{count, plural, one {Khóa học} other {Khóa học}}
Tìm hiểu Machine Learning
{hours} giờ
312K
Dù bạn là một nhà khoa học dữ liệu tương lai hay chỉ đơn giản là người quan tâm đến những tiến bộ mới nhất trong trí tuệ nhân tạo, hẳn bạn đã nghe các thuật ngữ như học máy và học sâu. Nhưng chúng thực sự có nghĩa là gì? Và điểm khác nhau giữa chúng là gì? Trong bài viết này, chúng ta sẽ so sánh học máy và học sâu để xác định các điểm tương đồng, khác biệt, trường hợp sử dụng và lợi ích của hai lĩnh vực then chốt này.
Trí tuệ nhân tạo là gì?
Chúng tôi có một Hướng dẫn Khởi động Nhanh về AI cho Người mới bắt đầu trình bày chi tiết hơn chủ đề này. Tuy nhiên, như một phần giới thiệu ngắn, trí tuệ nhân tạo (AI) là một lĩnh vực của khoa học máy tính nhằm tạo ra các hệ thống thông minh có thể thực hiện những nhiệm vụ thường đòi hỏi mức độ thông minh như con người. Điều này có thể bao gồm những việc như hiểu ngôn ngữ tự nhiên, nhận dạng mẫu và đưa ra quyết định để giải các bài toán phức tạp.
Bạn có thể hình dung AI như một tập hợp công cụ giúp máy tính hành xử một cách thông minh và tự động hóa các tác vụ. Ứng dụng của trí tuệ nhân tạo bao gồm xe tự lái, hệ thống gợi ý và trợ lý giọng nói.
Như chúng ta sẽ thấy, các thuật ngữ như học máy và học sâu là những khía cạnh của lĩnh vực học máy rộng lớn hơn. Bạn có thể xem hướng dẫn riêng của chúng tôi về trí tuệ nhân tạo và học máy khác nhau thế nào để tìm hiểu sâu hơn về chủ đề này.
Học máy là gì?
Cũng như AI, chúng tôi có một hướng dẫn chuyên biệt về học máy là gì. Tóm lược lại, học máy (ML) là một cách để triển khai trí tuệ nhân tạo; về bản chất, nó là một nhánh chuyên biệt trong lĩnh vực AI rộng lớn, mà AI lại là một nhánh của khoa học máy tính.
Với học máy, chúng ta có thể phát triển các thuật toán có khả năng tự học mà không cần lập trình tường minh. Những thuật toán này bao gồm:
- Cây quyết định
- Naive Bayes
- Rừng ngẫu nhiên
- Máy vector hỗ trợ
- K-láng giềng gần nhất
- Phân cụm K-means
- Mô hình hỗn hợp Gaussian
- Mô hình Markov ẩn
Vậy máy tính tự học như thế nào?
Yếu tố then chốt là dữ liệu. Bạn cung cấp dữ liệu, được đặc trưng bởi các thuộc tính hay đặc trưng khác nhau, để các thuật toán phân tích và hiểu. Những thuật toán này tạo ra một biên quyết định dựa trên dữ liệu đã cho, cho phép chúng đưa ra dự đoán hoặc phân loại. Khi thuật toán đã xử lý và hiểu dữ liệu—về bản chất là tự huấn luyện—bạn có thể chuyển sang giai đoạn kiểm thử. Ở đây, bạn đưa các điểm dữ liệu mới vào và thuật toán sẽ trả về kết quả mà không cần lập trình thêm. Ví dụ:
Giả sử bạn muốn dự đoán giá nhà. Bạn có một bộ dữ liệu gồm thông tin về 1000 căn nhà, bao gồm giá và số phòng—đây là các đặc trưng của bạn. Nhiệm vụ của bạn là đưa các đặc trưng này vào một thuật toán, chẳng hạn như cây quyết định, để giúp nó học mối quan hệ giữa số phòng và giá nhà.
