ANNLa rete neurale artificiale (ANN) è un modello ispirato alle reti neurali biologiche come il cervello umano. Il modello è un esempio di modello di apprendimento automatico più scarso rispetto a LSTM e GRU. Ciò riduce il rischio di sovradimensionamento pur offrendo una maggiore flessibilità rispetto a un modello lineare. ANN viene addestrato sui dati utilizzando varianti di discesa del gradiente, come AdaGrad e ADAM.
GRUIl modello Gated Recurrent Unit (GRU) è un tipo di rete neurale ricorrente. In quanto tale, è adatto per dati sequenziali come le serie temporali. Il punto di forza principale è l'elevata flessibilità rispetto ai modelli lineari, un modello GRU è in grado di identificare modelli non lineari nei dati, consentendogli di descriverli in modo più accurato. È simile all'LSTM ma presenta un minor numero di parametri, il che riduce il rischio di sovradimensionamento su set di dati più piccoli. Il GRU viene addestrato sui dati utilizzando varianti di discesa del gradiente, come AdaGrad e ADAM.
LSTMIl modello di memoria a lungo termine (LSTM) è una rete neurale artificiale ricorrente. È particolarmente adatto per l'elaborazione di sequenze di dati, grazie alle sue connessioni di feedback. I modelli LSTM vengono utilizzati per molte attività diverse, come l'analisi vocale e video e l'analisi di serie temporali. Uno dei principali punti di forza di un modello LSTM è la sua flessibilità, in grado di identificare strutture complesse nei dati grazie alle sue funzioni di attivazione non lineari e alla parametrizzazione intensiva. L'LSTM viene addestrato sui dati utilizzando varianti di discesa del gradiente, come AdaGrad e ADAM.
