Recorrente

Redes neurais recorrentes (RNNs) são um tipo de rede neural capaz de aprender com dados obtidos no passado. Eles são usados ​​para resolver problemas relacionados ao processamento de linguagem natural, reconhecimento de fala, visão computacional e outras áreas.

Ao contrário das redes neurais convencionais (NN), as RNNs possuem uma arquitetura especial que lhes permite lembrar informações recebidas no passado e utilizá-las para tomar decisões no futuro. Isto é conseguido adicionando um bloco recorrente à rede, que armazena informações sobre os estados anteriores da rede e as transmite para as camadas subsequentes.

Um bloco recorrente consiste em vários elementos, como células de memória, que podem armazenar informações sobre dados de entrada anteriores. Cada elemento de uma célula de memória tem acesso a informações sobre estados anteriores e pode usar essas informações para tomar uma decisão no estado atual.

Devido à sua capacidade de lembrar informações, as RNNs podem processar sequências de dados, como sequências de palavras em texto ou séries temporais de dados. Eles também podem ser usados ​​para prever valores futuros com base em dados anteriores.

Uma das principais vantagens das RNNs é que elas podem processar dados em tempo real, o que as torna úteis para aplicações que requerem processamento rápido de dados, como reconhecimento de voz ou processamento de dados financeiros.

Um método recursivo é uma função (em um contexto de programação) que pode ser chamada repetidamente. Por exemplo, para resolver problemas de percorrer um gráfico ou resolver equações. Um programa recursivo (ou algoritmos recursivos) usa recursão direta ou indireta para resolver um problema. Isso pode resultar em uso inesperadamente alto de memória