học các thuật toán Máy học và Học sâu. Kiến thức toán học sẽ giúp bạn hiểu cách hoạt động của các thuật toán học sâu và máy học. Trong Toán học, bạn cần học:

  • Đại số tuyến tính (Linear Algebra): Cần thiết cho việc thao tác dữ liệu, liên quan đến vector và ma trận được sử dụng trong tiền xử lý dữ liệu và các thuật toán máy học.
  • Giải tích (Calculus): Giải tích vi phân rất quan trọng cho việc tối ưu hóa trong máy học, đặc biệt là các kỹ thuật dựa trên gradient.
  • Xác suất và Thống kê (Probability and Statistics): Quan trọng để hiểu phân phối dữ liệu (data distributions), kiểm định giả thuyết (hypothesis testing) và phân tích hồi quy (egression analysis) trong AI.
  • Giải tích đa biến (Multivariate Calculus): Cần thiết để tối ưu hóa các hàm có nhiều biến (multiple variables), phổ biến trong các mô hình AI.
  • Lý thuyết thông tin (Information Theory): Bao gồm các khái niệm như entropy, thông tin tương hỗ (mutual information) và độ phân kỳ Kullback-Leibler, liên quan đến phân tích dữ liệu và máy học.
  • Tối ưu hóa: Kiến thức về các thuật toán tối ưu hóa như gradient descent để huấn luyện mô hình.
  • Toán rời rạc (Discrete Mathematics): Cần thiết cho thuật toán và lý thuyết đồ thị, được sử dụng trong các thuật toán tìm kiếm và phân tích mạng.
  • Lý thuyết tập hợp (Set Theory): Nền tảng cho logic và biểu diễn kiến thức trong AI biểu tượng.
  • Quy hoạch tuyến tính (Linear Programming): Hữu ích trong các bài toán tối ưu hóa, như phân bổ tài nguyên.
  • Phân tích phức (Complex Analysis) (Không bắt buộc): Liên quan đến các ứng dụng cụ thể, như xử lý tín hiệu.

Có nhiều nguồn tài liệu khác nhau để học các khái niệm toán học. Tôi cũng sẽ liệt kê một số nguồn tài liệu.

Resources for Learning Math

Bước 3. Học Ngôn ngữ Lập trình

Sau khi học toán, bước tiếp theo của bạn nên là học Ngôn ngữ Lập trình.

Trong Trí tuệ Nhân tạo, kiến thức về ngôn ngữ lập trình là thiết yếu.

Không có kiến thức về ngôn ngữ lập trình, bạn không thể triển khai bất cứ điều gì. Đối với Trí tuệ Nhân tạo, bạn có thể học ngôn ngữ lập trình Python, R hoặc Java. Nhưng nếu bạn hỏi tôi, tôi sẽ gợi ý ngôn ngữ lập trình Python. Bởi vì đây là ngôn ngữ thân thiện với người mới bắt đầu.

Nếu bạn là người mới, bạn có thể dễ dàng học Python. Python có nhiều thư viện và gói hỗ trợ khác nhau cho Học Máy và Học Sâu.

Resources for Learning Python Programming

Bước 4. Học Big Data

Tại sao là Big Data?

Bởi vì mô hình AI được đào tạo bằng cách sử dụng Dữ liệu.

Và nếu kích thước dữ liệu lớn, thì bạn nên biết các Công cụ Big Data để quản lý lượng Dữ liệu khổng lồ này.

Các công ty lớn như YouTube và Google đang sử dụng hệ thống đề xuất để đề xuất điều gì đó dựa trên lịch sử tìm kiếm trước đó, đây là sự kết hợp giữa AI và Big Data. Đó là lý do tại sao kiến thức về các công cụ Big Data là cần thiết. Hadoop, Spark, Cassandra và MongoDB là các công cụ Big Data. Bạn có thể học bất kỳ công cụ nào.

Tài nguyên để học Big Data

Bước 5. Học Khoa học Dữ liệu

Ở bước này, bạn cần học Thu thập dữ liệu, Chuẩn bị dữ liệu, Phân tích dữ liệu và Xử lý dữ liệu.

Bạn có thể học Khoa học Dữ liệu từ bất kỳ khóa học nào. Tôi sẽ liệt kê một số khóa học Khoa học Dữ liệu.

