Terugkerend

Recurrente neurale netwerken (RNN's) zijn een soort neurale netwerken die kunnen leren van gegevens die in het verleden zijn verkregen. Ze worden gebruikt om problemen op te lossen die verband houden met natuurlijke taalverwerking, spraakherkenning, computervisie en andere gebieden.

In tegenstelling tot conventionele neurale netwerken (NN) hebben RNN's een speciale architectuur waarmee ze in het verleden ontvangen informatie kunnen onthouden en deze kunnen gebruiken om beslissingen in de toekomst te nemen. Dit wordt bereikt door een terugkerend blok aan het netwerk toe te voegen, dat informatie over eerdere toestanden van het netwerk opslaat en deze naar volgende lagen verzendt.

Een terugkerend blok bestaat uit verschillende elementen, zoals geheugencellen, die informatie over eerdere invoergegevens kunnen opslaan. Elk element van een geheugencel heeft toegang tot informatie over eerdere toestanden en kan deze informatie gebruiken om een ​​beslissing te nemen in de huidige toestand.

Vanwege hun vermogen om informatie te onthouden, kunnen RNN's reeksen gegevens verwerken, zoals reeksen woorden in tekst of tijdreeksen van gegevens. Ze kunnen ook worden gebruikt om toekomstige waarden te voorspellen op basis van eerdere gegevens.

Een van de belangrijkste voordelen van RNN's is dat ze gegevens in realtime kunnen verwerken, wat ze nuttig maakt voor toepassingen die snelle gegevensverwerking vereisen, zoals spraakherkenning of financiële gegevensverwerking.

Een recursieve methode is een functie (in een programmeercontext) die herhaaldelijk kan worden aangeroepen. Bijvoorbeeld om problemen op te lossen bij het doorlopen van een grafiek of het oplossen van vergelijkingen. Een recursief programma (of recursieve algoritmen) gebruikt directe of indirecte recursie om een ​​probleem op te lossen. Dit kan resulteren in een onverwacht hoog geheugengebruik