IT.UP CLUB- Bình dân học vụ số

CẨM NANG AI DÀNH CHO LẬP TRÌNH VIÊN BẰNG TIẾNG VIỆT 🚀

Bộ cẩm nang gồm 9 phần:

1️⃣ Bức tranh toàn cảnh về AI
2️⃣ Cách LLM hoạt động
3️⃣ Kỹ thuật Prompt
4️⃣ RAG (Retrieval-Augmented Generation)
5️⃣ Embedding & Vector Database
6️⃣ AI Agent & Agentic AI
7️⃣ MCP (Model Context Protocol)
8️⃣ Tinh chỉnh mô hình (Fine-tuning)
9️⃣ Developer stack

Bản gốc tiếng Anh: https://www.instagram.com/p/DbMz4_2CQJ9/?img_index=1

📚 **Vậy là buổi học về K-Means và các độ đo đã diễn ra thành công!** 🎉

Trong buổi học, các thành viên đã cùng nhau:
📌 Tìm hiểu nguyên lý hoạt động và quy trình phân cụm của thuật toán **K-Means**.
📌 Khám phá cách lựa chọn số cụm **K** phù hợp.
📌 Tìm hiểu các **độ đo khoảng cách** phổ biến và cách áp dụng trong Machine Learning.
📌 Thực hành xây dựng mô hình **K-Means bằng Python** và trực tiếp quan sát kết quả phân cụm. 💻📊

Hy vọng những kiến thức trong buổi học sẽ giúp các bạn hiểu rõ hơn về **Clustering** và có thêm nền tảng để tiếp cận những thuật toán Machine Learning tiếp theo. 🤖💙

💙 Cảm ơn tất cả các bạn đã tham gia và học tập thật nhiệt tình! Hẹn gặp lại ở những buổi học tiếp theo với nhiều kiến thức thú vị hơn nhé! 🚀

Skill giúp Claude Code trả lời thẳng vào vấn đề 🎯

“I Have ADHD” là một skill giúp câu trả lời của coding agent ngắn gọn và dễ thực hiện hơn.

Thay vì mở đầu dài dòng, agent sẽ:

✅ Đưa hành động cần làm lên trước
✅ Đánh số rõ ràng cho từng bước
✅ Giới hạn danh sách ở mức cần thiết
✅ Đưa ra thời gian cụ thể
✅ Kết thúc bằng một bước tiếp theo duy nhất

Skill không thay đổi mô hình AI. Nó chỉ đặt ra 10 quy tắc để Claude Code hoặc Codex trả lời giống một kỹ sư giàu kinh nghiệm đang hỗ trợ đồng nghiệp qua tin nhắn.

Người dùng cũng có thể chỉnh sửa file Skill để phù hợp với phong cách làm việc của mình.

💻 Link repo: https://github.com/ayghri/i-have-adhd

Cheatsheet tổng hợp kiến thức về Python từ cơ bản đến nâng cao 🔥

Nguồn: Instagram

Vì sao nhiều hệ thống RAG hoạt động tốt ở demo nhưng thất bại khi lên production? ⚠️

Nguyên nhân thường không nằm ở LLM, mà ở pipeline phía sau:

✅ Embedding hiểu ngữ nghĩa nhưng không hiểu đúng sai
✅ Chunk quá nhỏ thì mất ngữ cảnh, quá lớn thì nhiều nhiễu
✅ Lấy nhiều tài liệu hơn sẽ tăng độ trễ và chi phí reranking
✅ Tài liệu đầu vào lộn xộn khiến RAG trả lời càng thiếu chính xác

RAG không phải một công thức cố định. Chunking, retrieval, reranking và dữ liệu đều cần được đánh giá theo từng bài toán, chứ không thể dựa trên 1 tutorial nào đó trên mạng

Demo chỉ cho thấy luồng hoạt động trong trường hợp tốt nhất với 1 input cụ thể. Production mới cho thấy hệ thống thực sự bền vững đến đâu.

Vậy là buổi học về K-Nearest Neighbors (KNN) đã diễn ra thành công với nhiều kiến thức bổ ích! 🎉
Trong buổi học, các thành viên đã cùng nhau:
📌 Tìm hiểu nguyên lý hoạt động của thuật toán KNN.
📌 Hiểu cách lựa chọn giá trị K phù hợp và các độ đo khoảng cách phổ biến.
📌 Phân tích ưu điểm, nhược điểm và những ứng dụng thực tế của KNN.
📌 Thực hành xây dựng mô hình KNN bằng Python và trực tiếp quan sát kết quả dự đoán.
Hy vọng những kiến thức trong buổi học sẽ giúp các bạn có nền tảng vững chắc để tiếp cận các thuật toán Machine Learning tiếp theo.
💙 Cảm ơn tất cả các bạn đã tham gia và học tập rất nhiệt tình. Hẹn gặp lại ở buổi học tiếp theo với chủ đề Decision Tree – Giải thuật Cây quyết định!

