Xây ứng dụng AI với LLM và AI AgentƯu đãi khóa học
Sở hữu trọn đời, cập nhật miễn phí, học phí bảo toàn khi bạn học tiếp.
1.290.000đ
Học phí khóa này
8
Chương
~28,1 giờ
Video bài giảng
Xây ứng dụng AI với LLM và AI Agent
Từ "gọi được API" đến một ứng dụng AI chạy thật, đo được và vận hành được: RAG production, AI agent, MCP, evals và deploy.
- 38 bài · ~28,1 giờ video
- Project 5: app AI có evals và trace, nộp GitHub
- Deploy FastAPI + Docker, self-host vLLM
Cấp độ: Nâng cao
8 chương
38 bài
~28,1 giờ video
Sở hữu trọn đời
Ai nên học chặng cuối này, và học xong làm được gì
Bạn cần biết Python và từng gọi API LLM trong code trước khi vào; RAG, agent, MCP, evals và deploy khóa lo. Phần chuẩn đầu ra lấy từ đề cương, và Project 5 với bộ evals 50 câu là nơi bạn đối chiếu.
Dành cho ai
Vừa học xong Khóa 4
Đã có RAG 80 dòng và một app deploy công khai, giờ muốn làm bản dùng thật.
Lập trình viên đã biết Python
Muốn đủ RAG, agent, evals và deploy để ứng tuyển vị trí AI Engineer.
Đang được giao làm chatbot công ty
Cần một quy trình đo được cho trợ lý AI, không phải một bản demo.
Yêu cầu đầu vào
Hoàn thành Khóa 4 hoặc nắm tương đương: viết Python thành thạo, đã gọi API LLM cơ bản trong code trước khi vào chương 24.
Bài kiểm tra đầu vào 15 câu tự đánh giá về Python và gọi API; dưới 10/15 được gợi ý học Khóa 1 hoặc Khóa 4 trước rồi quay lại.
Mua lẻ Khóa 5 thì nhận starter pack gồm app RAG 80 dòng và SQLite TMĐT, đúng hai thứ bài 26.1 và 27.2 dùng lại ngay từ đầu.
Không cần GPU riêng: notebook chạy với API hoặc model local qua Ollama; vLLM, QLoRA và bảng đo bài 25.2 dùng GPU server AIDev Cloud.
Ngân sách API cho cả khóa dưới 3 USD; mỗi bài kèm phương án model miễn phí hoặc chạy local để thay thế, bài 24.1 in chi phí mỗi lần gọi.
Bạn sẽ làm được gì
Data pipeline cho RAG: ingest tài liệu tiếng Việt, chunking, index tăng dần, đóng gói thành job định kỳ trong docker compose.
Retrieval production: index vào pgvector hay Qdrant, hybrid search, rerank, và đo chất lượng câu trả lời bằng RAGAS trên tập câu hỏi vàng.
Gọi LLM như kỹ sư: structured output, context engineering, chi phí và độ trễ tính trước cho mỗi lời gọi, đổi model không phải sửa code.
Agents: tool calling, planning (ReAct, plan-and-execute, reflection), memory, multi-agent với LangGraph và OpenAI Agents SDK, có điểm dừng cho người duyệt.
MCP và evals: nối agent vào hệ thống qua MCP server tự viết; tập test 50 câu, LLM-as-judge, tracing Langfuse, guardrails PII tiếng Việt.
Deploy production: FastAPI streaming có auth, Docker và CI, self-host vLLM và LoRA/QLoRA, hoặc qua Azure OpenAI, AWS Bedrock, Vertex AI.
Kỹ năng bạn sẽ có sau khóa
Mỗi kỹ năng dưới đây đều có bài tập tương ứng trong đề cương 8 chương.
