BÁO CÁO THỰC TẬP TỐT NGHIỆP TÊN ĐỀ TÀI XÂY DỰNG MÔ HÌNH MÁY HỌC LONG SHORT-TERM MEMORY DỰ ĐOÁN GIÁ CỔ PHIẾU CỦA CÔNG TY CỔ PHẦN SỮA

MỤC LỤC DANH MỤC HÌNH ẢNH................................................................................... 1 LỜI MỞ ĐẦU...................................................................................................... 3 CHƯƠNG 1: GIỚI THIỆU CHUNG................................................................ 4 1.1. Mục tiêu đề tài. ........................................................................................... 4 1.2. Phạm vi đề tài. ............................................................................................ 4 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT .................................................................. 6 2.1. Mạng nơ-ron hồi quy (Recurrent Neural Networks – RNN). .................... 6 2.2. Mô hình Long Short-Term Memory......................................................... 11 CHƯƠNG 3: TỔNG QUAN VỀ CỔ PHIẾU CỦA CÔNG TY CỔ PHẨN SỮA VIỆT NAM................................................................................... 15 3.1. Giới thiệu tổng quát về Công ty Cổ phần Sữa Việt Nam......................... 15 3.2. Phân tích cổ phiếu của Vinamilk.............................................................. 16 CHƯƠNG 4: XÂY DỰNG MÔ HÌNH LSTM DỰ ĐOÁN GIÁ CỔ PHIẾU ................................................................................................................ 19 4.1. Thu thập dữ liệu........................................................................................ 19 4.2. Ngôn ngữ và môi trường phát triển. ......................................................... 19 4.3. Tiền xử lý dữ liệu...................................................................................... 21 4.4. Phân chia dữ liệu....................................................................................... 24 4.5. Xây dựng mô hình .................................................................................... 28 4.6. Dự đoán giá cổ phiếu của 25% bộ dữ liệu chưa được sử dụng (14/12/2023 – 20/6/2024)................................................................................ 32 CHƯƠNG 5: TỔNG KẾT VÀ ĐÁNH GIÁ.................................................... 35 5.1. Tóm tắt quy trình xây dựng mô hình........................................................ 35 5.2. Đánh giá mô hình...................................................................................... 35 5.3. Tổng kết. ................................................................................................... 36 DANH MỤC TÀI LIỆU THAM KHẢO......................................................... 37

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC GIA ĐỊNH KHOA CÔNG NGHỆ THÔNG TIN

BÁO CÁO

THỰC TẬP TỐT NGHIỆP TÊN ĐỀ TÀI

XÂY DỰNG MÔ HÌNH MÁY HỌC

LONG SHORT-TERM MEMORY DỰ ĐOÁN GIÁ CỔ PHIẾU CỦA CÔNG TY CỔ PHẦN SỮA

Giảng viên hướng dẫn: Trần Hoài Thuận

Sinh viên thực hiện: Nguyễn Việt Thành MSSV:2108110289

Lớp: K15HTTT01

Khóa: 2021_ĐHCQ_K15

Thành phố Hồ Chí Minh, tháng 7 năm 2024

21

LỜI CẢM ƠN

Em xin chân thành cảm ơn Trường Đại học Gia Định đã tạo điều kiện thuận lợi cho em trong việc thực tập tại khoa Em cũng đặc biệt muốn gửi lời cảm ơn sâu sắc đến giáo viên hướng dẫn - Ths Trần Hoài Thuận, người đã nhiệt tình hướng dẫn và hỗ trợ em trong suốt quá trình thực tập cũng như trong bài nghiên cứu này

Một lần nữa, em xin gửi lời cảm ơn chân thành đến Trường Đại học Gia Định và thầy Trần Hoài Thuận, sự tận tụy của thầy và nhà trường đã giúp em định hướng và có niềm tin vững chắc trên con đường sự nghiệp của mình

Em xin cảm ơn!

