So sánh khác biệt giữa Machine Learning và Deep Learning

Machine Learning và Deep Learning: Phân biệt cơ bản

Deep Learning là một tập hợp con của Machine Learning. Cụ thể hơn, mối quan hệ giữa chúng như sau:

• Trí tuệ nhân tạo (AI)
  • Machine Learning (ML)
    • Mạng nơ-ron (NN)
      • Deep Learning (DL)

Machine Learning sử dụng dữ liệu có cấu trúc và được gắn nhãn để đưa ra dự đoán.

Ví dụ:

Xây dựng một mô hình để xác định xem có nên đặt pizza cho bữa tối hay không dựa trên ba yếu tố đầu vào:

• X1: Tiết kiệm thời gian? (Có = 1, Không = 0)
• X2: Giảm cân? (Có = 1, Không = 0)
• X3: Tiết kiệm tiền? (Có = 1, Không = 0)

Gán trọng số (W) cho mỗi yếu tố đầu vào để xác định mức độ quan trọng:

• W1: 5 (Trọng số cho X1)
• W2: 3 (Trọng số cho X2)
• W3: 2 (Trọng số cho X3)

Ngưỡng (Threshold) = 5

Tính toán đầu ra (y hat) bằng hàm kích hoạt:

y hat = (X1 * W1) + (X2 * W2) + (X3 * W3) - Threshold

Nếu y hat là số dương, quyết định đặt pizza.

Deep Learning là gì?

Deep Learning sử dụng mạng nơ-ron sâu, tức là mạng nơ-ron có nhiều hơn ba lớp (bao gồm cả lớp đầu vào và đầu ra).

So sánh Machine Learning và Deep Learning

Deep Learning và dữ liệu không có cấu trúc

Machine Learning cổ điển phụ thuộc nhiều vào sự can thiệp của con người để học hỏi. Các chuyên gia sẽ xác định các đặc trưng để phân biệt giữa các đầu vào dữ liệu.

Deep Learning không nhất thiết yêu cầu tập dữ liệu được gắn nhãn. Nó có thể tiếp nhận dữ liệu không có cấu trúc ở dạng thô, chẳng hạn như văn bản và hình ảnh, và tự động xác định các đặc trưng để phân biệt chúng.

Ví dụ:

Deep Learning có thể phân biệt pizza, burger và taco bằng cách quan sát các mẫu trong dữ liệu mà không cần sự can thiệp của con người.

Lan truyền ngược (Backpropagation)

Hầu hết các mạng nơ-ron sâu đều là feed-forward, tức là dữ liệu đi theo một hướng từ đầu vào đến đầu ra. Tuy nhiên, bạn cũng có thể huấn luyện mô hình thông qua lan truyền ngược (backpropagation), tức là dữ liệu di chuyển theo hướng ngược lại từ đầu ra đến đầu vào.

Lan truyền ngược cho phép tính toán và gán lỗi liên quan đến mỗi nơ-ron, từ đó điều chỉnh thuật toán một cách phù hợp.

Machine Learning và Deep Learning đều dựa trên mạng nơ-ron và là các lĩnh vực con của AI. Sự khác biệt chính giữa hai loại hình này là số lượng lớp trong mạng nơ-ron và việc có cần sự can thiệp của con người để gắn nhãn dữ liệu hay không.