Se o que você quer fazer é aprender funções periódicas simples como essa, você pode usar os Processos Gaussianos. Os GPs permitem que você imponha o conhecimento do seu domínio até certo ponto, especificando uma função de covariância apropriada; neste exemplo, como você sabe que os dados são periódicos, você pode escolher um kernel periódico e o modelo extrapolará essa estrutura. Você pode ver um exemplo na figura; aqui, estou tentando ajustar dados de altura da maré, para que eu saiba que ele possui uma estrutura periódica. Como estou usando uma estrutura periódica, o modelo extrapola essa periodicidade (mais ou menos) corretamente. OFC, se você está tentando aprender sobre redes neurais, isso não é realmente relevante, mas pode ser uma abordagem um pouco melhor do que os recursos de engenharia manual. Aliás, redes neurais e gp's estão intimamente relacionados em teoria,
Os GPs nem sempre são úteis porque, diferentemente das redes neurais, são difíceis de dimensionar para grandes conjuntos de dados e redes profundas, mas se você estiver interessado em problemas de baixa dimensão como esse, provavelmente será mais rápido e confiável.
(na figura, os pontos pretos são dados de treinamento e o vermelho são os alvos; você pode ver que, embora não acerte exatamente, o modelo aprende a periodicidade aproximadamente. As faixas coloridas são os intervalos de confiança do modelo. predição)