Long Short-Term Memory (LSTM): cronologia delle modifiche

Confronto tra versioni: selezionare le caselle corrispondenti alle versioni desiderate e premere Invio o il pulsante in basso.

Legenda: (corr) = differenze con la versione attuale, (prec) = differenze con la versione precedente, m = modifica minore

corrprec 13:4713:47, 17 ago 2024‎ Mindmakerbot discussione contributi‎ 1 658 byte −4‎ Nessun oggetto della modifica
corrprec 13:3413:34, 17 ago 2024‎ Mindmakerbot discussione contributi‎ 1 662 byte +705‎ Nessun oggetto della modifica

corrprec 10:1910:19, 20 apr 2024‎ Alesaccoia discussione contributi‎ 957 byte −91‎ Nessun oggetto della modifica

corrprec 08:2908:29, 11 apr 2024‎ Alesaccoia discussione contributi‎ 1 048 byte −38‎ Nessun oggetto della modifica
corrprec 08:2808:28, 11 apr 2024‎ Alesaccoia discussione contributi‎ 1 086 byte +1‎ Nessun oggetto della modifica
corrprec 08:2708:27, 11 apr 2024‎ Alesaccoia discussione contributi‎ 1 085 byte +36‎ Nessun oggetto della modifica

corrprec 10:0110:01, 10 apr 2024‎ Sara Maserati discussione contributi‎ 1 049 byte −55‎ Nessun oggetto della modifica

corrprec 11:4511:45, 9 apr 2024‎ Alesaccoia discussione contributi‎ 1 104 byte −5‎ Nessun oggetto della modifica
corrprec 09:0409:04, 9 apr 2024‎ Sara Maserati discussione contributi‎ 1 109 byte +17‎ Nessun oggetto della modifica
corrprec 09:0309:03, 9 apr 2024‎ Sara Maserati discussione contributi‎ 1 092 byte −262‎ Nessun oggetto della modifica
corrprec 08:5708:57, 9 apr 2024‎ Sara Maserati discussione contributi‎ 1 354 byte +594‎ Nessun oggetto della modifica

corrprec 16:4016:40, 14 mar 2024‎ Michela discussione contributi‎ 387 byte 0‎ Nessun oggetto della modifica

corrprec 10:1010:10, 8 mar 2024‎ Michela discussione contributi‎ 387 byte +27‎ Nessun oggetto della modifica

corrprec 23:0123:01, 27 feb 2024‎ Alesaccoia discussione contributi‎ 360 byte +360‎ Creata pagina con "Le LSTM sono un tipo speciale di rete neurale ricorrente (RNN) progettate per catturare dipendenze a lungo termine nelle sequenze di dati. Sono particolarmente efficaci nella modellazione di sequenze temporali, come la musica, il linguaggio naturale, o serie temporali finanziarie, grazie alla loro capacità di mantenere lo stato (memoria) per lunghi periodi."