ĐÁNH GIÁ CỦA ĐƠN VỊ THỰC TẬP1 Thái độ tác phong trong thời gian thực tập:

2 Kiến thức chuyên môn:

3 Nhận thức thực tế:

4 Đánh giá khác:

5 Đánh giá chung kết quả thực tập:

………, ngày ……… tháng ……… năm …………

TM Đơn vị thực tập

(Ký tên, đóng dấu)

ĐÁNH GIÁ CỦA GIẢNG VIÊN HƯỚNG DẪN

1 Thái độ tác phong trong thời gian thực tập:

2 Kiến thức chuyên môn:

3 Nhận thức thực tế:

4 Đánh giá khác:

5 Đánh giá chung kết quả thực tập:

………, ngày ……… tháng ……… năm …………

Giảng viên hướng dẫn

(Ký tên, ghi rõ họ tên)

TRƯỜNG ĐẠI HỌC GIA ĐỊNH

KHOA CÔNG NGHỆ THÔNG TIN CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự do – Hạnh phúc

BÁO CÁO THỰC TẬP TỐT NGHIỆP HÀNG TUẦN

Họ và tên SV: Nguyễn Việt Thành MSSV:2108110289 Lớp: K15HTTT01

Giảng viên hướng dẫn: Trần Hoài Thuận

Tên doanh nghiệp (đơn vị) đến thực tập: Trường Đại học Gia Định Địa chỉ: 371 Nguyễn Kiệm, phường 13, Gò Vấp, TP HCM

tên)

Nhận xét của giảng viên hướng dẫn (Ký tên và

ghi rõ họ tên)

1

Tuần 1 (Từ ngày 1/6 đến ngày 7/6)

Thu thập dữ liệu thực tế của doanh nghiệp với khoảng thời gian phù hợp

2

Tuần 2 (Từ ngày 8/6

đến ngày 14/6)

Tiền xử lý và phân chia dữ liệu

3

Tuần 3 (Từ ngày 15/6

đến ngày 21/6)

Nghiên cứu và xây dựng mô hình LSTM (Long Short-Term Memory)

4

Tuần 4 (Từ ngày 22/6

đến ngày 28/6)

- Huấn luyện mô hình dựa trên dữ liệu train, test - Đánh giá mô hình - Tùy chỉnh chỉ số nâng cao hiệu suất mô hình

5

Tuần 5 (Từ ngày 29/6

đến ngày 4/7)

Triển khai mô hình dữ đoán giá cổ phiếu cho tương lai

6

Tuần 6 (Từ ngày 5/7

đến ngày 11/7)

