Berulang

Jaringan saraf berulang (RNN) adalah jenis jaringan saraf yang mampu belajar dari data yang diperoleh di masa lalu. Mereka digunakan untuk memecahkan masalah yang berkaitan dengan pemrosesan bahasa alami, pengenalan suara, visi komputer dan bidang lainnya.

Tidak seperti jaringan saraf konvensional (NN), RNN memiliki arsitektur khusus yang memungkinkan mereka mengingat informasi yang diterima di masa lalu dan menggunakannya untuk mengambil keputusan di masa depan. Hal ini dicapai dengan menambahkan blok berulang ke jaringan, yang menyimpan informasi tentang keadaan jaringan sebelumnya dan mengirimkannya ke lapisan berikutnya.

Blok berulang terdiri dari beberapa elemen, seperti sel memori, yang dapat menyimpan informasi tentang data masukan sebelumnya. Setiap elemen sel memori memiliki akses ke informasi tentang keadaan sebelumnya dan dapat menggunakan informasi ini untuk membuat keputusan pada keadaan saat ini.

Karena kemampuannya mengingat informasi, RNN dapat memproses rangkaian data, seperti rangkaian kata dalam teks atau data rangkaian waktu. Mereka juga dapat digunakan untuk memprediksi nilai masa depan berdasarkan data sebelumnya.

Salah satu keunggulan utama RNN adalah dapat memproses data secara real-time, sehingga berguna untuk aplikasi yang memerlukan pemrosesan data cepat, seperti pengenalan suara atau pemrosesan data keuangan.

Metode rekursif adalah suatu fungsi (dalam konteks pemrograman) yang dapat dipanggil berulang kali. Misalnya untuk menyelesaikan masalah melintasi grafik atau menyelesaikan persamaan. Program rekursif (atau algoritma rekursif) menggunakan rekursi langsung atau tidak langsung untuk memecahkan suatu masalah. Hal ini dapat mengakibatkan penggunaan memori yang tinggi secara tidak terduga