ĐỒ ÁN CƠ SỞ Tìm hiểu Deep Learning và ứng dụng Camera an ninh thông minh

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC NGUYỄN TẤT THÀNH
KHOA CƠNG NGHỆ THƠNG TIN

ĐỒ ÁN CƠ SỞ

Tìm hiểu Deep Learning và ứng dụng Camera an
ninh thông minh

Giảng viên hướng dẫn: Vương Xuân Chí
Sinh viên thực hiện:
Quan Nguyễn Thanh Trúc
MSSV:
2000000846
Sinh viên thực hiện:
Ngô Phi Anh
MSSV:
2000005561
Chuyên ngành:
Khoa học dữ liệu
Môn học:
Môn Đồ Án Cơ Sở Khoa Học Dữ Liệu
Khóa:
2020

Tp.HCM, tháng 9 năm 2022


Trường Đại học Nguyễn Tất Thành
Khoa Công Nghệ Thông Tin

   

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập – Tự do – Hạnh phúc
   

NHIỆM VỤ ĐỒ ÁN CHUYÊN NGÀNH/CƠ SỞ
(Sinh viên phải đóng tờ này vào báo cáo)
Họ và tên: Ngô Phi Anh
MSSV:2000005561
Chuyên ngành: Khoa học dữ liệu
Lớp: 20DTH2A
Email:
SĐT:0901402550
Tên đề tài: Tìm hiểu Deep Learing và ứng dụng camera an ninh thông minh.
Giáo viên hướng dẫn: Vương Xuân Chí.
Thời gian thực hiện: 20/6/2022 đến 20/9/2022
MÔ TẢ ĐỀ TÀI :
Deep Learning là một nhánh của Machine Learning sử dụng mạng lưới thần kinh với
nhiều lớp. Một mạng lưới thần kinh sâu phân tích dữ liệu với các biểu diễn đã học tương
tự như cách một người nhìn vào một vấn đề
NỘI DUNG VÀ PHƯƠNG PHÁP:
-

Giới thiệu Deep learning

Hệ thống phân tích, định nghĩa một vật thể, khái qt hình ảnh có thể giúp định
nghĩa vật thể
-

Đưa ra ý tưởng để xây dựng ứng dụng camera an ninh thơng minh

U CẦU:
Có kiến thức, đam mê, hiểu biết về công nghệ mới như Mạng neural, Machine
Learning, Deep Learning…. Đọc hiểu tài liệu tiếng Anh, kỹ năng trình bày văn bản trên
máy tính tốt.
Có tác phong làm việc chăm chỉ, tinh thần trách nhiệm cao, có khả năng làm việc
độc lập hoặc làm việc trong nhóm tốt
2


Nội dung và yêu cầu đã được thông qua Bộ mơn.

TP.HCM, ngày 26 tháng 06 năm 2022
Q. TRƯỞNG BỘ MƠN
(Ký và ghi rõ họ tên)

ThS. Vương Xuân Chí

GIÁO VIÊN HƯỚ G DẪN
(Ký và ghi rõ họ tên)

