# Liên hệ thực tế

<figure><img src="/files/JdyDD6yB11bK9Gb4c6o1" alt=""><figcaption></figcaption></figure>

### 1. Ảnh (Image)

#### Dữ liệu đầu vào

* Ảnh → **pixel số**
* Mỗi pixel là một input

#### Mạng học gì?

* **Layer thấp**: cạnh, góc, đường thẳng
* **Layer giữa**: hình khối, texture
* **Layer cao**: đối tượng (mặt người, xe, khối u…)

#### Liên hệ lại Group 4

* Neuron: phản ứng với pattern pixel
* Layer: mỗi layer học **một mức trừu tượng**
* Activation: lọc tín hiệu mạnh/yếu
* Loss: so sánh nhãn ảnh
* Backprop: điều chỉnh bộ phát hiện đặc trưng

👉 Đây là ví dụ **kinh điển nhất** của Deep Learning.

***

### 2. Văn bản / Ngôn ngữ (Text, NLP)

#### Dữ liệu đầu vào

* Văn bản → token / embedding (vector số)
* Không phải chữ, mà là **con số**

#### Mạng học gì?

* **Layer thấp**: quan hệ giữa token
* **Layer giữa**: cụm từ, ngữ cảnh cục bộ
* **Layer cao**: ý nghĩa, chủ đề, cảm xúc

#### Liên hệ lại Group 4

* Neuron: phản ứng với pattern ngôn ngữ
* Layer: học ngữ nghĩa dần dần
* Activation: giúp mô hình phân biệt ngữ cảnh
* Loss: so sánh với nhãn (sentiment, topic…)
* Backprop: sửa lỗi diễn giải

👉 Vì vậy NLP **cần mạng sâu**, không thể dùng ML nông.

***

### 3. Y sinh – Sinh tin học (Protein, gene)

#### Dữ liệu đầu vào

* Chuỗi amino acid / DNA
* Sau mã hóa → vector số

#### Mạng học gì?

* **Layer thấp**: motif, pattern cục bộ
* **Layer giữa**: cấu trúc thứ cấp
* **Layer cao**: chức năng sinh học

#### Liên hệ lại Group 4

* Neuron: nhạy với motif sinh học
* Layer: học từ chuỗi → cấu trúc → chức năng
* Loss: đo sai lệch dự đoán
* Backprop: điều chỉnh neuron quan trọng

👉 Đây là lý do DL **rất mạnh trong sinh tin học**.

***

### 4. Dữ liệu xét nghiệm / tabular (y khoa)

#### Dữ liệu đầu vào

* Tuổi, BMI, HbA1c, glucose…
* Dạng bảng, số lượng feature ít

#### Mạng học gì?

* Kết hợp các chỉ số
* Học tương tác phi tuyến giữa chúng

#### Lưu ý quan trọng

* Với dữ liệu này:
  * ML truyền thống **vẫn rất mạnh**
  * DL chỉ nên dùng khi:
    * Dữ liệu đủ lớn
    * Quan hệ phức tạp

👉 Đây là ví dụ **cần cân nhắc DL hay không** (như đã nói ở Group 3).

***

### 5. Điểm chung của mọi bài toán DL

Bất kể domain nào:

```
Dữ liệu thật
 → số hóa
 → neuron tính toán
 → layer trừu tượng
 → loss đo sai
 → backprop sửa
```

👉 Deep Learning **không thay đổi bản chất**,\
chỉ **thay đổi loại dữ liệu đầu vào**.

***

### 6. Hiểu đúng để không “thần thánh hóa”

* Deep Learning:
  * Không hiểu thế giới
  * Không có tri thức bẩm sinh
* Nó chỉ:
  * Phát hiện pattern
  * Tối ưu theo loss

👉 Cảm giác “thông minh” đến từ:

* Dữ liệu lớn
* Cấu trúc mạng phù hợp
* Huấn luyện đúng cách

<figure><img src="/files/WCdreALtKkaISxB13kM7" alt=""><figcaption></figcaption></figure>


---

# 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-theo-huong-ung-dung/lien-he-thuc-te.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.