Tổng kết và viết báo cáo

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 6

2.1 Mạng nơ-ron hồi quy (Recurrent Neural Networks – RNN) 6

2.2 Mô hình Long Short-Term Memory 11

CHƯƠNG 3: TỔNG QUAN VỀ CỔ PHIẾU CỦA CÔNG TY CỔ PHẨN SỮA VIỆT NAM 15

3.1 Giới thiệu tổng quát về Công ty Cổ phần Sữa Việt Nam 15

3.2 Phân tích cổ phiếu của Vinamilk 16

CHƯƠNG 4: XÂY DỰNG MÔ HÌNH LSTM DỰ ĐOÁN GIÁ CỔ PHIẾU 19

DANH MỤC HÌNH ẢNH

Hình 1.1 Long short-term memory neural networks 4

Hình 1.2 Công ty cổ phần sữa vinamilk 5

Hình 2 1 Recurrent neural network - rnn 6

Hình 2 2 Loại rnn một - nhiều 8

Hình 2 3 Loại rnn nhiều - nhiều 8

Hình 2 4 Loại rnn nhiều - một 9

Hình 4 1 Thư viện xử lý dữ liệu 21

Hình 4 2 Kiểm tra kiểu dữ liệu 21

Hình 4 3 Kiểm tra 10 dòng đầu của bộ dữ liệu 22

Hình 4 4 Xử lý dữ liệu 23

Hình 4 5 Kiểm tra lại kiểu dữ liệu 23

Hình 4 6 Kiểm tra lại 10 dòng đầu của bộ dữ liệu 24

Hình 4 7 Index chọn thuộc tính cần sử dụng 24

Hình 4 8 Chia dữ liệu 25

Hình 4 9 Kiểm tra dữ liệu đã chia 26

Hình 4 10 Chia train, test 26

Hình 4 11 Chuẩn hóa dữ liệu 26

Hình 4 17 Huấn luyện mô hình 29

Hình 4 18 Dự đoán giá train 29

Hình 4 19 Dự đoán giá test 30

Hình 4 21.kết quả của dữ liệu được dự đoán của train và test trên dữ liệu

thực tế 31

Hình 4 22 Các thư viện dùng để đánh giá độ phù hợp của mô hình 31

Hình 4 23 Độ phù hợp, sai số… của dữ liệu dự đoán với dữ liệu thực tế 31

Hình 4 24.chuẩn bị dữ liệu và mô hình đã huấn luyện cho việc dự đoán 32

Hình 4 25 Dự đoán giá cổ phiếu đến ngày 20/6/2024 32

Hình 4 26 Chuyển đổi giá trị dự đoán 33

Hình 4 27 Xây dựng biểu đồ dự đoán 33

Hình 4 28 Biểu đồ dự đoán tới ngày 20/6/2024 34

Hình 4 29 Xây dựng biểu đồ so sánh 34

Hình 4 30 Biểu đồ so sánh của kết quả dự đoán với dữ liệu thực tế 34

LỜI MỞ ĐẦU

Dự đoán giá cổ phiếu là một trong những bài toán quan trọng và thách thức nhất trong lĩnh vực tài chính Sự biến động liên tục của thị trường chứng khoán và những yếu tố ảnh hưởng đến giá cổ phiếu đòi hỏi các phương pháp dự đoán phải cực kỳ chính xác và nhạy bén Trong bối cảnh công nghệ thông tin và trí tuệ nhân tạo (AI) phát triển mạnh mẽ, các phương pháp truyền thống như phân tích kỹ thuật và phân tích cơ bản dần được bổ sung hoặc thay thế bằng các mô hình máy học tiên tiến Trong số đó, mô hình Long Short-Term Memory (LSTM) nổi lên như một công cụ hiệu quả để xử lý dữ liệu chuỗi thời gian, đặc biệt là trong dự đoán giá cổ phiếu.

Bài nghiên cứu này tập trung vào việc xây dựng và ứng dụng mô hình LSTM để dự đoán giá cổ phiếu của Công ty Cổ phần Sữa, một trong những doanh nghiệp hàng đầu trong ngành công nghiệp sữa tại Việt Nam Công ty này không chỉ có vị thế mạnh trong thị trường nội địa mà còn là một đại diện tiêu biểu của thị trường chứng khoán Việt Nam Việc dự đoán chính xác giá cổ phiếu của Công ty Cổ phần Sữa không chỉ giúp các nhà đầu tư đưa ra quyết định đầu tư hợp lý mà còn góp phần vào việc ổn định và phát triển thị trường chứng khoán

CHƯƠNG 1: GIỚI THIỆU CHUNG 1.1 Mục tiêu đề tài

• Phát triển mô hình LSTM: Xây dựng và phát triển mô hình Long

Short-Term Memory (LSTM) để dự đoán giá cổ phiếu của Công ty Cổ phần Sữa dựa trên dữ liệu lịch sử

Hình 1.1 Long Short-Term Memory Neural Networks

• Tối ưu hóa độ chính xác dự đoán: Nâng cao độ chính xác của mô

hình dự đoán bằng cách điều chỉnh các tham số của mô hình và sử dụng các kỹ thuật tiền xử lý dữ liệu.

• Đánh giá mô hình và kết quả so với thực tế.

1.2 Phạm vi đề tài

• Đối tượng nghiên cứu: Giá cổ phiếu của công ty cổ phần sữa, một

trong những doanh nghiệp hàng đầu trong ngành công nghiệp sữa tại Việt Nam.

Hình 1.2 Công ty Cổ phần Sữa Vinamilk

• Dữ liệu sử dụng:

Với biến động thị trường bất ổn định như hiện nay thì cổ phiếu, chứng khoáng nói riêng và nề kinh tế nói chung, các xu hướng cũ trong quá khứ đã không còn phù hợp với thị trường hiện tại nếu thu thập dữ liệu trong thời gian dài (> 3 năm), làm ảnh hưởng đến dự đoán (kéo theo các xu hướng cũ) Vì vậy, thu thập dữ liệu trong khoảng 2 năm gần đây (20/6/2022 -> 20/6/2024) là một lựa chọn hợp lý để đảm bảo rằng mô hình dự đoán có thể nắm bắt được các xu hướng ngắn hạn và biến động hiện tại của thị trường.