ThS. Vương Xuân Chí

3


Lời Mở Đầu

Có lẽ trong chúng ta khó ai có thể tưởng tượng ra nổi những ảnh hưởng của công

nghệ mới trong tương lai. Ai có thể dự đốn được rằng 1990, khi Internet được
thương mại hóa,nó sẽ tác động thế nào đối với kinh doanh âm nhạc? Hoặc trong
ngành taxi? Trong các chiến dịch bầu cử chính trị? Trong hầu hết các lĩnh vực xung
quanh đời sống chúng ta. Máy tính là một cơng cụ đột biến, khơng ai biết nó sẽ
thay đổi cuộc sống của chúng ta như thế nào.
Sự phát triển gần đây của trí tuệ nhân tạo (AI) được tạo ra bởi các não bộ kỹ thuật
đảo ngược (Reverse Engineer Brains) cùng các thuật toán học tập dành cho các mơ
hình mạng Neural được mơ phỏng dựa trên các mạng Neural sinh học của con
người, chúng giao tiếp và sửa đổi dựa trên kinh nghiệm.
Nhờ có sự kiên trì, dữ liệu lớn (big data) và cơng suất tính tốn lớn học sâu đã tạo
nên các bước đột phá trong những vấn đề khó khan nhất của trí tuệ nhân tạo. Để từ
đó chúng ta có thể dễ phác họa nên bức tranh tương lai với những cơng cụ trí tuệ
nhân tạo tuyệt vời, các cơng cụ chuẩn đốn cho y học, những phương tiện khơng
người lái hay thậm chí chúng ta có thể tạo nên bản sao bộ não của mình bằng
Robot, …
Khó có thể vẽ nên một bức tranh tương lai một các cụ thể ở đây, vì thế chúng tơi
đã dựa vào những kiến thức được học để đưa đến một thế hệ công nghệ của Deep
Learning thông qua ứng dụng Camera an ninh thông minh.
Chương I sẽ cung cấp những nội dung tổng quan trong ngành học Deep Learning
cũng như những cách thức hoạt động căn bản, ưu và nhược điểm của chúng.
Chương II giải thích rõ hơn về cách thức hoạt động, hệ thống phân tích và định
4


nghĩa một vật thể bằng công nghệ của Deep Learning. Và cuối cùng chương III
chính là ý tưởng để xây dựng nên hệ thống Camera an ninh.

Lời Cảm Ơn
Trong suốt quá trình học tập ở trường đại học Nguyễn Tất Thành, chúng em luôn
được sự quan tâm, hướng dẫn và giúp đỡ tận tình của các thầy cơ giáo trong khoa

Công nghệ thông tin cùng với sự động viên giúp đỡ của bạn bè.
Lời đầu tiên chúng em xin được bày tỏ lòng biết ơn sâu sắc đến ban giám hiệu
trường đại học Nguyễn Tất Thành, các thầy cô khoa Cơng nghệ thơng tin đã tận
tình giúp đỡ cho em suốt thời gian học tại trường.
Đặc biệt chúng em xin được gửi lời cảm ơn sâu sắc tới thầy Vương Xn Chí đã
trực tiếp giúp đỡ, hướng dẫn em hồn thành đồ án này.
Vì kiến thức chun ngành cịn hạn chế trong quá trình nghiên cứu đề tài nên
chúng em vẫn cịn nhiều thiếu sót khi tìm hiểu, đánh giá và trình bày về đề tài.
Chúng em rất mong nhận được sự quan tâm, góp ý của các thầy cơ để đề tài chúng
em được đầy đủ và hoàn chỉnh hơn.
Chúng em xin trân trọng cảm ơn!

5


NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN

.......................................................................................................
.......................................................................................................
.......................................................................................................
.......................................................................................................
.......................................................................................................
.......................................................................................................
.......................................................................................................
.......................................................................................................
.......................................................................................................
.......................................................................................................
.......................................................................................................
.......................................................................................................
.......................................................................................................

.......................................................................................................
Điểm đồ án: ......................................................................................
.......................................................................................................
.......................................................................................................
.......................................................................................................
TPHCM, Ngày …… tháng …… năm
Giáo viên hướng dẫn
(Ký tên, đóng dấu)

6


TRƯỜNG ĐẠI HỌC NGUYỄN TẤT THÀNH
TRUNG TÂM KHẢO THÍ

BM-ChT11

KỲ THI KẾT THÚC HỌC PHẦN
HỌC KỲ …..… NĂM HỌC …….. - ….…

PHIẾU CHẤM THI TIỂU LUẬN/ĐỒ ÁN
Mơn thi:

Lớp học phần:

Nhóm sinh viên thực hiện :
1.

Tham gia đóng góp:

2.

Tham gia đóng góp:

3.

Tham gia đóng góp:

4.

Tham gia đóng góp:

5.

Tham gia đóng góp:

6.

Tham gia đóng góp:

7.

Tham gia đóng góp:

8.

