.png)
Tiến Sĩ
Giáo dục
CXO
Thạc sĩ Quản trị Kinh Doanh
Data Science
Học Máy & AI
Agentic AI
Quản trị
Du học
.svg)
.svg)
Chương trình Tiến sĩ dành cho chuyên gia AI
Chương trình Tiến sĩ dành cho chuyên gia AI
Tiến sĩ Công nghệ AI Ứng Dụng & Agentic AI
-
Loại chương trìnhTiến sĩ
-
Ngày khai giảngSeptember 30, 2026
-
Thời gian27 Tháng
.svg)
Tiến Sĩ Công nghệ AI Ứng Dụng & Agentic AI | ĐH Golden Gate
Vì sao chọn chương trình Tiến sĩ Công nghệ AI Ứng Dụng & Agentic AI?
6 điều thực sự quan trọng với một nhà lãnh đạo AI và cách chương trình này giải quyết đúng bài toán đó.
.png?width=48&height=48&name=OLET%203%20(1).png){kind=small}
Tập trung vào Agentic AI
Agentic AI được tích hợp xuyên suốt các môn học và nghiên cứu Tiến sĩ. Học viên sẽ đi sâu vào cách thiết kế, triển khai và quản lý các hệ thống AI tự chủ trong môi trường vận hành thực tế.
Kiểm định WASC
Đại học Golden Gate được WASC kiểm định từ năm 1959. Bằng cấp của trường cũng được WES công nhận, thuận lợi cho việc công nhận học thuật tại nhiều quốc gia.
.png?width=48&height=48&name=CSLS%204%20(1).png){kind=small}
Luận án giải quyết một bài toán thực tế
Học viên lựa chọn một bài toán AI thực tế từ chính doanh nghiệp mình để phát triển thành đề tài luận án. Kết quả nghiên cứu có thể công bố và ứng dụng ngay vào thực tiễn.
Học linh hoạt, không gián đoạn sự nghiệp
Một chương trình PhD truyền thống về AI thường kéo dài từ 5–7 năm với hình thức học toàn thời gian. Chương trình tiến sĩ công nghệ (DTech) này được thiết kế theo hình thức bán thời gian và 100% trực tuyến, phù hợp để theo học song song với công việc.
Xây dựng khung quản trị AI có thể áp dụng thực tế
Trong môn học AI Governance Practicum, học viên sẽ xây dựng một mô hình tuân thủ thực tế cho hệ thống Agentic AI, có thể triển khai ngay tại doanh nghiệp.
Chuyển hóa năng lực lãnh đạo thành di sản tri thức
Xuất bản luận án Tiến sĩ thành sách và lan tỏa giá trị nghiên cứu của bạn
Hiện thực hóa ý tưởng bằng cách xây dựng và thử nghiệm sản phẩm trên các nền tảng no-code
Bảo vệ tài sản trí tuệ với khả năng đăng ký và bảo hộ tại hơn 155 quốc gia
Kết nối với các quỹ đầu tư và nhà đầu tư
%201.png?width=48&height=48&name=icons%20(3)%201.png){kind=small}
Mở rộng cơ hội giảng dạy và nghiên cứu học thuật
Bổ sung chứng nhận về quản trị và cố vấn doanh nghiệp từ PwC
Chương trình đào tạo
69 Tổng số tín chỉ
27 Tháng
100% Trực tuyến
Trang bị nền tảng về lập trình, thống kê và toán học để hiểu cách các hệ thống AI học, khái quát hóa, tối ưu và đưa ra quyết định trong điều kiện không chắc chắn. Người học sử dụng Python, NumPy, Pandas, SciPy và các công cụ trực quan hóa để xử lý, phân tích dữ liệu; áp dụng thống kê mô tả, thống kê suy luận; mô hình hóa xác suất và suy luận Bayes; đồng thời nắm các khái niệm nền tảng về đại số tuyến tính, giải tích, tối ưu hóa, lý thuyết thông tin và lý thuyết học máy. Nội dung tập trung kết nối toán học với dữ liệu, mã nguồn, hành vi của mô hình cũng như các giả định và giới hạn của mô hình.
Phát triển tư duy tính toán và nền tảng thuật toán cho các hệ thống AI. Người học tìm hiểu về cấu trúc dữ liệu, độ phức tạp thuật toán, tìm kiếm, sắp xếp, quy hoạch động, thuật toán đồ thị, bài toán thỏa mãn ràng buộc, suy luận ký hiệu, lập kế hoạch và ra quyết định tuần tự. Các thuật toán kinh điển được kết nối với những ứng dụng như truy xuất thông tin, đề xuất, tạo nội dung có ràng buộc, định tuyến, lập kế hoạch và vòng lặp ra quyết định của Agent.
