Opakující se

Rekurentní neuronové sítě (RNN) jsou typem neuronových sítí, které jsou schopné učit se z dat získaných v minulosti. Používají se k řešení problémů souvisejících se zpracováním přirozeného jazyka, rozpoznáváním řeči, počítačovým viděním a dalšími oblastmi.

Na rozdíl od konvenčních neuronových sítí (NN) mají RNN speciální architekturu, která jim umožňuje zapamatovat si informace přijaté v minulosti a použít je k rozhodování v budoucnosti. Toho je dosaženo přidáním rekurentního bloku do sítě, který uchovává informace o předchozích stavech sítě a přenáší je do následujících vrstev.

Opakující se blok se skládá z několika prvků, jako jsou paměťové buňky, které mohou ukládat informace o předchozích vstupních datech. Každý prvek paměťové buňky má přístup k informacím o předchozích stavech a může tyto informace využít k rozhodování v aktuálním stavu.

Díky své schopnosti pamatovat si informace mohou RNN zpracovávat sekvence dat, jako jsou sekvence slov v textu nebo časové řady dat. Mohou být také použity k předpovídání budoucích hodnot na základě předchozích dat.

Jednou z hlavních výhod RNN je, že mohou zpracovávat data v reálném čase, což je činí užitečnými pro aplikace, které vyžadují rychlé zpracování dat, jako je rozpoznávání řeči nebo zpracování finančních dat.

Rekurzivní metoda je funkce (v programovém kontextu), kterou lze volat opakovaně. Například k řešení úloh procházení grafu nebo řešení rovnic. Rekurzivní program (nebo rekurzivní algoritmy) používá k řešení problému přímou nebo nepřímou rekurzi. To může mít za následek neočekávaně vysoké využití paměti