Trong tình huống này, bạn nhập số phòng và thuật toán dự đoán giá nhà. Ví dụ, trong giai đoạn kiểm thử, nếu bạn nhập ‘ba’ cho số phòng, thuật toán nên dự đoán chính xác mức giá tương ứng của căn nhà, sau khi đã học được mối liên hệ giữa số phòng và giá nhà trong dữ liệu huấn luyện.
Học sâu là gì?
Học sâu là một phân nhánh của học máy tập trung vào việc cấu trúc quá trình học cho máy tính để chúng có thể nhận dạng mẫu và đưa ra quyết định, tương tự con người. Chẳng hạn, nếu chúng ta dạy máy tính phân biệt các loài động vật khác nhau, ta bắt đầu từ các khái niệm đơn giản, nền tảng như số lượng chân và dần giới thiệu các khái niệm phức tạp hơn như môi trường sống và hành vi.
Trong lĩnh vực học máy, học sâu nổi bật nhờ sử dụng mạng nơ-ron với ba lớp trở lên. Những mạng nơ-ron nhiều lớp này cố gắng mô phỏng các khuôn mẫu học tập của não bộ con người, giúp máy tính phân tích và học từ những khối dữ liệu khổng lồ. Một mạng một lớp có thể đưa ra dự đoán sơ sài, nhưng khi bổ sung thêm nhiều lớp, mạng trở nên có khả năng hiểu các mẫu và mối quan hệ tinh vi, từ đó nâng cao độ chính xác dự đoán.
Về cơ bản, học sâu giống như một bộ lọc tinh vi, nhiều tầng. Ta đưa dữ liệu thô, chưa có cấu trúc vào phía trên, và nó đi qua nhiều lớp của mạng nơ-ron, được tinh luyện và phân tích ở mỗi tầng. Cuối cùng, thứ đi ra ở phía dưới là một thông tin mạch lạc, có cấu trúc hoặc một ‘dự đoán’ chính xác.
Quy trình này vượt trội trong việc giải mã dữ liệu có nhiều mức độ trừu tượng, khiến nó trở nên không thể thiếu cho các tác vụ như nhận dạng hình ảnh và giọng nói, xử lý ngôn ngữ tự nhiên và xây dựng chiến lược trò chơi. Nó là nền tảng của nhiều đổi mới, từ trợ lý ảo trên điện thoại đến phát triển xe tự hành.
Như bạn thấy trong hình trên, mạng nơ-ron nông này có một số lớp:
- Lớp đầu vào. Đầu vào có thể là các điểm ảnh của một bức ảnh hoặc một dải dữ liệu chuỗi thời gian.
- Lớp ẩn. Thường được gọi là trọng số, được học trong quá trình huấn luyện mạng nơ-ron
- Lớp đầu ra. Lớp cuối cùng đưa ra dự đoán cho đầu vào bạn đưa vào mạng.
Vì vậy, mạng nơ-ron là một hàm xấp xỉ trong đó mạng cố gắng học các tham số (trọng số) ở các lớp ẩn, khi nhân với đầu vào sẽ cho ra đầu ra dự đoán gần với đầu ra mong muốn.
Học sâu là việc xếp chồng nhiều lớp ẩn như vậy giữa lớp đầu vào và lớp đầu ra, vì thế mới có tên là học “sâu”.
Học sâu vs Học máy: Những điểm tương đồng và khác biệt chính
Cơ chế hoạt động
Như đã nêu, học sâu là một phân nhóm chuyên biệt của học máy, sử dụng các mạng nơ-ron nhân tạo nhiều lớp để phân tích dữ liệu và đưa ra quyết định thông minh. Nó đi sâu hơn vào phân tích dữ liệu, do đó có chữ "sâu", cho phép có những hiểu biết tinh tế và phức tạp hơn. Ngược lại, học máy, bao quát cả học sâu, tập trung vào phát triển các thuật toán có khả năng học từ dữ liệu và đưa ra dự đoán hoặc quyết định dựa trên dữ liệu, sử dụng nhiều phương pháp khác nhau, bao gồm nhưng không giới hạn ở mạng nơ-ron.
