Deep Learning (redes neurais profundas, tradução literal), área também conhecida como Inteligência Artificial é um campo que tem crescido consideravelmente nos últimos anos por intermédio de aplicações práticas, que podem substituir processos com diferentes complexidades. Com avanço da tecnologia tornou-se possível o processamento de grandes quantidades de informação (Big Data), fato que trouxe notoriedade para essa classe de algoritmos com maior ênfase em dados não-tabulares (imagem, vídeo e texto). O problema de classificação de imagens foi um dos grandes propulsores dos modelos de Deep Learning, a técnica é um vasto campo de estudo e vêm sendo aprimorada constantemente. Muitas estruturas de Deep Learning têm sido adaptadas para problemas específicos e há uma variedade considerável de possibilidades. De modo geral, a estrutura desses algoritmos é extremamente flexível que permitem a modelagem de acordo com os interesses de aplicação e análise. Embora as estruturas de Deep Learning tenham alcançado resultados consideráveis no campo de imagem, vídeo e texto o intuito desta dissertação é justamente aplicar essa metodologia para dados tabulares, a saber, séries temporais. Com destaque para uma classe específica de Deep Learning, que considera em sua estrutura mecanismos que permitem o fluxo de dependência temporal nos dados, o que possibilita a realização de previsões de valores futuros. Para realizar esta aplicação é necessário compreender todo o contexto dos algoritmos de Deep Learning que têm seu próprio vocabulário, notações e definições. Para que os dados de séries temporais sejam compatíveis com as estruturas propostas é necessário preparação específica, que pode requerer diferente abordagem de acordo com a classe de algoritmo proposto. Diferentes estruturas são consideradas na aplicação para séries temporais, com destaque para os algoritmos Long Short Term Memory (LSTM), caso específico de Redes Neurais Recorrentes (RNR). A estimação destes modelos pode ser interpretada como uma questão de otimização que envolve não somente parâmetros, mas também Hiperparâmetros, que controlam toda a estrutura dos algoritmos. Ao considerar o cenário de séries temporais a otimização ocorre ao longo do tempo, propagando características dos dados em diferentes momentos. Modelos da classe ARIMA são utilizados como base da aplicação para auxiliar na efetividade das diferentes estruturas de Deep Learning para os diversos cenários considerados. A aplicação de Deep learning para séries temporais é uma área que têm ganhado destaque no cenário acadêmico dada a popularidade destes algoritmos em competições internacionais e os respectivos resultados obtidos Smyl e Shanmugam (2017). A abordagem destes algoritmos é consideravelmente diferente dos modelos clássicos de séries temporais, ao passo que as principais diferenças são propulsoras de pesquisas e exploração acadêmica.

Deep Learning (also known as artificial Intelligence), is a field that has grown significantly in recent years through practical applications capable of replacing processes with varying complexities. With technological advancements, the processing of large amounts of information (Big Data) has become possible, bringing prominence to this class of algorithms, with a greater emphasis on "non-tabular" data such as images, videos, and text. The problem of image classification has been a major driving force behind Deep Learning models, and the technique is a vast field of study continually undergoing refinement. Many Deep Learning structures have been adapted for specific problems, offering a considerable variety of possibilities. In general, the flexibility of these algorithms allows for modeling according to the application and analysis interests. While Deep Learning structures have achieved notable results in the fields of image, video, and text, the purpose of this dissertation is to specifically apply this methodology to tabular data, namely, time series. This includes a focus on a specific class of Deep Learning that incorporates mechanisms in its structure enabling the flow of temporal dependencies in the data, facilitating predictions of future values. To implement this application, a comprehensive understanding of the context of Deep Learning algorithms is necessary, each with its own vocabulary, notations, and definitions. To make time series data compatible with the proposed structures, specific preparation is required, potentially requiring different approaches depending on the proposed algorithm class. Various structures are considered in the application for time series, with emphasis on algorithms like "Long Short Term Memory" (LSTM), a specific case of Recurrent Neural Networks (RNN). Estimating these models can be interpreted as an optimization issue involving not only parameters but also hyperparameters that control the entire structure of the algorithms. In the context of time series, optimization occurs over time, propagating data characteristics at different moments. ARIMA models serve as a basis for the application, aiding the effectiveness of different Deep Learning structures for various considered scenarios. The application of Deep Learning to time series has gained prominence in the academic landscape due to the popularity of these algorithms in international competitions and the respective results achieved Smyl and Shanmugam (2017) .The approach of these algorithms is considerably different from classical time series models, and these key differences drive further research and academic exploration.