Khoa học dữ liệu và Trí tuệ nhân tạo

Ngành Khoa học dữ liệu và Trí tuệ nhân tạo (Data Science and Artificial Intelligence) đào tạo nguồn nhân lực có khả năng thu thập, xử lý, phân tích dữ liệu và xây dựng các hệ thống trí tuệ nhân tạo để giải quyết các bài toán trong nhiều lĩnh vực như tài chính, y tế, thương mại điện tử, sản xuất, giao thông và giáo dục.

Chương trình học kết hợp giữa toán học, thống kê, khoa học máy tính, lập trình và trí tuệ nhân tạo, giúp sinh viên có nền tảng vững chắc để phát triển các mô hình AI và khai thác giá trị từ dữ liệu.

Thông thường, chương trình đào tạo kéo dài 4 năm (8 học kỳ), với khoảng 130–150 tín chỉ, tùy theo quy định của từng trường đại học.

Trong giai đoạn đầu, sinh viên được trang bị nền tảng về toán học, khoa học tự nhiên và kỹ năng học tập.

• Triết học Mác – Lênin
• Kinh tế chính trị
• Pháp luật đại cương
• Toán cao cấp
• Giải tích
• Đại số tuyến tính
• Xác suất thống kê
• Tiếng Anh
• Tin học cơ sở
• Kỹ năng mềm
• Phương pháp nghiên cứu khoa học

Đây là nhóm học phần giúp sinh viên xây dựng nền tảng về lập trình và khoa học máy tính.

• Lập trình Python
• Lập trình hướng đối tượng
• Cấu trúc dữ liệu và giải thuật
• Cơ sở dữ liệu
• Kiến trúc máy tính
• Hệ điều hành
• Mạng máy tính
• Phát triển phần mềm
• Toán rời rạc
• Thuật toán

Toán học cho AI và Khoa học dữ liệu

Đây là nền tảng quan trọng để xây dựng và tối ưu các mô hình AI.

• Đại số tuyến tính nâng cao
• Xác suất thống kê
• Tối ưu hóa
• Giải tích nhiều biến
• Mô hình toán
• Thống kê ứng dụng

Khoa học dữ liệu

Sinh viên được học quy trình khai thác và phân tích dữ liệu.

• Thu thập dữ liệu
• Làm sạch dữ liệu (Data Cleaning)
• Khai phá dữ liệu (Data Mining)
• Trực quan hóa dữ liệu
• Business Intelligence
• Kho dữ liệu (Data Warehouse)
• Dữ liệu lớn (Big Data)

Trí tuệ nhân tạo

Đây là nhóm học phần cốt lõi của ngành.

• Nhập môn Trí tuệ nhân tạo
• Machine Learning
• Deep Learning
• Computer Vision
• Xử lý ngôn ngữ tự nhiên (NLP)
• Học tăng cường (Reinforcement Learning)
• Hệ chuyên gia

Dữ liệu lớn và điện toán đám mây

• Big Data
• Hadoop
• Spark
• Điện toán đám mây
• AWS
• Microsoft Azure
• Google Cloud Platform

AI hiện đại

Nhiều trường đã cập nhật các học phần theo xu hướng mới.

• Generative AI
• Mô hình ngôn ngữ lớn (LLM)
• AI Agent
• Prompt Engineering
• MLOps
• Responsible AI
• AI Ethics

Công nghệ và công cụ

Trong quá trình học, sinh viên thường sử dụng:

• Python
• SQL
• R
• Jupyter Notebook
• Pandas
• NumPy
• Scikit-learn
• TensorFlow
• PyTorch
• OpenCV
• Power BI
• Tableau
• Git và GitHub
• Docker
• Kubernetes cơ bản

Thực hành và thực tập

Chương trình học chú trọng thực hành thông qua các dự án và bài toán thực tế.

• Phân tích bộ dữ liệu lớn.
• Xây dựng mô hình Machine Learning.
• Phát triển hệ thống AI.
• Thiết kế chatbot và trợ lý ảo.
• Phân tích hình ảnh và video.
• Tham gia cuộc thi AI hoặc Khoa học dữ liệu.
• Thực tập tại doanh nghiệp.
• Khóa luận hoặc đồ án tốt nghiệp.

Năm 1

• Toán cao cấp
• Đại số tuyến tính
• Lập trình Python
• Tin học cơ sở
• Tiếng Anh
• Xác suất thống kê

Năm 2

• Cấu trúc dữ liệu và giải thuật
• Cơ sở dữ liệu
• Toán rời rạc
• Thuật toán
• Khai phá dữ liệu
• Trực quan hóa dữ liệu

Năm 3

• Machine Learning
• Deep Learning
• Computer Vision
• NLP
• Big Data
• Cloud Computing

Năm 4

• Generative AI
• AI Agent
• MLOps
• Chuyên đề AI
• Thực tập doanh nghiệp
• Khóa luận hoặc học phần thay thế

Sau khi hoàn thành chương trình đào tạo, sinh viên có khả năng:

• Thu thập, xử lý và phân tích dữ liệu.
• Xây dựng, huấn luyện và tối ưu mô hình Machine Learning, Deep Learning.
• Phát triển các ứng dụng AI như chatbot, hệ thống nhận dạng hình ảnh và xử lý ngôn ngữ tự nhiên.
• Thiết kế hệ thống dữ liệu và triển khai mô hình AI trên nền tảng đám mây.
• Sử dụng thành thạo các công cụ phân tích dữ liệu, thư viện AI và nền tảng MLOps.
• Làm việc nhóm, nghiên cứu khoa học và giao tiếp bằng tiếng Anh chuyên ngành.
• Tư duy logic, giải quyết vấn đề và thích ứng với sự phát triển nhanh của công nghệ AI.

Sau khi tốt nghiệp ngành Khoa học dữ liệu và Trí tuệ nhân tạo, sinh viên có thể:

• Phân tích dữ liệu và xây dựng các mô hình dự báo, tối ưu hóa cho doanh nghiệp.
• Phát triển và triển khai các hệ thống AI trong nhiều lĩnh vực như tài chính, y tế, thương mại điện tử, giáo dục và sản xuất.
• Làm việc ở các vị trí Data Scientist, AI Engineer, Machine Learning Engineer, Data Engineer, Business Intelligence Analyst hoặc Research Engineer.
• Tham gia nghiên cứu tại các viện, trung tâm R&D hoặc tiếp tục học lên bậc thạc sĩ, tiến sĩ trong các lĩnh vực Khoa học dữ liệu, Trí tuệ nhân tạo, Khoa học máy tính và Phân tích dữ liệu.

Lưu ý: Chương trình học có thể khác nhau giữa các trường đại học. Một số trường tập trung vào nền tảng toán học và nghiên cứu AI, trong khi một số khác tăng cường các học phần về dữ liệu lớn, điện toán đám mây, MLOps, Generative AI và ứng dụng AI trong doanh nghiệp nhằm đáp ứng nhu cầu nhân lực của nền kinh tế số.