Khoa học tính toán cho các hệ thống thông minh (mới) (CT tiên tiến)

Sinh viên ngành này sẽ tập trung vào 3 nhóm kiến thức chính:

Nhóm kiến thức	Nội dung cụ thể
Toán ứng dụng	Đại số tuyến tính, xác suất thống kê, giải tích, giúp hiểu bản chất con số đằng sau mọi thuật toán
Lập trình	Python, R, SQL và các framework như TensorFlow, PyTorch, công cụ thực hiện để biến ý tưởng thành sản phẩm chạy được
Các mô hình học máy	Supervised/unsupervised learning, deep learning, xử lý ngôn ngữ tự nhiên, cách máy tính tự học và đưa ra dự đoán từ dữ liệu

🔵 Phần này được suy luận từ mô tả chương trình học trong raw và kiến thức chung về ngành Khoa học dữ liệu và Trí tuệ nhân tạo tại Việt Nam. Tên học phần cụ thể có thể khác nhau giữa các trường.

Khoa học dữ liệu và Trí tuệ nhân tạo có nhiều hướng, từ phân tích dữ liệu phục vụ quyết định đến xây dựng mô hình học máy và triển khai sản phẩm dữ liệu. Điểm quan trọng là dữ liệu phải được hiểu đúng, kiểm chứng kỹ và gắn với bài toán thực tế, thay vì chỉ tạo ra mô hình có vẻ hiện đại.

Hướng 1: Phân tích dữ liệu và hỗ trợ ra quyết định

Bạn sẽ làm gì?

Thu thập, làm sạch, phân tích và trình bày dữ liệu để trả lời câu hỏi về khách hàng, vận hành, tài chính hoặc sản phẩm. Công việc có thể gồm viết truy vấn, xây bảng dữ liệu, tạo báo cáo, trực quan hóa kết quả và giải thích ý nghĩa cho người không chuyên kỹ thuật.

Vị trí thường gặp:

• Chuyên viên phân tích dữ liệu
• Chuyên viên báo cáo dữ liệu
• Chuyên viên phân tích sản phẩm
• Chuyên viên phân tích kinh doanh dựa trên dữ liệu

Môi trường làm việc thường gặp:

Ngân hàng, bảo hiểm, thương mại điện tử, bán lẻ, logistics, công ty công nghệ, bộ phận marketing, vận hành hoặc tài chính trong doanh nghiệp.

Điểm hấp dẫn của hướng này:

Bạn được nhìn thấy dữ liệu ảnh hưởng đến quyết định thực tế: cải thiện sản phẩm, tối ưu quy trình, phát hiện bất thường hoặc hiểu hành vi người dùng. Công việc kết nối giữa kỹ thuật và bối cảnh kinh doanh.

Phong cách làm việc thực tế:

Cần đặt câu hỏi rõ, kiểm tra nguồn dữ liệu, tránh diễn giải quá mức và trình bày kết quả dễ hiểu. Một biểu đồ tốt không chỉ đẹp mà phải đúng, có ngữ cảnh và giúp người đọc hành động phù hợp.

Thực tế cần biết:

Phân tích dữ liệu không phải lúc nào cũng cho ra kết luận chắc chắn. Dữ liệu có thể thiếu, lệch hoặc bị ảnh hưởng bởi cách thu thập, nên người làm cần biết nêu giới hạn và kiểm chứng lại giả thuyết.

Hướng 2: Xây dựng mô hình học máy và trí tuệ nhân tạo ứng dụng

Bạn sẽ làm gì?

Chuẩn bị dữ liệu, chọn đặc trưng, huấn luyện mô hình, đánh giá sai số và phối hợp triển khai mô hình vào sản phẩm. Bài toán có thể liên quan đến dự đoán rủi ro, gợi ý nội dung, phân loại văn bản, nhận dạng hình ảnh hoặc phát hiện bất thường.

Vị trí thường gặp:

• Kỹ sư học máy
• Chuyên viên khoa học dữ liệu
• Kỹ sư trí tuệ nhân tạo ứng dụng
• Kỹ sư xử lý ngôn ngữ hoặc thị giác máy tính

Môi trường làm việc thường gặp:

Công ty công nghệ, ngân hàng, thương mại điện tử, doanh nghiệp có dữ liệu sản phẩm, phòng nghiên cứu ứng dụng hoặc nhóm phát triển tính năng dựa trên dữ liệu.

Điểm hấp dẫn của hướng này:

Bạn được dùng toán, lập trình và dữ liệu để tạo ra hệ thống có khả năng hỗ trợ dự đoán hoặc tự động hóa một phần công việc. Khi mô hình được kiểm chứng tốt và triển khai đúng cách, nó có thể cải thiện trải nghiệm người dùng hoặc hiệu quả vận hành.

