Bỏ qua đến nội dung chính
Machine Learning
Ảnh bìa bài AI, Machine Learning và Deep Learning khác nhau thế nào?

AI, Machine Learning và Deep Learning khác nhau thế nào?

AIDev TeamTham vấn chuyên môn: Nguyễn Việt Chung

Đăng 11 phút đọc

Mục lục · 16

Machine learning và deep learning đều nằm trong AI: machine learning là nhánh học quy luật từ dữ liệu, deep learning là nhánh nhỏ hơn dùng mạng nơ-ron nhiều lớp. Bài giải cùng một bài toán khách rời bỏ bằng luật viết tay, machine learning và mạng nơ-ron, rồi so điểm, thời gian train và số tham số đo trên AIDev Cloud.

AI (trí tuệ nhân tạo) là tên chung cho mọi cách giúp máy tính làm những việc vốn cần trí thông minh, kể cả một bộ luật do người viết tay. Machine learning là một nhánh của AI, trong đó máy tự học quy luật từ dữ liệu. Deep learning là một nhánh của machine learning, dùng mạng nơ-ron (neural network) nhiều lớp để học, và là nền của nhận diện ảnh, giọng nói và LLM (mô hình ngôn ngữ lớn) như GPT. Ba khái niệm lồng vào nhau như ba vòng tròn: mọi deep learning đều là machine learning, mọi machine learning đều là AI.

Để thấy machine learning và deep learning khác nhau bằng số, ngày 08/11/2026 mình giải cùng một bài toán bằng ba cách trên máy CPU của AIDev Cloud: đoán khách nào của cửa hàng mô phỏng Tiệm Mây sẽ rời bỏ. Mấy điều rút ra:

  • Luật viết tay "lâu hơn 20 ngày không mua thì sắp bỏ" đạt ROC-AUC 0,759 (0,5 là đoán bừa, 1 là đúng hoàn toàn).

  • Hai model machine learning, logistic regression và LightGBM, đạt 0,781 và 0,780.

  • Mạng nơ-ron hai lớp ẩn với 2.881 tham số đạt từ 0,751 đến 0,789 tùy seed (con số khởi tạo ngẫu nhiên). Mạng 433.153 tham số đạt 0,792, train lâu hơn logistic hơn 400 lần.

  • Trên dữ liệu bảng như thế này, deep learning không thắng rõ. Deep learning thường thắng rõ ở ảnh lớn, âm thanh và văn bản, phần này mình chưa đo trong bài.

AI, machine learning và deep learning khác nhau thế nào?

Cách dễ nhớ nhất là xem ai viết ra quy luật.

AI dùng luật viết tay

Machine learning

Deep learning

Ai viết quy luật

người viết if…else

máy học từ dữ liệu, người chọn feature (cột đưa vào model)

máy học cả quy luật lẫn cách biểu diễn dữ liệu

Dữ liệu cần

không cần dữ liệu để train

vài nghìn đến vài triệu dòng

thường rất nhiều: ảnh, văn bản, âm thanh

Máy chạy

máy nào cũng được

CPU là đủ với dữ liệu bảng

thường cần GPU khi model lớn

Giải thích kết quả

đọc luật là hiểu

đọc hệ số, cây quyết định, SHAP (công cụ đo mỗi cột đẩy kết quả lên xuống bao nhiêu)

khó, cần công cụ riêng

Ví dụ

lọc thư rác theo danh sách từ cấm

dự đoán khách rời bỏ, chấm điểm hồ sơ vay

nhận diện khuôn mặt, chuyển giọng nói thành chữ, ChatGPT

Chữ "feature" ở cột giữa là chỗ machine learning và deep learning tách nhau rõ nhất. Với machine learning cổ điển, người làm phải tự chuẩn bị các cột có ý nghĩa: số ngày từ lần mua cuối, tỉ lệ đơn bị giao trễ. Với deep learning, bạn đưa vào dữ liệu gần như thô (điểm ảnh, chữ) và các lớp của mạng nơ-ron tự học cách biểu diễn. Đây là lý do deep learning mạnh ở ảnh và văn bản, nơi con người khó tự viết ra feature tốt.

