ANNHet kunstmatige neurale netwerk (ANN) is een model geïnspireerd op biologische neurale netwerken zoals het menselijk brein. Het model is een voorbeeld van een schaarser machine learning-model vergeleken met LSTM en GRU. Dit verkleint het risico op overfitting en biedt toch meer flexibiliteit dan een lineair model. ANN is getraind op gegevens met behulp van varianten van gradiëntafdaling, zoals AdaGrad en ADAM.
GRUHet gated recurrente unit (GRU) -model is een soort terugkerend neuraal netwerk. Als zodanig is het zeer geschikt voor sequentiële gegevens zoals tijdreeksen. De belangrijkste kracht is de hoge flexibiliteit in vergelijking met lineaire modellen; een GRU-model kan niet-lineaire patronen in gegevens identificeren, waardoor het deze nauwkeuriger kan beschrijven. Het lijkt op LSTM, maar heeft minder parameters, waardoor het risico op overaanpassing op kleinere gegevenssets wordt verkleind. GRU is getraind op gegevens met behulp van varianten van gradiëntafdaling, zoals AdaGrad en ADAM.
LSTMHet model voor het lange kortetermijngeheugen (LSTM) is een kunstmatig terugkerend neuraal netwerk. Dankzij de feedbackverbindingen is het bijzonder geschikt voor het verwerken van gegevensreeksen. LSTM-modellen worden gebruikt voor veel verschillende taken, zoals spraak- en videoanalyse, maar ook voor tijdreeksanalyse. Een van de belangrijkste sterke punten van een LSTM-model is de flexibiliteit, het kan complexe structuren in gegevens identificeren dankzij de niet-lineaire activeringsfuncties en de zware parametrisering. LSTM wordt getraind op gegevens met behulp van varianten van gradiëntafdaling, zoals AdaGrad en ADAM.
