# 3️⃣ Khi nào nên dùng Deep Learning? Khi nào không?
Deep Learning **rất mạnh**, nhưng **không phải lúc nào cũng là lựa chọn đúng**.\
Trang này giúp bạn trả lời câu hỏi thực tế nhất:
> ❓ *Bài toán này có thật sự cần “Deep” không?*
***
### 1. Khi **NÊN** dùng Deep Learning
#### ✅ 1. Dữ liệu lớn
* Hàng **chục nghìn → hàng triệu mẫu**
* Dữ liệu càng nhiều → DL càng phát huy sức mạnh
Ví dụ:
* Hàng ngàn ảnh X-quang
* Hàng trăm nghìn chuỗi protein
* Log hệ thống, dữ liệu cảm biến liên tục
***
#### ✅ 2. Dữ liệu **phi cấu trúc**
Deep Learning đặc biệt phù hợp với:
| Loại dữ liệu | Ví dụ |
| ------------ | ------------------------- |
| Ảnh | MRI, CT, camera |
| Âm thanh | Giọng nói, ECG |
| Văn bản | Hồ sơ bệnh án, báo cáo |
| Chuỗi | Protein, DNA |
| Graph | Mạng protein, mạng xã hội |
➡️ ML truyền thống **rất khó xử lý trực tiếp** các dạng này.
***
#### ✅ 3. Quan hệ phức tạp, phi tuyến
* Khi **công thức toán học không rõ**
* Quan hệ giữa các biến **đa tầng – chồng chéo**
Ví dụ:
* Tương tác gene – môi trường – lối sống
* Cấu trúc không gian 3D của protein
* Ngữ nghĩa trong ngôn ngữ tự nhiên
***
#### ✅ 4. Không muốn (hoặc không thể) làm feature engineering
* Feature quá nhiều
* Feature không rõ ràng
* Feature khó thiết kế thủ công
➡️ DL **tự học đặc trưng** tốt hơn con người trong nhiều trường hợp.
***
### 2. Khi **KHÔNG NÊN** dùng Deep Learning
#### ❌ 1. Dữ liệu ít
* Chỉ vài trăm → vài nghìn mẫu
* Dễ **overfitting**
➡️ ML truyền thống thường **ổn định hơn**
***
#### ❌ 2. Dữ liệu dạng bảng (tabular) đơn giản
Ví dụ:
* Tuổi, giới tính, BMI, HbA1c, cholesterol…
Trong nhiều nghiên cứu:
* XGBoost / Random Forest **vẫn thắng DL**
***
#### ❌ 3. Cần giải thích rõ ràng
* Y khoa
* Pháp lý
* Tài chính
Nếu:
> “Tại sao hệ thống đưa ra quyết định này?”
là câu hỏi **bắt buộc**, thì:
* DL thuần túy → khó
* ML truyền thống → dễ hơn
➡️ Hoặc phải dùng **XAI** đi kèm.
***
#### ❌ 4. Hạn chế tài nguyên
* Không GPU
* Không thời gian huấn luyện
* Không kinh nghiệm tinh chỉnh mô hình
➡️ DL **tốn chi phí hơn rất nhiều**
***
### 3. Bảng quyết định nhanh (Decision Table)
| Câu hỏi | Trả lời | Gợi ý |
| --------------------- | ------- | --------------- |
| Dữ liệu > 10.000? | Có | DL phù hợp |
| Dữ liệu phi cấu trúc? | Có | DL rất mạnh |
| Dữ liệu tabular, ít? | Có | ML truyền thống |
| Cần giải thích cao? | Có | ML / XAI |
| Có GPU & thời gian? | Có | DL khả thi |
***
### 4. Một chiến lược **thực tế** (rất nên dùng)
> **Không chọn DL ngay từ đầu**
Cách làm chuẩn trong nghiên cứu & thực tế:
1. Bắt đầu với **ML truyền thống**
2. Lấy kết quả làm **baseline**
3. Sau đó mới dùng **Deep Learning**
4. So sánh:
* Accuracy
* Stability
* Interpretability
➡️ Điều này **ghi điểm rất cao** trong:
* Báo cáo môn học
* Luận văn
* Paper khoa học
***
### 5. Tóm tắt để ghi nhớ
> **Deep Learning mạnh khi dữ liệu lớn, phức tạp, phi cấu trúc**\
> **Machine Learning truyền thống hiệu quả khi dữ liệu nhỏ, rõ ràng, cần giải thích**
Câu nhớ nhanh:
```
Không phải bài toán nào cũng cần Deep.
Đúng bài toán + đúng công cụ = mô hình tốt.
```
---
# 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/khi-nao-nen-dung-deep-learning-khi-nao-khong.md?ask=
```
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.