Tài liệu học Khoa học Dữ liệu

Bước 6. Học các thuật toán Học Máy

Kỹ năng thiết yếu tiếp theo là học các thuật toán học máy. Bạn có thể học Cơ bản về Học Máy với khóa học MIỄN PHÍ “Machine Learning by Andrew Ng”. Bạn cần học các Thuật toán Học Máy:

  • Supervised Learning (Học có giám sát)
  • Unsupervised Learning (Học không giám sát)
  • Reinforcement Learning (Học tăng cường)

Tài liệu để học Machine Learning

Bước 7. Học các thuật toán Học Sâu

Sau khi bạn đã học các thuật toán Học Máy, tiếp theo hãy học các thuật toán Học Sâu. Cùng với các thuật toán Học Sâu, bạn cần học các Framework của nó như Tensorflow hoặc Keras. Trong các thuật toán Học Sâu, hãy học các chủ đề sau:

  • Mạng nơ-ron (Neural Network)
  • CNN (Mạng nơ-ron tích chập)
  • RNN (Mạng nơ-ron hồi quy)
  • GAN (Mạng đối kháng sinh thành)
  • LSTM (Bộ nhớ dài-ngắn hạn)

Tài liệu để học Deep Learning

Bước 8. Học về Mô hình Ngôn ngữ Lớn

Bạn đã từng nghe về Mô hình Ngôn ngữ Lớn.

LLM (Large Language Model) là một loại AI tạo sinh khác, tương tự như ChatGPT. Nó được huấn luyện trên một lượng lớn dữ liệu văn bản, vì vậy nó rất giỏi trong việc hiểu và tạo ra ngôn ngữ tự nhiên. Mô hình Ngôn ngữ Lớn là một thuật ngữ mới. Vì vậy, để tìm hiểu về Mô hình Ngôn ngữ Lớn, bạn có thể tham khảo các nguồn tài liệu sau-

Tài liệu để học Large Language Models

Bước 9. Học Business Intelligence (Trí tuệ Kinh doanh)

Business Intelligence giúp các công ty đưa ra quyết định dựa trên dữ liệu nhiều hơn. Ở bước này, bạn cần học các công cụ Business Intelligence như Tableau, PowerBI hoặc Qlikview.

Những công cụ này giúp bạn tạo ra các biểu đồ hoặc đồ thị từ những phát hiện của mình để bạn có thể dễ dàng trình bày kết quả cho các bên liên quan.

Tài nguyên để Học các BI Tools

Bước 10. Làm việc trên các Dự án

Trước hết, xin chúc mừng!

Bạn đã thông thạo các Kỹ năng Trí tuệ Nhân tạo.

Đã đến lúc bắt đầu làm việc trên một số dự án Thực tế.

Các dự án là điều quan trọng nhất để có được công việc như một Kỹ sư AI. Càng làm nhiều dự án, bạn sẽ càng hiểu sâu về AI. Các dự án cũng sẽ mang lại nhiều ưu điểm cho Hồ sơ của bạn. Bạn có thể nhờ sự giúp đỡ của Kaggle để tìm các dự án và cuộc thi về Trí tuệ Nhân tạo.

Đây là một số ý tưởng dự án AI đơn giản:

