Fechamento Conceitual

O ganho de expressividade: do regime sem memória à memória controlada

📈 A Progressão da Aula

➡️ Redes Feedforward

entradas independentes

📈 Dados Sequenciais

a ordem importa

🔄 RNN

estado oculto e recorrência

⚠️ Vanishing Gradient

dependências longas falham

🔑 LSTM

memória controlada por portas

💡 A Mensagem Central

"Em problemas sequenciais, a entrada atual sozinha não basta. O modelo precisa carregar contexto."

🎓

Feedforward → RNN

Introduzimos memória via estado oculto.

📚

RNN → LSTM

Tornamos a memória controlável e estável.

🚀

LSTM

Permite aprender dependências de longo prazo — a base de muitas aplicações modernas.

            💡
            O grande salto conceitual: em sequências, o modelo não processa entrada por entrada de forma isolada — ele acumula, filtra e expõe contexto ao longo do tempo.
          