LSTM
L'architecture de réseau neuronal récurrent LSTM (Long Short-Term Memory), introduite par Sepp Hochreiter et Jürgen Schmidhuber en 1997, est capable d'apprendre des dépendances à long terme dans des données séquentielles. Elle est largement utilisée pour la prédiction de séries temporelles et de séquences. Elle conserve une mémoire interne qui permet à l'information de persister sur de nombreux pas de temps.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Sources
- Hochreiter, S. & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. DOI: 10.1162/neco.1997.9.8.1735 ↗
Comment citer cette page
ScholarGate. (2026, June 1). Long Short-Term Memory Network. ScholarGate. https://scholargate.app/fr/deep-learning/lstm
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- AutoencodeurApprentissage profond↔ compare
- Réseau de neurones convolutif (Classification)Apprentissage profond↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Transformeur (traitement du langage naturel)Apprentissage profond↔ compare
- XGBoostApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →