Coletânea Python do ZERO às Redes Neurais Artificiais
Redes Neurais Artificiais Recorrentes
REDES NEURAIS ARTIFICIAIS
RECORRENTES
Avançando com nossos estudos, hora de dedicarmos um tempinho a entender o que são as chamadas redes neurais recorrentes. Diferente dos demais tipos vistos até agora, este modelo de rede recebe um capítulo específico para si em função de ser um modelo com certas particularidades que os modelos anteriores não possuíam.
O primeiro grande diferencial de uma rede neural recorrente é que,
diferente as outras, ela é focada no processamento de dados sequenciais dentro de um intervalo de tempo, dessa forma, pós processamento da rede é possível que sejam realizadas previsões das ações seguintes que irão ocorrer dentro da escala de tempo.
Para ficar mais claro, imagine um consultório médico, são captados e processados os dados de todos agendamentos de todos os dias das 8 da manhã até as 5 da tarde, digamos que o consultório passará a ter expediente até as 6 horas da tarde, a rede será capaz de descobrir o padrão das horas anteriores e prever qual será a demanda de atendimentos nessa hora adicional.
O exemplo que usaremos a seguir é uma análise temporal de abertura e fechamento de valores de ações, para realizar previsão se uma determinada ação irá subir ou baixar de valor com base no padrão dos dias anteriores.
Estes tipos de redes são facilmente adaptáveis para reconhecimento de
linguagem natural e até mesmo previsão de texto. Tudo isso se dá por uma característica desse tipo de rede que é a chamada memória de longo e curto intervalo de tempo.
Em inglês Long Short-term Memory, é um modelo de rede neural
artificial recorrente onde a rede tem capacidade de trabalhar em loops definidos para que se encontre padrões de informações persistentes. Raciocine por hora que essa arquitetura cria um modelo onde existem informações de entrada, o algoritmo irá decidir o que será armazenado e o que será removido com base numa primeira etapa de processamento de dados sob aplicação de uma função sigmoid, se o retorno for próximo a 0 tal dado é descartada, se próximo a 1 esse dado é mantido e reprocessado no mesmo neurônio, agora sob a aplicação de uma função chamada tangente hiperbólica.
Em seguida atualiza o estado antigo e parte para a etapa onde está situada a camada de saída. Dessa forma é criada uma espécie de “memória” capaz de ser reutilizada a qualquer momento para autocompletar um determinado padrão.