Muốn trở thành Agentic AI Engineer trong năm 2026 thì anh em không thể chỉ dừng lại ở việc gọi API đơn thuần. Lộ trình năm nay tập trung cực mạnh vào khả năng xây dựng các hệ thống Agent tự vận hành và có tư duy logic thực thụ.

Tài liệu này không chỉ có roadmap mà còn đi kèm bộ câu hỏi phỏng vấn thực tế cho từng chủ đề để anh em tự ôn luyện luôn. Nó giúp chuyển hóa lý thuyết thành kỹ năng xử lý vấn đề thực tế mà các bên tuyển dụng đang tìm kiếm.

Link pdf: https://drive.google.com/file/d/1JkNUDOztGVX7LLbMgkiOr0vffBLg8PeU/view?usp=sharing

Nếu bạn từng nghĩ thống kê chỉ là đống công thức khô khan thì Naked Statistics của Charles Wheelan sẽ làm thay đổi tư duy của bạn hoàn toàn. Cuốn sách này không bắt học thuộc lòng mà tập trung vào việc dùng thống kê như một công cụ để hiểu bản chất thế giới thực.

- Tác giả dùng những câu chuyện đời thường để giải thích các khái niệm hóc búa:

- Thống kê mô tả như số trung bình hay độ lệch chuẩn được lồng ghép rất tự nhiên.

- Phân biệt rõ ràng giữa tương quan và quan hệ nhân quả để tránh bị đánh lừa bởi dữ liệu.

- Giải thích định lý giới hạn trung tâm và phân tích hồi quy một cách trực quan nhất.

Đây là tài liệu cần thiết cho anh em làm Data hoặc Dev muốn nâng cao tư duy logic. Đọc xong bạn sẽ thấy thống kê thú vị và gần gũi hơn nhiều chứ không hề máy móc.

Link pdf: https://drive.google.com/file/d/19S1eRnK6muHxNpuNWTZzXNBAy30P9tpy/view?usp=sharing

Tài liệu Algorithm Notes for Professionals là kiểu cẩm nang tra cứu nhanh, cực kỳ ngắn gọn và dễ hệ thống cho anh em muốn nắm chắc thuật toán mà không cần đọc mấy cuốn giáo trình dày cộp. Nội dung bao quát đầy đủ những thuật toán quan trọng nhất và các cấu trúc dữ liệu cốt lõi thường gặp trong công việc.

Điểm cộng là hơn 50 chủ đề được trình bày rất rõ ràng, sinh động, lược bỏ hết những phần lý thuyết rườm rà để đi thẳng vào bản chất. Anh em có thể photo ra mang lên giảng đường hoặc để ở góc bàn làm việc, lúc nào rảnh lôi ra nghía qua một tí là nhớ bài ngay, cực kỳ tiện lợi cho việc ôn tập hay chuẩn bị phỏng vấn.

- Tổng hợp kiến thức cô đọng từ hơn 50 chủ đề thuật toán.

- Hình thức trình bày trực quan, dễ hiểu, phù hợp để tra cứu nhanh.

- Phù hợp cho cả sinh viên lẫn người đi làm muốn củng cố tư duy logic.

Link pdf:https://drive.google.com/file/d/1mk5104-XVXdiT6hpZtdCNTXTGZQvxKsw/view?usp=sharing

Bộ tài liệu cứu cánh cực mạnh từ Tech Lead của Math Academy. Toàn bộ giáo trình này từng được dùng để dẫn dắt các học sinh trung học tại Mỹ cày nát các khóa học cấp độ PhD và tái hiện lại các bài báo nghiên cứu AI danh tiếng.

Thay vì học lý thuyết suông thì bộ tài liệu này tập trung vào việc build mọi thứ từ con số 0 bằng Python:

- Hệ thống hóa toàn bộ kiến thức toán học nền tảng cần thiết cho AI

- Hướng dẫn chi tiết cách triển khai các mô hình thực tế từ các paper nghiên cứu

- Lộ trình học được thiết kế cực kỳ bài bản giúp người học không bị ngợp trước các công thức phức tạp

Những tài liệu này vốn là giáo trình nội bộ của dự án Eurisko nay đã được chia sẻ công khai cho cộng đồng.

