Recurrent Neuraal Netwerk
Een Recurrent Neuraal Netwerk (RNN) is een klasse van neurale netwerken ontworpen om sequentiële data te verwerken door een verborgen toestand te onderhouden die informatie over tijdstappen heen draagt. Geïntroduceerd in zijn moderne vorm door Rumelhart et al. (1986) en verder vormgegeven door Elman (1990), werden RNN's de dominante architectuur voor sequentiemodellering in NLP, spraak en tijdreeksanalyse vóór de opkomst van op aandacht gebaseerde modellen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
Bronnen
- Elman, J. L. (1990). Finding structure in time. Cognitive Science, 14(2), 179–211. DOI: 10.1207/s15516709cog1402_1 ↗
- Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533–536. DOI: 10.1038/323533a0 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Recurrent Neural Network (RNN). ScholarGate. https://scholargate.app/nl/deep-learning/recurrent-neural-network
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.
- BERT-gebaseerde ClassificatieDeep learning↔ compare
- Gated Recurrent Unit (GRU)Deep learning↔ compare
- Long Short-Term Memory (LSTM)Deep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →