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)

Begrepet **tidsserieprognoser** introduseres med fokus på anvendelse innen **børsprognoser**. Tidsserieprognoser innebærer å forutsi fremtidige verdier basert på tidligere observerte datapunkter, noe som gjør det verdifullt innen områder som finans, værvarsling og lagerstyring.


**Tidsserieanalyse** er prosessen med å analysere data som samles inn sekvensielt over tid. Det innebærer å identifisere mønstre, trender og sesongvariasjoner i dataene for å kunne forutsi fremtidige verdier.

Definisjon

### Utfordringer
Tidsserieprognoser, spesielt for aksjekurser, innebærer kompleksiteter som **støy**, **markedsvolatilitet** og **eksterne faktorer**. Suksessen til prediksjonsmodellen avhenger av datakvaliteten og modellens evne til å fange underliggende mønstre.

Oppsummert er tidsserieprognoser et essensielt verktøy for å forutsi fremtidige aksjekurser og ta informerte beslutninger i finansmarkedene. Hovedstegene—datainnsamling, forbehandling, modellvalg, trening og evaluering—utgjør grunnlaget for et vellykket prognoseprosjekt.


Hvilket av følgende er IKKE en typisk anvendelse av tidsserieprognoser?

Fokuserer utelukkende på rekursive nevrale nettverk (RNN) og deres anvendelse innen sekvensgenerering. Dette avanserte modulen dekker kjerneprinsippene for RNN og praktiske tilnærminger til modellering av sekvensielle data, og forbereder deg på praktisk arbeid med LSTM- og GRU-nettverk i Python.

Introduksjon til Tidsserieprognoser

Utfordringer