Multivariate Modelle für maschinelles Lernen

Das künstliche neuronale Netzwerk (ANN) ist ein Modell, das von biologischen neuronalen Netzwerken wie dem menschlichen Gehirn inspiriert ist. Das Modell ist ein Beispiel für ein Modell für maschinelles Lernen im Vergleich zu LSTM und GRU. Dies verringert das Risiko einer Überanpassung und bietet dennoch mehr Flexibilität als ein lineares Modell. ANN wird anhand von Daten mithilfe von Varianten des Gradientenabstiegs wie AdaGrad und ADAM trainiert.

Das GRU (Gated Recurrent Unit) -Modell ist eine Art rekurrentes neuronales Netzwerk. Daher eignet es sich gut für sequentielle Daten wie Zeitreihen. Die Hauptstärke liegt in der hohen Flexibilität im Vergleich zu linearen Modellen. Ein GRU-Modell kann nichtlineare Muster in Daten identifizieren und so genauer beschreiben. Es ähnelt LSTM, hat jedoch weniger Parameter, wodurch das Risiko einer Überanpassung bei kleineren Datensätzen verringert wird. GRU wird anhand von Daten mithilfe von Varianten des Gradientenabstiegs wie AdaGrad und ADAM trainiert.

Das Modell des Langzeitgedächtnisses (LSTM) ist ein künstliches rekurrentes neuronales Netzwerk. Aufgrund seiner Rückkopplungsverbindungen eignet es sich besonders für die Verarbeitung von Datensequenzen. LSTM-Modelle werden für viele verschiedene Aufgaben wie Sprach- und Videoanalysen sowie Zeitreihenanalysen verwendet. Eine der Hauptstärken eines LSTM-Modells ist seine Flexibilität. Dank seiner nichtlinearen Aktivierungsfunktionen und seiner starken Parametrisierung kann es komplexe Strukturen in Daten identifizieren. LSTM wird anhand von Daten mithilfe von Varianten des Gradientenabstiegs wie AdaGrad und ADAM trainiert.