Em um estudo recente, pesquisadores estão analisando dados históricos de pacientes diabéticos, com o objetivo de prever flutuações nos níveis de glicose no sangue ao longo do tempo. Para isso, eles decidem utilizar uma rede neural recorrente (RNN) com o método Backpropagation Through Time (BPTT) para ajustar os pesos da rede em base às sequências de valores mensais de glicose. Essa abordagem é fundamental para capturar a natureza temporal nos dados, uma vez que as flutuações são influenciadas por eventos passados. O sucesso deste modelo é vital, visto que pode orientar intervenções médicas mais precisas e oportunas. Qual das alternativas a seguir melhor descreve uma característica importante da aplicação de redes neurais recorrentes (RNNs) em séries temporais? Grupo de escolhas da pergunta RNNs não são adequadas para prever valores de séries temporais, pois tratam os dados como independentes entre si. RNNs utilizam camadas convolucionais para processar de forma eficaz os dados sequenciais. RNNs requerem que os dados sejam transformados em um formato não sequencial antes do treinamento. RNNs são eficazes em capturar dependências de longo prazo em dados sequenciais, permitindo que informações de momentos anteriores influenciem as