“Trong 1 năm, một người trái ngành có thể học AI & Data Science đến mức nào? Cần học theo thứ tự gì để không bị loạn?”1 năm là đủ để có nền tảng vững + portfolio dự án , nếu bạn đi đúng lộ trình và cam kết thời gian.
Bài này sẽ:
Gợi ý lộ trình 1 năm cho Newbie & Non-Tech theo cách AIO đang thiết kế
Chia 1 năm thành 4 giai đoạn: Pre-AIO → Data/ML → Deep Learning → GenAI/MLOps
Giúp bạn biết mình đang ở đâu và cần chuẩn bị gì
Newbie & Non-Tech có thể đạt tới mức nào sau 1 năm?
Nếu bạn xuất phát từ số 0, dành khoảng 28h/tuần , có mentor hướng dẫn, bạn có thể:
Hiểu toàn bộ bức tranh AI/DS (Data → ML → DL → GenAI/LLM)
Làm 10–20 mini-project + 2–3 dự án lớn đưa vào portfolio
Đủ nền để tự học nâng cao
Có thể apply một số vai trò phù hợp (tùy background)
Không phải trở thành chuyên gia, mà là có nền đủ vững để không bị “ngợp” khi bước vào thực tế AI/Data.
Bạn đang thuộc nhóm nào trước khi học 1 năm?
Phần lớn người học rơi vào 3 nhóm:
Nhóm A — Con số 0 hoàn toàn
Chưa biết Python
Quên nhiều kiến thức Toán
Chưa từng làm việc với dữ liệu
Nhóm B — Biết chút ít
Học vài khóa Python cơ bản
Hiểu DataFrame, SQL ở mức “nghe qua”
Chưa làm project nghiêm túc
Nhóm C — Có nền IT/Toán
Lập trình viên, kỹ sư, dân Toán–Tin
Rành logic, thuật toán
Muốn học ML/AI bài bản
Lộ trình AIO tối ưu cho nhóm A & B . Nhóm C có thể đi nhanh hơn hoặc “nhảy cóc”.
Giai đoạn 1 (2–3 tháng): Pre-AIO – Xây nền Python, Toán & CS
Mục tiêu
Hết sợ Python
Hết sợ Toán cơ bản
Nghĩ được như người làm dữ liệu
Nội dung
Sau giai đoạn này bạn đạt được:
Giai đoạn 2 (3–4 tháng): Data, SQL, EDA & Machine Learning cơ bản
Vì sao không nhảy vào Deep Learning ngay? Nội dung Project gợi ý Sau giai đoạn này bạn đạt được:
Giai đoạn 3 (3–4 tháng): Deep Learning, CV, NLP, Time-Series, Recommender
Khi nào nên học Deep Learning? Nội dung Project gợi ý Sau giai đoạn này bạn đạt được:
Giai đoạn 4 (1–2 tháng): GenAI, LLM, RAG & MLOps cơ bản
Vì sao nên học GenAI sau cùng? Nội dung Project gợi ý Sau giai đoạn này bạn đạt được:
Một tuần học chuẩn “1-year roadmap” trông như thế nào? Lộ trình AIO2026 có gì đặc biệt? FAQ – Hỏi nhanh đáp gọn
Em là con số 0, theo nổi không? Không giỏi Toán thì sao? Không học được 28h/tuần thì sao? Học xong có chắc đi làm không? Đã có kiến thức Python/ML rồi có cần học đủ 1 năm không? 📌 Tài nguyên AI VIET NAM
Sau giai đoạn này bạn đạt được:
Mở Jupyter/VS Code không còn “ám ảnh”
Viết được script xử lý dữ liệu đơn giản
Đọc hiểu công thức ML ở mức cơ bản
Giai đoạn 2 (3–4 tháng): Data, SQL, EDA & Machine Learning cơ bản
Vì sao không nhảy vào Deep Learning ngay?
Vì 80% công việc AI/DS là xử lý dữ liệu .