Dữ liệu được thu thập từ trang web vn.investing.com, là một nền tảng tài chính quốc tế cung cấp các dịch vụ và thông tin liên quan đến thị trường tài chính, chứng khoán, hàng hóa, tiền tệ và nhiều lĩnh vực khác

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT

2.1 Mạng nơ-ron hồi quy (Recurrent Neural Networks – RNN) 2.1.1 Khái niệm

Mạng nơ-ron hồi quy (Recurrent Neural Network - RNN) là một loại mạng nơ-ron nhân tạo được thiết kế để xử lý các dữ liệu có tính tuần tự, như chuỗi thời gian hoặc dữ liệu ngôn ngữ tự nhiên Điểm đặc biệt của RNN là khả năng duy trì thông tin qua các bước thời gian, giúp nó có thể nhớ và xử lý các mối liên hệ trong dữ liệu theo thời gian

2.1.2 Cấu trúc cơ bản

Hình 2.1.Recurrent Neural Network - RNN

RNN được tạo thành từ các nơ-ron: các nút xử lý dữ liệu kết hợp cùng nhau để thực hiện các tác vụ phức tạp Các nơ-ron được tổ chức dưới dạng Lớp đầu vào, Lớp đầu ra và Lớp ẩn Lớp đầu vào nhận thông tin để xử lý và Lớp đầu ra cung cấp kết quả Quá trình xử lý dữ liệu, phân tích và dự đoán diễn ra trong Lớp ẩn

Trong đó:

x: Đầu vào tại một thời điểm t s: Trạng thái ẩn tại thời điểm t o: Đầu ra tại thời điểm t

U: Trọng số từ đầu vào x đến trạng thái ẩn s

W: Trọng số từ trạng thái ẩn s ở thời điểm trước đó đến trạng thái ẩn s hiện tại

Trong BPTT, gradient của hàm mất mát L đối với trọng số W tại mỗi bước thời gian được tính toán như sau:

• Một – nhiều: Loại RNN này dẫn một đầu vào đến một số đầu ra

Loại này tạo điều kiện cho các ứng dụng ngôn ngữ như chú thích hình ảnh bằng cách tạo một câu từ một từ khóa duy nhất

Hình 2 1 Loại RNN Một - nhiều

• Nhiều – nhiều: Mô hình sử dụng nhiều đầu vào để dự đoán nhiều

đầu ra Ví dụ: ta có thể tạo một công cụ dịch ngôn ngữ bằng RNN, với khả năng phân tích câu và cấu trúc chính xác các từ trong một ngôn ngữ khác.

Hình 2 2 Loại RNN Nhiều - nhiều

• Nhiều – một: Một số đầu vào được ánh xạ đến một đầu ra Loại này

rất hữu ích trong các ứng dụng như phân tích cảm xúc, trong đó mô hình dự đoán cảm xúc của khách hàng như tích cực, tiêu cực và trung lập từ lời chứng thực đầu vào

Ví dụ, trong một RNN, gradient của hàm mất mát L đối với trọng số W tại thời điểm t có thể được biểu diễn như sau:

Nếu giá trị của nhỏ hơn 1, gradient sẽ giảm dần qua mỗi bước thời gian, dẫn đến gradient rất nhỏ khi truyền ngược qua nhiều bước thời gian Điều này làm cho mô hình khó học được các mối quan hệ dài hạn trong dữ liệu

2.1.5.2 Gradient bùng nổ

Gradient bùng nổ xảy ra khi các gradient trở nên rất lớn trong quá trình lan truyền ngược, dẫn đến việc cập nhật trọng số quá mạnh và mô hình trở nên không ổn định Điều này cũng phổ biến trong RNN khi xử lý

Nếu giá trị của lớn hơn 1, gradient sẽ tăng dần qua mỗi bước thời gian, dẫn đến gradient rất lớn khi truyền ngược qua nhiều bước thời gian Điều này có thể làm cho các trọng số của mô hình tăng quá mạnh và làm giảm hiệu quả của quá trình huấn luyện

2.1.6 Các biến thể của RNN

Kiến trúc RNN đặt nền tảng cho các mô hình ML có khả năng xử lý ngôn ngữ Một số biến thể đã xuất hiện dùng chung nguyên tắc lưu giữ bộ nhớ với RNN và cải thiện chức năng ban đầu của RNN Sau đây là một số ví dụ:

• Mạng nơ-ron hồi quy hai chiều: Mạng nơ-ron hồi quy hai chiều (BRNN) xử lý các chuỗi dữ liệu với các lớp tiến và lùi của các nút