Trích xuất đặc trưng
Học sâu tự động trích xuất các đặc trưng có ý nghĩa từ dữ liệu thô. “Đặc trưng” trong ngữ cảnh này là một thuộc tính hoặc đặc điểm có thể đo lường của hiện tượng đang được quan sát. Học sâu không phụ thuộc vào các phương pháp trích xuất đặc trưng lập trình thủ công, như local binary patterns hay histograms of gradients, là những cách được định nghĩa trước để tóm tắt dữ liệu thô. Thay vào đó, nó học các đặc trưng hữu ích nhất để hoàn thành nhiệm vụ, bắt đầu từ các đặc trưng đơn giản và dần học những biểu diễn phức tạp hơn. Ngược lại, học máy truyền thống thường dựa vào các đặc trưng thủ công và cần kỹ thuật hóa cẩn thận để đạt hiệu năng tối ưu.
Phụ thuộc dữ liệu
Các mô hình học sâu “háu dữ liệu”; chúng hoạt động tốt hơn khi có nhiều dữ liệu dồi dào. Ngược lại, nhiều thuật toán học máy có thể cho kết quả chấp nhận được ngay cả với những bộ dữ liệu nhỏ. Điều này rất quan trọng để các nhà khoa học dữ liệu tương lai cân nhắc khi lựa chọn phương pháp, đặc biệt khi bị giới hạn về khả dụng dữ liệu.
Từ hình trên, bạn có thể thấy khi dữ liệu tăng, hiệu năng của các thuật toán học sâu tăng vượt so với thuật toán học máy truyền thống, trong khi hiệu năng của học máy truyền thống gần như bão hòa sau một thời gian kể cả khi tăng thêm dữ liệu.
Năng lực tính toán
Học sâu đòi hỏi năng lực tính toán tiên tiến, thường do các Bộ xử lý đồ họa (GPU) cung cấp, vì lượng dữ liệu lớn và độ sâu (số lớp trong mạng nơ-ron). Các thuật toán học máy truyền thống thường có thể chạy bằng Bộ xử lý trung tâm (CPU) tiêu chuẩn, khiến chúng dễ tiếp cận hơn với người mới trong khoa học dữ liệu.
Thời gian huấn luyện và suy luận
Huấn luyện một mạng học sâu có thể rất dài, thậm chí kéo dài hàng tháng. “Huấn luyện” là quá trình dạy mô hình đưa ra dự đoán chính xác bằng cách cho nó học từ dữ liệu. “Thời gian suy luận”, tức thời gian mô hình đưa ra dự đoán sau khi đã được huấn luyện, cũng có thể đáng kể trong học sâu do độ phức tạp của mô hình. Ngược lại, các thuật toán học máy truyền thống thường có thời gian huấn luyện nhanh hơn và thời gian suy luận đa dạng.
Kỹ thuật giải quyết vấn đề
Trong học máy, giải một bài toán thường là chia nhỏ thành các phần và áp dụng thuật toán cụ thể cho từng phần. Chẳng hạn, nhận dạng đối tượng trong ảnh có thể gồm việc tìm đối tượng trước rồi áp dụng thuật toán để nhận diện. Trong học sâu, mạng học để thực hiện cả hai tác vụ cùng lúc, tạo thành một giải pháp tích hợp và toàn diện hơn.
Ứng dụng trong ngành
Thuật toán học máy được triển khai rộng rãi trong nhiều ngành do khả năng diễn giải của chúng. Tuy nhiên, hiệu năng vượt trội của các mô hình học sâu trong một số tác vụ đôi khi bị lu mờ bởi tính “hộp đen”, khiến chúng kém phù hợp trong các tình huống đòi hỏi khả năng diễn giải mô hình, như y tế hoặc tài chính.
