TL;DR

Phần lớn người học AI năm 2026 đang mắc kẹt trong vòng lặp này: mua khóa học đắt tiền, thu thập chứng chỉ, xem hàng trăm video tutorial - nhưng vẫn không biết cách build thứ gì thực sự hoạt động. Sự thật kỳ lạ là: giáo trình AI tốt nhất trên internet đã miễn phí hoàn toàn từ lâu rồi. Bài viết này là Phần 1 của lộ trình 14 tuần, bao gồm setup môi trường, AI Fundamentals và Machine Learning Foundations.

Vấn đề cốt lõi: Tại sao học mãi không tiến

Vấn đề không phải là thiếu tài nguyên. Vấn đề là học sai thứ tự.

Người ta nhảy vào xây dựng AI agents trước khi hiểu transformer là gì. Làm RAG app mà chưa biết embedding hoạt động ra sao. Copy-paste code LangChain mà không biết chuyện gì đang xảy ra bên dưới. Kết quả: code chạy nhưng không hiểu tại sao, debug không được, extend không xong.

Lộ trình này giải quyết đúng vấn đề đó. Không phải bằng cách đưa ra 50 tài nguyên mà bạn không bao giờ mở - mà bằng một hệ thống có thứ tự, thiết kế để đưa người hoàn toàn mới bắt đầu đến mức build production-grade AI systems trong khoảng 14 tuần.

Mục tiêu không phải là trở thành người dùng AI tools. Mục tiêu là hiểu AI thực sự hoạt động như thế nào, build với nó, và deploy systems giải quyết vấn đề thực tế.

Tuần 1 - Setup môi trường đúng cách

Trước khi bắt đầu bất cứ điều gì, cần cài đặt đủ bộ công cụ sau:

  • Python 3.11+ - ngôn ngữ chính cho toàn bộ lộ trình

  • VS Code - editor với đầy đủ extension hỗ trợ AI development

  • GitHub - version control và quan trọng hơn, nơi build portfolio

  • Obsidian - quản lý note, cực kỳ hữu ích khi làm RAG system sau này

  • Ollama - cho phép chạy LLM mạnh ngay trên máy local, không cần API key hay trả tiền

Sau đó tạo tài khoản miễn phí trên: Anthropic Academy, OpenAI Academy, Google AI, và Coursera. Mẹo quan trọng với Coursera: luôn chọn "Audit this course" - hầu hết mọi người không biết rằng toàn bộ nội dung học thường miễn phí theo cách này, chỉ mất tiền nếu muốn lấy chứng chỉ.

Các giai đoạn học AI Engineering từ Setup đến Deploy

Tuần 2-3 - AI Fundamentals: Học từ nguồn gốc

Lý do lộ trình bắt đầu bằng AI fundamentals: hiểu đúng vocabulary của AI sẽ thay đổi mọi thứ về sau.

Google AI Professional Certificate là điểm khởi đầu tốt nhất vì nó giải thích AI workflows, prompting và practical use cases mà không ngay lập tức nhồi nhét toán học vào đầu beginner.

Tiếp theo, khóa "AI Fluency" của Anthropic Academy cung cấp một trong những giải thích rõ ràng nhất về modern AI systems hiện có online - ngắn gọn, thực tế, và đáng ngạc nhiên khi biết nó hoàn toàn miễn phí.

GitHub repo đầu tiên cần clone:

Repo này một mình đã tốt hơn nhiều chương trình AI trả phí. Nó bao phủ prompts, transformers, embeddings, chat applications và cách LLM thực sự hoạt động trong production systems. Hỗ trợ 50+ ngôn ngữ, code ví dụ bằng cả Python và TypeScript.

Mục tiêu cuối giai đoạn này: hiểu tokens, embeddings, transformers và context windows đủ để giải thích bằng tiếng Việt thông thường cho người khác nghe.

Tuần 4-5 - Machine Learning Foundations: Nơi người học bỏ cuộc

Đây là điểm hầu hết mọi người bỏ cuộc - vì tutorial ngừng cảm giác kỳ diệu và engineering thực sự bắt đầu. Đây cũng là điểm phân biệt beginner với AI engineer tương lai.

Tài nguyên tốt nhất miễn phí ở giai đoạn này:

  • microsoft/ML-For-Beginners - dạy regression, classification, clustering, model evaluation, overfitting và gradient descent theo cách rất thực tế

  • IBM Machine Learning Professional Certificate trên Coursera (dùng audit mode) - 6 khóa học, 42-60 giờ tổng, 4,6/5 sao từ 3.633 đánh giá, 119.255 người đã enroll

  • mlabonne/llm-course (79.400 stars) - không nhồi lý thuyết toán học không cần thiết, tập trung đúng vào linear algebra, calculus và probability cần cho ML và LLM engineering

Cuối giai đoạn này, cần push ít nhất 1 ML project lên GitHub. Không phải vì recruiter quan tâm đến toy project - mà vì build thứ gì đó là cách nhanh nhất để hiểu tại sao model fail.

Phần 2 sẽ bao gồm gì

Phần 2 của lộ trình sẽ đi sâu vào ba giai đoạn quyết định:

  • Deep Learning với Andrej Karpathy - xây dựng neural network, transformer và attention mechanism từ raw Python và toán học thuần

  • LLM Engineering - RAG, fine-tuning, LoRA, QLoRA, quantization từ 16-bit xuống 4-bit, vector databases

  • AI Agents và Deployment - Microsoft AI Agents course (62.600 stars), Anthropic MCP, deploy lên Hugging Face Spaces, Gradio, Vercel, và evaluation với DeepEval, RAGAS

Điều quan trọng nhất để nhớ: những người thực sự trở thành AI engineer không phải là những người bookmark 200 tutorial. Họ là những người mở terminal, làm vỡ hệ thống, fix nó, deploy project - và lặp lại quá trình đó cho đến khi mọi thứ thực sự có nghĩa.

Kết

Nền tảng AI tốt nhất trong lịch sử đang có sẵn miễn phí trên internet ngay lúc này. Microsoft, Anthropic, Google, và IBM đã đầu tư hàng triệu đô vào những tài nguyên giáo dục này - và mở cho tất cả mọi người hoàn toàn free. Câu hỏi duy nhất còn lại là ai sẵn sàng đi đủ sâu để tận dụng chúng.

Đọc Phần 2 của lộ trình để tiếp tục với Deep Learning, LLM Engineering và AI Agents.