ẩn Lớp tiến hoạt động tương tự như RNN, lưu trữ đầu vào trước đó ở trạng thái ẩn và sử dụng đầu vào đó để dự đoán đầu ra tiếp theo Trong khi đó, lớp lùi hoạt động theo hướng ngược lại bằng cách lấy cả đầu vào hiện tại và trạng thái ẩn trong tương lai để cập nhật trạng thái ẩn hiện tại Kết hợp cả hai lớp cho phép BRNN cải thiện độ chính xác của dự đoán bằng cách xem xét bối cảnh trong quá khứ và tương lai

• Bộ nhớ dài – ngắn hạn: Bộ nhớ dài-ngắn hạn (LSTM) là một biến

thể RNN cho phép mô hình mở rộng dung lượng bộ nhớ để phù hợp với dòng thời gian dài hơn RNN chỉ có thể nhớ đầu vào vừa qua tức thì Nhưng RNN không thể sử dụng đầu vào từ một số chuỗi trước đó để cải thiện dự đoán.

• Các đơn vị hồi quy có cổng (GRU): Đơn vị hồi quy có cổng (GRU)

là một RNN cho phép lưu giữ bộ nhớ có chọn lọc Mô hình thêm một bản cập nhật và quên cổng vào lớp ẩn của mô hình, điều này có thể lưu trữ hoặc xóa thông tin trong bộ nhớ.

2.2 Mô hình Long Short-Term Memory 2.2.1 Cấu trúc

Mô hình Long Short-Term Memory (LSTM) là một biến thể của mạng nơ-ron hồi quy (RNN) được thiết kế để giải quyết các vấn đề về gradient biến mất và gradient bùng nổ LSTM có một cấu trúc đặc biệt bao gồm các đơn vị nhớ (memory cells) và các cổng điều khiển (gates) giúp duy trì và điều chỉnh luồng thông tin qua nhiều bước thời gian Cấu trúc cơ bản của 1 đơn vị LSTM bao gồm các thành phần sau:

2.2.1.1.Ô nhớ (Cell State)

Ô nhớ là nơi lưu trữ thông tin qua các bước thời gian Nó giống như một "đường cao tốc" thông tin, nơi dữ liệu có thể chạy qua mà không bị thay đổi quá nhiều

2.2.1.2 Các cổng điều khiển (Gates)

Các cổng điều khiển được sử dụng để điều chỉnh luồng thông tin vào và ra khỏi ô nhớ Có ba loại cổng chính trong LSTM:

• Cổng quên (Forget Gate): Quyết định thông tin nào từ ô nhớ cần

được quên đi

• Cổng đầu vào (Input Gate): Quyết định thông tin nào từ đầu vào

hiện tại sẽ được lưu vào ô nhớ

• Cổng đầu ra (Output Gate): Quyết định thông tin nào từ ô nhớ sẽ

được sử dụng để tạo đầu ra của mô hình

3 Cổng đầu vào quyết định thông tin mới nào từ đầu vào hiện tại nên được thêm vào trạng thái tế bào

4 Trạng thái tế bào được cập nhật bằng cách kết hợp thông tin từ cổng quên và cổng đầu vào

5 Cổng đầu ra quyết định phần nào của trạng thái tế bào nên được sử dụng để tạo ra trạng thái ẩn hiện tại

6 Trạng thái ẩn hiện tại st được sử dụng làm đầu vào cho bước thời gian tiếp theo và/hoặc làm đầu ra của LSTM tại thời điểm t

Nhờ vào cấu trúc này, LSTM có thể học và ghi nhớ các mẫu thông tin trong chuỗi thời gian dài hơn so với RNN truyền thống, đồng thời giải quyết vấn đề gradient biến mất và gradient bùng nổ

2.3 Ứng dụng của Long Short-Term Memory

Mạng nơ-ron LSTM (Long Short-Term Memory) là một biến thể của mạng nơ-ron hồi quy (RNN) được thiết kế để giải quyết các vấn đề về gradient biến mất và gradient bùng nổ trong quá trình huấn luyện các chuỗi dài Nhờ vào khả năng ghi nhớ thông tin qua các bước thời gian dài, LSTM đã được áp dụng rộng rãi trong nhiều lĩnh vực khác nhau

2.3.1.Xử lý ngôn ngữ tự nhiên (NLP)

