# 2️⃣ Deep Learning khác Machine Learning truyền thống ở đâu?

<figure><img src="/files/LXtj0llTIPypx5MVDGhS" alt=""><figcaption></figcaption></figure>

Deep Learning **không phải là một nhánh tách rời hoàn toàn**, mà là **một bước phát triển tiếp theo** của Machine Learning (ML).\
Điểm khác biệt nằm ở **cách học đặc trưng (features)** và **mức độ trừu tượng** mà mô hình có thể xử lý.

***

#### 1. Khác biệt cốt lõi nhất: **Feature Engineering**

**🧠 Machine Learning truyền thống**

* Con người **phải tự thiết kế đặc trưng**
* Mô hình chỉ học trên những gì ta đưa vào

Ví dụ:

* Dự đoán tiểu đường:
  * Tuổi, BMI, HbA1c, glucose, cholesterol…
  * Các chỉ số được **chọn thủ công**

➡️ Chất lượng mô hình **phụ thuộc mạnh vào kinh nghiệm con người**

***

**🤖 Deep Learning**

* **Tự động học đặc trưng** từ dữ liệu thô
* Không (hoặc rất ít) cần feature engineering

Ví dụ:

* Ảnh y khoa → pixel
* Protein → chuỗi amino acid
* Văn bản → token

➡️ Mô hình **tự học ra đặc trưng phù hợp**

***

#### 2. So sánh theo quy trình (workflow)

| Bước                | Machine Learning            | Deep Learning     |
| ------------------- | --------------------------- | ----------------- |
| Dữ liệu đầu vào     | Đã xử lý, đã chọn đặc trưng | Dữ liệu thô       |
| Feature engineering | Thủ công                    | Tự động           |
| Mô hình             | Shallow                     | Deep (nhiều tầng) |
| Huấn luyện          | Nhanh                       | Lâu hơn           |
| Khả năng mở rộng    | Hạn chế                     | Rất tốt           |

***

#### 3. Khác biệt về **loại bài toán**

**ML truyền thống phù hợp khi:**

* Dữ liệu **ít**
* Dữ liệu **dạng bảng (tabular)**
* Quan hệ **không quá phức tạp**
* Cần **giải thích rõ ràng**

Ví dụ:

* Logistic Regression
* Decision Tree
* Random Forest
* XGBoost

***

**Deep Learning phù hợp khi:**

* Dữ liệu **lớn**
* Dữ liệu **phi cấu trúc**
* Quan hệ **phi tuyến, nhiều tầng**

Ví dụ:

* Ảnh, video (CNN)
* Ngôn ngữ (RNN, Transformer)
* Protein, gene, graph (GNN)

***

#### 4. Vì sao Deep Learning vượt trội trong dữ liệu phức tạp?

Nguyên nhân chính:

* **Nhiều tầng → nhiều mức biểu diễn**
* Có thể mô hình hóa:
  * Không gian cao chiều
  * Quan hệ phi tuyến mạnh
  * Cấu trúc phân cấp (hierarchical structure)

Nói ngắn gọn:

> **ML học “bề mặt” của dữ liệu – DL học “cấu trúc sâu” của dữ liệu**

***

#### 5. Nhưng Deep Learning có nhược điểm gì?

Không phải lúc nào DL cũng tốt hơn:

| Hạn chế           | Giải thích                  |
| ----------------- | --------------------------- |
| Cần nhiều dữ liệu | Dữ liệu ít → dễ overfitting |
| Khó giải thích    | Mô hình dạng “black box”    |
| Tốn tài nguyên    | GPU, thời gian huấn luyện   |
| Khó tinh chỉnh    | Nhiều hyperparameter        |

➡️ Vì vậy mới xuất hiện hướng **Explainable AI (XAI)** để khắc phục.

***

#### 6. Tóm tắt nhanh (để nhớ & dán GitBook)

> **Machine Learning**: Con người thiết kế đặc trưng → mô hình học\
> **Deep Learning**: Mô hình tự học đặc trưng → tự xây dựng hiểu biết

Câu nhớ nhanh:

```
ML  = Data + Human Features + Model
DL  = Data + Deep Network (learns features itself)
```


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://deeplearningcoban.gitbook.io/deeplearningcoban.com/deep-learning-co-ban-core/deep-learning-khac-machine-learning-truyen-thong-o-dau.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.