Grundlagen des Deep Learning
Perzeptronen, Backpropagation, Aktivierungsfunktionen, Loss Functions, Optimizers, Batch Size, Epochs
1Was ist ein Perzeptron im Kontext neuronaler Netze?
Was ist ein Perzeptron im Kontext neuronaler Netze?
Antwort
Ein Perzeptron ist die Grundeinheit eines neuronalen Netzes, inspiriert vom biologischen Neuron. Es nimmt mehrere Eingaben, multipliziert sie mit Gewichten, summiert alles mit einem Bias und wendet dann eine Aktivierungsfunktion an, um eine Ausgabe zu erzeugen. Das einfache Perzeptron kann nur linear separierbare Probleme lösen, was zur Entwicklung mehrschichtiger Netze führte.
2Was ist die Hauptbeschränkung des einfachen (einschichtigen) Perzeptrons?
Was ist die Hauptbeschränkung des einfachen (einschichtigen) Perzeptrons?
Antwort
Das einfache Perzeptron kann nur linear separierbare Probleme lösen, also Probleme, bei denen Klassen durch eine gerade Linie (oder Hyperebene in höheren Dimensionen) getrennt werden können. Diese Einschränkung, 1969 von Minsky und Papert mit dem XOR-Problem demonstriert, verlangsamte die Forschung an neuronalen Netzen vorübergehend, bis mehrschichtige Perzeptronen eingeführt wurden.
3Welche Rolle spielt die Aktivierungsfunktion in einem neuronalen Netz?
Welche Rolle spielt die Aktivierungsfunktion in einem neuronalen Netz?
Antwort
Die Aktivierungsfunktion führt Nichtlinearität in das Netz ein und ermöglicht es ihm, komplexe Beziehungen zwischen Eingaben und Ausgaben zu lernen. Ohne eine nichtlineare Aktivierungsfunktion würde sich selbst ein mehrschichtiges Netz wie eine einfache lineare Transformation verhalten. Gängige Funktionen umfassen ReLU, Sigmoid und Tanh, jede mit spezifischen Eigenschaften je nach Anwendungsfall.
Welche Aktivierungsfunktion wird am häufigsten in den versteckten Schichten moderner Netze verwendet?
Wann sollte die Softmax-Aktivierungsfunktion in einem neuronalen Netz verwendet werden?
+21 Interview-Fragen
Weitere Data Science & ML-Interviewthemen
Python-Grundlagen
Python Objektorientierte Programmierung
Python-Datenstrukturen
Git-Grundlagen
SQL-Grundlagen
NumPy-Grundlagen
Pandas-Grundlagen
Jupyter & Google Colab
SQL Joins & fortgeschrittene Abfragen
Fortgeschrittenes Pandas
Visualisierung mit Matplotlib & Seaborn
Interaktive Visualisierungen mit Plotly
Deskriptive Statistik
Inferenzstatistik
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Überwachtes ML: Regression
Überwachtes ML: Klassifikation
Entscheidungsbäume & Ensembles
Unüberwachtes ML
ML-Pipelines & Validierung
Zeitreihen & Prognosen
TensorFlow & Keras
CNN und Bildklassifizierung
RNN & Sequenzen
Transformers & Attention
NLP & Hugging Face
GenAI & LangChain
MLOps und Deployment
Meistere Data Science & ML für dein nächstes Interview
Zugang zu allen Fragen, Flashcards, technischen Tests, Code-Review-Übungen und Interview-Simulatoren.
Kostenlos starten