- Context engineering
- Structured output
- Model mở & Ollama
- RAG production
- Hybrid search & rerank
- RAGAS
- LangGraph
- Tool calling
- Multi-agent
- MCP server
- LLM-as-judge
- Tracing Langfuse
- FastAPI & Docker
- vLLM self-host
Một tin tuyển AI Engineer, và khóa này dạy tới đâu
Đề cương Khóa 5 được đối chiếu trực tiếp với một tin tuyển dụng đang mở. Dưới đây là yêu cầu của tin đó tóm tắt bằng lời của chúng tôi, và chương nào của khóa trả lời từng yêu cầu.
Tin tuyển dụng FPT Software, 09/2026
Xây hệ sinh thái AI end-to-end: Data Engineering, Retrieval, LLM, Deployment Production.
Multi-Agent Architecture, Tool Calling, Planning, Memory tích hợp hệ thống Enterprise.
Azure OpenAI, AWS Bedrock, Google Vertex AI, LangChain.
Khóa 5 trả lời ở đâu
Data Engineering cho RAG, Retrieval, LLM
Chương 24, 26Multi-agent, tool calling, planning, memory
Chương 27, 28Deployment production
Chương 29, 30Azure OpenAI, AWS Bedrock, Vertex AI
Bài 24.5
Vị trí yêu cầu 3 năm kinh nghiệm. Khóa 5 dạy đúng chuỗi kỹ năng này; kinh nghiệm là thứ bạn tích lũy sau khóa bằng 5 project và capstone.
Tám chương, 38 bài, từ API đến ứng dụng vận hành được
Đi đúng trình tự sáu khóa AI Engineer quốc tế mạnh nhất cùng dạy: LLM API và nền tảng cloud doanh nghiệp, model mở, RAG, agents, MCP, evals, serving, rồi fine-tune và Project 5. Mở từng chương để xem đủ danh sách bài.
- LLM API5 bài · 3h36'
- Model mở3 bài · 2h20'
- RAG production7 bài · 5h20'
- AI Agents6 bài · 5h
- MCP3 bài · 2h20'
- Evals5 bài · 3h40'
- Serving & deploy4 bài · 3h
- Fine-tune2 bài · 1h20'
24LLM API nâng cao & context engineering
5 bài · 11 video · 3h36'
- Bài 24.1: Từ người dùng API đến kỹ sư ứng dụng LLM2 video · 38 phút · thực hành: dựng repo mẫu chạy được với 2 nhà cung cấp, in chi phí mỗi lần gọi
- Bài 24.2: Structured output & tool schema2 video · 40 phút · thực hành: pipeline trích 200 hóa đơn thành bảng Pydantic rồi DataFrame
- Bài 24.3: Context engineering3 video · 58 phút · thực hành: đo chi phí, độ trễ và chất lượng của 3 phiên bản prompt trên 30 câu hỏi mẫu
- Bài 24.4: Chọn model theo bài toán2 video · 40 phút · thực hành: một lớp trừu tượng đổi model không sửa code, vibe check 20 câu
- Bài 24.5: LLM qua nền tảng cloud doanh nghiệp: Azure OpenAI, AWS Bedrock, Vertex AI2 video · 40 phút · quiz 12 câu · thực hành: chạy tập 20 câu trên 2 nền tảng cloud, so chi phí và độ trễ với API trực tiếp
25Model mở & chạy local
3 bài · 7 video · 2h20'
- Bài 25.1: Ollama & Hugging Face Inference2 video · 40 phút · thực hành: chạy app chương 24 với 2 model local, ghi tokens mỗi giây
- Bài 25.2: Quantization & phần cứng2 video · 40 phút · thực hành: bảng đo 3 model × 2 mức quantization trên AIDev Cloud
- Bài 25.3: Khi nào tự host3 video · 60 phút · quiz 10 câu · thực hành: chuyển app RAG 80 dòng sang model local, so chất lượng và chi phí
26RAG production
7 bài · 16 video · 5h20'
- Bài 26.1: RAG từ 80 dòng lên production2 video · 40 phút · bảy điểm gãy của RAG thật và kiến trúc ingest → index → retrieve → generate → evaluate
