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

Uma comparação é apresentada destacando as principais diferenças entre as redes **long short-term memory (LSTM)** e **gated recurrent unit (GRU)**.

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.

LSTM vs. GRU para Séries Temporais