Tham gia đóng góp:

Ngày thi:

Phịng thi:

Đề tài tiểu luận/báo cáo của sinh viên :
Phần đánh giá của giảng viên (căn cứ trên thang rubrics của môn học):
Tiêu chí (theo
Đánh giá của GV
CĐR HP)
Cấu trúc của
báo cáo
Nội dung
- Các
nội
dung
thành
phần
- Lập luận

Điểm tối
đa

Điểm đạt
được

- Kết luận
Trình bày
TỔNG ĐIỂM

Giảng viên chấm thi
(ký, ghi rõ họ tên)

7


MỤC LỤC
Chương I: Deep Learning
1.1 Giới thiêu về Machine Learning..............................................................1
1.2 Deep Learning.........................................................................................1-4
1.2.a Khái niệm........................................................................................1-2
1.2.b Nguồn gốc.......................................................................................2
1.2.c Cách thức hoạt động........................................................................3-4
1.3 Sự khác nhau giữa Machine Learning và Deep Learning.......................4
1.4 Ưu điểm và nhược điểm của Deep Learning...........................................4-5
1.5 Sự phát triển của Deep Learning.............................................................5-13
1.6 Khi nào nên sử dụng Deep Learning.......................................................11-13
1.7 Các kỹ thuật của Deep Learning............................................................13-21
Chương II : Hệ thống phân tích, định nghĩa một vật thể, khái qt hình ảnh có
thể giúp định nghĩa vật thể.
2.A Sơ Lược ......................................................................................................22-26
2.A.1 Thế nào là hệ thống phân tích, định nghĩa vật thể, khái qt hình ảnh để có
thể định hình vật thể?.....................................................................................22-23
2.A.2 Hệ thống phân tích, định nghĩa, khái qt hình ảnh để định hình vật thể có
phải là một khó khăn đối với các ngành công nghệ?......................................23-24
2.A.3 Ưu điểm ,Nhược điểm của hệ thống phân tích, định nghĩa, khái quát hình
ảnh trong quá trình phát triển.........................................................................24
2.A.4 . Những tư tưởng cạnh tranh của các hệ chuyên gia trong quá trình phát triển
........................................................................................................................ 24-26
2.B Các thức hoạt động
2.B.a Nguyên tắc về hình ảnh.........................................................................26-28
8

2.B.b Phân loại hình ảnh.................................................................................28-34
Chương III: Chương III: Ý tưởng xây dựng Camera an ninh thơng minh
3.1 Mục đích...................................................................................................34-35
3.2 u Cầu....................................................................................................35
3.3 Xây Dựng ................................................................................................36-38
3.4 Ưu điểm và nhược điểm của Camera an ninh...........................................38-39
3.5 Thực tế......................................................................................................39-42
Lời kết...............................................................................................................43

9


DANH MỤC CÁC BẢNG HÌNH
Hình 1.0 Minh họa Machine Learning
Hình 1.1 Biểu đồ của trí tuệ nhân tạo
Hình 1.2 Minh họa Deep Learning
Hình 1.3 Mơ hình hoạt động của ML và DL
Hình 1.4 Minh họa Deep Learning
Hình 1.5 Hãng xe Tesla
Hình 1.6 Minh họa Deep Learning trong vai trị phân tích cảm xúc
Hình 1.7 Logo Google Translate
Hình 1.8 Minh họa về trợ lý ảo
Hình 1.9 Minh họa về mạng xã hội
Hình 1.10 Minh họa việc phát triển nhận diện giọng nói của Deep Learning
Hình 1.11 Minh họa về sự phát triển của Deep Learning trong việc phát triển y học
Hình 1.12 Minh họa về công nghệ giao dịch đầu tư một cách tự động
Hình 1.13 Lee Sedol đối đầu với trí tuệ nhân tạo AlphaGo trong năm ván đấu cờ
vây
Hình 1.14 Minh họa

Hình 1.15 Mạng CNN
Hình 1.16 Boltzmann machine
Hình 1 17 Autoencoder
Hình 1.18 Backpropagation
10


Hình 1.19 Gradient Descent
Hình 2 0 Camera an ninh trong nhận diện ơ tơ
Hình 2 1 Minh Họa
Hình 2 2 Minh Họa
Hình 2 3 Bảng màu pixel
Hình 2 4 Tọa độ hình ảnh
Hình 2 5 Tỉ lệ khung ảnh
Hình 2 6 Minh họa phân loại hình ảnh
Hình 2 7 Phân loại hình ảnh giữa chó và mèo
Hình 2 8 Khó khăn trong việc nhận diện vật thể
Hình 2 9 Sự đa dạng của vật thể
Hình 2.10 Ví dụ về phân chia giữa tập huyến luyện và tập thử nghiệm
Hình 3.0Minh họa nhận diện của Camera an ninh
Hình 3.1 Minh họa mơ hình hoạt động của ML và DL
Hình 3.2 Camera an ninh
Hình 3.3 Camera an ninh
Hình 3.4 Camera an ninh

