Deep learning là gì? Phân biệt Deep Learning và Machine Learning

Deep Learning là gì? Mọi người thường sẽ hay bị nhầm lẫn giữa Deep Learning và Machine Learning mà không hề biết Deep Learning thật ra chỉ là một tập con của Machine Learning. Vậy nên ở bài viết này IAS sẽ đem đến các thông tin tổng hợp về Deep Learning là gì? và cách phân biệt chúng nhé.

1. Deep learning là gì?

[caption id="attachment_5611" align="aligncenter" width="600"] Deep learning là gì?[/caption] Deep Learning (học sâu) là tập hợp con của Machine Learning. Đây được xem là một thuật toán dựa trên các ý tưởng đến từ não bộ thông qua việc tiếp thu các tầng biểu đạt hay trừu tượng. Deep Learning có tác dụng hỗ trợ cho máy tính tự huấn luyện chính nó để có thể thực hiện mọi tác vụ tương tự con người. Giúp máy tính bắt chước con người cách học hỏi và suy nghĩ. Deep Learning có thể hỗ trợ cho việc dịch ngôn ngữ, phân loại hình ảnh, nhận dạng giọng,… Chúng có thể giải quyết mọi nhu cầu cần nhận dạng mẫu mà không cần đến sự can thiệp của con người. Trong thực tế, Deep Learning bao gồm nhiều lớp ẩn trong một mạng lưới thần kinh và thuộc lớp sau cùng. Việc đi qua nhiều số lượng lớp và mạng phức tạp được cho là độ sâu. Ngày nay, sự thay đổi lớn nhất trong học tập sâu là độ sâu của mạng lưới thần kinh đã phát triển từ một vài lớp đến hàng trăm trong số chúng. Độ sâu hơn có nghĩa là khả năng nhận dạng các mẫu lớn hơn, với nguồn thông tin lớn hơn giúp tăng khả năng tiếp nhận các đối tượng trở nên rộng hơn, chi tiết hơn.

2. Cách thức hoạt động của Deep Learning

Mạng nơ-ron nhân tạo trong Deep Learning được xây dựng để mô phỏng khả năng tư duy của bộ não con người bao gồm nhiều lớp layer khác nhau. Trong mỗi layer là các nút mạng (node) được liên kết với những lớp liền kề khác. Mỗi liên kết giữa các node sẽ có một trọng số tương ứng, trọng số càng cao thì ảnh hưởng của kết nối này đến mạng nơ-ron càng lớn. Mỗi nơ-ron sẽ có một hàm kích hoạt, dữ liệu được người dùng đưa vào mạng nơ-ron sẽ đi qua tất cả layer và trả về kết quả ở layer cuối cùng. Gọi là output layer. Xuất pháp từ phương pháp của học máy, Deep Learning cho phép huấn luyện một AI có thể dự đoán được các đầu ra dựa vào một tập các đầu vào. Phương pháp có giám sát và không giám sát đều có thể sử dụng để huấn luyện. Ví dụ: Dự đoán hành động của con mèo khi gặp con chuột và tiến hành huấn luyện chúng bằng phương pháp học có giám sát. Cách thức để dự đoán hành động của con mèo tại các đầu vào sẽ được thực hiện như sau:

• Bạn cần lựa chọn con mồi phù hợp.
• Lúc này: các bộ phận trên cơ thể của con mèo như mắt, móng vuốt, tai,.. của con mèo sẽ trở nên rất nhanh nhạy.
• Vị trí con chuột sẽ xuất hiện.

Xét về ví dụ trên đây ta có thể thấy, đối với những học máy thông thường bạn sẽ cần nhiều thời gian mới có thể thiết kế được các tính năng đại diện cho con mèo. Còn đối với Deep Learning, công việc cần làm là cung cấp một hệ thống số lượng hình ảnh, video con mèo bắt chuột thì hệ thống mới có thể tự học được các tính năng đại diện dành cho một con mèo.

3. Ưu nhược điểm của Deep Learning là gì?

3.1 Ưu điểm

• Các thuật toán được sử dụng trong Deep Learning được tối ưu tốt hơn nhờ sự bùng nổ của mạng Internet, khả năng phát triển mạnh mẽ từ khả năng tính toán của các thiết bị máy tính.
• Deep Learning có độ chính xác cao, đảm bảo cho các thiết bị điện tử tiêu dùng có thể đáp ứng được mọi nhu cầu mong đợi của người dùng.
• Cung cấp hệ thống gợi ý trên các nền tảng như: Facebook, amazon, netflix,… giúp tăng đáng kể tương tác của người dùng.
• Khả năng nhận diện hình ảnh tốt, có thể hiểu được nội dung và ngữ cảnh trong đó.
• Ưu tiên và chú trọng về độ an toàn đối với những mô hình xe “tự điều khiển”
• GPU có hiệu suất cao và kiến thức song song nên rất hiệu quả cho Deep Learning. Khi kết hợp với điện toán đám mây hoặc các cụm, Deep Learning cho phép nhóm phát triển có thể giảm tối đa thời gian đào tạo đối với mạng lưới học tập chỉ với vài tuần hoặc vài giờ.

