CLB Trí tuệ nhân tạo - Đại học Công nghiệp Hà nội

💻 C++ CƠ BẢN – NỀN TẢNG QUAN TRỌNG CHO SINH VIÊN CNTT

Bạn vừa bước chân vào ngành Công nghệ thông tin và đang “vật lộn” với những dòng code đầu tiên? 🤔

Đừng lo! C++ là một trong những ngôn ngữ lập trình nền tảng giúp bạn xây dựng tư duy giải quyết vấn đề và hiểu sâu về cách máy tính hoạt động.

📌 Trong infographic này, CLB AI HaUI đã tổng hợp những kiến thức C++ cơ bản nhất dành cho sinh viên năm nhất:

✅ Biến và kiểu dữ liệu
✅ Nhập xuất dữ liệu với cin/cout
✅ Cấu trúc điều kiện và vòng lặp
✅ Mảng và chuỗi
✅ Hàm (Function)
✅ Con trỏ và tham chiếu
✅ Struct và OOP
✅ STL (Vector, Stack, Queue, Map, Set…)
✅ Các thuật toán STL thường dùng

🎯 Nếu học tốt C++, bạn sẽ có nền tảng vững chắc cho:
🔹 Cấu trúc dữ liệu & Giải thuật
🔹 Lập trình hướng đối tượng
🔹 Competitive Programming
🔹 Phát triển phần mềm
🔹 AI, Machine Learning và Robotics

💡 Bí quyết học C++ hiệu quả:
👉 Code mỗi ngày một chút
👉 Hiểu bản chất thay vì học thuộc
👉 Làm thật nhiều bài tập thực hành
👉 Đừng ngại gặp lỗi (bug), vì đó là cách lập trình viên trưởng thành 😄

🔥 Bạn đang học đến phần nào của C++ rồi? Comment chia sẻ cùng mọi người nhé!

🐍 PYTHON CƠ BẢN – NGÔN NGỮ KHÔNG THỂ THIẾU TRONG HÀNH TRÌNH AI

Nếu bạn đang muốn bắt đầu học AI, Machine Learning hay Data Science thì Python chính là điểm khởi đầu lý tưởng nhất.

✨ Vì sao Python được yêu thích?
✅ Cú pháp đơn giản, dễ học
✅ Cộng đồng lớn, tài liệu phong phú
✅ Hỗ trợ mạnh mẽ cho AI, Machine Learning, Computer Vision, NLP
✅ Được sử dụng rộng rãi trong doanh nghiệp và nghiên cứu

Trong infographic này, CLB AI HaUI đã tổng hợp những kiến thức Python cơ bản nhất:
🔹 Biến và kiểu dữ liệu
🔹 Cấu trúc điều kiện
🔹 Vòng lặp
🔹 List, Tuple, Dictionary, Set
🔹 Hàm (Function)
🔹 OOP cơ bản
🔹 Đọc ghi file
🔹 Các thư viện phổ biến cho AI

💡 Đừng cố học thuộc mọi thứ ngay từ đầu. Hãy vừa học vừa thực hành bằng các bài toán nhỏ mỗi ngày, bạn sẽ tiến bộ rất nhanh.

📌 Theo bạn phần nào của Python khiến bạn cảm thấy khó nhất khi mới bắt đầu? Hãy chia sẻ bên dưới nhé!

🔍 K-NEAREST NEIGHBORS (KNN) – “NHÌN HÀNG XÓM ĐỂ ĐƯA RA QUYẾT ĐỊNH”

Khi gặp một người mới, chúng ta thường đánh giá họ dựa trên những người có đặc điểm tương tự mà mình từng gặp. Máy tính cũng có thể “học” theo cách đó thông qua thuật toán K-Nearest Neighbors (KNN).

💡 KNN là một trong những thuật toán Machine Learning đơn giản nhưng cực kỳ quan trọng dành cho người mới bắt đầu:
✅ Dễ hiểu, dễ triển khai
✅ Không cần quá trình huấn luyện phức tạp
✅ Hiệu quả với nhiều bài toán phân loại và hồi quy

Trong infographic này, CLB AI HaUI sẽ cùng các bạn tìm hiểu:
📌 KNN hoạt động như thế nào?
📌 Vai trò của tham số K
📌 Ưu điểm và hạn chế của KNN
📌 Các ứng dụng thực tế trong AI và Computer Vision

🚀 Nếu bạn đang bắt đầu hành trình học Machine Learning, KNN là một trong những thuật toán đầu tiên nên nắm vững trước khi tiến tới các mô hình phức tạp hơn như Random Forest hay Deep Learning.

