Summary  
This chapter demonstrates how to implement and compare LSTM and GRU recurrent neural network architectures in code by configuring their gating mechanisms, initializing hidden states, training over multiple epochs, printing training times and loss metrics, and evaluating their performance.  

General domain of usage  
Time series forecasting

En sammenligning præsenteres, der fremhæver de væsentligste forskelle mellem **long short-term memory (LSTM)** og **gated recurrent unit (GRU)** netværk.


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.

LSTM vs. GRU for Tidsserier