Tự học AI có được không? Lộ trình tự học miễn phí

Tự học AI có được không? Được. Phần lớn kiến thức nền của một AI Engineer đã có ở dạng khóa học miễn phí của Harvard, Google, Kaggle, fast.ai và Hugging Face. Thiếu tài liệu không phải vấn đề. Người tự học AI thường kẹt vì học sai thứ tự, xem nhiều mà làm ít, hoặc bỏ giữa chừng vì không có ai sửa bài.

Bài này xếp các khóa đó thành lộ trình tự học AI 5 chặng theo thứ tự cần học, kèm thời lượng mà chính các khóa công bố. Mình cũng chạy thử bước đầu tiên trên laptop, một model phân loại chỉ chục dòng code, và gặp ngay hai lỗi lúc cài đặt mà người mới dễ vấp.

Ai tự học được, ai nên có người hướng dẫn?#

Tự học hợp với bạn nếu bạn:

• Đọc được tài liệu tiếng Anh, vì gần như mọi khóa tốt trong bài đều bằng tiếng Anh.

• Giữ được nhịp khoảng 10 giờ mỗi tuần trong nhiều tháng mà không cần ai nhắc.

• Chịu được cảm giác bí: đọc thông báo lỗi, tự tìm cách sửa trước khi hỏi.

Nếu bạn trái ngành, chưa từng lập trình và học tốt hơn khi có lịch, có bài tập được chấm, thì tự học vẫn được, nhưng sẽ chậm hơn. Khi đó nên kết hợp: dùng tài liệu miễn phí cho phần nền, và tìm một chỗ có người sửa bài cho phần project.

Cần học những gì, theo thứ tự nào?#

Thứ tự quan trọng hơn chọn khóa nào. Mỗi chặng dùng lại kiến thức của chặng trước:

Một lỗi hay gặp khi tự học là nhảy thẳng vào chặng 5 vì LLM đang nóng, rồi kẹt vì chưa đọc nổi code Python hay chưa hiểu tại sao model trả lời sai. Bài lộ trình AI Engineer phân tích kỹ từng chặng và kỹ năng nhà tuyển dụng đang cần.

Lộ trình tự học AI miễn phí cho từng chặng#

Mình chọn các khóa có ba điều kiện: miễn phí, của đơn vị uy tín, còn được duy trì. Thời lượng ghi theo đúng con số trên trang của từng khóa, mình đọc lại ngày 11/10/2026.

Con số 14 giờ 32 phút của Karpathy là mình cộng thời lượng 8 video ghi trên trang khóa (từ 56 phút đến 2 giờ 25 phút mỗi video). Đó mới là thời gian xem. Tự gõ lại code theo từng video thì lâu hơn nhiều.

Fast.ai đi từ ứng dụng trước: trang khóa ghi rõ bạn sẽ dựng và train model cho ảnh, văn bản, dữ liệu bảng bằng PyTorch, fastai, Hugging Face Transformers và Gradio. Khóa của Karpathy đi ngược lại, viết mọi thứ từ con số 0, đến video thứ 7 thì tự dựng một GPT nhỏ.

Với chặng dữ liệu, Kaggle Learn có các khóa ngắn chạy thẳng trên trình duyệt, không phải cài gì:

Chặng cuối, khóa LLM của Hugging Face ghi rõ trên trang: hoàn toàn miễn phí, cần biết Python tốt, và nên học sau một khóa deep learning nhập môn.

Tuần đầu: chạy model đầu tiên trên laptop#

Không cần đợi học xong Python mới chạm vào AI. Ngay tuần đầu, bạn đã có thể chạy thử một model thật trên laptop không có card rời để biết cảm giác, dù hiểu từng dòng thì phải đợi tới chặng 3. Đoạn dưới dạy model phân biệt khối u lành và ác tính, dùng bộ dữ liệu ung thư vú có sẵn trong scikit-learn:

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

X, y = load_breast_cancer(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
model = LogisticRegression(max_iter=5000).fit(X_train, y_train)
print("Độ chính xác trên tập test:", round(model.score(X_test, y_test), 3))

Lần đầu mình chạy file này trên máy Mac, nó dừng ngay ở dòng import, chưa tới dòng nào của model. Thử cài thư viện bằng pip thì máy lại từ chối:

ModuleNotFoundError: No module named 'sklearn'
error: externally-managed-environment

Lỗi đầu chỉ là chưa cài scikit-learn. Lỗi thứ hai lạ hơn: Python cài qua Homebrew, cũng như Python có sẵn trên các bản Ubuntu mới, chặn việc dùng pip cài thư viện thẳng vào môi trường chung. Thông báo trông dài nhưng đã ghi sẵn cách sửa ở cuối: dùng virtual environment. Đừng thêm cờ --break-system-packages cho nhanh, vì cờ đó cài thẳng vào môi trường Python chung, dễ làm hỏng các công cụ khác đang dựa vào nó. Cách đúng là tạo môi trường ảo (venv) rồi cài vào đó:

python3 -m venv .venv
source .venv/bin/activate
pip install scikit-learn
python model_dau_tien.py

Trên máy Mac M4 Pro của mình (Python 3.14.7), tạo venv và cài scikit-learn mất 8 giây. Model đạt độ chính xác 0,956 trên phần dữ liệu nó chưa từng thấy. Ở ảnh lỗi phía trên, mình rút gọn đường dẫn thư mục thành ~/hoc-ai/ cho dễ đọc.