Link tài liệu: https://www.justinmath.com/files/introduction-to-algorithms-and-machine-learning.pdf

Cuốn sách 500 trang từ MIT Press này sẽ thay đổi hoàn toàn cách bạn nhìn về Deep Learning. Simon J.D. Prince tập trung vào việc giải thích các ý tưởng cốt lõi đằng sau những mô hình phức tạp nhất hiện nay.
Lộ trình trong sách đi cực kỳ chi tiết và bài bản:
- Nền tảng nhập môn: Hiểu rõ về Supervised, Unsupervised và Reinforcement learning.
- Kiến trúc mạng nơ-ron: Từ những mạng Shallow đơn giản đến mạng Deep phức tạp, giải thích tại sao chúng ta cần nhiều layer đến vậy.
- Tối ưu hóa và Hiệu suất: Đi sâu vào Loss functions, Backpropagation và cách xử lý Overfitting thông qua Regularization.
- Các mô hình hiện đại: Không thể thiếu Convolutional nets cho hình ảnh, Transformers cho ngôn ngữ tự nhiên (BERT, GPT3) và Graph neural networks.
- Mô hình sáng tạo (Generative Models): Tìm hiểu về GANs, Normalizing flows, VAEs và cả Diffusion models
Tác giả dành hẳn một chương để thảo luận về đạo đức trong AI

Link pdf: https://drive.google.com/file/d/1Qk1UYXWKP4w3mN_0MZOTfPwGCwpCA_fg/view?usp=sharing

Bộ bài giảng của Jeff Erickson từ Đại học Illinois dành cho anh em ôn lại cấu trúc dữ liệu và giải thuật . Đây không phải kiểu giáo trình lý thuyết khô khan mà là tập hợp những ghi chép thực chiến được đúc kết qua hơn 20 năm giảng dạy.
- Nền tảng tư duy: Đi từ toán học rời rạc, các kỹ thuật chứng minh quy nạp đến cách phân tích độ phức tạp thuật toán chuẩn chỉ.
- Cấu trúc dữ liệu và giải thuật: Bao quát toàn bộ từ mảng, danh sách liên kết, cây tìm kiếm nhị phân đến các thuật toán đồ thị kinh điển như BFS, DFS.
- Kỹ thuật nâng cao: Cung cấp góc nhìn sâu về quy hoạch động (Dynamic Programming) các bài toán khó được đánh dấu sao.
- Bài tập thực hành: Mỗi chương đều có hệ thống bài tập phong phú, từ mức độ cơ bản đến nâng cao.

Link PDF: https://drive.google.com/file/d/1e76bF4Tm8-NPW-qT7hkuQrZ7-DVW3I1g/view?usp=sharing

Toán rời rạc là chìa khóa để giải quyết những bài toán hóc búa nhất trong ngành. Cuốn Mathematics for Computer Science của Lehman và cộng sự từ MIT, một tài liệu cực kỳ chất lượng cho bất kỳ ai muốn đi sâu vào bản chất của lập trình.
Cuốn sách này tập trung vào các khái niệm cốt lõi ứng dụng trực tiếp vào khoa học máy tính:
- Các cấu trúc dữ liệu đệ quy và máy trạng thái (state machines) giúp tối ưu hóa logic chương trình.
- Lý thuyết số và đồ thị có hướng là nền tảng của bảo mật và mạng lưới dữ liệu.
- Xác suất và các nghịch lý thú vị như Monty Hall hay Simpson’s paradox để anh em rèn luyện tư duy phản biện.
- Các bài toán kinh điển như Tháp Hà Nội hay Gambler's ruin giúp hiểu sâu về thuật toán và giới hạn của tính toán.

link pdf: https://courses.csail.mit.edu/6.042/spring18/mcs.pdf

Cuốn sách của Yufei Zhao đào sâu vào một khía cạnh cực gắt: Sự đối lập giữa cấu trúc và tính giả ngẫu nhiên (Structure vs Pseudorandomness), cuốn sách tập trung vào những chủ đề kết nối cả hai lĩnh vực, đặc biệt là tư duy về cấu trúc và tính giả ngẫu nhiên (structure versus pseudorandomness). Một số điểm nhấn mà anh em nên nghía qua:
- Nền tảng từ định lý Roth: Cách chứng minh định lý này bằng cả đồ thị và phân tích Fourier.
- Các công cụ hạng nặng: Từ phương pháp chính quy Szemerédi đến giới hạn đồ thị (graph limits).
- Kết nối hiện đại: Những ý tưởng cốt lõi đằng sau định lý Green-Tao về cấp số cộng trong tập số nguyên tố.
- Tính thực tiễn: Hệ thống bài tập được chắt lọc từ các bài báo nghiên cứu.
- Điểm cộng là cuốn này có nguyên một bộ video bài giảng trên MIT OpenCourseWare.