Nếu bạn chưa quen với cách model học từ dữ liệu, bài Machine Learning là gì đi từng bước qua model đầu tiên trên chính bộ dữ liệu dùng trong bài này.

Ba cách giải cùng một bài toán cho kết quả ra sao?

Dữ liệu là bộ "Tiệm Mây hai năm sau" trên AIDev Lab: 10.787 khách của một cửa hàng online mô phỏng tại mốc 31/03/2026, cột roi_bo bằng 1 nếu khách không mua gì trong 90 ngày sau đó. Mình dùng 11 cột số ghi trước mốc, chia 80% để train (8.629 khách) và 20% để chấm (2.158 khách), giống nhau cho cả ba cách.

Cách 1, luật viết tay. Một luật duy nhất: khách quá N ngày không mua thì đoán là sắp bỏ. Mình cho máy dò N từ 1 đến 60 trên tập train, chọn N cho F1 cao nhất (F1 cân bằng giữa recall, tức tỉ lệ bắt đủ khách rời bỏ, và precision, tức tỉ lệ bắt đúng), được N = 20.

python
cot = "so_ngay_tu_lan_mua_cuoi"
tot = max(range(1, 61), key=lambda n: f1_score(y_train, X_train[cot] > n))
du = (X_test[cot] > tot).astype(int)

Cách 2, machine learning. Logistic regression (đặt sau StandardScaler để đưa các cột về cùng thang đo) và LightGBM, một thư viện gradient boosting: ghép nhiều cây quyết định nhỏ, cây sau sửa lỗi của cây trước.

python
lr = make_pipeline(StandardScaler(), LogisticRegression(random_state=42)).fit(X_train, y_train)
gb = lgb.LGBMClassifier(random_state=42, deterministic=True, force_row_wise=True,
                        n_jobs=1, verbose=-1).fit(X_train, y_train)

Cách 3, mạng nơ-ron. MLPClassifier của scikit-learn với hai lớp ẩn 64 và 32 nơ-ron, dừng sớm khi điểm trên một phần dữ liệu train không còn tăng.

python
mlp = make_pipeline(StandardScaler(),
                    MLPClassifier(hidden_layer_sizes=(64, 32), early_stopping=True,
                                  max_iter=500, random_state=42)).fit(X_train, y_train)
Terminal chạy ba_cach.py trên AIDev Cloud: luật so_ngay_tu_lan_mua_cuoi lớn hơn 20 ngày đạt accuracy 0,742, F1 0,469, ROC-AUC 0,759; logistic regression accuracy 0,828, F1 0,370, ROC-AUC 0,781, fit 0,018 giây, 12 tham số; LightGBM accuracy 0,840, F1 0,410, ROC-AUC 0,780, fit 0,135 giây, 100 cây; mạng nơ-ron 64 và 32 accuracy 0,824, F1 0,361, ROC-AUC 0,751, fit 0,502 giây, 2881 tham số; năm seed của mạng nơ-ron cho ROC-AUC từ 0,779 đến 0,789

Đặt bốn con số ROC-AUC cạnh nhau, kèm năm seed khác của mạng nơ-ron:

Biểu đồ ROC-AUC trên tập test: luật viết tay 0,759, logistic 0,781, LightGBM 0,780, mạng nơ-ron 0,751 với seed 42; cùng mạng với seed 0 đến 4 đạt 0,779 đến 0,789

Ba điều mình rút ra từ kết quả này:

  1. Luật viết tay không tệ. Một con số 20 ngày đã đạt ROC-AUC 0,759, kém logistic regression 0,022. Với cửa hàng nhỏ chưa có ai làm dữ liệu, đây là điểm bắt đầu tốt.