Câu hỏi: “Nếu K = 1 thì mô hình sẽ gặp vấn đề gì? Overfitting hay Underfitting?” 🤔

💬 Bạn nghĩ K nên chọn nhỏ hay lớn? Hãy để lại ý kiến của mình bên dưới nhé!

🤖 Logistic Regression – Thuật toán phân loại đầu tiên mà mọi AI Engineer nên biết! 💙

Khi mới học Machine Learning, nhiều bạn thường nghĩ ngay đến Deep Learning hay các mô hình AI phức tạp. Nhưng thực tế, Logistic Regression lại là một trong những thuật toán nền tảng và quan trọng nhất!

📌 Logistic Regression giúp máy tính trả lời các câu hỏi dạng:
✅ Email có phải Spam không?
✅ Giao dịch có gian lận không?
✅ Khách hàng có mua hàng hay không?
✅ Ảnh là Mèo hay Chó?

💡 Điểm thú vị là mô hình sử dụng hàm Sigmoid để biến kết quả thành xác suất từ 0 → 1, từ đó đưa ra quyết định phân loại.

Dù đã xuất hiện từ rất lâu, Logistic Regression vẫn được sử dụng rộng rãi trong nghiên cứu và thực tế nhờ:
🔹 Dễ hiểu, dễ triển khai
🔹 Huấn luyện nhanh
🔹 Dễ giải thích kết quả
🔹 Là baseline quan trọng trong hầu hết các bài toán ML

👉 Nếu bạn đang bắt đầu hành trình AI/ML, hãy đảm bảo mình hiểu thật chắc Logistic Regression trước khi bước sang các mô hình nâng cao hơn nhé!

🤖 [AI CƠ BẢN] SIGMOID – “BỘ CHUYỂN ĐỔI ĐIỂM SỐ THÀNH XÁC SUẤT”

Khi mới học Machine Learning hay Deep Learning, nhiều bạn sẽ gặp ngay khái niệm “Hàm kích hoạt” (Activation Function). Một trong những hàm nổi tiếng nhất chính là Sigmoid.

📌 Sigmoid nhận một giá trị bất kỳ và biến nó thành một số nằm trong khoảng từ 0 đến 1.

Ví dụ:
✅ 0.95 → Xác suất thuộc lớp Positive là 95%
✅ 0.02 → Xác suất thuộc lớp Positive là 2%

Chính vì vậy, Sigmoid thường được sử dụng ở tầng đầu ra của các bài toán phân loại nhị phân như:
🔹 Real / Fake
🔹 Spam / Not Spam
🔹 Live / Spoof
🔹 Có bệnh / Không bệnh

Tuy nhiên, Sigmoid cũng có một nhược điểm nổi tiếng là hiện tượng “Vanishing Gradient”, khiến các mạng sâu học chậm hơn. Đây cũng là lý do ngày nay ReLU thường được sử dụng ở các hidden layer.

💡 Ghi nhớ nhanh:
👉 ReLU để học đặc trưng
👉 Sigmoid để dự đoán xác suất

Các bạn đã từng sử dụng Sigmoid trong dự án hoặc môn học nào chưa? Chia sẻ cùng CLB AI HaUI nhé! 👇

📈 HỒI QUY TUYẾN TÍNH (LINEAR REGRESSION) – VIÊN GẠCH ĐẦU TIÊN CỦA MACHINE LEARNING

Khi nghe đến AI hay Machine Learning, nhiều bạn thường nghĩ ngay đến Deep Learning, Transformer hay ChatGPT. Nhưng thực tế, một trong những mô hình nền tảng và quan trọng nhất lại là Hồi quy tuyến tính (Linear Regression).

🔹 Dùng để dự đoán các giá trị liên tục như:
• Giá nhà 🏠
• Điểm thi 🎓
• Doanh thu 📊
• Nhu cầu tiêu thụ điện ⚡

🔹 Ý tưởng rất đơn giản:
Tìm một đường thẳng mô tả tốt nhất mối quan hệ giữa dữ liệu đầu vào và đầu ra.

🔹 Từ mô hình cơ bản này, chúng ta sẽ hiểu được:
✅ Hàm mất mát (Loss Function)
✅ Gradient Descent
✅ Tối ưu hóa mô hình
✅ Các khái niệm nền tảng của Machine Learning hiện đại

💡 Nếu bạn mới bắt đầu học AI, hãy chắc chắn rằng mình hiểu thật vững Linear Regression trước khi bước sang các mô hình phức tạp hơn.

📌 Infographic dưới đây sẽ giúp bạn nắm nhanh toàn bộ kiến thức cốt lõi về Hồi quy tuyến tính chỉ trong vài phút.

