# 1️⃣ Deep Learning là gì?
#### 1. Deep Learning là gì?
**Deep Learning (học sâu)** là một nhánh của **Machine Learning**, trong đó mô hình học bằng cách sử dụng **mạng nơ-ron nhân tạo nhiều tầng (deep neural networks)** để tự động rút trích đặc trưng từ dữ liệu.
Khác với các phương pháp truyền thống, Deep Learning **không cần con người thiết kế thủ công đặc trưng (feature engineering)** cho từng bài toán, mà để mô hình **tự học các biểu diễn (representation)** từ dữ liệu thô như:
* hình ảnh,
* văn bản,
* âm thanh,
* dữ liệu bảng (tabular data).
Nói ngắn gọn:
> **Machine Learning**: con người chọn đặc trưng → mô hình học\
> **Deep Learning**: mô hình tự học cả đặc trưng lẫn cách dự đoán
***
#### 2. Vì sao gọi là “Deep”?
Từ *deep* (sâu) không mang nghĩa “cao siêu”, mà đơn giản là:
> Mạng nơ-ron có **nhiều tầng ẩn (hidden layers)**
Mỗi tầng học một mức trừu tượng khác nhau:
* Tầng thấp: học đặc trưng đơn giản
* Tầng giữa: học đặc trưng phức tạp hơn
* Tầng cao: học khái niệm trừu tượng
Ví dụ với hình ảnh:
* Tầng đầu: cạnh, góc
* Tầng giữa: hình dạng
* Tầng cuối: đối tượng (người, xe, vật thể)
Chính **chiều sâu của các tầng học** làm nên tên gọi *Deep Learning*.
***
#### 3. Deep Learning khác gì Machine Learning truyền thống?
| Tiêu chí | Machine Learning | Deep Learning |
| ------------------ | --------------------- | -------------- |
| Đặc trưng | Do con người thiết kế | Mô hình tự học |
| Dữ liệu | Nhỏ đến vừa | Lớn |
| Mô hình | Đơn giản hơn | Phức tạp |
| Khả năng biểu diễn | Hạn chế | Rất mạnh |
| Độ giải thích | Dễ hơn | Khó hơn |
Deep Learning đặc biệt hiệu quả khi:
* Dữ liệu lớn
* Quan hệ giữa các biến phức tạp
* Đặc trưng khó mô tả bằng tay
***
#### 4. Deep Learning không phải là “AI toàn năng”
Một hiểu lầm phổ biến là:
> “Deep Learning = AI = làm được mọi thứ”
Thực tế:
* Deep Learning **không suy nghĩ như con người**
* Không có “ý thức”
* Không tự hiểu ngữ cảnh ngoài dữ liệu được huấn luyện
Deep Learning chỉ **tối ưu một hàm toán học** dựa trên dữ liệu và mục tiêu đã định nghĩa trước.
Vì vậy:
* Có bài toán **không cần** Deep Learning
* Dùng Deep Learning sai chỗ sẽ **tốn tài nguyên và khó giải thích**
***
#### 5. Khi nào nên (và không nên) dùng Deep Learning?
**Nên dùng khi:**
* Dữ liệu lớn
* Mẫu dữ liệu phức tạp
* Mô hình truyền thống không đạt kết quả tốt
**Không nên dùng khi:**
* Dữ liệu ít
* Cần giải thích rõ ràng 100%
* Bài toán đơn giản (rule-based giải quyết tốt)
***
#### 6. Deep Learning “cơ bản” có tồn tại không?
Có – nhưng cần hiểu đúng.
**Deep Learning cơ bản** không phải là:
* vài dòng code
* vài lệnh gọi thư viện
Mà là:
* hiểu cách mạng nơ-ron học
* hiểu vì sao mô hình đúng hoặc sai
* hiểu các vấn đề như overfitting, gradient, loss
Trang web **deeplearningcoban** hướng tới chính phần “cơ bản nhưng cốt lõi” này.
#### 7. Sau page này, bạn cần nắm được gì?
Sau khi đọc xong page này, bạn nên:
* Hiểu Deep Learning là gì (đúng bản chất)
* Phân biệt được Deep Learning và Machine Learning
* Không còn kỳ vọng sai lệch về “AI toàn năng”
👉 Ở page tiếp theo, chúng ta sẽ trả lời câu hỏi quan trọng:\
**Ai nên học Deep Learning – và ai thì không?**
---
# 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/gioi-thieu/deep-learning-la-gi.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.