3.2 Nhược điểm

Deep Learning luôn đòi hỏi một nguồn khủng các dữ liệu đầu vào để máy tính học hỏi. Quy trình này mất nhiều thời gian và sức mạnh xử lý mà chỉ có các Server chuyên nghiệp mới có thể làm được. Trường hợp không đủ dữ liệu đầu vào để xử lý, mọi thứ sẽ không thể diễn ra đúng như dự định của máy tính đưa ra. Deep Learning chưa thể nhận biết được những thứ phức tạp. Bởi, kỹ thuật của Deep Learning hiện chưa đảm bảo tốt để trí tuệ nhân tạo có thể rút ra những kết luận một cách logic.

4. Ứng dụng

Chúng ta sẽ tìm hiểu về những ứng dụng thân thiện, gần gũi với con người nhất để dễ hình dung hơn nhé.

• Phân tích cảm xúc

Lĩnh vực phân tích cảm xúc của con người được thực hiện thông qua việc xử lý ngôn ngữ tự nhiên, phân tích văn bản, thống kê. Các công ty thường ứng dụng Deep Learning để hiểu và phán đoán cảm xúc của khách hàng dựa trên những đánh giá, bình luận, tweet,… từ đó đưa ra những chiến lược kinh doanh và marketing phù hợp với từng nhóm đối tượng.

• Mạng xã hội

Phổ biến nhất ở đây chắc phải kể đến Twitter. Twitter phân tích một lượng lớn dữ liệu thông qua mạng nơ-ron nhân tạo để tìm hiểu về các tuỳ chọn của người dùng. Instagram cũng sử dụng Deep Learning để tránh các hành vi bạo lực trên không gian mạng, chặn các bình luận vi phạm, không phù hợp,… Facebook cũng không nằm ngoài danh sách các mạng xã hội ứng dụng Deep Learning vào sản phẩm của mình. Các thuật toán mạng nơ-ron sâu được sử dụng để gợi ý trang, bạn bè, dịch vụ, nhân diện khuôn mặt,…

• Xe tự lái

Một trong những công nghệ mới và hấp dẫn nhất hiện nay là xe tự động lái, nó được xây dựng dựa trên các mạng nơ-ron cấp cao. Nói một cách đơn giản, các mô hình Deep Learning sẽ nhận diện các đối tượng ở môi trường xung quanh xe, tính toán khoảng cách giữa xe và các phương tiện khác, xác định vị trí làn đường, tín hiệu giao thông,… từ đó đưa ra được các quyết định tối ưu và nhanh chóng nhất. Một trong những hãng xe tiên phong trong việc sản xuất xe tự lái hiện nay là Tesla.

• Trợ lý ảo

Trợ lý ảo đang được ứng dụng rất nhiều trong đời sống hàng ngày, trong đó phổ biến gồm có chatbot, giảng viên online, Google Assistant, Siri, Cortana,… Các trợ lý ảo được xây dựng dựa trên Deep Learning với các thuật toán nhận diện văn bản, xử lý ngôn ngữ tự nhiên, nhận dạng giọng nói,…

• Chăm sóc sức khỏe

Deep Learning cũng có đóng góp không nhỏ vào lĩnh vực y tế, trong đó phổ biến gồm có các mô hình dự đoán tình trạng bệnh, chẩn đoán ung thư, phân tích kết quả MRI, X-ray,…

5. So sánh Deep Learning và Machine Learning

	Deep Learning	Machine Learning
Phụ thuộc dữ liệu	Hiệu suất hiệu quả trên một tệp dữ liệu lớn.	Hiệu suất hiệu quả trên một tệp dữ liệu nhỏ và vừa.
Phụ thuộc phần cứng	Yêu cầu máy mạnh mẽ, tốt nhất là với GPU: DL thực hiện một lượng nhân ma trận đáng kể.	Làm việc trên một máy cấp thấp.
Kỹ thuật tính năng	Không cần hiểu tính năng tốt nhất đại diện cho dữ liệu	Cần hiểu các tính năng đại diện cho dữ liệu
Thời gian thực hiện	Lên đến hàng tuần. Mạng nơ-ron cần tính toán một khối lượng dữ liệu đáng kể	Từ vài phút đến vài giờ
Giải thích	Khó đến không thể	Một số thuật toán dễ diễn giải (logistic, cây quyết định), một số thuật toán gần như không thể (SVM, XGBoost)

>>> Xem thêm: Machine learning và ứng dụng trong thực tế