🎯 MUỐN LÀM NGHIÊN CỨU AI NHƯNG KHÔNG BIẾT BẮT ĐẦU TỪ ĐÂU?

Đây là câu hỏi mà rất nhiều sinh viên CNTT đặt ra khi mới tiếp cận lĩnh vực Trí tuệ nhân tạo.

🤔 Cần học Deep Learning trước?
🤔 Cần giỏi Toán mới nghiên cứu được?
🤔 Năm nhất, năm hai có làm nghiên cứu được không?

Câu trả lời là: HOÀN TOÀN CÓ THỂ!

🚀 Điều quan trọng không phải là bạn biết bao nhiêu kiến thức AI hôm nay, mà là bạn đang đi đúng lộ trình.

Roadmap dưới đây tổng hợp những kiến thức và kỹ năng cần thiết để từng bước tham gia:
✅ Nghiên cứu khoa học sinh viên
✅ Các cuộc thi AI, Hackathon
✅ Dự án thực tế cùng doanh nghiệp
✅ Công bố bài báo khoa học trong tương lai

Từ:
💻 Python → Machine Learning → Deep Learning

Đến:
📄 Đọc paper → Tìm research gap → Làm đề tài nghiên cứu

Và xa hơn:
🏆 SVNCKH cấp trường
🏆 Giải thưởng nghiên cứu khoa học
🏆 Công bố quốc tế

🌱 Đừng đợi đến khi “học hết” mới bắt đầu nghiên cứu.

Bởi nghiên cứu không phải đích đến sau khi học xong, mà chính là một cách để học nhanh hơn, sâu hơn và trưởng thành hơn.

🔥 AI HaUI Club luôn chào đón những thành viên yêu thích AI, nghiên cứu và đổi mới sáng tạo.

📍 Bạn đang ở giai đoạn nào trên roadmap?
Hãy chia sẻ bên dưới để cùng nhau học tập và phát triển nhé!

🏃‍♂️🤖 AI TRONG GIÁO DỤC THỂ CHẤT – TỪ Ý TƯỞNG ĐẾN HỆ THỐNG THỰC TẾ

Một dự án nghiên cứu thú vị đến từ các bạn sinh viên Trường CNTT&TT, Đại học Công nghiệp Hà Nội:

Nhóm sinh viên: Phan Đại Cương, Lưu Hoàng Phúc

📌 “A Vision-Based AI System to Support Lecturer Grading in Athletics Courses.”

Nhóm nghiên cứu đã xây dựng một hệ thống ứng dụng Computer Vision và AI nhằm hỗ trợ giảng viên trong việc theo dõi và chấm điểm môn điền kinh một cách tự động.

💡 Hệ thống có khả năng:
• Nhận diện và theo dõi sinh viên theo thời gian thực
• Đếm số vòng chạy bằng nhiều camera
• Nhận diện khuôn mặt để xác định đúng người tham gia
• Tính toán thời gian, tốc độ và các chỉ số vận động
• Hỗ trợ giảm tải việc chấm điểm thủ công

⚙️ Công nghệ sử dụng:
🔹 YOLO Object Detection
🔹 Face Recognition
🔹 Multi-camera Tracking
🔹 Real-time Streaming
🔹 Backend & Scoring System

📊 Một số kết quả nổi bật:
✅ Person Detection đạt độ chính xác rất cao (mAP50 > 98%)
✅ Hệ thống hoạt động gần realtime
✅ Có tiềm năng ứng dụng thực tế trong môi trường giáo dục

Đây là một ví dụ khá thú vị cho thấy AI không chỉ dùng cho chatbot hay tạo ảnh, mà còn có thể hỗ trợ rất nhiều trong giáo dục, thể thao và các bài toán thực tế tại trường học.

🔥 Hy vọng trong tương lai sẽ có thêm nhiều dự án AI “made by HaUI” được triển khai thực tế hơn nữa!

Các loại khoảng trống trong nghiên cứu khoa học có thể bạn chưa biết 😇😇

GS.TSKH Lê Thị Hoài An trình bày về chủ đề: AI for Semiconductor Opportunities and Challenges

GS.TSKH Lê Thị Hoài An hiện là Giáo sư ngoại hạng (chức danh cao nhất của Chính phủ Pháp) chuyên ngành Khoa học máy tính và Toán ứng dụng tại Đại học Lorraine. Bà là chuyên gia hàng đầu thế giới về Tối ưu hóa, Khoa học dữ liệu và Trí tuệ nhân tạo. GS. Hoài An cũng đang đảm nhiệm vai trò giám đốc khoa học tại Trung tâm nghiên cứu và phát triển trí tuệ nhân tạo, Trường CNTT&TT, ĐHCNHN.