  1. Phân loại Hình ảnh: Tạo một chương trình có thể nhận dạng và phân loại các loại hình ảnh khác nhau.
  2. Kiểm tra Cảm xúc: Tạo một công cụ có thể xác định xem một tin nhắn hoặc đánh giá là tích cực hay tiêu cực.
  3. Trợ lý Chat: Xây dựng một chatbot có thể trò chuyện với mọi người.
  4. Gợi ý Xem gì (What to Watch): Tạo một hệ thống đề xuất phim hoặc chương trình dựa trên sở thích của người dùng.
  5. Nhận diện Khuôn mặt (Face Finder): Tạo một chương trình có thể nhận diện khuôn mặt trong ảnh.
  6. Xử lý Ngôn ngữ (Language Magic): Làm việc trên các dự án liên quan đến việc hiểu và xử lý ngôn ngữ.
  7. Xe tự lái Mini (Mini Self-Driving Car): Thử tạo một chiếc xe hoặc robot nhỏ có thể tự di chuyển.
  8. Phát hiện Bất thường (Odd Thing Detector): Tạo một hệ thống có thể tìm ra những điều bất thường trong dữ liệu, như phát hiện gian lận hoặc vấn đề.
  9. Hỗ trợ Y tế: Tạo một ứng dụng hỗ trợ sức khỏe hoặc y tế, như kiểm tra triệu chứng hoặc khám phá thuốc.
  10. AI trong Game: Xây dựng một đối thủ cho trò chơi hoặc một chương trình có thể tạo nội dung trò chơi mới.
  11. Dự đoán Tương lai: Làm việc trên các dự án dự đoán những gì có thể xảy ra tiếp theo, như dự đoán giá cổ phiếu hoặc thời tiết.
  12. Trợ lý Giọng nói: Tạo một trợ lý có thể nói chuyện và thực hiện các tác vụ khi bạn nói chuyện với nó.
  13. Tạo Nghệ thuật: Sử dụng AI để tạo ra nghệ thuật, âm nhạc, hoặc thậm chí là câu chuyện.
  14. AI trong Giáo dục: Phát triển một ứng dụng giúp mọi người học tốt hơn, như công cụ học tập thích ứng.
  15. AI và Tài chính: Làm việc trên các dự án liên quan đến tài chính như giao dịch chứng khoán, quyết định cho vay, hoặc phát hiện gian lận tài chính.
  16. Robot Bạn bè: Xây dựng một robot có thể làm những việc như dọn dẹp hoặc chơi trò chơi.

Hãy chọn một dự án mà bạn quan tâm và phù hợp với kỹ năng của bạn.

Bây giờ, tôi muốn đề cập đến một Dự án AI hoàn chỉnh từng bước một, để bạn có thể bắt đầu làm việc trên Dự án AI đầu tiên của mình-

Hãy đọc chi tiết về phần này tại đây:

Lộ trình Học tập Trí tuệ Nhân tạo Đơn giản hóa theo Khung thời gian/ Lộ trình Học tập Trí tuệ Nhân tạo 2024

Time FrameSteps to FollowWhat to DoResources
Months 1-2Get the Basics of AI– Learn what AI is and the main terms.1. AI For Everyone– Coursera FREE to Audit Course
2. Intro to Artificial Intelligence– Udacity FREE Course
Months 2-4Strengthen Your Math Skills– Start with simple math and move to more complex topics.1. Intro to Statistics– Udacity FREE Course
2. Linear Algebra Refresher Course– Udacity FREE Course
Months 4-5Pick Up a Programming Language– Learn a language like Python and practice basic coding.1. Introduction to Python Programming(Udacity Free Course)
2. The Python Tutorial (PYTHON.ORG)
Month 6Understand Big Data and Data Science– Know about big data and the basics of data science.1. Intro to Hadoop and MapReduce(Udacity FREE Course)
2. Spark (Udacity FREE Course)
3. IBM Data Science Professional Certificate– Coursera
Months 7-8Explore Machine Learning– Begin with easy ML concepts and advance to more complex ones.1. Machine Learning by Georgia Tech(Udacity Free Course)
2. Machine Learning by Stanford University(Coursera Free to Audit Course)
Months 9-10Learn Deep Learning– Learn about deep learning and get hands-on with TensorFlow or PyTorch.1. Deep Learning Specialization (deeplearning.ai)
2. Deep Learning– Udacity
Months 11-12Learn Large Language Models– Learn the basics of Large Language Models and how it works1. Introduction to Large Language Models– Coursera
2. Generative AI with Large Language Models– Coursera
Months 12-13Focus on Business Intelligence and Projects– Learn AI in business and start working on your AI projects.1. Data Visualization in Tableau– Udacity FREE Course
2. Fundamentals of Visualization with Tableau– Coursera FREE to Audit Course

Kỹ sư AI (AI Engineer) làm gì hàng ngày?