11


DANH MỤC CÁC TỪ VIẾT TẮT
Chữ Viết tắt

AL (Artificial Intelligence)
ML (Machine Learning)
DL (Deep Learning)
DNN (Deep Neural Network)

Ý nghĩa
Trí tuệ nhân tạo
Học máy
Học Sâu
Mạng Neural sâu

12


Chương I : Deep Learning
1. Giới thiệu về Machine Learning.
Machine Learning (ML) – là một nhánh của ngành
học Trí tuệ nhân tạo (AI). Là một lĩnh vực nghiên
cứu khả năng cải thiện dữ liệu của máy tính dựa
trên kho dữ liệu đã được cung cấp và đúc kết từ
những kinh nghiệm chúng đã được học. Từ đó dự
đốn hoặc đưa ra những quyết định mà khơng cần
người dùng lập trình cụ thể.
Machine Learning cịn được biết đến như một thuật
tốn để phân tích dữ liệu, học hỏi hay dự đốn một
vấn đề có liên quan.
Vậy mối quan hệ giữa Machine Learning và Deep

1 0 Minh họa về Deep Learnig (Nguồn
Pinterest)

Learning là gì?
2. Deep Learning.
a. Khái niệm
Ta khơng thể khơng nhắc đến Deep Learning khi đang tìm hiểu sâu về
Machine Learning. Deep Learning (Học sâu) là một nhánh của Machine
Learning, có nguồn gốc từ tốn
học, khoa học máy tính và khoa
học thần kinh. Bên cạnh đó, Deep
Learning cịn được xem như là
một kỹ thuật để thực hiện hóa
Machine Learning. ở đó các máy
tính sẽ học và cải thiện chính nó
thơng qua các thuật tốn.
1 1 Biểu đồ của trí tuệ nhân tạo (Nguồn google)

Deep Learning được xây dựng
dựa trên các khái niệm phức tạp hơn rất nhiều, chủ yếu hoạt động với các
13


mạng nơ-ron nhân tạo để bắt chước khả năng tư duy và suy nghĩ của bộ não
con người.
b. Nguồn gốc
1950, với sự xuất hiện của Trí tuệ nhân tạo (AI) đã có hai tầm nhìn cạnh tranh
về cách thức tạo ra trí tuệ nhân tạo: một bên dựa vào logic và các chương trình
chi phối AI trong nhiều thập kỷ; một bên lại dựa vào việc học trự tiếp từ dữ
liệu. Vào thời kỳ máy tính cịn chưa phát triển và việc lưu trữ dữ liệu quá đắt
đỏ so với tiêu chuẩn hiện này thì logic là một biện pháp tối ưu để giải quyết
vấn đề. Ngày nay năng lực máy tính nâng cao và khả năng lưu trữ dữ liệu lớn

(big data) việc giải quyết vấn đề dựa trên thuật tốn cũng trở nên phổ biết, vì
chúng nhanh hơn, chính xác hơn và hiệu quả hơn.
Mạng nơ-ron nhân tạo chính là động lực chính để phát triển Deep Learning.
Các mạng nơ-ron sâu (DNN) bao gồm nhiều lớp nơ-ron khác nhau, có khả
năng thực hiện các tính tốn có độ phức tạp rất cao. Deep Learning hiện đang
phát triển rất nhanh và được xem là một trong những bước đột phá lớn nhất
trong Machine Learning. Trong phần dưới đây, chúng ta sẽ làm rõ khái niệm
Deep Learning là gì thơng qua cơ chế hoạt động, ưu và nhược điểm của nó

1 2 Minh họa Deep Learning

14


c. Cách thức hoạt động.

