Summary  
This chapter compares LSTM and GRU recurrent network variants by detailing their gate mechanisms, internal states, parameter counts, computational complexity, training speed, convergence behavior, and presents a heuristic for choosing between them based on sequence length and resource constraints.

General domain of usage  
time series analysis

A discussão foca em quando utilizar **LSTMs** e **GRUs** com base nos requisitos específicos de uma determinada tarefa. Ambos os modelos lidam com dependências de longo prazo em dados sequenciais, mas suas características distintas os tornam adequados para diferentes aplicações.


**Em resumo**, LSTMs e GRUs são ferramentas poderosas para tarefas com dados sequenciais. A decisão sobre qual utilizar depende da complexidade da tarefa, do tamanho do conjunto de dados e dos recursos computacionais disponíveis.

Qual das alternativas a seguir é uma diferença principal entre LSTMs e GRUs?

Foco exclusivo em Redes Neurais Recorrentes (RNNs) e sua aplicação na geração de sequências. Este módulo avançado aborda a teoria central das RNNs e abordagens práticas para modelagem de dados sequenciais, preparando você para trabalhar com redes LSTM e GRU em Python.

Quando Usar LSTM e GRU