• Dịch máy (Machine Translation): LSTM được sử dụng trong các

hệ thống dịch máy để dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác một cách chính xác và mượt mà hơn so với RNN thông thường Các mô hình dịch máy như Google Translate sử dụng LSTM để cải thiện chất lượng dịch thuật

• Nhận diện giọng nói (Speech Recognition): LSTM được áp dụng

trong các hệ thống nhận diện giọng nói để chuyển đổi giọng nói thành văn bản Các ứng dụng như Siri, Google Assistant, và Amazon Alexa sử dụng LSTM để hiểu và xử lý giọng nói của người dùng một cách hiệu quả

• Sinh tự động văn bản (Text Generation): LSTM được sử dụng để

tạo ra các đoạn văn bản tự động Các mô hình này có thể học phong cách viết của một tác giả và tạo ra các đoạn văn bản mới có cùng phong cách

• Phân tích cảm xúc (Sentiment Analysis): LSTM được sử dụng để

phân tích cảm xúc của văn bản, chẳng hạn như đánh giá sản phẩm, phản hồi của khách hàng, hoặc bình luận trên mạng xã hội Các mô hình này có thể phân loại cảm xúc của văn bản thành tích cực, tiêu cực hoặc trung tính

2.3.2 Dự đoán chuỗi thời gian (Time Series Prediction)

• Dự đoán giá cổ phiếu (Stock Price Prediction): LSTM được sử

dụng để dự đoán giá cổ phiếu bằng cách phân tích dữ liệu lịch sử của giá cổ phiếu Các mô hình này có thể dự đoán xu hướng giá cổ phiếu trong tương lai dựa trên các dữ liệu thời gian trước đó

• Dự báo nhu cầu (Demand Forecasting): LSTM được sử dụng để

dự báo nhu cầu sản phẩm trong các lĩnh vực như bán lẻ, sản xuất, và logistics Các mô hình LSTM có thể dự đoán nhu cầu sản phẩm dựa trên dữ liệu lịch sử, giúp doanh nghiệp quản lý kho hàng và lên kế hoạch sản xuất hiệu quả

• Dự báo thời tiết (Weather Forecasting): LSTM được áp dụng

trong các hệ thống dự báo thời tiết để phân tích dữ liệu thời tiết lịch sử và dự đoán điều kiện thời tiết trong tương lai Mô hình LSTM có thể dự đoán nhiệt độ, lượng mưa và các điều kiện thời tiết khác

2.3.2 Phân tích chuỗi DNA/RNA

LSTM được sử dụng trong sinh học tính toán để phân tích các chuỗi DNA và RNA Các mô hình LSTM có thể dự đoán các mẫu sinh học, phát

2.3.4 Hệ thống khuyến nghị (Recommendation Systems)

LSTM được áp dụng trong các hệ thống khuyến nghị để đề xuất sản phẩm, phim hoặc âm nhạc cho người dùng dựa trên lịch sử tương tác của họ Các nền tảng như Netflix, Spotify và Amazon sử dụng LSTM để phân tích sở thích của người dùng và đề xuất nội dung phù hợp

2.3.5 Phát hiện bất thường (Anomaly Detection)

LSTM được sử dụng để phát hiện các bất thường trong các chuỗi thời gian, chẳng hạn như phát hiện gian lận trong giao dịch tài chính, phát hiện sự cố trong hệ thống công nghiệp hoặc phát hiện các dấu hiệu bất thường trong dữ liệu y tế

2.3.6 Robot và hệ thống tự động

LSTM được áp dụng trong các hệ thống robot và tự động hóa để điều khiển và điều phối các hành động dựa trên dữ liệu thời gian thực Các hệ thống này có thể sử dụng LSTM để phân tích dữ liệu cảm biến và ra quyết định hành động phù hợp

2.3.7 Hệ thống kiểm tra chính tả và ngữ pháp

LSTM được sử dụng trong các ứng dụng kiểm tra chính tả và ngữ pháp để phát hiện và sửa lỗi trong văn bản Các ứng dụng như Grammarly sử dụng LSTM để cải thiện khả năng phát hiện và sửa lỗi chính tả và ngữ pháp

2.3.8 Mô hình hóa ngữ cảnh trong video

LSTM được sử dụng để phân tích và mô hình hóa ngữ cảnh trong video, chẳng hạn như nhận diện hành động của con người, phát hiện sự kiện hoặc phân tích hành vi trong video giám sát