Summary  
This chapter covers time series forecasting using recurrent neural networks—specifically LSTM and GRU—to model evenly spaced sequential data points and predict future values based on historical observations.

General domain of usage  
Finance (stock price prediction)

Begrebet **tidsserieprognose** introduceres med fokus på dets anvendelse i **aktiemarkedsforudsigelse**. Tidsserieprognose indebærer forudsigelse af fremtidige værdier baseret på tidligere observerede datapunkter, hvilket gør det værdifuldt inden for områder som finans, vejrudsigter og lagerstyring.


**Tidsserieanalyse** er processen med at analysere data, der indsamles sekventielt over tid. Det indebærer identifikation af mønstre, tendenser og sæsonvariationer i dataene for at forudsige fremtidige værdier.

Definition

### Udfordringer
Tidsserieprognoser, især for aktiekurser, indebærer kompleksiteter som **støj**, **markedsvolatilitet** og **eksterne faktorer**. Succesen af forudsigelsesmodellen afhænger af datakvaliteten og modellens evne til at fange underliggende mønstre.

Sammenfattende er tidsserieprognoser et væsentligt værktøj til at forudsige fremtidige aktiekurser og træffe informerede beslutninger på de finansielle markeder. De centrale trin—datainindsamling, forbehandling, modelvalg, træning og evaluering—udgør fundamentet for et vellykket prognoseprojekt.


Hvilken af følgende er IKKE en typisk anvendelse af tidsserieprognoser?

Fokus udelukkende på rekursive neurale netværk (RNN'er) og deres anvendelse til sekvensgenerering. Dette avancerede modul dækker den grundlæggende teori om RNN'er samt praktiske tilgange til modellering af sekventielle data og forbereder dig på praktisk arbejde med LSTM- og GRU-netværk i Python.

Introduktion til Tidsserieprognoser

Udfordringer