Phát triển năng lực cốt lõi về Machine Learning dự đoán. Người học học cách xác định bài toán kinh doanh và khoa học, xây dựng bộ dữ liệu đáng tin cậy, phát triển mô hình hồi quy và phân loại, thiết kế đặc trưng, so sánh các phương pháp thống kê và Machine Learning, đồng thời đánh giá khả năng khái quát hóa của mô hình. Nội dung chú trọng phòng tránh rò rỉ dữ liệu, xử lý dữ liệu mất cân bằng, hiệu chỉnh mô hình, đánh giá độ bất định, phân tích bias–variance, phân tích lỗi và chuyển giao mô hình để đưa vào vận hành ổn định.
Mở rộng nền tảng Machine Learning sang các hệ thống biểu diễn dữ liệu, đề xuất, phân tích theo thời gian, xác suất, suy luận nhân quả và ra quyết định tuần tự. Người học áp dụng các phương pháp như phân cụm, giảm chiều dữ liệu, phát hiện bất thường, hệ thống đề xuất, xếp hạng, dự báo chuỗi thời gian, suy luận nhân quả và nền tảng học tăng cường. Những kiến thức này là nền tảng cho TECH 501 và TECH 502.
Phát triển năng lực thiết kế, huấn luyện và đánh giá các hệ thống mạng nơ-ron nâng cao, từ nền tảng mạng nơ-ron, lan truyền ngược, tối ưu hóa và regularization đến mạng tích chập, mô hình chuỗi, attention, transformer, học biểu diễn, học đa phương thức, mạng nơ-ron đồ thị, transfer learning và suy luận hiệu quả.
Tìm hiểu cách các mô hình nền tảng và hệ thống Generative AI hiện đại được thiết kế, huấn luyện, căn chỉnh, tùy biến và đánh giá. Nội dung bao gồm tokenization, embeddings, kiến trúc bên trong của transformer, pre-training, scaling laws, kiến trúc mixture-of-experts, context window, instruction tuning, fine-tuning, PEFT, tối ưu hóa theo sở thích, mô hình đa phương thức, hệ thống suy luận và test-time compute.
Phát triển năng lực thiết kế các hệ thống Agentic AI và hệ thống AI-native đáng tin cậy, bao gồm thiết kế môi trường vận hành cho Agent, lập kế hoạch, sử dụng công cụ, đầu ra có cấu trúc, bộ nhớ, cơ chế tự phản hồi, điều phối quy trình, giám sát của con người, phối hợp giữa nhiều Agent, khả năng tương tác giữa các hệ thống, kiểm thử trong môi trường không xác định, khả năng bảo trì và kiểm soát mức độ tự chủ.
Phát triển nền tảng hạ tầng dữ liệu phục vụ Machine Learning, Deep Learning, mô hình nền tảng, hệ thống truy xuất và Agent, bao gồm pipeline dữ liệu batch, phân tán, streaming, feature, dữ liệu huấn luyện, truy xuất, RAG, knowledge graph và bộ nhớ. Nội dung chú trọng chất lượng và nguồn gốc dữ liệu, gắn nhãn, dữ liệu tổng hợp, kiểm soát dữ liệu nhiễm bẩn, metadata, lineage, quyền riêng tư và quản trị dữ liệu.
Phát triển năng lực huấn luyện, triển khai, mở rộng, bảo mật, giám sát và vận hành hệ thống AI trong thực tế, bao gồm huấn luyện phân tán, hệ thống GPU và bộ tăng tốc, model serving, suy luận hiệu năng cao, container, orchestration, MLOps, LLMOps, observability, độ tin cậy, bảo mật, tối ưu chi phí, hoạch định năng lực và quản trị.
Khám phá những lĩnh vực AI mới nổi thông qua các chuyên đề được cập nhật theo từng chủ đề, gồm AI chủ quyền, Edge AI & TinyML, Causal AI, Federated Learning, Quantum AI và quản trị AI có trách nhiệm – từ quy định, kiểm toán thuật toán đến mở rộng AI một cách có trách nhiệm.
Chuẩn bị cho quá trình chuyển tiếp lên bậc nghiên cứu Tiến sĩ thông qua đọc tài liệu học thuật, phân tích và tổng hợp nghiên cứu, trình bày học thuật, xác định vấn đề nghiên cứu có ý nghĩa, làm rõ khoảng trống về tri thức hoặc thực tiễn, xây dựng khung đóng góp nghiên cứu và xem xét các yếu tố về đạo đức, quản trị, bảo mật và tác động của AI. Học phần kết thúc bằng một buổi hội thảo chuyên đề nghiên cứu Tiến sĩ.
Kỳ thi tổng hợp nhằm đánh giá năng lực nắm vững phương pháp nghiên cứu và phân tích ở bậc Tiến sĩ trên toàn bộ lộ trình học tập.
Giới thiệu các phương pháp nghiên cứu ở bậc Tiến sĩ, bao gồm thiết kế nghiên cứu, phương pháp định tính, định lượng và hỗn hợp, tổng hợp tài liệu, phân tích dữ liệu và đạo đức nghiên cứu.
Phát triển năng lực phân tích dữ liệu ở cấp độ Tiến sĩ, bao gồm suy luận thống kê, phân tích mức độ ảnh hưởng, định lượng độ bất định, phân tích benchmark, kiểm chứng khả năng tái lập, phân tích chủ đề, Grounded Theory, nghiên cứu tình huống, phỏng vấn chuyên gia, phân tích diễn ngôn và phương pháp nghiên cứu hỗn hợp. Nội dung cũng tập trung vào các phương pháp đánh giá AI như LLM-as-a-Judge, đánh giá bởi con người, các chỉ số tự động và Red Teaming.
Hướng dẫn xây dựng Đề xuất Đề tài Luận án, bao gồm vấn đề và ý nghĩa nghiên cứu, tổng hợp tài liệu, khoảng trống nghiên cứu, câu hỏi nghiên cứu, phương pháp dự kiến và đánh giá ban đầu về đạo đức, quản trị.
Phát triển Đề xuất Đề tài thành Đề cương Luận án Ứng dụng hoàn chỉnh, bao gồm vấn đề nghiên cứu, nền tảng tài liệu, khung lý thuyết, phương pháp, nguồn dữ liệu, các yếu tố về đạo đức và quản trị, phương pháp phân tích và đóng góp dự kiến. Bảo vệ thành công sẽ chính thức xác lập tư cách nghiên cứu sinh Tiến sĩ.
Thực hiện và hoàn thành nghiên cứu Tiến sĩ dưới hình thức Luận án Ứng dụng, bao gồm triển khai nghiên cứu đã được phê duyệt, phân tích kết quả, xây dựng và đánh giá giải pháp ứng dụng, hoàn thiện luận án, nộp bản cuối cùng và bảo vệ công khai.
Dự án thực hành
Mỗi dự án tập trung vào một năng lực cốt lõi phía sau các hệ thống AI hiện đại, từ những nguyên lý nền tảng đến khi tạo ra một sản phẩm có thể hoạt động thực tế.
Xây dựng mô hình ngôn ngữ lớn thu gọn để dự đoán từ tiếp theo
Kiến thức nền tảng
Mọi mô hình ngôn ngữ lớn đều thực hiện một nhiệm vụ cốt lõi: dự đoán từ tiếp theo. Người học sẽ tự xây dựng mô hình từ đầu, chuyển văn bản thành mô hình xác suất, tạo câu và đánh giá kết quả bằng perplexity – chỉ số cũng được sử dụng để đánh giá các mô hình ngôn ngữ trong thực tế. Dự án bắt đầu từ những nguyên lý nền tảng, thay vì chỉ gọi API có sẵn.
Xây dựng cơ chế Attention
Nền tảng mạng nơ-ron
Attention là cơ chế cốt lõi đứng sau các mô hình ngôn ngữ lớn hiện nay như ChatGPT, Claude và Gemini. Người học sẽ tự xây dựng cơ chế này và quan sát cách mô hình học được mối liên hệ giữa các từ trong một câu – chẳng hạn hiểu rằng “it” đang đề cập đến “the animal” trong câu “the animal didn't cross the street because it was tired.” Qua đó, người học hiểu được một trong những cơ chế quan trọng nhất của AI hiện đại từ nền tảng.