Con số đẹp như vậy ngay buổi đầu dễ làm người mới nghĩ AI dễ. Phần khó nằm ở những gì đoạn code này bỏ qua: dữ liệu thật bẩn hơn nhiều, và 0,956 có đủ tốt hay không còn tùy bài toán. Đó là việc của chặng 2 và chặng 3.

Trên Windows, lệnh kích hoạt môi trường khác một chút. Ba lệnh dưới đây theo tài liệu venv của Python, phần Windows mình chưa chạy thử:

python -m venv .venv
.venv\Scripts\activate
pip install scikit-learn

Không muốn cài gì thì dán đoạn code vào Google Colab hoặc notebook của Kaggle, ở đó scikit-learn có sẵn.

Tự học AI mất bao lâu?#

Cộng thời lượng các khóa ở trên mới chỉ ra thời gian xem, chưa tính thời gian làm bài. Vài mốc để hình dung:

• Riêng khóa Python của Harvard đã có 10 tuần tài liệu.

• Hai khóa deep learning có khoảng 13,5 giờ (fast.ai) và 14,5 giờ (Karpathy) video.

• Khóa LLM của Hugging Face có 12 chương, mỗi chương ước 6 đến 8 giờ, tức khoảng 72 đến 96 giờ.

Ở AIDev, khi soạn lộ trình 5 khóa phủ đủ 5 chặng này, bọn mình ước tính 360 đến 400 giờ học và làm bài, tức 7 đến 9 tháng nếu học đều 10 đến 12 giờ mỗi tuần. Tự học thường lâu hơn con số đó, vì phải tự tìm tài liệu nối giữa các khóa và tự gỡ lỗi khi kẹt.

Khi nào tự học không hiệu quả?#

• Bạn chỉ xem video. Xem hết 14,5 giờ của Karpathy mà không tự gõ lại thì rất nhanh quên.

• Bạn đổi khóa liên tục. Mỗi khóa dùng một bộ công cụ và giọng văn khác nhau, bắt đầu lại từ đầu nhiều lần rất tốn thời gian.

• Bạn cần một hạn chót do người khác đặt ra mới có động lực. Tự học thì không ai đặt hạn chót cho bạn.

• Bạn không có project. Nhà tuyển dụng xem sản phẩm chạy được, không xem danh sách khóa đã học.

Câu hỏi thường gặp#

Tự học AI có cần giỏi toán không?#

Không cần giỏi, nhưng cần nền. fast.ai chỉ yêu cầu toán cấp 3. Karpathy ghi "intro-level math", ví dụ đạo hàm và phân phối chuẩn. Lúc bắt đầu, bạn học toán đến đâu dùng đến đó là đủ: đại số tuyến tính và xác suất cơ bản cho machine learning, đạo hàm cho deep learning.

Không giỏi tiếng Anh thì tự học AI được không?#

Khó hơn. Các khóa trong bài đều bằng tiếng Anh. YouTube có phụ đề tự động, và bạn có thể nhờ chatbot giải thích lại đoạn khó bằng tiếng Việt. Nhưng thông báo lỗi và tài liệu thư viện thì vẫn bằng tiếng Anh, nên đọc được tiếng Anh kỹ thuật là kỹ năng phải luyện song song.

Tự học AI tại nhà có cần máy mạnh không?#

Ba chặng đầu thì không: model trong bài chạy bằng CPU của laptop. Từ chặng deep learning, train model lớn cần GPU. Lúc đó dùng Google Colab, Kaggle Notebook, hoặc thuê GPU theo giờ, đừng vội mua card.

Tự học AI xong có xin được việc không?#

Không ai hứa được điều đó, kể cả các khóa trả phí. Thứ bạn tự lo được là làm ra sản phẩm chạy được: một báo cáo phân tích dữ liệu, một model có đánh giá đúng cách, một ứng dụng AI có link cho người khác dùng thử.

Đọc tiếp#

• Lộ trình AI Engineer: học gì, theo thứ tự nào, mỗi chặng mất bao lâu.

• AI Engineer là gì, cần học gì: phân tích tin tuyển dụng thật tại Việt Nam.

• AI Local: chạy LLM và AI tạo ảnh trên máy bạn: khi nào cần GPU, mua hay thuê.

Nếu bạn muốn đi đủ 5 chặng theo một lộ trình có sẵn, bằng tiếng Việt, có project được chấm, xem lộ trình AI Engineer từ số 0 của AIDev.

Code trong bài chạy ngày 11/10/2026 trên máy Mac M4 Pro (CPU), Python 3.14.7, scikit-learn 1.9.1. Thời lượng các khóa đọc trên trang chính thức cùng ngày.