Tài liệu tổng hợp kiến thức về Python📘

Tài liệu PDF này giúp người học ôn tập nhanh những kiến thức nền tảng của Python:

✅ Biến và kiểu dữ liệu
✅ Toán tử và câu lệnh điều kiện
✅ Vòng lặp và hàm
✅ List, Tuple, Dictionary và Set
✅ Đọc, ghi file
✅ Xử lý ngoại lệ
✅ Lập trình hướng đối tượng

Đây là tài liệu phù hợp cho người mới học Python hoặc cần hệ thống lại kiến thức trước khi học các nội dung nâng cao hơn.

Top 10 kiến trúc Neural Network mà các kỹ sư AI cần biết 🔥

Nhiều kỹ sư AI/ML có thể kể tên MLP, CNN, RNN, LSTM, Autoencoder, GAN, GNN hay Transformer.

Nhưng điều quan trọng hơn là hiểu mỗi kiến trúc phù hợp với loại dữ liệu và bài toán nào:

✅ MLP cho dữ liệu bảng
✅ CNN cho hình ảnh
✅ RNN và LSTM cho dữ liệu chuỗi
✅ Autoencoder cho nén dữ liệu và phát hiện bất thường
✅ GAN cho bài toán sinh dữ liệu
✅ GNN cho dữ liệu dạng đồ thị
✅ Transformer cho ngôn ngữ và nhiều bài toán hiện đại

Không phải bài toán nào cũng cần mô hình mới nhất. Trong thực tế, một kiến trúc đơn giản nhưng phù hợp thường mang lại kết quả tốt hơn một mô hình phức tạp được chọn chỉ vì đang phổ biến.

Giỏi AI/ML không nằm ở việc biết nhiều kiến trúc nhất, mà ở khả năng chọn đúng công cụ cho đúng vấn đề.

🚀 [KHOÁ HỌC AI – BUỔI 2] CÀI ĐẶT CÔNG CỤ & KHÁM PHÁ CÁC THƯ VIỆN HỌC MÁY
Hôm nay, các thành viên đã cùng nhau cài đặt môi trường lập trình với Anaconda, làm quen với Jupyter Notebook và khám phá những thư viện nền tảng của Python như NumPy, Pandas, Matplotlib và Scikit-learn – những công cụ không thể thiếu trên hành trình chinh phục AI và Khoa học dữ liệu. 💻📊
Cảm ơn tất cả các bạn đã tham gia và hẹn gặp lại ở những buổi học tiếp theo với nhiều kiến thức thực hành thú vị hơn! 💙

RAG-Anything: Framework toàn diện về Retrieval Augmented Generation 🔥

Các tài liệu hiện đại ngày nay ngày càng chứa nhiều nội dung đa phương thức (văn bản, hình ảnh, bảng biểu, phương trình, biểu đồ, ...). Các hệ thống RAG truyền thống tập trung vào văn bản không thể xử lý hiệu quả các loại dữ liệu này. Và framework RAG-Anything ra đời để giải quyết thách thức này

Là một giải pháp thống nhất, RAG-Anything loại bỏ nhu cầu phải dùng nhiều công cụ chuyên biệt. Nó cho phép xử lý và truy vấn liền mạch trên mọi loại nội dung trong cùng một khung tích hợp duy nhất. Không giống như các phương pháp RAG truyền thống thường gặp khó khăn khi xử lý dữ liệu phi văn bản, hệ thống “tất cả trong một” này cung cấp khả năng truy xuất đa phương thức toàn diện.

Người dùng có thể truy vấn các tài liệu chứa văn bản xen kẽ với hình minh họa, bảng dữ liệu có cấu trúc và công thức toán học thông qua một giao diện duy nhất. Cách tiếp cận hợp nhất này khiến RAG-Anything trở nên đặc biệt hữu ích trong các lĩnh vực như nghiên cứu học thuật, tài liệu kỹ thuật, báo cáo tài chính và quản lý tri thức doanh nghiệp, nơi mà các tài liệu chứa nội dung phong phú, đa dạng đòi hỏi một hệ thống xử lý thống nhất và mạnh mẽ.

Link: https://github.com/HKUDS/RAG-Anything