Không hiểu mình đang train model trên dữ liệu gì
Không sửa được lỗi data
Không tạo được feature tốt
Nội dung
Data & EDA
Pandas: merge, groupby, agg
Biểu đồ: bar, line, hist, boxplot
Làm sạch dữ liệu: missing, outlier
SQL
SELECT, JOIN, GROUP BY
Subquery, window function
Tạo bảng training cho ML
Machine Learning cơ bản
Linear Regression, Logistic Regression
Decision Tree, Random Forest
Gradient Boosting (XGBoost/LightGBM)
Train/val/test, cross-validation
Project gợi ý
Phân tích dữ liệu bán hàng/marketing
Dự đoán giá Airbnb
Dự đoán churn
Sau giai đoạn này bạn đạt được:
Tự tin: “Mình hiểu pipeline ML với tabular data”
Tự code được 2–3 project ML từ đầu đến cuối
Giai đoạn 3 (3–4 tháng): Deep Learning, CV, NLP, Time-Series, Recommender
Khi nào nên học Deep Learning?
Khi bạn đã:
Vững Python + Pandas
Hiểu ML cơ bản
Làm vài project thực tế
Nội dung
Deep Learning cơ bản
MLP, activation, loss, optimizer
PyTorch/TensorFlow cơ bản
Computer Vision
CNN
Transfer Learning
Data Augmentation
NLP cơ bản
Tokenization
BoW, TF-IDF, embedding
Phân loại văn bản
Time-Series
Moving average
ARIMA
LSTM/GRU (mức nhập môn)
Recommender System
Content-based
Collaborative filtering
Project gợi ý
Dự đoán ô nhiễm môi trường
OCR → phân tích text
Football tracking
Phân tích cảm xúc review
Sau giai đoạn này bạn đạt được:
Biết cách làm CV, NLP, Time-Series mức cơ bản
Có 1–2 project Deep Learning “đẹp” cho portfolio
Giai đoạn 4 (1–2 tháng): GenAI, LLM, RAG & MLOps cơ bản
Vì sao nên học GenAI sau cùng?
Nếu học sớm, bạn dễ rơi vào kiểu “AI = gọi API”.
Hiểu bản chất GenAI → dùng đúng
Không ảo tưởng về LLM
Nội dung
GenAI & LLM cơ bản
Generative model là gì
LLM hoạt động thế nào (mức high-level)
Prompt Engineering chuẩn
RAG
Index tài liệu
Vector DB
Xây chatbot Q&A
MLOps cơ bản
API với FastAPI/Gradio
Docker (mức vừa đủ)
Logging, monitoring (khái niệm)
Project gợi ý
Chatbot tư vấn học AIO (LLM + RAG)
Q&A tài liệu nội bộ
Sau giai đoạn này bạn đạt được:
Tự xây ứng dụng GenAI
Biết LLM dùng khi nào, không dùng khi nào
Một tuần học chuẩn “1-year roadmap” trông như thế nào?
6–8h: học live
10–12h: bài tập & đọc thêm
8–10h: làm project
→ Tổng 20–28h/tuần , đúng nghĩa một “part-time thứ hai”.
Lộ trình AIO2026 có gì đặc biệt?
AIO2026 là chương trình học AI & Data Science 1 năm:
Học live buổi tối
Thiết kế riêng cho Newbie & Non-Tech
12 module, 5 cấp độ
22+ dự án thật
Mentor hỗ trợ sát
Không hứa việc làm → chỉ hứa kiến thức thật & dự án thật
Một số dự án tiêu biểu:
Dự đoán ô nhiễm môi trường
Giá thuê Airbnb
OCR & tài liệu
Football tracking
Vision-Language Model
Chatbot RAG tư vấn học tập
Lộ trình trong bài là bản rút gọn theo cách AIO đang áp dụng.
FAQ – Hỏi nhanh đáp gọn
Em là con số 0, theo nổi không?
Có — nếu bạn cam kết thời gian và làm bài đủ.
Không giỏi Toán thì sao?
Vẫn học được. Toán dạy theo cách trực quan, đủ dùng.
Không học được 28h/tuần thì sao?
Bạn có thể kéo dài lộ trình thành 18–24 tháng.
Học xong có chắc đi làm không?
Không ai đảm bảo 100%, nhưng bạn sẽ có nền + portfolio tốt.
Đã có kiến thức Python/ML rồi có cần học đủ 1 năm không?
Có thể rút gọn giai đoạn đầu, tập trung vào phần nâng cao.
📌 Tài nguyên AI VIET NAM