  2. Hai model machine learning ngang nhau. Logistic regression 0,781, LightGBM 0,780. Logistic train trong 0,018 giây và chỉ có 12 tham số, đọc hệ số là biết cột nào đẩy xác suất rời bỏ lên.

  3. Mạng nơ-ron dao động theo seed. Với seed 42, mạng đạt 0,751, thấp nhất trong bốn cách. Với năm seed khác, mạng đạt 0,779 đến 0,789. Cùng một code, kết quả lệch nhau 0,038 chỉ vì khởi tạo khác.

Vì sao luật viết tay có F1 cao hơn cả model?

Ở lần chạy đầu, luật đạt F1 0,469, cao hơn logistic regression (0,370). Lý do nằm ở ngưỡng. Luật đã được chọn ngưỡng theo F1, còn model dùng ngưỡng mặc định 0,5, quá cao khi khách rời bỏ chỉ chiếm 18,1%. Để so công bằng, mình chọn ngưỡng cho cả ba cách theo cùng một quy tắc: tìm ngưỡng F1 cao nhất bằng cross-validation 5 phần trên tập train (chia tập train làm 5, lần lượt lấy từng phần ra chấm), rồi mới đo trên tập test.

python
p = cross_val_predict(m, X_train, y_train, cv=5, method="predict_proba")[:, 1]
nguong = max(np.arange(0.05, 0.95, 0.01), key=lambda t: f1_score(y_train, p > t))
Terminal chạy nguong_f1.py: luật viết tay ngưỡng 20 ngày F1 0,469 precision 0,374 recall 0,629; logistic regression ngưỡng 0,21 F1 0,477; LightGBM ngưỡng 0,27 F1 0,485 precision 0,435 recall 0,547; mạng nơ-ron ngưỡng 0,30 F1 0,458

Cách

Ngưỡng

F1

Precision

Recall

Luật viết tay

quá 20 ngày

0,469

0,374

0,629

Logistic regression

xác suất 0,21

0,477

0,394

0,606

LightGBM

xác suất 0,27

0,485

0,435

0,547

Mạng nơ-ron (64, 32)

xác suất 0,30

0,458

0,428

0,494

Khi chọn ngưỡng cùng một cách, LightGBM dẫn đầu với F1 0,485, logistic regression đứng thứ hai. Khoảng cách giữa các cách vẫn nhỏ: từ mạng nơ-ron đến LightGBM chỉ chênh 0,027. Mình chỉ đo một lần chia train/test nên không dám nói thứ hạng này chắc chắn. Chênh lệch vài phần nghìn có thể đổi chiều khi chia lại.

Mạng nơ-ron to hơn có tốt hơn trên dữ liệu bảng không?

Người mới hay nghĩ deep learning là thêm lớp, thêm nơ-ron thì model giỏi hơn. Mình thử bốn cỡ mạng, cùng dữ liệu và cùng seed 42:

python
for lop in [(8,), (64, 32), (256, 128, 64), (512, 512, 256, 128)]:
    m = make_pipeline(StandardScaler(), MLPClassifier(hidden_layer_sizes=lop, early_stopping=True,
                                                      max_iter=500, random_state=42))
    m.fit(X_train, y_train)
Terminal chạy mlp_to_hon.py: mạng 8 nơ-ron 105 tham số ROC-AUC 0,777 fit 1,00 giây; mạng 64, 32 có 2.881 tham số ROC-AUC 0,751 fit 0,49 giây; mạng 256, 128, 64 có 44.289 tham số ROC-AUC 0,784 fit 1,72 giây; mạng 512, 512, 256, 128 có 433.153 tham số ROC-AUC 0,792 fit 7,57 giây

Vẽ cùng logistic regression để dễ so:

Biểu đồ ROC-AUC và số tham số của bốn cỡ mạng nơ-ron: 105 tham số 0,777, 2.881 tham số 0,751, 44.289 tham số 0,784, 433.153 tham số 0,792; logistic regression 12 tham số đạt 0,781

