Las Redes Neuronales Recurrentes (RNNs) son un tipo de red neuronal diseñada para trabajar con datos secuenciales. A diferencia de las redes neuronales tradicionales, las RNNs tienen conexiones que forman ciclos, lo que les permite mantener un "estado" o "memoria" de las entradas anteriores. Esto las hace especialmente útiles para tareas donde el contexto temporal o secuencial es importante, como el procesamiento de lenguaje natural, la traducción automática, y la predicción de series temporales.

• Memoria: Las RNNs pueden recordar información de entradas anteriores, lo que les permite capturar dependencias temporales.
• Ciclos en la Red: Las conexiones recurrentes permiten que la salida de una neurona se retroalimente como entrada en la misma capa.
• Parámetros Compartidos: Los mismos parámetros (pesos y sesgos) se utilizan en cada paso temporal, lo que reduce la complejidad del modelo.

Una RNN típica consiste en una capa recurrente que procesa una secuencia de entradas. Cada entrada en la secuencia se procesa en un paso temporal, y la salida de cada paso se utiliza junto con la siguiente entrada.

1. Entrada: Una secuencia de datos, por ejemplo, una serie de palabras en una oración.
2. Capa Recurrente: Procesa cada elemento de la secuencia y mantiene un estado oculto que se actualiza en cada paso temporal.
3. Salida: Puede ser una secuencia de salidas (una por cada entrada) o una única salida después de procesar toda la secuencia.

• Importaciones: Importamos TensorFlow y los módulos necesarios para construir el modelo.
• Definición de la Secuencia: sequence_length y feature_dim definen la longitud de la secuencia y la dimensión de las características de entrada.
• Modelo Secuencial: Utilizamos Sequential para crear un modelo secuencial.
• Capa SimpleRNN: Añadimos una capa SimpleRNN con 50 unidades. input_shape define la forma de la entrada.
• Capa Densa: Añadimos una capa Dense con una unidad para la salida.
• Compilación: Compilamos el modelo con el optimizador 'adam' y la función de pérdida 'mse' (error cuadrático medio).
• Resumen del Modelo: model.summary() muestra un resumen de la arquitectura del modelo.

Objetivo: Construir y entrenar una RNN simple para predecir la siguiente valor en una serie temporal.

Datos: Utilizaremos una serie temporal sintética generada con una función sinusoidal.

1. Generación de Datos: Creamos una serie temporal sintética usando una función sinusoidal.
2. Preparación de Datos: Dividimos la serie en secuencias de longitud sequence_length y sus correspondientes valores de salida.
3. Reshape: Ajustamos la forma de los datos para que sean compatibles con la entrada de la RNN.
4. División de Datos: Dividimos los datos en conjuntos de entrenamiento y prueba.
5. Creación del Modelo: Creamos y compilamos una RNN simple.
6. Entrenamiento: Entrenamos el modelo con los datos de entrenamiento.
7. Evaluación: Evaluamos el modelo con los datos de prueba.
8. Predicciones: Hacemos predicciones y graficamos los resultados.

El código proporcionado arriba es la solución al ejercicio. Asegúrate de entender cada paso y cómo se relaciona con la arquitectura y el entrenamiento de una RNN.

En esta lección, hemos introducido las Redes Neuronales Recurrentes (RNNs), explorando su arquitectura y características clave. También hemos construido una RNN simple en TensorFlow y la hemos utilizado para predecir una serie temporal. En la próxima lección, profundizaremos en la construcción de RNNs más complejas y exploraremos variantes como LSTM y GRU.