Phong cách làm việc thực tế:

Công việc cần thử nghiệm có kỷ luật: tách dữ liệu huấn luyện và kiểm tra, đo bằng chỉ số phù hợp, so sánh với phương án đơn giản, theo dõi mô hình sau triển khai và trao đổi với nhóm sản phẩm.

Thực tế cần biết:

Mô hình chỉ tốt khi dữ liệu, mục tiêu và cách đánh giá phù hợp. Nhiều thời gian sẽ dành cho làm sạch dữ liệu, hiểu sai lệch, xử lý ngoại lệ và kiểm chứng kết quả, không chỉ huấn luyện mô hình mới.

Hướng 3: Sản phẩm dữ liệu và triển khai mô hình vào hệ thống

Bạn sẽ làm gì?

Đưa kết quả phân tích hoặc mô hình học máy vào sản phẩm thật: xây dịch vụ dự đoán, thiết kế luồng dữ liệu, theo dõi chất lượng mô hình, cảnh báo khi dữ liệu thay đổi và phối hợp với kỹ sư phần mềm để hệ thống vận hành ổn định.

Vị trí thường gặp:

• Kỹ sư sản phẩm dữ liệu
• Kỹ sư triển khai mô hình
• Kỹ sư nền tảng học máy
• Chuyên viên vận hành mô hình dữ liệu

Môi trường làm việc thường gặp:

Nhóm sản phẩm công nghệ, công ty có hệ thống gợi ý hoặc dự báo, doanh nghiệp tài chính, thương mại điện tử, logistics hoặc đơn vị đang xây dựng tính năng tự động hóa dựa trên dữ liệu.

Điểm hấp dẫn của hướng này:

Bạn được nối khoảng cách giữa mô hình thử nghiệm và sản phẩm có người dùng thật. Đây là hướng phù hợp với người muốn thấy kết quả dữ liệu vận hành trong hệ thống chứ không chỉ nằm trong báo cáo hoặc sổ tay thử nghiệm.

Phong cách làm việc thực tế:

Cần hiểu cả dữ liệu, lập trình, kiểm thử, giám sát và yêu cầu sản phẩm. Người làm thường phải trao đổi với nhiều nhóm để cân bằng độ chính xác, tốc độ phản hồi, chi phí tính toán và khả năng giải thích.

Thực tế cần biết:

Một mô hình có điểm số tốt trong thử nghiệm chưa chắc hoạt động tốt ngoài thực tế. Dữ liệu thay đổi theo thời gian, người dùng thay đổi hành vi và hệ thống cần được theo dõi, cập nhật có kiểm soát.

Điểm chung của các hướng

Các hướng đều cần nền tảng xác suất thống kê, lập trình, cơ sở dữ liệu, tư duy kiểm chứng và khả năng hiểu bối cảnh sử dụng dữ liệu. Người học nên coi dữ liệu sạch, câu hỏi đúng và sản phẩm dùng được là trọng tâm, thay vì chỉ tập trung vào thuật toán mới hoặc tên gọi công nghệ.

Bức tranh thị trường & tương lai nghề

Nhiều tổ chức muốn dùng dữ liệu để cải thiện quyết định, tự động hóa quy trình và phát triển sản phẩm số. Tuy vậy, thị trường ngày càng phân biệt rõ giữa người chỉ biết chạy công cụ và người hiểu dữ liệu, biết đánh giá mô hình, triển khai có trách nhiệm và đo hiệu quả trong thực tế. Các hướng phân tích dữ liệu, học máy ứng dụng và sản phẩm dữ liệu vẫn có nhu cầu, nhưng đòi hỏi nền tảng chắc và thái độ kiểm chứng cẩn trọng.

✅ Có thể hợp nếu bạn.

• Thích làm việc với dữ liệu, con số, mô hình và câu hỏi cần được kiểm chứng bằng bằng chứng.
• Kiên nhẫn với việc làm sạch dữ liệu, thử nghiệm nhiều lần và giải thích kết quả một cách thận trọng.
• Có nền tảng hoặc hứng thú với toán ứng dụng, thống kê, lập trình và cơ sở dữ liệu.
• Muốn tạo ra sản phẩm hoặc phân tích có ích trong bối cảnh thực tế, không chỉ chạy mô hình cho đẹp.

❌ Có thể không hợp nếu bạn.

• Kỳ vọng học trí tuệ nhân tạo là chủ yếu làm các sản phẩm ấn tượng ngay, ít phải xử lý dữ liệu nền.
• Không thích thống kê, kiểm chứng giả thuyết, đọc sai số hoặc xem xét giới hạn của kết quả.
• Muốn câu trả lời luôn chắc chắn tuyệt đối trong khi dữ liệu thực tế thường thiếu, nhiễu và cần diễn giải cẩn thận.