Mạng lớn nhất có 433.153 tham số, gấp hơn 36.000 lần logistic regression, nhưng chỉ hơn 0,011 điểm ROC-AUC (0,792 so với 0,781) và train mất 7,57 giây so với 0,018 giây. Điểm cũng không tăng đều theo cỡ mạng: mạng 105 tham số đạt 0,777, cao hơn mạng 2.881 tham số. Mình đoán lý do là với 11 cột số, dữ liệu không có nhiều quy luật phức tạp để một mạng lớn khai thác.

Kết quả này khớp với nghiên cứu Why do tree-based models still outperform deep learning on tabular data? (Grinsztajn và cộng sự, NeurIPS 2022): trên 45 bộ dữ liệu bảng, với dữ liệu cỡ vừa khoảng 10.000 dòng (gần bằng dữ liệu Tiệm Mây), các model dạng cây như XGBoost và random forest vẫn dẫn trước mạng nơ-ron. Tài liệu scikit-learn về mạng nơ-ron cũng ghi MLPClassifier không dành cho bài toán quy mô lớn và không chạy trên GPU. Muốn train mạng nơ-ron lớn trên GPU, bạn cần thư viện deep learning như PyTorch.

Với ảnh thì deep learning có khác không?

Mình thử thêm bộ chữ số viết tay load_digits có sẵn trong scikit-learn: 1.797 ảnh, mỗi ảnh 8 × 8 = 64 điểm ảnh. Luật viết tay ở đây là so ảnh mới với "ảnh trung bình" của từng chữ số từ 0 đến 9, chọn chữ số giống nhất.

python
tb = np.array([X_train[y_train == k].mean(axis=0) for k in range(10)])
du = np.argmin(((X_test[:, None, :] - tb[None]) ** 2).sum(axis=2), axis=1)
Terminal chạy chu_so.py: 1797 ảnh, mỗi ảnh 64 điểm ảnh; luật giống ảnh trung bình nhất đạt accuracy 0,878; logistic regression 0,972, fit 0,09 giây; mạng nơ-ron 64, 32 đạt 0,967, fit 0,98 giây

Với ảnh, khoảng cách giữa luật và model lớn hơn hẳn: luật đúng 87,8%, logistic regression đúng 97,2%, mạng nơ-ron đúng 96,7%. Ảnh 8 × 8 vẫn quá nhỏ để mạng nơ-ron vượt logistic regression. Các mạng deep learning cho ảnh như mạng tích chập (CNN) hay transformer (kiến trúc nền của GPT) được thiết kế cho ảnh lớn hơn nhiều và thường train trên GPU. Mình chưa đo trường hợp đó trong bài này, nên không đưa con số.

ChatGPT là AI, machine learning hay deep learning?

Cả ba. ChatGPT là một sản phẩm AI. Bên trong là GPT, một LLM được train bằng machine learning trên rất nhiều văn bản, và model đó là một mạng nơ-ron rất lớn theo kiến trúc transformer, tức thuộc deep learning.

Nên học machine learning hay deep learning trước?

Machine learning trước. Những gì bạn học ở machine learning (chia train/test, baseline, metric, chọn ngưỡng, chống data leakage, overfitting) dùng lại nguyên vẹn khi sang deep learning. Baseline là cách đoán đơn giản nhất để so, metric là thước đo để chấm model, data leakage là để lọt thông tin tương lai vào dữ liệu train, còn overfitting là model học thuộc tập train nhưng đoán sai dữ liệu mới. Thứ tự học machine learning và deep learning mình gợi ý:

  1. Python và pandas.

  2. Machine learning trên dữ liệu bảng với scikit-learn: logistic regression, cây quyết định, LightGBM.

  3. Deep learning với PyTorch: mạng nơ-ron cho ảnh và văn bản, fine-tune (train tiếp) model có sẵn.

  4. Ứng dụng LLM: gọi model có sẵn, RAG (cho model tra tài liệu riêng trước khi trả lời), agent (model tự gọi công cụ để làm việc nhiều bước).

