Summary  
Gated Recurrent Units (GRUs) are a recurrent neural network cell that uses two gates—reset and update—to regulate information flow and capture long-term dependencies with fewer parameters and computations than LSTMs.

General domain of usage  
Speech recognition

**Gated recurrent units** (**GRU**) worden geïntroduceerd als een vereenvoudigde versie van LSTM's. GRU's pakken dezelfde problemen aan als traditionele RNN's, zoals verdwijnende gradiënten, maar met minder parameters, waardoor ze sneller en efficiënter zijn qua rekenkracht.


Definitie

- **GRU-structuur**: een GRU heeft twee hoofdcomponenten—**reset gate** en **update gate**. Deze gates regelen de informatiestroom in en uit het netwerk, vergelijkbaar met LSTM-gates maar met minder bewerkingen;  
- **Reset gate**: de reset gate bepaalt hoeveel van het vorige geheugen vergeten moet worden. Het geeft een waarde tussen 0 en 1, waarbij 0 "vergeten" betekent en 1 "behouden";  
- **Update gate**: de update gate beslist hoeveel van de nieuwe informatie in het huidige geheugen moet worden opgenomen. Dit helpt bij het reguleren van het leerproces van het model;  
- **Voordelen van GRU's**: GRU's hebben minder gates dan LSTM's, waardoor ze eenvoudiger en minder rekenintensief zijn. Ondanks hun eenvoudigere structuur presteren ze vaak net zo goed als LSTM's bij veel taken;  
- **Toepassingen van GRU's**: GRU's worden vaak gebruikt in toepassingen zoals **spraakherkenning**, **taalmodellering** en **machinetranslatie**, waar het belangrijk is om lange-termijn afhankelijkheden vast te leggen zonder de rekenkosten van LSTM's.



Samengevat zijn GRU's een efficiënter alternatief voor LSTM's, met vergelijkbare prestaties en een eenvoudigere architectuur, waardoor ze geschikt zijn voor taken met grote datasets of realtime toepassingen.


Welke van de volgende is GEEN onderdeel van een GRU?

Richt zich uitsluitend op Recurrent Neural Networks (RNN's) en hun toepassing bij sequentiegeneratie. Deze geavanceerde module behandelt de kernprincipes van RNN's en praktische benaderingen voor het modelleren van sequentiële data, ter voorbereiding op het werken met LSTM- en GRU-netwerken in Python.

Gated Recurrent Units (GRU)