Simple RNN

學習目標：了解RNN的建構原理與應用
基本原理：RNN 在處理序列中的每一個元素時，它都會將這次的輸出（或更準確地說，是它內部的「隱藏狀態」）傳遞給下一個時間步作為輸入的一部分； 每次處理一個新的輸入時，RNN 會同時接收當前的輸入和上一個時間步的隱藏狀態。它會根據這兩者來計算當前的輸出和更新後的隱藏狀態
RNN應用基礎：處理序列數據 (如文本、時間序列) 的基本思想，後續有LSTM, GRU的RNN變體，用來解決RNN架構遇到的問題
模型趨勢：目前較多的NLP技術是以Transformer模型為主

股價趨勢預測

RNN 股價預測範例

模擬資料：生成隨機股價趨勢，前50天上升，後50天下降，並加入一些隨機噪音
資料類型：X，股價連續數值型資料；y，0/1二元分類型資料
預測漲跌：使用過去 `look_back` 天的股價來預測下一天的趨勢。本範例使用5天的資料來預測下一天的趨勢
實作範例程式碼📖

情感分析

RNN 情感預測範例

模擬資料：生成對於產品使用後感想資料
資料類型：X，文字資料；y，0/1二元分類型資料
資料處理：文字資料必需tokenize詞元化後，再轉為數字Sequence，接著將所有Sequence長度Padding到相同長度，以供輸入模型前進行向量化Embedding
預測情緒好壞：
實作範例程式碼📖

LSTM

學習目標：了解LSTM的建構原理與應用
應用機時：RNN中最常使用的模型
模型優化：旨在解決傳統RNN在處理長序列資料時面臨的梯度消失 (vanishing gradient) 和梯度爆炸 (exploding gradient) 問題，這些問題導致RNN難以捕捉長期依賴關係。 LSTM通過引入門控機制 (gating mechanisms)，使其能夠選擇性地記憶或遺忘資訊，從而在時間序列資料、自然語言處理等領域取得了巨大的成功。

股價預測

LSTM 股價預測範例

模擬資料：假設數據是簡單的正弦波，模擬時間序列數據
資料類型：X，股價連續數值型資料；y，標記look_back天數的股價
預測股價：使用過去 `look_back` 天的股價來預測下一天的股價。
實作範例程式碼📖

情感分析

LSTM 情感分析範例

模擬資料：Keras Dataset，IMDB電影評論數據集
資料類型：X，文字資料已詞元化、詞彙映射、填充的整數序列；y，0/1二元分類型資料
預測情緒好壞：
實作範例程式碼📖

英翻中

LSTM 機器翻譯：英翻中範例

模擬資料：生成平行語料
核心架構：Encoder-Decoder with Attention
實際應用：當前最先進的機器翻譯模型大多已轉向基於 Transformer 的架構（如 Google 的 BERT, OpenAI 的 GPT 等）
概念性 Keras 程式碼框架，沒有訓練模型：
實作範例程式碼📖