Lộ trình AI Engineer từ số 0 của AIDev đi đúng thứ tự này. Khóa 3 Machine Learning thực chiến dùng chính dữ liệu Tiệm Mây trong bài, đi kèm ebook Machine Learning thực chiến đang bán. Khóa 4 Deep Learning & GenAI nối tiếp bằng PyTorch. Nếu bạn còn phân vân nên chọn khóa machine learning nào, bài Khóa học Machine Learning: 6 câu hỏi trước khi chọn liệt kê những câu bạn nên hỏi trước khi đăng ký.

Khi nào không cần đến deep learning?

Từ các lần chạy ở trên, mình sẽ không dùng deep learning khi:

  • Dữ liệu là bảng vài chục cột. LightGBM hoặc logistic regression cho điểm gần bằng và dễ giải thích hơn: mạng nơ-ron tốt nhất chỉ hơn logistic regression 0,011 ROC-AUC. Trong bài này, logistic regression train nhanh hơn mạng nơ-ron từ gần 28 đến hơn 400 lần.

  • Cần giải thích từng quyết định. Logistic regression có 12 tham số đọc được. Mạng 2.881 tham số thì không.

  • Không có GPU và dữ liệu ít. Deep learning cần nhiều dữ liệu để vượt các cách đơn giản.

  • Một luật đơn giản đã đủ dùng. Luật 20 ngày đạt ROC-AUC 0,759, chỉ cần dò một con số trên tập train. Hãy bắt đầu từ luật đó, rồi mới thêm model khi biết model hơn được bao nhiêu.

Deep learning đáng dùng khi dữ liệu là ảnh, âm thanh, văn bản dài, hoặc khi bạn dùng lại một model lớn đã train sẵn.

Câu hỏi thường gặp

AI ML là gì?

AI ML là cách viết gộp "AI và machine learning", hay gặp trong tên vị trí như "AI/ML Engineer". AI là lĩnh vực chung, ML (machine learning) là nhánh học từ dữ liệu. Trong tin tuyển dụng, AI/ML thường chỉ người train và đưa model lên chạy thật.

Deep learning khác machine learning ở điểm nào?

Deep learning dùng mạng nơ-ron nhiều lớp và tự học cách biểu diễn dữ liệu từ dữ liệu thô, còn machine learning cổ điển cần người chuẩn bị feature. Deep learning thường cần nhiều dữ liệu và GPU hơn, đổi lại mạnh hơn hẳn với ảnh, âm thanh và văn bản.

Học AI, machine learning có phải code nhiều không?

Có code, nhưng ít hơn bạn nghĩ. Phần train model trong bài này chỉ vài dòng scikit-learn. Phần tốn công là chuẩn bị dữ liệu, chọn cách đánh giá và đọc kết quả, nên bạn cần vững Python và pandas trước.

Tự học AI và machine learning được không?

Được, tài liệu chính thức của scikit-learn và PyTorch đều miễn phí. Điều khó khi tự học là không có ai chấm bài và không biết mình đang đánh giá model sai ở đâu. Bài Học AI bắt đầu từ đâu gợi ý cách chọn hướng trước khi bắt đầu.

Đọc tiếp

Code trong bài chạy trên máy CPU Starter của AIDev Cloud (8 vCPU, Ubuntu 24.04, Python 3.12.3, scikit-learn 1.9.1, LightGBM 4.7.0), ngày 08/11/2026. Dữ liệu Tiệm Mây là dữ liệu mô phỏng, giấy phép MIT.

Tham vấn chuyên môn

Nguyễn Việt Chung

Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE

  • Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
  • Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
  • Xây hệ thống AI cho doanh nghiệp tại VietPlatform.
Biên soạn: AIDev Team · Rà soát · Quy trình biên tập