Link pdf: https://yufeizhao.com/gtacbook/gtacbook.pdf
Link playlist: https://www.youtube.com/playlist?list=PLUl4u3cNGP62qauV_CpT1zKaGG_Vj5igX

Mình vừa xem qua bộ tài liệu STAT 201A - Introduction to Probability từ UC Berkeley, một nguồn tài liệu khá đầy đủ cho anh em muốn củng cố lại nền tảng toán học ứng dụng.
Thay vì chỉ đưa ra công thức, tài liệu này tập trung vào cách chuyển đổi thông tin thực tế thành các mô hình tính toán cụ thể:
- Tư duy xác suất bản chất: Cách tiếp cận vấn đề từ bước lập mô hình đến tính toán dựa trên các quy tắc logic.
- Hệ thống phân phối phổ biến: Giải thích chi tiết từ Binomial, Poisson đến Normal Distribution và cách chúng xuất hiện trong lập trình.
- Xử lý dữ liệu liên tục: Các bài toán về biến ngẫu nhiên, hàm mật độ và cách biến đổi biến số trong các hệ thống phức tạp.
- Nền tảng cho AI/ML: Đi sâu vào Bayesian, Logistic Regression và Multivariate Normal – những kiến thức quan trọng nếu bạn muốn hiểu sâu về thuật toán thay vì chỉ gọi thư viện.

Link pdf: https://www.stat.berkeley.edu/~aditya/resources/FullNotes201AFall2022.pdf

Anh em đang làm GenAI nhưng đôi khi nhìn vào đống công thức toán phía sau lại thấy hơi ngợp hoặc bị hổng kiến thức nền. thì thử cuốn sách The Little Book of Generative AI Foundations: cuốn này giải thích rất rõ cách AI học, mô phỏng và tạo ra các dữ liệu phức tạp qua các phần cốt lõi:
- Nền tảng đại số không gian ẩn: Hiểu sâu về PCA, SVD và cách hoạt động của autoencoders
- Các mô hình không gian ẩn: Đi sâu vào PPCA và VAEs
- Variational Autoencoders (VAEs): Cách tính ELBO, inference và kỹ thuật reparameterization
- Mô hình Khuếch tán (Diffusion): Hiểu rõ toàn bộ quá trình biến đổi từ nhiễu sang khử nhiễu
- Mô hình tạo sinh dựa trên điểm số và thời gian liên tục (Score-based & continuous-time models)
- Mô hình mật độ: Khám phá luồng (flows) và mô hình tự hồi quy (autoregression)
- GANs và mô hình dựa trên năng lượng vượt ra ngoài likelihood thông thường

Link pdf: https://arxiv.org/pdf/2605.29713

Nếu anh em đang chuẩn bị phỏng vấn về GenAI hoặc LLM Engineering thì cuốn Language Models Interview Handbook này sẽ cực kỳ hữu ích. Trong đây có 151 câu hỏi phỏng vấn thực chiến và các nút thắt khi scale hệ thống LLM lớn. Cuốn sách cung cấp lộ trình ôn tập rất bài bản

Dành cho anh em học Machine Learning hay Đồ họa máy tính Understanding Linear Algebra của tác giả Austin.
Cuốn sách này tập trung vào cách đại số tuyến tính vận hành:
- Hoạt hình máy tính và nén ảnh: Hiểu cách ma trận biến đổi các pixel và đồ họa.
- Thuật toán Google PageRank: Cách mà gã khổng lồ tìm kiếm xếp hạng hàng triệu website.
- Bình phương tối tiểu (least squares) và Phân tích thành phần chính (PCA): Những nền tảng không thể thiếu để xử lý dữ liệu và tối ưu hóa mô hình AI.
- Phân tích giá trị suy biến (SVD): Bí thuật đằng sau các hệ thống gợi ý và giảm chiều dữ liệu phức tạp.
Sách viết rất trực quan, giúp các khái niệm trừu tượng trở nên dễ hình dung hơn nhiều.