Đầu ra
Trong khi học máy thường cho đầu ra là các giá trị số, điểm số hoặc phân loại, học sâu có thể tạo ra nhiều dạng đầu ra đa dạng như văn bản và giọng nói, mang lại các giải pháp linh hoạt hơn trong các lĩnh vực như xử lý ngôn ngữ tự nhiên và nhận dạng giọng nói.
| Tiêu chí | Học máy (ML) | Học sâu (DL) |
|---|---|---|
| Cơ chế hoạt động | Tập trung phát triển các thuật toán có khả năng học từ dữ liệu và đưa ra dự đoán hoặc quyết định dựa trên dữ liệu. | Một phân nhóm chuyên biệt của ML sử dụng mạng nơ-ron nhân tạo nhiều lớp để phân tích dữ liệu và đưa ra quyết định thông minh. Đi sâu hơn vào phân tích dữ liệu. |
| Trích xuất đặc trưng | Thường dựa vào đặc trưng thủ công và cần kỹ thuật hóa cẩn thận để đạt hiệu năng tối ưu. | Tự động trích xuất các đặc trưng có ý nghĩa từ dữ liệu thô, dần học các đặc trưng hữu ích nhất cho nhiệm vụ. |
| Phụ thuộc dữ liệu | Có thể cho kết quả chấp nhận được ngay cả với bộ dữ liệu nhỏ. | Cần lượng dữ liệu dồi dào và hoạt động tốt hơn khi có các bộ dữ liệu lớn. |
| Năng lực tính toán | Thường có thể chạy bằng CPU tiêu chuẩn. | Yêu cầu năng lực tính toán tiên tiến, thường do GPU cung cấp. |
| Thời gian huấn luyện và suy luận | Thường có thời gian huấn luyện nhanh hơn và thời gian suy luận đa dạng. | Huấn luyện có thể kéo dài hàng tháng, và thời gian suy luận cũng đáng kể do độ phức tạp của mô hình. |
| Kỹ thuật giải quyết vấn đề | Giải bài toán bằng cách chia nhỏ và áp dụng thuật toán cụ thể cho từng phần. | Mạng học để thực hiện các tác vụ cùng nhau, mang lại giải pháp tích hợp và toàn diện hơn. |
| Ứng dụng trong ngành | Được triển khai rộng rãi nhờ khả năng diễn giải. Phù hợp khi tính diễn giải của mô hình là then chốt. | Hiệu năng vượt trội ở một số tác vụ nhưng kém phù hợp khi tính diễn giải là then chốt do bản chất “hộp đen”. |
| Đầu ra | Thường cho đầu ra là giá trị số, điểm số hoặc phân loại. | Có thể tạo ra nhiều dạng đầu ra, bao gồm văn bản và giọng nói. |
Học máy vs Học sâu: Trường hợp sử dụng tối ưu
Học máy và học sâu là trụ cột cho vô số ứng dụng trong các lĩnh vực đa dạng, mỗi lĩnh vực có yêu cầu và thách thức riêng. Dưới đây là phần khám phá chi tiết hơn về thời điểm dùng mỗi phương pháp, minh họa bằng ví dụ:
1. Lĩnh vực y tế
- Trường hợp sử dụng. Phát hiện tế bào ung thư, khôi phục ảnh MRI não, và in gene.
- Lựa chọn. Cả học máy và học sâu.
- Lý do. Học máy phù hợp để phân tích dữ liệu có cấu trúc và có thể dùng để dự đoán trong chẩn đoán dựa trên hồ sơ bệnh nhân. Học sâu vượt trội trong nhận dạng hình ảnh và giọng nói, lý tưởng để diễn giải ảnh y khoa và phân tích mẫu lời nói của bệnh nhân cho đánh giá thần kinh.
2. Phân tích tài liệu
- Trường hợp sử dụng. Nâng cao độ phân giải ảnh tài liệu lịch sử và phân đoạn văn bản trong ảnh tài liệu.
- Lựa chọn. Học sâu.
- Lý do. Các mô hình học sâu, đặc biệt là Mạng Nơ-ron Tích chập (CNN), rất giỏi xử lý dữ liệu hình ảnh và có thể trích xuất các mẫu và đặc trưng tinh vi từ tài liệu lịch sử, phù hợp cho các tác vụ như siêu phân giải ảnh và phân đoạn văn bản.
3. Ngành ngân hàng
- Trường hợp sử dụng. Dự đoán cổ phiếu và ra quyết định tài chính.
- Lựa chọn. Học máy.
