Trải nghiệm khi dùng LLM Course
Bạn mở trang GitHub của repo và cuộn xuống đọc như một cuốn sách mục lục dài. Đầu trang là ba phần của khoá: LLM Fundamentals (toán, Python, mạng nơ-ron, NLP), The LLM Scientist (tạo ra mô hình tốt) và The LLM Engineer (làm ứng dụng và triển khai). Mỗi phần có sơ đồ lộ trình bằng hình, rồi từng mục giải thích ngắn khái niệm và liệt kê tài liệu đi kèm.
Khoá không phải một bài giảng video duy nhất mà là bản đồ chỉ cho bạn học gì, theo thứ tự nào, đọc nguồn nào (video, bài viết, khoá học bên ngoài). Khi muốn thực hành, bạn bấm huy hiệu Open In Colab cạnh từng notebook để chạy ngay trên trình duyệt, không phải cài gì lên máy. Chủ đề gồm tinh chỉnh mô hình (fine-tuning), lượng tử hoá (quantization), ghép mô hình và đánh giá.
Phần dành cho người xây ứng dụng đi qua các chủ đề như chạy mô hình, kho vector, RAG (cho AI tra tài liệu trước khi trả lời), agent, tối ưu suy luận và bảo mật. Vì tất cả đều bằng tiếng Anh và khá kỹ thuật, bạn nên coi đây là bản đồ để tự đào sâu từng mục chứ không phải bài học đọc một mạch.
Tính năng nổi bật
Lộ trình ba phần rõ ràng
Bạn có thể bỏ qua phần nền tảng nếu đã vững, hoặc quay lại tra cứu khi gặp khái niệm lạ. Phần nền tảng được ghi rõ là tuỳ chọn.
Tài liệu chọn lọc cho từng chủ đề
Mỗi mục kèm danh sách video, bài viết và khoá học bên ngoài để bạn khỏi mò tìm từng chỗ.
Notebook chạy được trên Google Colab
Các bài thực hành tinh chỉnh, lượng tử hoá, ghép mô hình mở bằng một cú bấm, dùng GPU miễn phí của Colab cho các bài nhỏ.
Bài viết đi kèm
Nhiều notebook có bài viết giải thích trên blog của tác giả, giúp hiểu vì sao làm từng bước thay vì chỉ chép code.
Cập nhật chủ đề mới
Có phần New Trends và các mục về agent, đánh giá, bảo mật mô hình, cho thấy bức tranh rộng hơn việc chỉ biết gọi API.
Tận dụng LLM Course vào việc gì?
Sinh viên CNTT, người chuyển nghề
Lên kế hoạch tự học LLM trong vài tháng
In hoặc lưu lộ trình, chọn từng mục theo tuần, học song song với khoá bên ngoài mà tài liệu giới thiệu.
Lập trình viên
Biết cần học gì để làm chatbot hỏi đáp tài liệu công ty
Đọc phần LLM Engineer về kho vector và RAG để nắm các mảnh ghép trước khi chọn công cụ.
Người học máy
Thực hành tinh chỉnh mô hình nhỏ bằng Colab
Chạy thử notebook tinh chỉnh bằng QLoRA hoặc Unsloth trên Colab để hiểu quy trình dữ liệu, huấn luyện và lưu mô hình.
Người làm sản phẩm, quản lý kỹ thuật
Tra cứu thuật ngữ và tài liệu khi đọc tin AI
Dùng như danh mục tra nhanh khi gặp từ lạ như quantization, DPO, RAG hay agent.
Cần chuẩn bị gì?
- Một trình duyệt và tài khoản Google nếu muốn chạy notebook trên Colab.
- Đọc được tiếng Anh kỹ thuật; tài liệu không có bản tiếng Việt.
- Biết nền tảng Python sẽ dễ theo; nếu chưa, phần Fundamentals của khoá chỉ nơi học.
- Không cần cài gì lên máy nếu chỉ đọc; chạy notebook lớn có thể cần GPU của Colab hoặc dịch vụ thuê, và một số bài đòi nhiều tài nguyên hơn gói miễn phí.
Hướng dẫn cài đặt chi tiết
Cài trên Đọc trên web
Mở trang GitHub của repo và đọc ngay trong trình duyệt. README chính là nội dung khoá học.
https://github.com/mlabonne/llm-courseREADME cũng nhắc tới một bản tổng hợp đầy đủ hơn trên DeepWiki; bạn có thể xem ở địa chỉ dưới nếu muốn đọc theo dạng hỏi đáp.
https://deepwiki.com/mlabonne/llm-course/
Cài trên Tải về máy (git)
Nếu đã cài git và muốn đọc offline hoặc lưu bản riêng, mở Terminal hoặc PowerShell và tải repo về.
git clone https://github.com/mlabonne/llm-course.gitMở thư mục vừa tải bằng một trình xem Markdown (ví dụ VS Code) và đọc file README.md.