là một phương pháp của Machine Learning. Mạng nơ-ron nhân tạo trong Deep
Learning được xây dựng để mô phỏng khả năng tư duy của bộ não con người.
Một mạng nơ-ron bao gồm nhiều lớp (layer) khác nhau, số lượng layer càng
nhiều thì mạng sẽ càng “sâu”. Trong mỗi layer là các nút mạng (node) và được
liên kết với những lớp liền kề khác. Mỗi kết nối giữa các node sẽ có một trọng
số tương ứng, trọng số càng cao thì ảnh hưởng của kết nối này đến mạng nơron càng lớn.
Mỗi nơ-ron sẽ có một hàm kích hoạt, về cơ bản thì có nhiệm vụ “chuẩn hoá”
đầu ra từ nơ-ron này. Dữ liệu được người dùng đưa vào mạng nơ-ron sẽ đi qua
tất cả layer và trả về kết quả ở layer cuối cùng, gọi là output layer.

1 3 Mơ hình hoạt động của ML và DL (Nguồn google)

Trong q trình huấn luyện mơ hình mạng nơ-ron, các trọng số sẽ được thay
đổi và nhiệm vụ của mơ hình là tìm ra bộ giá trị của trọng số sao cho phán

đoán là tốt nhất.
Các hệ thống Deep Learning yêu cầu phần cứng phải rất mạnh để có thể xử lý
được lượng dữ liệu lớn và thực hiện các phép tính phức tạp. Nhiều mơ hình
15


Deep Learning có thể mất nhiều tuần, thậm chí nhiều tháng để triển khai trên
những phần cứng tiên tiến nhất hiện nay.
Nếu những em bé lớn lên từ việc học hỏi mọi thứ xung quanh chúng bằng đôi
mắt tinh thường để từ đó đạt được những kỹ năng, sẵn sàng để điều hướng sang
mơi trường khác. Thì mạng lưới học sâu của Deep Learning được ví như vậy,
chúng thu nhập những dữ liệu lớn, “học” cách phân tích các vật thể bằng hình
ảnh (con người, động vật, xe cộ, … ) thơng qua Thị giác máy tính (Computer
Vision) để cải thiện khả năng nhận biết, dự đốn,.. của mình.

3. Sự khác nhau giữa Machine Learning và Deep Learning.
Machine Learning sử dụng những hướng dẫn đã được lập trình trước để cho phép
máy tính nhận ra hình ảnh của vật thể. Trong khi đó deep learning nhận dạng vật
thể một-cách-tự-động.
4. Ưu điểm và nhược điểm của Deep Learning.
Ưu điểm: Deep Learning là một bước ngoặt to lớn trong lĩnh vực trí tuệ nhân tạo,
cho phép khác nhà khoa học dữ liệu xây dựng nhiều mơ hình có độ chính xác rất
cao trong lĩnh vực nhận dạng ảnh, xử lý ngôn ngữ tự nhiên, xử lý giọng nói,…
Một số ưu điểm vượt trội của Deep Learning gồm có:
• Kiến trúc mạng nơ-ron linh hoạt, có thể dễ dàng thay đổi để phù hợp với
nhiều vấn đề khác nhau.
• Có khả năng giải quyết nhiều bài tốn phức tạp với độ chính xác rất cao.
• Tính tự động hố cao, có khả năng tự điều chỉnh và tự tối ưu.
• Có khả năng thực hiện tính tốn song song, hiệu năng tốt, xử lý được lượng
dữ liệu lớn.

16


1.4 Minh họa Deep Learning (Nguồn google)

Nhược điểm: Bên cạnh những ưu điểm, mặt khác, hiện nay Deep Learning vẫn
còn nhiều khó khăn và hạn chế, chẳng hạn như:
• Cần có khối lượng dữ liệu rất lớn để tận dụng tối đa khả năng của Deep
Learning.
• Chi phí tính tốn cao vì phải xử lý nhiều mơ hình phức tạp.
• Chưa có nền tảng lý thuyết mạnh mẽ để lựa chọn các công cụ tối ưu cho
Deep Learning.
5. Sự phát triển của Deep Learning
Học cách lái xe: Ví dụ điển hình nhất về
mặt phát triển của Deep Learning khơng
thể khơng kể đến các loại xe tự lái. Chẳng
ai lại không mong muốn một chiếc xe thay
thế mình di chuyển trên các đoạn đường
xa gần, hay thậm chí hỗ trợ đỗ xe đúng
nơi tại các địa điểm công cộng. Việc phát
triển các loại xe tự lái cũng giúp giảm
thiểu các tai nạn về lái xe khi sử dụng
rượu bia hay ngủ gật.
Tuy nhiên, xe tự lái sẽ sớm phá hủy kế

