ANNA rede neural artificial (ANN) é um modelo inspirado em redes neurais biológicas, como o cérebro humano. O modelo é um exemplo de um modelo de aprendizado de máquina mais esparso em comparação com o LSTM e o GRU. Isso diminui o risco de sobreajuste e, ao mesmo tempo, oferece mais flexibilidade do que um modelo linear. O ANN é treinado em dados usando variantes de gradiente descendente, como AdaGrad e ADAM.
GRUO modelo de unidade recorrente fechada (GRU) é um tipo de rede neural recorrente. Como tal, é adequado para dados sequenciais, como séries temporais. O principal ponto forte é a alta flexibilidade em comparação aos modelos lineares. Um modelo GRU pode identificar padrões não lineares nos dados, permitindo descrevê-los com mais precisão. É semelhante ao LSTM, mas tem menos parâmetros, o que diminui o risco de sobreajuste em conjuntos menores de dados. O GRU é treinado em dados usando variantes de gradiente descendente, como AdaGrad e ADAM.
LSTMO modelo de memória de longo prazo (LSTM) é uma rede neural artificial recorrente. É especialmente adequado para processar sequências de dados, devido às suas conexões de feedback. Os modelos LSTM são usados para muitas tarefas diferentes, como análise de fala e vídeo, bem como análise de séries temporais. Um dos principais pontos fortes de um modelo LSTM é sua flexibilidade, ele pode identificar estruturas complexas em dados graças às suas funções de ativação não linear e parametrização pesada. O LSTM é treinado em dados usando variantes de gradiente descendente, como AdaGrad e ADAM.