Cài trên Chạy notebook trên Colab
Mở README, tìm mục Notebooks rồi bấm nút Open In Colab cạnh notebook bạn muốn. Cần đăng nhập tài khoản Google.
Trong Colab, chọn menu Runtime rồi đổi loại chạy sang GPU nếu bài cần, sau đó chạy lần lượt từng ô lệnh từ trên xuống. Bấm Shift+Enter để chạy một ô.
Dùng thử lần đầu
Đọc đoạn đầu README để hiểu ba phần của khoá, rồi quyết định bạn bắt đầu từ đâu: nếu mới hoàn toàn thì bắt đầu ở phần Fundamentals, còn đã biết Python thì có thể nhảy sang The LLM Scientist hoặc The LLM Engineer.
Chọn một mục có sơ đồ lộ trình, ví dụ phần LLM Architecture hoặc Running LLMs, và đọc kèm một hai tài liệu được liệt kê.
Mở một notebook nhỏ trong mục Notebooks bằng nút Colab, chẳng hạn bài giới thiệu lượng tử hoá, và chạy từng ô để xem kết quả.
Ghi lại khái niệm chưa hiểu và dùng nó làm từ khoá để tìm thêm bài giảng, bài viết trên blog của tác giả.
Sau khi xong một phần, thử làm một dự án nhỏ của riêng bạn, ví dụ chatbot hỏi đáp trên vài file PDF, để biến kiến thức thành sản phẩm.
Mẹo dùng hay
- Phần Fundamentals là tuỳ chọn; đừng đọc hết nếu bạn chưa cần, hãy quay lại tra khi gặp khái niệm toán hoặc mạng nơ-ron mà mình chưa hiểu.
- Nhiều notebook dùng phiên bản thư viện tại thời điểm viết, có thể lệch so với hôm nay; nếu gặp lỗi, đọc thông báo lỗi và kiểm tra bản mới của thư viện hoặc bản sửa trong các issue của repo.
- Học theo cụm nhỏ: mỗi tuần một mục lớn, đọc xong thì chạy một notebook liên quan, như vậy dễ nhớ hơn đọc dồn.
- Nếu không đọc tiếng Anh nhanh, dùng công cụ dịch trình duyệt để lướt tổng quan, nhưng giữ nguyên thuật ngữ gốc khi tìm thêm tài liệu.
Lưu ý và hạn chế
- Tài liệu chỉ có tiếng Anh và khá nặng kỹ thuật, không phù hợp để đọc làm quen AI từ con số không.
- Repo là danh mục tài liệu và notebook chứ không phải bài giảng đầy đủ từ đầu đến cuối; bạn vẫn phải học qua các nguồn bên ngoài mà nó dẫn tới.
- Lần cập nhật gần nhất của repo là đầu năm 2026 và một số notebook cũ dựa trên các mô hình thời điểm trước, vì vậy cần kiểm tra lại với phiên bản mới nhất của các thư viện.
Câu hỏi thường gặp
Khoá học này có miễn phí không, có cần đăng ký không?
Miễn phí và công khai trên GitHub, giấy phép Apache-2.0. Tác giả ghi rõ khoá sẽ luôn miễn phí; cuốn sách đi kèm (LLM Engineer's Handbook) là sản phẩm trả phí riêng, không bắt buộc.
Có bản tiếng Việt không?
Không có bản chính thức tiếng Việt. Nội dung là tiếng Anh, bạn có thể dùng công cụ dịch của trình duyệt để đọc lướt.
Tôi không biết lập trình thì có theo được không?
Phần Fundamentals có chỉ cách học Python, nhưng khoá nhìn chung dành cho người đã hoặc sắp làm kỹ thuật. Nếu chỉ muốn dùng AI không cần lập trình, các bài học dạng cơ bản sẽ hợp hơn.
Tải mã nguồn về máy
Nếu bạn muốn xem hoặc sửa mã nguồn, mở Terminal (trên Windows là PowerShell) và chạy lệnh dưới. Máy cần cài sẵn Git.
git clone https://github.com/mlabonne/llm-course.gitRepo tương tự nên xem
Generative AI for Beginners
microsoft / generative-ai-for-beginners
Khoá học 21 bài của Microsoft dạy xây ứng dụng AI tạo sinh từ con số 0, có code Python và TypeScript
Hugging Face Transformers
huggingface / transformers
Thư viện Python để tải và chạy hàng triệu mô hình AI từ Hugging Face chỉ với vài dòng code
LlamaIndex
run-llama / llama_index
Khung lập trình Python để cho AI đọc và trả lời dựa trên tài liệu, dữ liệu riêng của bạn