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

Ein Vergleich hebt die wichtigsten Unterschiede zwischen **Long Short-Term Memory (LSTM)**- und **Gated Recurrent Unit (GRU)**-Netzwerken hervor.


Wie viele Gates besitzt ein GRU-Netzwerk?

Konzentriert sich ausschließlich auf Rekurrente Neuronale Netze (RNNs) und deren Anwendung zur Sequenzgenerierung. Dieses fortgeschrittene Modul behandelt die grundlegende Theorie der RNNs sowie praxisorientierte Ansätze zur Modellierung sequentieller Daten und bereitet Sie auf die praktische Arbeit mit LSTM- und GRU-Netzen in Python vor.

LSTM vs. GRU für Zeitreihen