AI, Machine Learning và Deep Learning

Để bắt đầu với AIF-C01, bạn cần phân biệt thật rõ ba khái niệm thường bị dùng lẫn lộn: Trí tuệ nhân tạo (AI) Artificial Intelligence, Học máy (ML) Machine Learning và Học sâu (DL) Deep Learning.

Quan hệ lồng nhau giữa AI, ML và DL#

Cách nhớ đơn giản nhất: chúng là ba vòng tròn lồng vào nhau.

• AI là khái niệm rộng nhất — mọi kỹ thuật giúp máy tính mô phỏng hành vi "thông minh" của con người (suy luận, ra quyết định, hiểu ngôn ngữ). AI bao gồm cả hệ thống dựa trên luật (rule-based) lẫn các phương pháp học từ dữ liệu.
• ML là tập con của AI: thay vì lập trình tường minh từng quy tắc, ta cho máy học quy luật từ dữ liệu.
• DL là tập con của ML: sử dụng mạng nơ-ron neural networks nhiều lớp để học các biểu diễn phức tạp (ví dụ ảnh, âm thanh, ngôn ngữ).

Khi nào nên dùng Machine Learning?#

ML không phải lúc nào cũng là lựa chọn tốt. Hãy dùng ML khi:

• Quy luật quá phức tạp để viết tay thành luật if/else (ví dụ nhận diện khuôn mặt).
• Có đủ dữ liệu chất lượng để học.
• Bài toán chấp nhận tính xác suất (kết quả "khả năng cao" thay vì tuyệt đối đúng).

Ngược lại, không nên dùng ML khi quy tắc đơn giản và xác định — ví dụ đổi đơn vị, tính thuế theo công thức cố định. Khi đó một đoạn code thông thường vừa rẻ vừa chính xác hơn.

Tình huống	Nên dùng
Đổi °C sang °F	Code/luật thông thường
Lọc email spam	Machine Learning
Dự đoán khách rời bỏ (churn)	Machine Learning
Kiểm tra số chẵn/lẻ	Code/luật thông thường

Các nhánh học máy chính#

Bạn sẽ gặp lại chi tiết ở bài sau, nhưng hãy ghi nhớ ba nhánh:

1. Supervised learning (học có giám sát) — học từ dữ liệu đã gán nhãn.
2. Unsupervised learning (học không giám sát) — tìm cấu trúc trong dữ liệu chưa gán nhãn.
3. Reinforcement learning (học tăng cường) — học qua thử–sai và phần thưởng.

Tóm tắt#

• AI ⊃ ML ⊃ DL — đừng nhầm chiều bao hàm.
• Dùng ML khi quy luật phức tạp, có dữ liệu, và chấp nhận xác suất.
• Ba nhánh ML: supervised, unsupervised, reinforcement.