- Bài 26.2: Ingest & chunking2 video · 40 phút · thực hành: ingest bộ tài liệu tiếng Việt của khóa với 2 chiến lược chunk
- Bài 26.3: Embedding & vector DB3 video · 60 phút · thực hành: index vào pgvector và Qdrant, đo độ trễ truy vấn
- Bài 26.4: Retrieval nâng cao3 video · 60 phút · thực hành: bật tắt hybrid search và rerank, ghi thay đổi trên 30 câu hỏi vàng
- Bài 26.5: Đánh giá RAG2 video · 40 phút · thực hành: chạy RAGAS cho 3 cấu hình pipeline, chọn cấu hình bằng số
- Bài 26.6: Pipeline ingest định kỳ & index tăng dần2 video · 40 phút · thực hành: pipeline ingest tăng dần có log, đóng gói thành job trong docker compose, chạy 3 lần với dữ liệu thay đổi
- Bài 26.7: Mini-project: trợ lý tài liệu nội bộ2 video · 40 phút · quiz 12 câu · rubric 25 điểm, nộp GitHub và dùng tiếp ở chương 29–30
27AI Agents
6 bài · 15 video · 5h
- Bài 27.1: Agent là gì, khi nào KHÔNG dùng2 video · 40 phút · cây quyết định prompt đơn, chain, RAG hay agent và case agent hóa nhầm tốn gấp 10
- Bài 27.2: Tool calling & vòng lặp agent viết tay3 video · 60 phút · thực hành: agent tra cứu và cập nhật trạng thái đơn hàng trên SQLite TMĐT, không framework
- Bài 27.3: LangGraph3 video · 60 phút · thực hành: chuyển agent sang LangGraph, thêm bước duyệt tay khi hoàn tiền
- Bài 27.4: Memory2 video · 40 phút · thực hành: memory dài hạn cho agent, quyền xóa theo Nghị định 13
- Bài 27.5: Planning patterns, multi-agent & OpenAI Agents SDK3 video · 60 phút · ReAct, plan-and-execute, reflection · thực hành: tách agent thành 2 agent có handoff, so ReAct với plan-and-execute trên 10 yêu cầu nhiều bước
- Bài 27.6: Mini-project: agent chăm sóc khách hàng TMĐT2 video · 40 phút · quiz 12 câu · rubric 25 điểm: tra đơn, tư vấn đổi trả bằng RAG, tạo yêu cầu có duyệt tay
28MCP: nối agent với hệ thống
3 bài · 7 video · 2h20'
- Bài 28.1: MCP là gì2 video · 40 phút · thực hành: nối Postgres TMĐT vào Claude Desktop qua MCP, hỏi số liệu bằng tiếng Việt
- Bài 28.2: Viết MCP server3 video · 60 phút · thực hành: MCP server "kho hàng" 3 tool và 1 resource, chạy từ 2 client
- Bài 28.3: Bảo mật & vận hành MCP2 video · 40 phút · quiz 10 câu · xác thực, phân quyền theo tool, prompt injection qua kết quả tool
29Evals & observability
5 bài · 11 video · 3h40'
- Bài 29.1: Vì sao evals là kỹ năng đắt nhất2 video · 40 phút · thực hành: tập test 50 câu cho mini-project chương 26
- Bài 29.2: LLM-as-judge2 video · 40 phút · thực hành: judge chấm 2 phiên bản agent, báo cáo đồng thuận với người chấm
- Bài 29.3: Tracing & observability3 video · 60 phút · thực hành: bật trace Langfuse cho agent, tìm bước tốn nhất, sửa và đo lại
- Bài 29.4: Guardrails & an toàn2 video · 40 phút · thực hành: guardrail PII tiếng Việt và red-team 20 câu tấn công phổ biến
- Bài 29.5: Vòng lặp cải tiến2 video · 40 phút · quiz 12 câu · báo cáo evals trước và sau một trang, mẫu tài liệu cho portfolio
30Serving & deploy
