# 2️⃣ Machine Learning căn bản
#### 1. Vì sao cần học Machine Learning trước Deep Learning?
Deep Learning là **một nhánh của Machine Learning**, không phải thứ hoàn toàn tách rời.
Nếu bỏ qua Machine Learning căn bản, bạn sẽ:
* không hiểu mô hình đang học cái gì,
* không biết đánh giá kết quả đúng hay sai,
* khó debug khi Deep Learning không hoạt động như mong muốn.
Vì vậy:
> **Machine Learning là bước đệm bắt buộc trước Deep Learning.**
***
#### 2. Machine Learning học cái gì?
Ở mức căn bản, Machine Learning tập trung vào việc:
* học từ dữ liệu quá khứ,
* để dự đoán hoặc phân loại dữ liệu mới.
Quá trình này thường gồm:
1. Dữ liệu đầu vào
2. Mô hình
3. Hàm đánh giá
4. Quá trình học
***
#### 3. Supervised và Unsupervised Learning
**3.1 Supervised Learning (Học có giám sát)**
* Dữ liệu có nhãn (label)
* Mô hình học mối quan hệ giữa input và output
Ví dụ:
* dự đoán bệnh (có / không)
* phân loại email (spam / không spam)
Đây là loại **phổ biến nhất** trong thực tế.
***
**3.2 Unsupervised Learning (Học không giám sát)**
* Dữ liệu **không có nhãn**
* Mô hình tự tìm cấu trúc tiềm ẩn
Ví dụ:
* phân nhóm khách hàng
* phát hiện bất thường
📌 Deep Learning có thể áp dụng cho cả hai loại này.
***
#### 4. Regression và Classification
**4.1 Regression**
* Dự đoán **giá trị liên tục**
* Ví dụ:
* dự đoán đường huyết
* dự đoán giá nhà
***
**4.2 Classification**
* Dự đoán **nhãn rời rạc**
* Ví dụ:
* có bệnh / không bệnh
* loại văn bản
Hiểu rõ bài toán thuộc loại nào là **bước đầu tiên khi xây model**.
***
#### 5. Chia dữ liệu: Train – Validation – Test
Đây là khái niệm **rất quan trọng** nhưng thường bị xem nhẹ.
* **Train set**: để mô hình học
* **Validation set**: để điều chỉnh mô hình
* **Test set**: để đánh giá cuối cùng
👉 Không được dùng test set để huấn luyện.
Nếu vi phạm, kết quả sẽ **không phản ánh thực tế**.
***
#### 6. Đánh giá mô hình (Evaluation Metrics)
Không phải lúc nào **accuracy cao** cũng tốt.
Một số khái niệm cần biết:
* Accuracy
* Precision
* Recall
* F1-score
Trong nhiều bài toán (y sinh, an toàn):
> Recall thường quan trọng hơn accuracy.
***
#### 7. Overfitting và Underfitting
**Overfitting**
* Mô hình học quá kỹ dữ liệu train
* Dự đoán kém trên dữ liệu mới
**Underfitting**
* Mô hình quá đơn giản
* Không học được mối quan hệ cần thiết
📌 Đây là vấn đề trung tâm của Machine Learning và Deep Learning.
***
#### 8. Machine Learning và Feature Engineering
Trong Machine Learning truyền thống:
* con người thiết kế đặc trưng (feature)
* mô hình học từ các đặc trưng đó
Deep Learning khác ở chỗ:
> **Mô hình tự học đặc trưng từ dữ liệu thô**
Nhưng hiểu feature engineering giúp bạn:
* đánh giá dữ liệu tốt hơn,
* hiểu vì sao Deep Learning có lợi thế.
***
#### 9. Tóm tắt nhanh
Machine Learning căn bản giúp bạn:
* hiểu dữ liệu
* hiểu cách mô hình học
* hiểu cách đánh giá kết quả
Đây là nền tảng để:
* không học Deep Learning một cách mù mờ,
* biết khi nào Deep Learning là lựa chọn hợp lý.
#### 10. Sau page này, bạn cần nắm được gì?
Sau khi đọc xong page này, bạn nên:
* phân biệt được các loại bài toán ML
* hiểu quy trình train – evaluate
* sẵn sàng chuyển sang Deep Learning
👉 Ở page tiếp theo, chúng ta sẽ bàn:\
**Vì sao Machine Learning truyền thống không đủ, và Deep Learning ra đời để giải quyết vấn đề gì?**
---
# 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/nen-tang-bat-buoc/machine-learning-can-ban.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.