Tổng Quan ML, DL & GenAI

Learning Objectives

• ✓Phân biệt học có giám sát, không giám sát, bán giám sát và tăng cường
• ✓Chọn thuật toán phù hợp và hiểu các độ đo đánh giá mô hình
• ✓Hiểu overfitting/underfitting và kiểm định chéo (cross-validation)
• ✓Nắm Deep Learning (CNN, RNN, LSTM) và vì sao nó bùng nổ
• ✓Hiểu Generative AI (GAN, VAE, Diffusion, Transformer) và LLM/Agent

Phân Loại Học Máy

Học máy là nhánh của khoa học máy tính "trao cho máy khả năng học mà không cần lập trình tường minh". Bốn nhóm: (1) Có giám sát (Supervised) — huấn luyện trên dữ liệu có nhãn, gồm Phân loại (đầu ra hạng mục: thư rác/không) và Hồi quy (đầu ra số: giá nhà); (2) Không giám sát (Unsupervised) — dữ liệu không nhãn, gồm phân cụm, phát hiện bất thường, giảm chiều; (3) Bán giám sát (Semi-Supervised) — ít dữ liệu có nhãn + rất nhiều không nhãn; (4) Tăng cường (Reinforcement) — học qua thưởng/phạt theo thời gian (AlphaGo, xe tự lái).

Thuật Toán & Lựa Chọn Mô Hình

Các thuật toán giám sát phổ biến: Linear Regression (đầu ra số liên tục), Logistic Regression (phân loại nhị phân), Decision Tree (quyết định giải thích được), SVM (dữ liệu nhỏ, nhiều chiều), Naïve Bayes (phân loại văn bản), kNN, Random Forest (đa dụng, kháng nhiễu), XGBoost (dữ liệu bảng, các cuộc thi). Học không giám sát: K-means, DBSCAN, PCA. Không có thuật toán "tốt nhất" tuyệt đối — nên bắt đầu đơn giản (Logistic) rồi nâng độ phức tạp khi cần, cân nhắc thời gian huấn luyện, lượng dữ liệu, loại dữ liệu và độ phức tạp bài toán.

Đánh Giá Mô Hình

Chọn sai độ đo có thể đánh lừa: với dữ liệu lệch lớp (99/100 email là rác), một mô hình luôn dự đoán "rác" đạt 99% accuracy nhưng vô dụng. Ma trận nhầm lẫn (Confusion Matrix) là nền tảng, cho TP/FP/TN/FN. Từ đó: Precision = TP/(TP+FP) (dùng khi muốn chắc chắn về dự đoán dương — lọc thư rác), Recall = TP/(TP+FN) (dùng khi muốn bắt hết ca dương — phát hiện ung thư), F1-Score là trung bình điều hòa của hai chỉ số. AUC-ROC đo khả năng phân biệt lớp ở mọi ngưỡng.

# 1000 email: TP=90, FN=10, FP=5, TN=895
accuracy  = (90 + 895) / 1000    # = 98.5%
precision = 90 / (90 + 5)        # = 94.7%
recall    = 90 / (90 + 10)       # = 90.0%
f1        = 2 * precision * recall / (precision + recall)  # = 92.3%
# 98.5% nghe hoàn hảo — nhưng 10 thư rác thật vẫn lọt qua!

Huấn Luyện, Overfitting & Cross-Validation

Huấn luyện (Training) cập nhật trọng số trên dữ liệu có nhãn; Suy luận (Inference) đưa dữ liệu mới chưa thấy vào để dự đoán. Underfitting (mô hình quá đơn giản) khớp kém cả train lẫn test; Overfitting (quá phức tạp) khớp tốt train nhưng kém trên dữ liệu mới do học cả nhiễu. Khắc phục overfitting: thêm dữ liệu, regularization (L1/L2), dropout, dừng sớm. Ta chia dữ liệu Train (~70–80%) / Test (~20–30%); K-Fold Cross-Validation chia K phần luân phiên làm test → thu K điểm số (trung bình ± độ lệch) đáng tin hơn một lần chia đơn lẻ (chuẩn: K = 5 hoặc 10).

from sklearn.model_selection import cross_val_score, train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

scores = cross_val_score(model, X, y, cv=5, scoring='accuracy')
print(f'CV Accuracy: {scores.mean():.3f} ± {scores.std():.3f}')
# Ví dụ: [91%, 89%, 93%, 88%, 90%] → 90.2% ± 1.7%

Deep Learning

Học sâu dùng mạng nơ-ron NHIỀU LỚP để tự động học đặc trưng từ dữ liệu thô — khác ML truyền thống cần con người thiết kế đặc trưng thủ công. ML truyền thống bão hòa sớm khi dữ liệu tăng, còn Deep Learning tiếp tục cải thiện; ba yếu tố then chốt: dữ liệu lớn + GPU + kiến trúc phù hợp. Các kiến trúc chính: CNN (xử lý ảnh: tự học cạnh → hình → vật thể), RNN (dữ liệu chuỗi, mang "ký ức" qua từng bước), LSTM/GRU (nhớ phụ thuộc xa nhờ các cổng). DL hiện là động cơ của Face ID, trợ lý giọng nói, dịch máy, sinh ảnh.

Generative AI

GenAI tạo ra dữ liệu MỚI giống dữ liệu huấn luyện: AI truyền thống học P(nhãn|dữ liệu) để phân loại, còn GenAI học P(dữ liệu) để sinh nội dung. Bốn kiến trúc chính: GAN (bộ sinh vs bộ phân biệt cạnh tranh — ảnh sắc nét nhưng huấn luyện bất ổn), VAE (mã hóa→ẩn→giải mã — ổn định nhưng ảnh hơi mờ), Diffusion (thêm nhiễu rồi khử dần — chất lượng rất cao, thống trị sinh ảnh), Transformer (self-attention — thống trị văn bản & đa phương thức). Cột mốc: 2014 GAN, 2017 Transformer, 2020 GPT-3, 2022 Stable Diffusion & ChatGPT.

LLM & Agent

Mô hình ngôn ngữ lớn (LLM) dựa trên kiến trúc Transformer với self-attention và multi-head attention xử lý song song. Xây dựng LLM giống đào tạo bác sĩ: Tiền huấn luyện (đọc mọi giáo trình → kiến thức tổng quát) → Tinh chỉnh/Fine-tuning (thực hành chuyên sâu → chuyên môn) → Prompting (trả lời câu hỏi cụ thể). Ứng dụng: sinh văn bản, chatbot, phân tích & tóm tắt, hỗ trợ lập trình, đa phương thức. Multi-Agent: nhiều tác nhân LLM phối hợp để giải quyết tác vụ phức tạp — bước tiến từ mô hình đơn lẻ sang hệ thống tác nhân.