4 bài · 9 video · 3h
- Bài 30.1: FastAPI cho ứng dụng LLM2 video · 40 phút · thực hành: bọc agent thành API có streaming SSE, auth bằng API key và rate limit
- Bài 30.2: Docker & triển khai3 video · 60 phút · thực hành: cả stack app + Postgres/pgvector + Langfuse chạy bằng một lệnh trên AIDev Cloud, có URL công khai
- Bài 30.3: Self-host LLM với vLLM2 video · 40 phút · thực hành: chuyển app sang vLLM trên GPU, ghi bảng chi phí 2 phương án
- Bài 30.4: Chi phí, độ trễ & mở rộng2 video · 40 phút · quiz 10 câu · semantic cache, model routing, checklist go-live 20 điểm
31Fine-tune có kỷ luật & Project 5
2 bài · 4 video · 1h20'
- Bài 31.1: Khi nào fine-tune2 video · 40 phút · thực hành: dựng 300 mẫu tiếng Việt từ log mini-project chương 27
- Bài 31.2: LoRA/QLoRA thực hành2 video · 40 phút · thực hành: QLoRA cho Qwen nhỏ trên AIDev Cloud, báo cáo trước và sau một trang
Tổng: 38 bài · 86 video · ~28,1 giờ
Một ứng dụng AI chạy thật, đo được, chọn một trong hai hướng
Ba bài hướng dẫn đi từ đề bài đến lúc nộp, xếp cùng chương 31 trong đề cương. Bạn tự làm là chính, video chỉ là khung và hai sản phẩm mẫu để đối chiếu.
Project 5: Ứng dụng AI chạy thật, đo được
Bạn chọn một trong hai hướng: trợ lý RAG cho một tổ chức thật trên bộ tài liệu tự xin, hoặc agent nghiệp vụ có tool ghi và bước duyệt tay. Bắt buộc với cả hai: tập test tối thiểu 50 câu kèm báo cáo evals, trace từng request, deploy công khai có auth, và README ghi chi phí vận hành. Chấm theo rubric 25 điểm: đúng chức năng 8, evals và trace 7, deploy và vận hành 5, code và tài liệu 5.
Đề bài, chọn hướng & thiết kế
Đọc rubric, chọn hướng theo định hướng nghề rồi viết bản thiết kế một trang: người dùng, luồng, tool hoặc nguồn tài liệu, rủi ro, chỉ số thành công. Bài này bắt bạn quyết định đo cái gì trước khi viết dòng code đầu tiên.
Demo mẫu hai hướng
Hai walkthrough song song. Sản phẩm mẫu A là trợ lý quy chế trường học, sản phẩm mẫu B là agent xử lý đơn TMĐT; mỗi bên trình bày kiến trúc và số evals thật, rồi các hố sa lầy chung: tune chunk vô hạn, thêm tool không giới hạn, bỏ qua trace.
Hoàn thiện & nộp bài
Áp checklist go-live 20 điểm của bài 30.4 vào project, viết README chuẩn portfolio, quay video demo hai phút. Nộp GitHub kèm URL công khai; teaser capstone chương 32: chọn đề tài, sáu tuần, bảo vệ.
Nộp project là điều kiện nhận chứng nhận Khóa 5 và mở capstone trong gói combo. Đây là sản phẩm đúng dạng nhà tuyển dụng AI Engineer muốn thấy: có link chạy thật, có số evals, có trace, và một README nói rõ chi phí vận hành.
Bạn có gì trong tay, và bước tiếp theo
Khóa xây ứng dụng AI tiếng Việt: 8 chương, 38 bài, ~86 video, ~28,1 giờ về LLM API, RAG production, AI agent với LangGraph, MCP, evals và deploy FastAPI.
Bạn có trong tay
Một ứng dụng AI có link công khai và auth, chấm theo rubric 25 điểm.
Bộ test tối thiểu 50 câu kèm báo cáo evals và trace từng request.
README chuẩn portfolio ghi rõ chi phí vận hành, và checklist go-live 20 điểm đã áp vào.