Quyển sách Introduction to Vectors and Tensors Volume 1 mang đến một cái nhìn toàn diện và hệ thống về toán học vector và tensor, kết hợp chặt chẽ giữa lý thuyết nghiêm ngặt và cách trình bày bài bản. Tập đầu tiên tập trung vào nền tảng đại số của vector và tensor, trong khi tập thứ hai mở rộng sang trường vector, trường tensor, đa tạp Euclid cùng các ứng dụng giải tích và hình học trong khoa học, kỹ thuật.

Bộ sách hai tập này là tài liệu tham khảo giá trị cho sinh viên nâng cao, nghiên cứu sinh, kỹ sư và những người làm việc trong lĩnh vực toán học ứng dụng. Không chỉ dừng lại ở các ứng dụng truyền thống trong vật lý và kỹ thuật, nội dung của sách ngày càng trở nên quan trọng trong kỷ nguyên trí tuệ nhân tạo, hình học máy và học sâu hiện đại.

Update thêm cho anh em Volume 2 của quyển sách Introduction to Vectors and Tensors mình vừa gửi

Anh em AI Engineer nào đang dùng FastAPI để deploy model chắc chắn không lạ gì cảnh code chạy mượt dưới local nhưng lên production là nghẽn mạch. Mình vừa lướt qua mục lục cuốn sách FastAPI for AI Engineers (bản mới năm 2026 của nhà AI Engineering Insider) và thấy nó giải quyết đúng những chỗ đau đầu nhất của anh em làm hệ thống AI hiện nay.

Cuốn này tập trung thẳng vào kiến trúc hệ thống phục vụ cho ML, LLM và RAG thực chiến.

Đặc biệt cuối mỗi chương đều đi kèm 10 câu hỏi phỏng vấn chuẩn Big Tech, toàn những case thực tế như cách xử lý khi ví tiền LLM tăng gấp đôi hay cách debug khi pod bị OOM-killed liên tục dưới lượng traffic ổn định.

Data Structures and Algorithms using Python
Cuốn sách này tập trung giải quyết toàn bộ các khái niệm cốt lõi của khoa học máy tính từ mức độ cơ bản như mảng, danh sách liên kết, cây, cho đến các chủ đề phức tạp hơn như đồ thị và các thuật toán nâng cao. Cách tiếp cận của tài liệu tương đối trực diện khi mọi lý thuyết đều đi kèm với ví dụ minh họa bằng code Python cụ thể, giúp người đọc dễ hình dung cách chuyển đổi từ ý tưởng thuật toán sang mã nguồn thực tế.
Đây là tài liệu hữu ích cho cả những ai đang trong quá trình ôn luyện phỏng vấn coding lẫn những người muốn củng cố lại tư duy lập trình căn bản một cách hệ thống.

Nếu muốn xây nền tảng toán cho AI, Machine Learning hay Computer Vision thì mình thấy rất đáng. Link sách

Một vài chủ đề nổi bật trong sách:

- Vector Spaces, Linear Maps, Matrix Theory
- Gaussian Elimination, LU, QR, Cholesky
- Eigenvalues, Eigenvectors, Spectral Theorem
- Singular Value Decomposition (SVD) và PCA
- Differential Calculus và Optimization
- Convex Optimization, Gradient Descent, Newton Method
- Kernel Methods, Support Vector Machine (SVM)
- Ridge Regression, Lasso, Elastic Net
- Affine Geometry, Projective Geometry
- Tensor Algebra, Hilbert Space

Nếu đang luyện thuật toán để thi ICPC, giải các bài trên LeetCode hoặc chuẩn bị cho các vòng phỏng vấn kỹ thuật, mình nghĩ Competitive Programming in Python là một cuốn sách đáng đọc.

Điểm mình thích là tác giả dùng Python để giải thích thuật toán nên rất dễ theo dõi, tập trung vào tư duy thay vì cú pháp. Sách bao quát từ các thuật toán kinh điển như Dijkstra, KMP đến Fenwick Tree và nhiều chủ đề nâng cao khác, kèm theo bài tập trên SPOJ và Kattis để thực hành ngay.

Đây không phải cuốn dành cho người mới, nhưng nếu đã có nền tảng lập trình và muốn nâng cao kỹ năng giải thuật thì rất đáng để tham khảo.

Cuốn sách Docker in practice

Đưa container lên Production luôn là một bước tiến lớn đi kèm nhiều rủi ro về bảo mật, hiệu năng và khả năng mở rộng. Nếu bạn đang chuẩn bị vận hành hệ thống thực tế thì những kinh nghiệm từ cuốn sách này sẽ giúp tránh được vô số "cạm bẫy".