1.5 Hãng xe Tesla (Nguồn google)

sinh nhai của hàng triệu tài xế xe tải và taxi, nhiều lĩnh vực kinh doanh liên quan
17

cũng sẽ bị ảnh hương như bảo hiểm xe và cửa hàng phụ tùng. Ta có thể thấy
Tesla là một hãng xe minh chứng cho sự thành công trong công cuộc phát triển xe
tự lái.
Phân tích cảm xúc: Đây là lĩnh vực phân tích cảm xúc của con người thơng qua
việc xử lý ngơn ngữ tự nhiên, phân tích văn bản và thống kê. Các cơng ty có thể
ứng dụng Deep Learning để hiểu và phán đoán cảm xúc của khách hàng dựa trên
những đánh giá, bình luận, tweet,… từ đó đưa ra những chiến lược kinh doanh
và marketing phù hợp với từng nhóm đối tượng.

1.6 Minh họa Deep Learning trong vai trị phân tích cảm xúc (Nguồn google)

18


Học cách dịch: Deep Learning có thể tạo nên một sự thay đổi đột phá của ngành
công nghệ trong việc dịch ngôn ngữ. Gần đây, phiên bản mới của Google
Translate dựa vào Deep Learning thể hiện bước tiếc vượt bậc về chất lượng và
dịch vụ giữa các ngôn ngữ tự nhiên. Gần
như việc dịch ngôn ngữ đã chuyển từ một
cụm lộn xộn trở thành một câu mạch lạc
dựa vào phương pháp tìm kiếm sự phụ
thuộc thơng của qua các câu của Deep
Learning thay vì các phương pháp kết
hợp các từ có thể dịch cùng nhau trước

1.7 Logo Google Translate (Nguồn google)

đó.

19


Trợ Lý Ảo: Trợ lý ảo đang được ứng dụng rất nhiều trong đời sống hàng ngày,
trong đó phổ biến gồm có chatbot, giảng viên online, Google Assistant, Siri,
Cortana,… Các trợ lý ảo được xây dựng dựa trên Deep Learning với các thuật
tốn nhận diện văn bản, xử lý ngơn ngữ tự nhiên, nhận dạng giọng nói,…

1.8 Minh họa về trợ lý ảo

Mạng Xã Hội : Một số nền tảng mạng xã hội lớn như Twitter cũng ứng dụng các
thuật toán Deep Learning để cải thiện các dịch vụ của mình. Cụ thể, những trang
này sẽ phân tích một lượng lớn dữ liệu thông qua mạng nơ-ron nhân tạo để tìm
hiểu về các tuỳ chọn của người dùng. Ngồi ra, Instagram cũng sử dụng Deep
Learning để tránh các hành vi bạo lực trên khơng gian mạng, chặn các bình luận
vi phạm, không phù hợp,…
20


Facebook cũng khơng nằm ngồi danh sách các mạng xã hội ứng dụng Deep
Learning vào sản phẩm của mình. Các thuật toán mạng nơ-ron sâu được sử dụng
để gợi ý trang, bạn bè, dịch vụ, nhân diện khuôn mặt,…

1.9 Minh họa về mạng xã hội

Học cách lắng nghe: Tính năng nhận dạng giọng nói khơng phụ thuộc vào người
nói khơng còn bị giới hạn như trước đây. Năm 2016, một nhóm nghiên cứu của
Microsoft đã thơng báo rằng Deep Learning với 120 tầng đã đạt hiệu suất như
trình độ con người trong một bài kiểm tra tiêu chuẩn cho khả năng nhận dạng

nhiều giọng nói.