  1. Understanding Problems (Hiểu vấn đề): Kỹ sư AI bắt đầu ngày làm việc bằng cách cố gắng hiểu những loại vấn đề mà AI có thể giúp giải quyết.
  2. Data Collection and Cleanup (Thu thập và làm sạch dữ liệu): Họ thu thập dữ liệu từ nhiều nguồn khác nhau và đảm bảo dữ liệu sạch và sẵn sàng để sử dụng trong các mô hình AI của họ.
  3. Creating AI Models (Tạo mô hình AI): Kỹ sư AI xây dựng các mô hình AI, giống như những công cụ đặc biệt có thể giúp giải quyết những vấn đề này.
  4. Testing Models (Kiểm tra mô hình): Họ kiểm tra hiệu quả hoạt động của các công cụ AI này và cải tiến nếu cần.
  5. Writing Instructions (Viết hướng dẫn): Họ viết hướng dẫn dưới dạng mã máy tính để đảm bảo các mô hình AI của họ hiểu những gì cần làm.
  6. Staying Updated (Cập nhật kiến thức): Họ tiếp tục học hỏi về công nghệ và kỹ thuật AI mới nhất để luôn dẫn đầu trong lĩnh vực của mình.
  7. Teamwork (Làm việc nhóm): Kỹ sư AI làm việc với những người khác trong các dự án AI và chia sẻ tiến độ cũng như ý tưởng của họ.
  8. Fixing Issues (Khắc phục sự cố): Nếu có bất kỳ vấn đề gì xảy ra trong quá trình làm việc, như các vấn đề về máy tính, họ tìm cách khắc phục.
  9. Keeping Records (Lưu giữ hồ sơ): Họ ghi chép lại mọi thứ họ làm và cách thức hoạt động để tham khảo trong tương lai.
  10. Meetings and Communication (Họp và giao tiếp): Họ tham gia các cuộc họp để thảo luận về tiến độ dự án và kế hoạch cho tương lai.
  11. Project Management (Quản lý dự án): Họ đảm bảo các dự án AI của họ đúng tiến độ, đáp ứng thời hạn và mục tiêu.
  12. Thinking Ethically (Suy nghĩ về đạo đức): Kỹ sư AI xem xét điều gì đúng và sai trong việc sử dụng AI và đảm bảo công việc của họ tuân theo quy tắc và có đạo đức.
  13. Continuous Learning (Học tập liên tục): Họ tiếp tục học hỏi kỹ năng mới và cập nhật những tiến bộ mới nhất trong lĩnh vực AI.
  14. Putting AI to Use (Ứng dụng AI): Họ đảm bảo các mô hình AI họ đã tạo ra hoạt động chính xác trong các tình huống thực tế.
  15. Quality Checks (Kiểm tra chất lượng): Họ đảm bảo kết quả do AI tạo ra là chính xác và đáng tin cậy thông qua kiểm tra cẩn thận.

Trở thành kỹ sư AI đòi hỏi sự linh hoạt, kỹ năng giải quyết vấn đề tốt và thành thạo trong lập trình máy tính để thành công trong lĩnh vực AI thú vị. Bây giờ, hãy tìm hiểu sự nhầm lẫn lớn nhất mà nhiều người đam mê AI gặp phải, đó là mối quan hệ giữa AI, ML, Deep Learning, Generative AI, LLMs và RAG như thế nào. Vì vậy, hãy tìm hiểu mối quan hệ giữa AI, ML, Deep Learning, Generative AI, LLMs và RAG.

AI, ML, Học Sâu, AI Tạo Sinh, LLM và RAG Kết Nối với Nhau Như Thế Nào?

Như tên gọi “Trí tuệ Nhân tạo” đã gợi ý, bạn hiểu gì? Nó có nghĩa là trí tuệ được tạo ra một cách nhân tạo. Đúng không?

Hãy phân tích chi tiết hơn.

Bạn hiểu “Nhân tạo Artificial” là gì? Theo tôi, Nhân tạo Artificial có nghĩa là thứ gì đó không thuộc về con người.

Và bạn hiểu “Trí tuệ Intelligence” là gì? Theo tôi, Trí tuệ Intelligence có nghĩa là khả năng suy nghĩ, học hỏi và hiểu biết.

Đúng vậy, Artificial Intelligence (Trí tuệ Nhân tạo) làm cho máy móc trở nên thông minh như con người. Mục tiêu chính của Artificial Intelligence là làm cho máy móc trở nên mạnh mẽ và có khả năng suy nghĩ như con người.