🔵 Phần này được suy luận và xây dựng dựa trên các vị trí công việc, tính chất ngành và đặc điểm người làm nghề được mô tả trong raw.

Minh Quân, 27 tuổi, Kỹ sư học máy tại công ty fintech

• Năm 1–2 đại học: Minh Quân gần như bỏ cuộc vì Toán Giải tích quá trừu tượng; anh mất cả kỳ học để hiểu tại sao ma trận lại quan trọng với AI.
• Năm 3–4: Bắt đầu thấy "chốt" khi tự xây mô hình dự đoán giá nhà cho đồ án, lần đầu tiên thấy con số mình viết ra có ý nghĩa thực sự.
• Năm 1 đi làm: Vào công ty fintech, 80% thời gian là làm sạch dữ liệu giao dịch; buồn nhưng hiểu đó là nền tảng không thể bỏ qua.
• Hiện tại: Xây dựng mô hình phát hiện gian lận tín dụng, lương 22 triệu/tháng, tự học thêm mỗi tối để theo kịp các paper mới.

Thanh Hà, 25 tuổi, Chuyên viên phân tích dữ liệu tại công ty thương mại điện tử

• Năm 2 đại học: Thanh Hà tình cờ tham gia CLB Data Science của trường, lần đầu dùng Python để vẽ biểu đồ từ dữ liệu bán hàng, "ồ hóa ra đây là điều mình muốn làm".
• Năm 3–4: Thực tập tại một startup, học cách đọc dashboard và trình bày insight cho sếp không chuyên kỹ thuật, kỹ năng giao tiếp quan trọng không kém code.
• Năm 1 đi làm: Phân tích hành vi người dùng trên app mua sắm, giúp nhóm marketing tăng tỷ lệ chuyển đổi 15%, lần đầu thấy dữ liệu của mình ảnh hưởng đến quyết định triệu đô.
• Hiện tại: Dẫn dắt nhóm nhỏ 3 người, lương 14 triệu/tháng, đang học thêm chứng chỉ Google Data Analytics để mở rộng cơ hội.

Ngành	Điểm giống	Điểm khác	Dễ nhầm vì
⭐ Khoa học dữ liệu và Trí tuệ nhân tạo	,	Cân bằng giữa toán học nền tảng, lập trình và xây dựng mô hình AI/ML; yêu cầu tư duy thống kê và thuật toán sâu	Tên ngành bao hàm cả hai lĩnh vực lớn
Công nghệ thông tin (CNTT)	Đều lập trình, làm việc với máy tính	CNTT rộng hơn (web, phần mềm, mạng...); Khoa học dữ liệu chuyên sâu về phân tích và mô hình hóa dữ liệu	Cùng dùng máy tính, cùng học lập trình
Thống kê	Đều xử lý dữ liệu và con số	Thống kê thiên về lý thuyết xác suất và suy luận; Khoa học dữ liệu thiên về ứng dụng thực tế và tự động hóa bằng máy tính	Cùng phân tích dữ liệu, cùng dùng xác suất
Trí tuệ nhân tạo (AI riêng)	Đều xây dựng mô hình học máy	AI chuyên sâu hơn vào nghiên cứu thuật toán; Khoa học dữ liệu chú trọng hơn vào dữ liệu đầu vào và trả lời câu hỏi kinh doanh	Tên ngành thường đi kèm nhau, dễ gộp làm một

1. Tải tập dữ liệu miễn phí trên Kaggle (ví dụ: dữ liệu giá nhà hoặc kết quả bóng đá), mở Excel hoặc Google Sheets, thử vẽ biểu đồ và tìm ra một xu hướng thú vị, nếu bạn thấy hứng thú chứ không phải chán nản, đây là tín hiệu tốt.

2. Xem video "Python cho người mới bắt đầu" trên YouTube (30 phút), sau đó tự gõ lại đoạn code đơn giản nhất, cảm giác code chạy đúng lần đầu có làm bạn muốn tiếp tục không?

3. Đọc một bài toán dự đoán thực tế (ví dụ: "dự đoán khách hàng nào sẽ rời bỏ dịch vụ") và thử suy nghĩ xem bạn cần những thông tin gì, thu thập từ đâu, và đặt câu hỏi như thế nào, nếu bạn tự nghĩ ra được các bước, tư duy phân tích của bạn phù hợp với ngành.

4. Thử ngồi làm một bài toán Toán Xác suất – Thống kê ở mức độ lớp 12 trong 1 tiếng liên tục, nếu bạn không cảm thấy quá mệt mỏi và vẫn muốn tiếp tục, bạn có nền tảng tư duy phù hợp.

