RNN (Recurrent Neural Network) – sieć rekurencyjna do danych sekwencyjnych.

Sieć rekurencyjna to rodzaj sztucznej sieci neuronowej, zaprojektowany specjalnie do przetwarzania danych sekwencyjnych, takich jak tekst, sygnały czasowe czy serie danych. Charakterystyczną cechą tego typu sieci jest posiadanie połączeń zwrotnych, które umożliwiają przechowywanie informacji o poprzednich elementach sekwencji i wykorzystanie ich przy analizie kolejnych danych. Dzięki temu sieci te potrafią modelować zależności czasowe i kontekstowe, co jest trudne do zrealizowania w klasycznych sieciach feedforward.

Sieci rekurencyjne znajdują zastosowanie w wielu dziedzinach, w tym w rozpoznawaniu mowy, tłumaczeniu maszynowym, generowaniu tekstu oraz analizie szeregów czasowych. Ich zdolność do adaptacji i uczenia się z danych sekwencyjnych sprawia, że są podstawowym narzędziem w zadaniach związanych z przetwarzaniem języka naturalnego oraz innymi zastosowaniami wymagającymi uwzględnienia kolejności i kontekstu.

Pomimo swoich zalet, tradycyjne sieci rekurencyjne mają ograniczenia, takie jak trudności z uczeniem się długoterminowych zależności ze względu na problem zanikającego i eksplodującego gradientu. W praktyce często wykorzystuje się ich ulepszone warianty, takie jak LSTM (Long Short-Term Memory) oraz GRU (Gated Recurrent Units), które są w stanie efektywniej modelować długie sekwencje i zachowywać kluczowe informacje przez dłuższe okresy czasu.