Xây dựng phương pháp suy luận được sử dụng trong DeepSeek-R1 và OpenAI o3
AI thế hệ mới
Các mô hình suy luận đạt được bước tiến lớn nhờ một cách tiếp cận đơn giản: cho mô hình thêm thời gian để suy nghĩ trước khi đưa ra câu trả lời. Người học sẽ áp dụng phương pháp này để cải thiện hiệu quả của mô hình mà không cần huấn luyện lại từ đầu. Đây cũng là một trong những phương pháp đang được sử dụng để phát triển các mô hình AI có khả năng suy luận hiện nay.
Xây dựng hệ thống Multi-Agent có khả năng tự hoàn thành nhiệm vụ
Hệ thống AI tự chủ
Các hệ thống Agent được thiết kế để tự hoàn thành một nhiệm vụ, thay vì chỉ trả lời câu hỏi. Người học sẽ xây dựng kiến trúc gồm nhiều Agent: một Agent quản lý lên kế hoạch, các Agent thực thi từng phần công việc và một Agent kiểm tra kết quả. Hệ thống có thể tự xử lý một nhiệm vụ gồm nhiều bước từ đầu đến cuối mà không cần con người can thiệp.
Fine-tune mô hình ngôn ngữ lớn với LoRA
Ứng dụng thực tế
Học viên sử dụng Low-Rank Adaptation (LoRA) để tinh chỉnh một mô hình mã nguồn mở trên một GPU phổ thông, giúp mô hình có thêm một phong cách hoặc kỹ năng mới. Đây cũng là phương pháp được các công ty AI ở giai đoạn đầu sử dụng để phát triển mô hình riêng mà không phải chịu chi phí huấn luyện lại toàn bộ. Kết quả là một mô hình có thể vận hành trong môi trường thực tế.
Bạn sẽ học từ những ai?
6
Giảng viên
Brent White
Cử nhân Chính sách Công, Duke University – tốt nghiệp hạng xuất sắc
Brent White là Hiệu trưởng thứ 8 của Golden Gate University, với nhiều kinh nghiệm trong đổi mới giáo dục quốc tế và nghiên cứu pháp luật. Trước đó, ông giữ vị trí Giám đốc phụ trách chiến lược toàn cầu tại University of Hawaiʻi ở Mānoa, đồng thời từng là Phó Chủ tịch phụ trách Học thuật tại GGU. Trong thời gian làm Phó Chủ tịch phụ trách Đối ngoại và Trưởng khoa Giáo dục Toàn cầu tại University of Arizona, ông đã dẫn dắt việc xây dựng 13 cơ sở đào tạo vệ tinh tại 9 quốc gia. Các nghiên cứu của ông về pháp luật và phát triển, cũng như luật tài sản, từng được đăng tải trên The New York Times, The Wall Street Journal, NPR và 60 Minutes.
TS. Edward Roekaert
Tiến sĩ, Quản trị Khách sạn và Du lịch, The Hong Kong Polytechnic University
TS. Edward Roekaert hiện là Phó Chủ tịch Điều hành kiêm Phó Chủ tịch phụ trách học thuật của Golden Gate University, phụ trách định hướng học thuật trong quá trình GGU phát triển mô hình giáo dục toàn cầu, tập trung vào AI, bao gồm mở rộng các chương trình trực tuyến và xây dựng các trường đào tạo về công nghệ mới nổi. Ông có hơn 10 năm kinh nghiệm lãnh đạo trong giáo dục đại học. Trước đó, ông từng giữ vị trí Hiệu trưởng kiêm CEO tại Universidad Peruana de Ciencias Aplicadas (UPC), nơi ông thúc đẩy tăng trưởng bền vững về số lượng tuyển sinh và hoạt động nghiên cứu. Hiện ông là Uỷ viên tại WASC Senior College and University Commission và thành viên hội đồng quản trị của NAFSA. Năm 2025, ông được Chính phủ Peru trao tặng Huân chương Cành cọ Sư phạm vì những đóng góp cho giáo dục đại học.
Mohammad Akbari
Tiến sĩ Khoa học Máy tính, National University of Singapore
Mohammad Akbari là AI architect và là nhà sáng lập, với hơn 20 năm kinh nghiệm trong lĩnh vực kỹ thuật phần mềm và hơn 15 năm chuyên sâu về AI, Machine Learning và Data Science. Ông hiện là Giáo sư Thỉnh giảng tại Golden Gate University và nhà sáng lập Novacortex Labs, công ty tư vấn AI chuyên về LLM/RAG, AI Agent và MLOps. Trước đây, ông giữ vị trí Giám đốc Khoa học tại Deep Medical, nơi các hệ thống AI do ông phát triển giúp giảm hơn 20% số ca bệnh nhân không đến lịch hẹn tại NHS. Ông đồng thời là Trợ lý Giáo sư tại Amirkabir University of Technology. Nền tảng nghiên cứu của ông còn bao gồm thời gian làm việc tại UCL, NYU Center for Data Science và SAP.
