LSTM là gì?
LSTM (Long Short-Term Memory) là mạng nơ-ron hồi quy có ô nhớ và ba cổng, giúp học phụ thuộc xa trong chuỗi dữ liệu. Bài giải thích cơ chế, biến thể, ứng dụng và giới hạn.
Chuyên mục AI & Dữ liệu giải thích trí tuệ nhân tạo từ nền tảng đến ứng dụng: học máy (machine learning), học sâu (deep learning), mô hình ngôn ngữ lớn (LLM), AI tạo sinh và AI agent. Bên cạnh mô hình, chúng tôi dành nhiều bài cho phần doanh nghiệp hay bỏ qua: dữ liệu. Chất lượng AI phụ thuộc vào việc thu thập, gán nhãn (data annotation), làm sạch và quản trị dữ liệu, nên các bài về DataOps, data warehouse, data lake hay nguyên tắc “garbage in, garbage out” đi cùng các bài về thuật toán. Mỗi bài mở đầu bằng định nghĩa ngắn, sau đó trình bày cách hoạt động, ví dụ ứng dụng thật, giới hạn và rủi ro cần biết khi triển khai trong doanh nghiệp Việt Nam.
LSTM (Long Short-Term Memory) là mạng nơ-ron hồi quy có ô nhớ và ba cổng, giúp học phụ thuộc xa trong chuỗi dữ liệu. Bài giải thích cơ chế, biến thể, ứng dụng và giới hạn.
RNN là mạng nơ-ron có trạng thái ẩn, đọc dữ liệu từng bước và nhớ phần đã đọc. Bài giải thích cơ chế, giới hạn, LSTM, GRU và so sánh với Transformer.
PCA gom nhiều biến tương quan thành vài thành phần chính giữ phần lớn phương sai. Bài giải thích cơ chế, cách chọn số thành phần, lỗi thường gặp và giới hạn.
Backpropagation (lan truyền ngược) tính gradient của hàm mất mát theo từng trọng số bằng quy tắc chuỗi. Bài có ví dụ số, lịch sử, so sánh với gradient descent và lỗi thường gặp.
Gradient descent là thuật toán dịch chuyển tham số theo hướng ngược gradient để giảm sai số. Bài có công thức, ví dụ tính tay, so sánh SGD, mini-batch, Adam và lỗi thường gặp.
Feature engineering là bước biến dữ liệu thô thành đặc trưng để mô hình học máy dùng được: gồm kỹ thuật chính, ví dụ cho doanh nghiệp Việt, lỗi rò rỉ dữ liệu và khi nào cần.
Hyperparameter (siêu tham số) là cài đặt bạn chọn trước khi huấn luyện mô hình AI. Bài giải thích khác parameter ở đâu, các loại, cách tinh chỉnh và lỗi thường gặp.
Underfitting (thiếu khớp) là khi mô hình chưa học được quy luật trong dữ liệu nên sai cả trên tập huấn luyện. Bài này giải thích dấu hiệu, nguyên nhân và cách xử lý.
AI bias là hiện tượng mô hình cho kết quả lệch có hệ thống, bất lợi cho một nhóm người. Bài giải thích nguyên nhân, các loại, ví dụ thực tế và cách đo, kiểm tra.
Explainable AI (XAI) giúp con người hiểu vì sao mô hình AI đưa ra một kết quả. Bài này nêu cơ chế, các kỹ thuật SHAP, LIME, nguyên tắc NIST, giới hạn và cách áp dụng.