STT	Trường	Tên ngành	Tổ hợp	Điểm chuẩn 2025	Điểm chuẩn 2024	Điểm chuẩn 2023
1	Đại Học Kinh Tế Quốc Dân	Phân tích dữ liệu kinh tế (EDA)	A00; A01; D01; D07	26.78	26.97	26.85
1	Đại Học Kinh Tế Quốc Dân	Khoa học dữ liệu	A00; A01; D01; D07	26.13	35.46	,
2	Đại Học Bách Khoa Hà Nội	Khoa học dữ liệu và Trí tuệ nhân tạo (CT tiên tiến)	A00; A01; B03; C01; C02; X02	29.39	28.22	28.8
3	Học Viện Tài chính	Khoa học dữ liệu trong tài chính	A00; A01; D01; D07	25.52	,	,
4	Trường Đại Học Công Nghệ – ĐHQG Hà Nội	Khoa học dữ liệu	A00; A01; D01; X06; X26	27.38	,	,
5	Trường Đại Học Kinh Tế Kỹ Thuật Công Nghiệp	Khoa học dữ liệu (CS Nam Định)	A00; A01; A02; D01; D07; X02; X06; X26	21	17.5	17.5
5	Trường Đại Học Kinh Tế Kỹ Thuật Công Nghiệp	Khoa học dữ liệu (CS Hà Nội)	A00; A01; A02; D01; D07; X02; X06; X26	22.2	22.2	22
6	Trường Đại Học Công Thương TPHCM	Khoa học dữ liệu	A00; C01; D01; X26	22	20	16.75
7	Trường Đại Học Y Tế Công Cộng	Khoa học dữ liệu	A00; A01; B00; D01; D07; X26	19	16.1	16.45
8	Trường Đại Học Thủy Lợi	Trí tuệ nhân tạo và khoa học dữ liệu	A00; A01; C01; D01; D07; X02; X06; X26	22.12	24.2	23.9
9	Trường Đại Học Khoa Học Tự Nhiên TPHCM	Nhóm ngành Khoa học dữ liệu	A00; A01; B00; B08; D01; D07; X06; X26	27.67	,	,
10	Trường Đại Học Khoa Học Tự Nhiên Hà Nội	Khoa học dữ liệu	A00; A01; C01; D07; D08; X26	26	35	34.85
11	Trường Đại Học Công Nghệ Thông Tin – ĐHQG TPHCM	Khoa học dữ liệu	A00; A01; A02; D01; D07; X06; X26	27.7	,	27.1
12	Trường Đại Học Sài Gòn	Khoa học dữ liệu	A00; A01; C01; D01; D07; X26	22.99	23.99	21.74
13	Trường Đại Học Sư Phạm – Đại Học Đà Nẵng	Khoa học dữ liệu	C01; D01; X02	19.25	,	,
14	Đại Học Kinh Tế TPHCM	Khoa học dữ liệu (Data Science)	A00; A01; D01; D07	26	,	,
15	Trường Đại Học Tài Chính Marketing	Khoa học dữ liệu	A00; A01; C01; C02; C03; D01; D07; D09; X01; X05; X09; X17; X21; X25	24.01	,	,
16	Trường Đại Học Hải Phòng	Trí tuệ nhân tạo và Khoa học dữ liệu	A00; A01; C01; C02; D01	20	,	,
17	Trường Đại Học Công Đoàn	Khoa học dữ liệu	A00; A01; A03; C01; D01; X06	21.5	,	,
18	Trường Đại Học Quy Nhơn	Khoa học dữ liệu	A00; A01; D01; D07; X26	17.1	15	15
19	Trường Đại Học Kinh Tế – Đại Học Đà Nẵng	Khoa học dữ liệu (Chuyên ngành Khoa học dữ liệu và phân tích kinh doanh)	A00; A01; D01; D07; X25; X26	21	,	,
20	Trường Đại Học Ngân Hàng TPHCM	Khoa học dữ liệu	A00; A01; D01; D07; X26	20.5	,	,
21	Trường Đại học Kỹ Thuật Công Nghệ Cần Thơ	Khoa học dữ liệu	A00; A01; C01; D01; X01; X05; X06; X25	21.24	21.95	15
22	Trường Đại Học Khoa Học Và Công Nghệ Hà Nội	Khoa học dữ liệu	A00; A01; A02; X06; X07; X10; X11; X14; X15; X26; X27; X56	20	22.05	24.51
23	Trường Đại Học Xây Dựng Hà Nội	Khoa học dữ liệu	A00; A01; C01; D01; D07; X06; X26	25	,	,

📌 Dữ liệu điểm chuẩn theo phương thức xét tuyển bằng tốt nghiệp THPT.