TS. Jose Canelon
Tiến sĩ Kỹ thuật Điện và Máy tính, University of Houston
Jose Canelon là giảng viên, chuyên gia tư vấn và nhà nghiên cứu với hơn 30 năm kinh nghiệm ứng dụng Machine Learning, Deep Learning và Data Science vào hệ thống điều khiển và tối ưu hóa quy trình công nghiệp. Ông là Giáo sư Danh dự tại Universidad del Zulia, nơi ông có hơn 30 năm giảng dạy và phụ trách chương trình sau đại học về Kỹ thuật Điều khiển Quy trình. Trước đó, ông từng giảng dạy tại University of Houston. Hiện ông giảng dạy các học phần về AI tại UTN (Argentina) và là cố vấn nghiên cứu cho University of Chicago.
TS. Ella Burju Keskin
Tiến sĩ Giáo dục Công nghệ Máy tính và Giảng dạy, Istanbul Technical University
TS. Ella Burju Keskin là giảng viên của các buổi học trực tiếp (Live Session Faculty) của chương trình Tiến sĩ Công nghệ về Agentic AI, kết nối nghiên cứu AI với ứng dụng thực tế trong kinh doanh. Bà có hơn 20 năm kinh nghiệm lãnh đạo quốc tế, từng đảm nhiệm các vị trí tại AWS, Office Depot Scandinavia và Procter & Gamble, đồng thời sáng lập GlobalEnglish. Chuyên môn của bà tập trung vào chiến lược Generative AI, đào tạo lãnh đạo và chuyển đổi giữa con người và AI.
.jpeg)
TS. Peter D. Finn
Tiến sĩ, National University of Singapore
Peter D. Finn là nhà sáng lập và Kiến trúc sư Hệ thống AI, với 30 năm kinh nghiệm trong lĩnh vực CNTT, từ kỹ thuật hệ thống, hệ thống phân tán, phần mềm bảo mật đến Machine Learning và Generative AI. Ông hiện là Đồng Chủ tịch phụ trách Công nghệ mới nổi và Lãnh đạo số tại Golden Gate University, đồng thời giảng dạy tại Tsinghua Southeast Asia Center và tham gia phát triển chương trình đào tạo về AI, an ninh mạng và Web3 cho Vertical Institute. Ông là nhà sáng lập nền tảng AI phân tán InferNode và CEO kiêm Đồng sáng lập Synectify.
Giá trị thực sự của học vị Tiến sĩ Công nghệ AI & Agentic AI
Giá trị của bằng Tiến sĩ Công nghệ Agentic AI được tạo nên từ sự kết hợp giữa kiểm định, vị thế của trường và lợi thế từ môi trường đào tạo. Mỗi yếu tố đều mang lại những giá trị cụ thể cho người học trong thực tế.
.svg){kind=small}
Kiểm định khu vực WASC
Đại học Golden Gate đạt kiểm định vùng WASC từ năm 1959. Bằng cấp được WES công nhận, giúp việc thẩm định và công nhận giá trị học thuật trở nên thuận lợi tại nhiều quốc gia.
.svg){kind=small}
Công nhận bởi WES
Đối với các chuyên gia quốc tế, sự công nhận từ WES giúp đơn giản hóa quy trình thẩm định bằng cấp khi làm thủ tục định cư hay xin cấp chứng chỉ hành nghề.
.svg){kind=small}
Hệ sinh thái AI tại San Francisco
Đại học Golden Gate đặt trụ sở ngay tại San Francisco. Đội ngũ giảng viên là những chuyên gia đang trực tiếp làm việc tại các công ty AI hàng đầu khu vực Bay Area. Vị trí địa lý này không phải ngẫu nhiên, mà chính là một phần khẳng định giá trị của học vị.
.svg){kind=small}
Giảng viên giàu kinh nghiệm thực tiễn
Đại học Golden Gate chú trọng đội ngũ giảng viên đang trực tiếp làm việc trong ngành. Nội dung giảng dạy gắn với quản trị và các hệ thống AI đang được triển khai trong thực tế.