Thói quen đo trước khi gọi một thay đổi là cải tiến: RAGAS, LLM-as-judge, tracing Langfuse.
Chặng cuối lộ trình
Capstone: dự án tự chọn, bảo vệ để lấy chứng nhận
Chương 32 · Chỉ mở cho học viên Combo, Cohort và Mentor; điều kiện vào là hoàn thành 5 project.
Rubric 100 điểm, đạt từ 70 nhận chứng nhận
Lối ra nghề gần nhất
Điểm dừng 2 · hết Khóa 5 và capstone · Kỹ sư ứng dụng AI
- AI Engineer
- Fullstack AI Engineer
- LLM Engineer
- AI Solutions Architect
Vị trí lấy theo mô tả tuyển dụng công khai, không phải cam kết việc làm. Kết quả phụ thuộc vào năng lực, nỗ lực và bối cảnh của từng học viên.
Ba điều bạn sẽ thấy trong mọi bài của khóa
Bốn nguyên tắc quay và dạy áp dụng chung cho cả lộ trình, viết đầy đủ ở trang lộ trình. Ba điều này là phần bạn gặp ngay ở Khóa 5.
Hiểu ruột trước, framework sau
Phần lõi được viết tay trước, framework chỉ đến sau khi bạn hiểu nó làm gì.
Nguyên lý tách khỏi tool
Phần thao tác trên tool được quay lại sáu tháng một lần; nguyên lý thì không đổi.
Mọi thứ phải đo được bằng evals
Mỗi thay đổi chạy qua tập test và trace trước khi được gọi là một cải tiến.
Ai quay và dạy khóa này
Khóa này, như cả lộ trình, do một người biên soạn, quay và đứng lớp. Hồ sơ dưới đây công khai để bạn tự đối chiếu.
Nguyễn Việt Chung
Founder AIDev & VietPlatform · Thạc sĩ AI MSE
Thạc sĩ AI MSE, tốt nghiệp thủ khoa xuất sắc 9,4/10, nền nghiên cứu đứng sau lộ trình này.
Đồng sáng lập, CTO E-University và SVOnline: chuyển đổi số 10+ trường đại học, super app 40.000+ sinh viên.
Sáng lập AIDev, đơn vị xây hệ thống AI cho doanh nghiệp và trực tiếp sản xuất toàn bộ lộ trình này.
Mua riêng khóa này, hoặc đi trọn lộ trình
Học phí trả một lần. Nếu sau này bạn muốn học tiếp, khoản đã đóng cho khóa này được trừ trọn vào gói cao hơn.
Giá bán: 1.290.000đ
Sở hữu trọn đời
Năm khóa của lộ trình, mua một lần
Khóa này là chặng cuối. Trọn lộ trình gồm năm khóa và một capstone bảo vệ để lấy chứng nhận, đi từ Python đến một ứng dụng AI chạy thật, kèm credit AIDev Cloud cho phần GPU và deploy.
Khóa này
1.290.000đ
Trọn lộ trình
1.790.000đ
Giá Founding đợt 1
Mua lẻ đủ 5 khóa 4.586.000đ · tiết kiệm 2.096.000đ (46%)
Học phí của bạn không bao giờ mất. Mỗi đồng đã đóng đều được trừ trọn khi bạn đi tiếp lên mốc cao hơn trong lộ trình.
Khóa học là nội dung số; sau khi mở quyền truy cập, học phí không được hoàn lại. Ngoại lệ duy nhất là cam kết Founding về lịch phát hành. Xem điều khoản khóa học
Ba điều được viết ra để bạn đối chiếu
Mua một khóa đang trong quá trình sản xuất là một rủi ro có thật. Đây là phần rủi ro chúng tôi nhận về mình.
Sở hữu trọn đời
Trả một lần, không phí duy trì, không giới hạn số lần xem lại trong suốt vòng đời của khóa học. Bạn học nhanh hay chậm đều được, khóa không có hạn.