1.10 Minh họa việc phát triển nhận diện giọng nói của Deep Learning

21


Học cách chuẩn đoán trong y học: Với các bệnh ngồi da, việc chuẩn đốn y
học dựa trên hồ sơ của hàng triệu bệnh nhân sẽ trở nên chính xác hơn. Một nghiên
cứu đã áp dụng Deeplearning vào 130.000 hình ảnh da liễu cho hơn 2.000 bệnh
khác nhau – một dữ liệu lớn so với các dữ liệu trước đó. Chỉ ít lâu nữa người
dung có thể sử dụng tính năng chuẩn đốn bệnh thơng qua điện thoại và camera
thay vì phải đến phải tới phịng khám, xếp hàng chờ đợi để được chuẩn đoán
thương tổn.
Với các bệnh sâu bên trong như ung thư, đây là một vấn đề nhận dạng mẫu mà
Deep Learning có thể làm khá tốt. Mạng lưới Deep Learning được huấn luyện
dựa trên các tập hợp dữ liệu lớn có độ chính xác tương đối cao nhưng không thể
sánh bằng so với các chuyên gia ở cùng bộ dữ liệu thử nghiệm. Tuy nhiên khi
việc dự đốn của Deep Learning có thể kết hợp với các chuyên gia sẽ gần như
chính xác tuyệt đối.

1.11 Minh họa về sự phát triển của Deep Learning trong việc phát triển y học

22


Học cách kiếm tiền: Hơn 75% số lượng giao dịch trên sàn chứng khoán New
York được thực hiện một cách tự động. Giao dịch thuật tốn trong quy mơ thời
gian dài hơn sẽ tính đến xu hướng dài hạn trên dữ liệu lớn. Deep Learning ngày
càng góp phần giúp kiếm được nhiều tiền hơn và mang lại lợi nhuận cao hơn.

Hàng trăm thuật toán đã được sử dụng và những thuật toán tốt nhất sẽ tiếp tục
được kết hợp với nhau để tối ưu hóa lợi nhuận.

1.8 Minh họa về công nghệ giao dịch đầu tư một cách tự động

23


Học cách chơi cờ vây: Tháng 3 năm 2016, Lee Sedol, người Hàn Quốc với 18
lần vô địch thế giới trong bộ môn cờ vây đã thua một trận gồm năm ván đấu trước
AlphaGo của DeepMind – chương trình chơi cờ vây sử dụng mạng Deep

1.13 Lee Sedol đối đầu với trí tuệ nhân tạo AlphaGo trong năm ván đấu cờ vây

Learning để đánh giá thế cờ và các nước cờ khả thi. Một số mạng học sâu có khả
năng đánh giá thế cờ và chọn nước đi một cách tốt nhất, AlphaGo có một hệ
thống học hồn tồn khác biệt, sử dụng để giải quyết bài toán kết nối trách nhiệm
tạm thời : nước cờ nào sẽ chiến thắng, nước cờ nào sẽ dẫn đến thất bại. Và điều
đáng chú ý là AlphaGo đã tự học chơi cờ vây, rất rất nhiều lần .
6. Khi nào nên sử dụng Deep Learning?

24


Tiến sĩ Scott Clark, đồng sáng lập và CEO của SigOpt, cho rằng Deep Learning
hiệu quả nhất đối với các dữ liệu không tuân theo một cấu trúc cụ thể. Một số ví
dụ phổ biến gồm có văn bản, video, hình ảnh hay dữ liệu dạng thời gian. Các
thuật tốn Deep Learning có khả năng tự động xây dựng và khai thác các mẫu có
trong dữ liệu để đưa ra được quyết định tối ưu. Tuy nhiên, việc này cần rất nhiều
dữ liệu và tài ngun tính tốn để có được độ chính xác tốt nhất.

1.14 Minh họa

Mỗi mơ hình mạng nơ-ron nhân tạo có thể bao gồm hàng trăm, thậm chí hàng triệu
tham số khác nhau. Vì vậy việc tối ưu các tham số này đòi hỏi người xây dựng mơ
hình phải có kiến thức chun sâu và nhiều kinh nghiệm. Bên cạnh đó, các mạng
nơ-ron nhân tạo sử dụng nhiều hàm phi tuyến có độ phức tạp cao nên việc hiểu và
diễn giải các kết quả từ mô hình cũng là một thách thức lớn với các chuyên gia. Vì
vậy, với những dự án yêu cầu nhiều tương tác và phản hồi từ con người thì Deep
Learning khơng hẳn là một lựa chọn lý tưởng.

Độ phức tạp và mục tiêu của dự án.
25