.svg){kind=small}
Cơ hội công bố nghiên cứu
Học viên chương trình Tiến sĩ Công nghệ AI được hỗ trợ đồng tác giả cùng giảng viên trong các nghiên cứu về AI ứng dụng, hướng tới công bố trên các ấn phẩm như IEEE Transactions on Artificial Intelligence, AI & Society và Harvard Business Review.
What the Credential Carries
The DTech's authority comes from a specific combination of accreditation, institutional standing, and location. Here's what each piece means in practice.
WASC Regional Accreditation
GGU has been WASC-accredited since 1959, the same body that accredits Stanford and Berkeley. That's the standard that unlocks employer reimbursement, credit transferability, and doctoral hiring eligibility globally.
WES Recognition
For professionals worldwide, WES recognition smooths degree evaluation for employment, immigration, and professional licensing.
San Francisco AI Ecosystem
GGU is based in San Francisco. Faculty include practitioners working at Bay Area AI companies. The location isn't incidental, it's part of what the credential signals.
Practitioner Faculty
GGU emphasises faculty who work in industry. Instruction is grounded in deployment, governance, and real AI systems, not just research labs.
Publication Pathway
DTech students have access to co-authorship support with faculty for applied AI research. Target journals include IEEE Transactions on AI, AI & Society, and Harvard Business Review AI. Published work is the most durable form of credentialling.
Hear from our learners
Get hands-on and rigorous mentorship from acclaimed industry practitioners.
“I enrolled in upGrad's MBA program in with high hopes for advancing my careers”
“I enrolled in upGrad's MBA program in with high hopes for advancing my careers”
“I enrolled in upGrad's MBA program in with high hopes for advancing my careers”
How to Apply?
There are 4 simple steps in the Admission Process which are detailed below:
.png)
Eligibility
Master's degree in any field or a Bachelor’s degree and a minimum of 5 years of work experience.
Complete the Application
Fill in details of your education, work-experience and submit your Statement of Purpose (SOP)
01
Application Review
Admission panel reviews the SOP and candidate profile to assess fitment
02
%20(1).png?width=60&height=60&name=Document%20Submission%20(1)%20(1).png)
Receive the Offer Letter
Shortlisted candidates are sent the Offer Letter
03
Reserve your Seat
Pay a block amount to reserve your seat, pay the balance amount subsequently.
04
Global Immersion Program
The two immersive programs facilitate student engagement with industry stalwarts in prominent global innovation centers, fostering experiential learning and expansive networking opportunities.
Proposal Defense
Singapore
Final Dissertation
San Francisco
Điều kiện & Quy trình tuyển sinh
Quy trình tuyển sinh gồm 4 bước đơn giản:
Điều kiện tuyển sinh
Ứng viên cần có bằng Thạc sĩ, hoặc bằng Cử nhân từ một cơ sở đào tạo được kiểm định cấp vùng hoặc tương đương, kèm theo từ 5 năm kinh nghiệm làm việc. Kinh nghiệm trong các lĩnh vực STEM là một lợi thế nhưng không bắt buộc.
Nộp hồ sơ
Điền thông tin về học vấn, kinh nghiệm làm việc và gửi Bài luận về mục tiêu học tập và nghề nghiệp (SOP).
01
Xét duyệt hồ sơ
Hội đồng tuyển sinh xem xét SOP và hồ sơ ứng viên để đánh giá mức độ phù hợp với chương trình.
02
Nhận thư mời nhập học
Ứng viên được lựa chọn sẽ nhận thư mời nhập học.
03
Giữ chỗ
Thanh toán khoản phí giữ chỗ, phần học phí còn lại được thanh toán theo kế hoạch đã chọn.
04
Đội ngũ hỗ trợ học viên
Sẵn sàng từ 9H - 21H mọi ngày trong tuần, múi giờ ICT
Phone Number
Mail us
*Tất cả các cuộc gọi có thể được ghi âm nhằm mục đích đào tạo và nâng cao chất lượng dịch vụ.
Khi tiếp tục, bạn đồng ý nhận thông tin tư vấn về chương trình này cùng các chương trình đào tạo phù hợp khác từ Golden Gate University và upGrad (hoặc các đơn vị liên kết).
Khi tiếp tục, bạn đồng ý nhận thông tin tư vấn về chương trình này cùng các chương trình đào tạo phù hợp khác từ Golden Gate University và upGrad (hoặc các đơn vị liên kết).