- Lý do. Các mô hình học máy như hồi quy và cây quyết định hiệu quả trong phân tích dữ liệu số, có cấu trúc, phù hợp để dự đoán giá cổ phiếu và hỗ trợ quy trình ra quyết định tài chính.
4. Xử lý ngôn ngữ tự nhiên (NLP)
- Trường hợp sử dụng. Hệ thống gợi ý (như Netflix gợi ý phim dựa trên sở thích người dùng), phân tích cảm xúc và gắn thẻ ảnh.
- Lựa chọn. Cả học máy và học sâu.
- Lý do. Học máy hiệu quả trong phân tích hành vi và sở thích người dùng cho hệ thống gợi ý, trong khi học sâu mạnh trong việc hiểu và tạo ngôn ngữ tự nhiên cho các tác vụ như phân tích cảm xúc.
5. Truy xuất thông tin
- Trường hợp sử dụng. Công cụ tìm kiếm, cả tìm kiếm văn bản và hình ảnh như Google, Amazon, Facebook, LinkedIn, v.v.
- Lựa chọn. Cả học máy và học sâu.
- Lý do. Thuật toán học máy có thể xử lý và truy vấn hiệu quả trong công cụ tìm kiếm, trong khi các mô hình học sâu, đặc biệt là CNN, giỏi nhận dạng và phân tích hình ảnh, tăng cường năng lực tìm kiếm hình ảnh cho công cụ tìm kiếm.
Tiêu chí quyết định:
Khi quyết định dùng Học máy hay Học sâu, hãy cân nhắc các khía cạnh sau:
- Khả dụng dữ liệu. Học sâu cần lượng dữ liệu rất lớn; nếu bộ dữ liệu của bạn nhỏ, học máy có thể phù hợp hơn.
- Năng lực tính toán. Mô hình học sâu đòi hỏi năng lực tính toán cao, thường do GPU cung cấp. Nếu tài nguyên hạn chế, mô hình học máy có thể chạy trên CPU sẽ khả thi hơn.
- Độ phức tạp của nhiệm vụ. Với các tác vụ đơn giản và dữ liệu có cấu trúc, mô hình học máy thường là đủ. Với các tác vụ phức tạp liên quan đến dữ liệu phi cấu trúc như hình ảnh hoặc ngôn ngữ tự nhiên, học sâu phù hợp hơn.
- Tính diễn giải. Trong các bối cảnh cần hiểu quy trình ra quyết định của mô hình, khả năng diễn giải của học máy cho thấy ưu thế so với bản chất “hộp đen” của học sâu.
Bằng cách hiểu điểm mạnh và hạn chế của học máy và học sâu trong các kịch bản khác nhau, những người theo đuổi khoa học dữ liệu có thể đưa ra quyết định sáng suốt về cách tiếp cận phù hợp nhất với nhu cầu và ràng buộc cụ thể của mình.
Kết luận
Trong hướng dẫn này, chúng ta đã khám phá bức tranh phức hợp của học máy (ML) và học sâu (DL), hai phân nhánh then chốt của trí tuệ nhân tạo (AI). Chúng ta đã tìm hiểu các khái niệm nền tảng, đặc điểm khác biệt và vô số ứng dụng của mỗi lĩnh vực trong thế giới công nghệ ngày nay. Từ việc hiểu sắc thái của các thuật toán đến xác định trường hợp sử dụng tối ưu trên nhiều lĩnh vực như y học và xử lý ngôn ngữ tự nhiên, chúng tôi nỗ lực mang lại sự rõ ràng và góc nhìn cho những người đam mê đang bước vào lĩnh vực AI.
Những gì trình bày ở đây chỉ là cái nhìn thoáng qua về thế giới AI rộng lớn và luôn tiến hóa. Hành trình học tập và khám phá còn rất dài, với vô số sắc thái và khía cạnh đang chờ bạn tìm hiểu. Với những ai mong muốn đi sâu và mở rộng kiến thức, lộ trình kỹ năng Deep Learning in Python của chúng tôi là bước tiếp theo rất đáng khuyến nghị.