Artificial Intelligence là một lĩnh vực rộng lớn của Khoa học Máy tính. AI cho phép máy móc bắt chước con người. Artificial Intelligence làm cho máy móc trở nên mạnh mẽ đến mức chúng có thể tự đưa ra quyết định.

AI mang lại cho máy móc sức mạnh của lẽ thường, kỹ năng lập luận và kỹ năng ra quyết định.

Trong lĩnh vực này, Học Máy (Machine Learning – ML) là một kỹ thuật cho phép máy móc học hỏi và tự cải thiện hiệu suất của mình. Trong học máy, một số tập hợp hướng dẫn (set of instructions) được đưa ra dưới dạng huấn luyện mô hình. Dựa trên training data (dữ liệu huấn luyện), machine learning model học và dự đoán kết quả.

Deep learning (Học sâu) là một hình thức nâng cao của Machine Learning (Học Máy). Nếu bạn có một tập dữ liệu nhỏ và muốn tạo một mô hình, thì học máy hoạt động hoàn hảo. Nhưng nếu bạn có một tập dữ liệu lớn và nhiều đặc trưng trong tập dữ liệu của bạn, thì các thuật toán học máy sẽ không thể hoạt động tốt.

Ở đây, học sâu được sử dụng. Học sâu hoạt động hoàn hảo với các tập dữ liệu lớn và có nhiều đặc trưng. Học sâu hoạt động trên mạng nơ-ron nhân tạo, giống như não bộ con người, nơi các nơ-ron được kết nối. Có ba lớp: input layer (lớp đầu vào), hidden layer (lớp ẩn) và output layer (lớp đầu ra).

Generative AI (AI Tạo sinh) đề cập đến các hệ thống AI có khả năng tạo ra nội dung mới, như hình ảnh, âm nhạc hoặc văn bản, dựa trên các mẫu học được từ dữ liệu hiện có.

Large Language Models – LLMs (Mô hình Ngôn ngữ Lớn) là các mô hình AI tinh vi có khả năng hiểu và tạo ra ngôn ngữ con người, cho phép thực hiện các nhiệm vụ như dịch thuật, tóm tắt và trả lời câu hỏi.

Retrieval-augmented generation – RAG (Tạo sinh tăng cường bằng truy xuất) là một phương pháp kết hợp AI sinh sản với việc truy xuất thông tin liên quan từ một cơ sở dữ liệu lớn để nâng cao chất lượng và sự phù hợp của nội dung được tạo ra.

Về cơ bản, AI bao gồm nhiều kỹ thuật khác nhau như ML, deep learning, generative AI, LLMs và RAG, mỗi kỹ thuật đóng góp vào sự tiến bộ của các hệ thống thông minh (intelligent systems) theo những cách khác nhau.

Tôi hy vọng giờ đây sự “rối“ của bạn đã được làm rõ.

Bây giờ là lúc để kết thúc Lộ trình Học tập Trí tuệ Nhân tạo [Lộ trình AI] 2024 này!

Kết luận

Trong bài viết này, tôi đã thảo luận về Lộ trình Học tập Trí tuệ Nhân tạo [Lộ trình AI] 2024 theo từng bước. Nếu bạn có bất kỳ thắc mắc hoặc câu hỏi nào về Lộ trình Học tập Trí tuệ Nhân tạo, hãy tự nhiên hỏi tôi trong phần bình luận. Tôi ở đây để giúp đỡ bạn.

Chúc bạn thành công trong sự nghiệp!

Chúc học tập vui vẻ!

Tác giả: mltut.com

Link bài gốc: Artificial Intelligence Learning Roadmap [AI Roadmap] 2024- Step-by-Step Guide | Bài được đăng vào ngày 12/09/2024

Dịch giả: Hoàng Phan – KenkAI Nhiều thứ hay

(*) Bạn có thể sao chép và chia sẻ thoải mái.

(**) Follow KenkAI Nhiều thứ hay để đọc các bài dịch khác và cập nhật thông tin bổ ích hằng ngày.

Bình luận

Để lại một bình luận

Email của bạn sẽ không được hiển thị công khai. Các trường bắt buộc được đánh dấu *