ANNLa red neuronal artificial (ANN) es un modelo inspirado en redes neuronales biológicas como el cerebro humano. El modelo es un ejemplo de un modelo de aprendizaje automático más disperso en comparación con LSTM y GRU. Esto reduce el riesgo de sobreajuste y, al mismo tiempo, ofrece más flexibilidad que un modelo lineal. ANN se entrena con datos que utilizan variantes del descenso de gradientes, como AdaGrad y ADAM.
GRUEl modelo de unidades recurrentes cerradas (GRU) es un tipo de red neuronal recurrente. Como tal, es muy adecuado para datos secuenciales, como series temporales. La principal ventaja es la alta flexibilidad en comparación con los modelos lineales, ya que un modelo GRU puede identificar patrones no lineales en los datos, lo que le permite describirlos con mayor precisión. Es similar al LSTM, pero tiene menos parámetros, lo que reduce el riesgo de sobreajuste en conjuntos de datos más pequeños. El GRU se entrena a partir de datos que utilizan variantes del descenso en gradiente, como AdaGrad y ADAM.
LSTMEl modelo de memoria a corto plazo (LSTM) es una red neuronal recurrente artificial. Es especialmente adecuado para procesar secuencias de datos, debido a sus conexiones de retroalimentación. Los modelos LSTM se utilizan para muchas tareas diferentes, como el análisis de voz y vídeo, así como el análisis de series temporales. Uno de los principales puntos fuertes de un modelo LSTM es su flexibilidad, ya que puede identificar estructuras complejas en los datos gracias a sus funciones de activación no lineal y a su intensa parametrización. El LSTM se entrena a partir de datos utilizando variantes del descenso de gradientes, como AdaGrad y ADAM.
