Récurrent

Les réseaux de neurones récurrents (RNN) sont un type de réseaux de neurones capables d'apprendre à partir de données obtenues dans le passé. Ils sont utilisés pour résoudre des problèmes liés au traitement du langage naturel, à la reconnaissance vocale, à la vision par ordinateur et à d’autres domaines.

Contrairement aux réseaux de neurones (NN) conventionnels, les RNN possèdent une architecture spéciale qui leur permet de mémoriser les informations reçues dans le passé et de les utiliser pour prendre des décisions futures. Ceci est réalisé en ajoutant un bloc récurrent au réseau, qui stocke des informations sur les états précédents du réseau et les transmet aux couches suivantes.

Un bloc récurrent se compose de plusieurs éléments, tels que des cellules mémoire, qui peuvent stocker des informations sur les données d'entrée précédentes. Chaque élément d'une cellule mémoire a accès à des informations sur les états précédents et peut utiliser ces informations pour prendre une décision dans l'état actuel.

En raison de leur capacité à mémoriser des informations, les RNN peuvent traiter des séquences de données, telles que des séquences de mots dans un texte ou des séries chronologiques de données. Ils peuvent également être utilisés pour prédire les valeurs futures sur la base de données précédentes.

L’un des principaux avantages des RNN est qu’ils peuvent traiter les données en temps réel, ce qui les rend utiles pour les applications nécessitant un traitement rapide des données, comme la reconnaissance vocale ou le traitement de données financières.

Une méthode récursive est une fonction (dans un contexte de programmation) qui peut être appelée à plusieurs reprises. Par exemple, pour résoudre des problèmes de parcours d'un graphique ou de résolution d'équations. Un programme récursif (ou des algorithmes récursifs) utilise la récursivité directe ou indirecte pour résoudre un problème. Cela peut entraîner une utilisation inattendue de la mémoire.