Cập nhật nội dung miễn phí
Toàn bộ phần thao tác trên tool của tám chương được cam kết quay lại sáu tháng một lần, vì đây là khóa lỗi thời nhanh nhất lộ trình; phần nguyên lý quay tách riêng để giữ được lâu. Bài nào phải quay lại hoặc bổ sung, bạn nhận bản mới mà không đóng thêm.
Học phí không bao giờ mất
Học phí của bạn không bao giờ mất. Mỗi đồng đã đóng đều được trừ trọn khi bạn đi tiếp lên mốc cao hơn trong lộ trình. Bậc thang nâng cấp: khóa lẻ, Combo, Cohort rồi Mentor.
Những câu hỏi riêng của khóa này
Chín câu về đầu vào, framework, chi phí API, MCP, evals, nền tảng cloud, data engineering, phạm vi và vị trí của Khóa 5 trong lộ trình, cộng hai câu về hoàn tiền và sở hữu trọn đời chung cho mọi khóa. Câu hỏi về học phí cả lộ trình, chứng nhận và lịch phát hành nằm ở trang lộ trình.
Chưa học Khóa 4, vào thẳng Khóa 5 được không?
Được nếu bạn viết Python thành thạo và đã từng gọi API LLM trong code. Khóa mở đầu bằng bài kiểm tra đầu vào 15 câu; dưới 10/15 thì bạn nên học Khóa 1 hoặc Khóa 4 trước. Người mua khóa lẻ nhận starter pack gồm app RAG 80 dòng của bài 21.3, SQLite TMĐT và notebook gọi API, để vào chương 24 không hụt tài sản khóa trước. Khóa không dạy lại transformer hay LLM là gì, phần đó nằm ở chương 20–21.
Khóa dùng framework nào, học xong có bị khóa vào một hãng không?
Framework chính là LangGraph, phụ là OpenAI Agents SDK để so sánh; vector DB là pgvector nối tiếp SQL của chương 10 và Qdrant; evals dùng RAGAS và Langfuse tự host được trên AIDev Cloud; serving là FastAPI, Docker và vLLM. Nhưng bài 27.2 bắt bạn viết vòng lặp agent bằng tay trước khi chạm framework, và bài 24.4 dạy một lớp trừu tượng đổi model không sửa code, nên thứ bạn mang đi là cách nghĩ, không phải cú pháp của một hãng.
Chi phí gọi API và GPU trong khóa là bao nhiêu?
Bài tập được thiết kế gói gọn dưới 3 USD tiền API cho cả khóa, và mỗi bài đều có phương án model mở chạy local qua Ollama để thay thế. Phần cần GPU là self-host vLLM ở chương 30 và QLoRA ở chương 31, chạy trên AIDev Cloud bằng credit của gói Combo, Cohort hoặc Mentor; học viên khóa lẻ dùng gói dùng thử. Bài 25.3 dạy tính điểm hòa vốn giữa API và tự host cho ba kịch bản Việt Nam, để bạn quyết bằng con số.
MCP là gì mà có hẳn một chương?
Là chuẩn nối agent với hệ thống bên ngoài, giải bài toán N tool nhân M ứng dụng. Chương 28 đi từ dùng server sẵn có với Claude Desktop hoặc Cursor, sang tự viết MCP server "kho hàng" có 3 tool và 1 resource bằng Python SDK, rồi nối chính server đó vào agent LangGraph của chương 27, sau cùng là xác thực, phân quyền theo tool và chặn prompt injection qua kết quả tool.
Evals và observability khác gì test thông thường?
Đầu ra của LLM là văn bản mở nên không có đúng sai tuyệt đối để assert. Chương 29 dạy xây tập test 50 câu từ dữ liệu thật, chấm bằng LLM-as-judge và đối chiếu với người chấm trên 30 mẫu, bật trace Langfuse để thấy từng bước, từng tool, từng token của một request, thêm guardrail PII tiếng Việt, rồi chạy vòng lặp log production → tập test mới → sửa → đo lại. Đây là kỹ năng 9 trên 23 tin tuyển AI Engineer ở Việt Nam đòi mà rất ít khóa dạy.
