# Định hướng tiếp theo
### **8.1 Nhìn lại toàn bộ lộ trình học**
Lộ trình trong tài liệu này được xây dựng theo hướng **tăng dần về độ phức tạp**, từ nền tảng khái niệm đến ứng dụng và phân tích chuyên sâu. Mỗi nhóm nội dung đều có vai trò rõ ràng và liên kết chặt chẽ với nhau.
Trước hết, phần **Nền tảng bắt buộc** giúp làm rõ các khái niệm cốt lõi như AI, Machine Learning và tư duy học từ dữ liệu. Đây là bước cần thiết để tránh nhầm lẫn giữa lập trình theo luật và mô hình học từ dữ liệu.
Tiếp theo, **Neural Network cơ bản** giới thiệu ý tưởng mạng nơ-ron như một mô hình học, đóng vai trò cầu nối giữa Machine Learning truyền thống và Deep Learning. Phần này giúp người học làm quen với cấu trúc mạng mà chưa đi sâu vào chi tiết toán học.
Phần **Deep Learning cơ bản (Core)** tập trung trả lời các câu hỏi nền tảng: Deep Learning là gì, khác gì so với Machine Learning truyền thống và khi nào nên sử dụng. Đây là phần hình thành tư duy đúng, tránh việc áp dụng Deep Learning một cách máy móc.
Sau đó, **Deep Learning theo hướng ứng dụng** đi vào cơ chế hoạt động bên trong mô hình, bao gồm neuron, layer, activation function, loss function và backpropagation. Nội dung được trình bày ở mức trực giác, giúp người học hiểu mô hình “học” như thế nào mà không cần đi sâu vào toán học phức tạp.
Phần **Explainable AI (XAI)** mở rộng góc nhìn từ dự đoán sang giải thích. Nội dung này làm rõ giới hạn của mô hình dạng black-box và vai trò của XAI trong việc tạo ra các hệ thống AI đáng tin cậy, đặc biệt trong các lĩnh vực nhạy cảm như y sinh và sinh tin học.
Tiếp theo là **Thực hành Deep Learning cơ bản**, nơi các khái niệm lý thuyết được liên hệ trực tiếp với code thông qua PyTorch. Phần này giúp người học nhận diện được các thành phần lý thuyết trong một chương trình huấn luyện mô hình thực tế.
Cuối cùng, **Case Study Diabetes** tổng hợp toàn bộ kiến thức đã học để áp dụng vào một bài toán thực tế. Thông qua việc so sánh Machine Learning và Deep Learning, kết hợp với XAI để giải thích kết quả, người học có thể thấy rõ giá trị và giới hạn của từng phương pháp.
Tổng thể lộ trình này không nhằm mục tiêu tạo ra mô hình có độ chính xác cao nhất, mà hướng đến việc xây dựng **nền tảng hiểu biết vững chắc**. Trọng tâm là hiểu đúng bản chất của Deep Learning, biết khi nào nên sử dụng, và nhận thức được vai trò không thể thiếu của khả năng giải thích trong các ứng dụng có ý nghĩa thực tiễn và học thuật.
---
# 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/tong-ket-and-dinh-huong/dinh-huong-tiep-theo.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.