Skip to main content
Admin

Admin

Hunter

🧠 Hướng Dẫn Chọn Mô Hình AI: Từ Machine Learning đến Deep Learning

· 3 min read
Nguồn: Bình dân học AI

-Tác giả: Viet Nguyen - Senior AI Engineer

-Facebook: "https://www.facebook.com/vietnh1009"

Hiện nay, chúng ta có hàng chục thuật toán Machine Learning khác nhau, hàng chục mô hình Deep Learning khác nhau. Vậy khi gặp 1 bài toán nào đó (e.g. dự đoán giá, chẩn đoán bệnh, nhận dạng đối tượng, …) với những yêu cầu khác nhau về độ chính xác, tài nguyên tính toán hoặc tốc độ xử lý, ở trong các môi trường khác nhau: môi trường hàn lâm, học thuật trên các trường đại học vs môi trường làm việc thực tế ở các công ty, thì làm sao để chúng ta có thể chọn được mô hình, thuật toán phù hợp nhất?

Hướng dẫn chọn mô hình AI

Đây là câu hỏi mà mình tin chắc rằng 99% các bạn đang học hay thậm chí là đang làm về AI gặp phải. Số lượng khổng lồ các mô hình AI (Machine Learning, Deep Learning) tồn tại hiện nay khiến cho người học cũng như người sử dụng phải đau đầu khi phải chọn xem sẽ sử dụng mô hình nào cho các bài toán cụ thể. Trong tutorial dài 10 phút này, mình sẽ hướng dẫn các bạn cách để có thể chọn mô hình phù hợp cho các bài toán khác nhau, dựa vào các tiêu chí hay độ ưu tiên khác nhau, bao gồm:

Dựa vào đặc điểm và kích thước của dữ liệu​

  • Dữ liệu có cấu trúc (tabular data) vs dữ liệu phi cấu trúc (image, audio, text)
  • Dữ liệu kích thước bé vs dữ liệu kích thước lớn

Dựa vào yêu cầu của bài toán/độ ưu tiên của dự án:​

  • Yêu cầu/Ưu tiên độ chính xác cao
  • Yêu cầu về thời gian thực
  • Yêu cầu về bộ nhớ thấp

Dựa vào khả năng diễn giải của mô hình​

Dựa trên tính năng và khả năng triển khai của mô hình​

Nhờ vào các tiêu chí này, bạn sẽ dễ dàng hơn trong việc lựa chọn mô hình AI tối ưu cho các bài toán, dự án hay ứng dụng AI của mình.

Mục lục