Khóa có dạy huấn luyện model từ đầu không?
Không, và đó là chủ ý. Thứ tự khóa dạy là prompt → RAG → fine-tune, và fine-tune là bước cuối chỉ làm khi có bằng chứng. Chương 31 dạy LoRA/QLoRA nhỏ cho Qwen trên AIDev Cloud với dataset tiếng Việt tự dựng từ log, đánh giá trước và sau bằng tập test của chương 29, và quay lại RAG nếu kết quả không cải thiện. Pretraining và fine-tune model lớn nằm ngoài phạm vi khóa.
Khóa có dạy Azure OpenAI, AWS Bedrock hay Vertex AI không?
Có, bài 24.5. Bạn gọi cùng một prompt qua ba nền tảng trên free tier hoặc credit dùng thử, đổi nhà cung cấp bằng lớp trừu tượng của bài 24.4 mà không sửa code nghiệp vụ, và học vì sao doanh nghiệp lớn đi qua cloud thay vì gọi API trực tiếp: vùng dữ liệu, hợp đồng, SLA, IAM, hóa đơn chung. Nguyên lý dùng chung với API trực tiếp và với self-host ở chương 25, nên bạn không học ba thứ mà học một thứ có ba cửa.
Khóa có dạy Data Engineering không?
Dạy phần tối thiểu một ứng dụng AI cần, ở bài 26.6: phát hiện tài liệu thay đổi, chỉ embed phần mới, xóa chunk cũ, versioning index, lịch chạy định kỳ có log và cảnh báo, đóng gói thành job trong docker compose. Data warehouse, Spark, Airflow là nghề Data Engineer, được giới thiệu để bạn biết ranh giới chứ không thuộc lộ trình này.
Khóa này nằm ở đâu trong lộ trình?
Đây là khóa 5/5 của Lộ trình AI Engineer từ số 0, gồm chương 24–31 trong tổng số chương của cả lộ trình. Khóa ngay trước là Deep Learning & GenAI (chương 18–23); sau khóa này không còn khóa nào nữa, chỉ còn chương 32, capstone bảo vệ để lấy chứng nhận. Chỉ mở cho học viên Combo, Cohort và Mentor; điều kiện vào là hoàn thành 5 project. Học phí của bạn không bao giờ mất. Mỗi đồng đã đóng đều được trừ trọn khi bạn đi tiếp lên mốc cao hơn trong lộ trình.
Có được hoàn tiền không?
Không. Khóa học là nội dung số; sau khi mở quyền truy cập, học phí không được hoàn lại. Trước khi trả tiền bạn có chương 1 miễn phí, đề cương đến từng bài và một video xem thử mỗi khóa để quyết định. Ngoại lệ duy nhất là cam kết Founding về lịch phát hành: mốc nào trễ quá 30 ngày so với lịch đã công bố, người mua Founding được hoàn 100% phần chưa nhận.
Sở hữu trọn đời nghĩa là gì?
Là bạn truy cập được nội dung đã mua trong suốt vòng đời nền tảng học của AIDev, tối thiểu 5 năm kể từ ngày mua, gồm mọi bản cập nhật nội dung miễn phí. Không gồm các dịch vụ hỗ trợ kèm theo gói như buổi live, chấm tay hay mentor, vốn có thời hạn riêng của gói đó.
Còn câu hỏi nào trước khi bắt đầu?
Nhắn cho AIDev về trình độ hiện tại của bạn, chúng tôi nói thẳng khóa này có hợp với bạn chưa. Người thật trả lời, bằng tiếng Việt.
Nhận thông báo khi khóa mở bán
Để lại thông tin, chúng tôi báo bạn ngày mở bán, mức ưu đãi dành cho người đăng ký sớm và thời điểm image AIDev Cloud cùng starter kit Project 5 sẵn sàng để dùng.