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)

Il concetto di **previsione delle serie temporali** viene introdotto con particolare attenzione alla sua applicazione nella **previsione della borsa valori**. La previsione delle serie temporali consiste nel prevedere valori futuri basandosi su dati osservati in precedenza, risultando preziosa in ambiti come la finanza, la previsione meteorologica e la gestione delle scorte.


L'**analisi delle serie temporali** è il processo di analisi di dati raccolti sequenzialmente nel tempo. Comprende l'identificazione di pattern, tendenze e stagionalità all'interno dei dati per prevedere valori futuri.

Definizione

### Sfide
La previsione delle serie temporali, in particolare per i prezzi delle azioni, comporta complessità come **rumore**, **volatilità del mercato** e **fattori esterni**. Il successo del modello di previsione dipende dalla qualità dei dati e dalla capacità del modello di cogliere i pattern sottostanti.

In sintesi, la previsione delle serie temporali è uno strumento essenziale per prevedere i prezzi futuri delle azioni e prendere decisioni informate nei mercati finanziari. Le fasi chiave—raccolta dei dati, pre-elaborazione, selezione del modello, addestramento e valutazione—costituiscono la base di un progetto di previsione di successo.


Quale delle seguenti NON è una tipica applicazione della previsione di serie temporali?

Focus esclusivo sulle Reti Neurali Ricorrenti (RNN) e sulla loro applicazione alla generazione di sequenze. Questo modulo avanzato copre la teoria fondamentale delle RNN e gli approcci pratici alla modellazione di dati sequenziali, preparando all'utilizzo pratico di reti LSTM e GRU in Python.

Introduzione alla Previsione delle Serie Temporali

Sfide