Summary  
This chapter explains how to categorize recurrent neural network architectures based on the relationship between the lengths of their input and output sequences (one-to-one, one-to-many, many-to-one, many-to-many).

General domain of usage  
Natural language processing

RNNs apresentam diversas arquiteturas, dependendo da natureza dos dados e da tarefa a ser realizada. Compreender os diferentes tipos pode auxiliar na escolha do RNN mais adequado para uma determinada aplicação.



- **Um para um**: nesta arquitetura, cada entrada é mapeada para uma única saída. Normalmente utilizada em **tarefas simples de classificação**, onde o tamanho da entrada e da saída são fixos;  
- **Um para muitos**: nesta arquitetura, uma única entrada gera múltiplas saídas. Útil em tarefas como **geração de legendas para imagens**, onde uma imagem (entrada única) gera uma sequência de palavras (múltiplas saídas);  
- **Muitos para um**: este tipo processa múltiplas entradas e gera uma única saída. **Análise de sentimento** é um exemplo, onde uma sequência de palavras (entrada) é analisada para produzir um único valor de sentimento (saída);  
- **Muitos para muitos**: aqui, múltiplas entradas produzem múltiplas saídas. Esta arquitetura é utilizada em tarefas como **tradução automática**, onde uma sequência de palavras em um idioma (entrada) é mapeada para uma sequência de palavras em outro idioma (saída).  



Cada tipo de arquitetura de RNN possui um caso de uso específico, e selecionar a mais adequada é fundamental para resolver a tarefa de forma eficiente.


Qual das seguintes tarefas utiliza uma arquitetura Many to Many?

Domine redes neurais recorrentes e suas variantes avançadas como LSTMs e GRUs utilizando PyTorch. Adquira experiência prática no processamento de dados sequenciais para aplicações reais. Aplique esses modelos poderosos para enfrentar desafios do mundo real em previsão de séries temporais e diversas tarefas de processamento de linguagem natural.

Aborda as limitações das redes neurais tradicionais para dados sequenciais e apresenta os fundamentos das Redes Neurais Recorrentes. Explica a arquitetura das RNNs, seus tipos e a implementação passo a passo por meio de exemplos básicos e um desafio de programação.

Explora desafios comuns de treinamento, como gradientes desaparecendo e explodindo. Introduz variantes avançadas de RNN, incluindo LSTM e GRU, destacando seus mecanismos internos e casos de uso, com exemplos práticos de implementação para cada uma.

Foca no processamento e previsão de dados de séries temporais utilizando modelos baseados em RNN. Inclui carregamento de dados, técnicas de pré-processamento, treinamento de modelos e avaliação de desempenho, com ênfase na comparação entre as arquiteturas LSTM e GRU.

Demonstra a aplicação de RNNs em tarefas de classificação de texto. Aborda conceitos fundamentais de PLN, métodos de codificação de texto, etapas de preparação de dados e construção de um modelo baseado em LSTM para previsão de sentimento.

Tipos de RNNs

Awesome!

Tipos de RNNs