# Grundlagen des Deep Learning (Data Science & ML) > Perzeptronen, Backpropagation, Aktivierungsfunktionen, Loss Functions, Optimizers, Batch Size, Epochs - 24 Interview-Fragen - Senior - [Interview-Fragen: Data Science & ML](https://sharpskill.dev/de/technologies/data-science/interviewfragen.md) ## 1. 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. ## 2. 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. ## 3. 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. ## 21 weitere Fragen verfügbar - Welche Aktivierungsfunktion wird am häufigsten in den versteckten Schichten moderner Netze verwendet? - Wann sollte die Softmax-Aktivierungsfunktion in einem neuronalen Netz verwendet werden? Kostenlos registrieren: https://sharpskill.dev/de/login ## Weitere Data Science & ML-Interviewthemen - [Python-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/python-basics.md): 25 Fragen, Junior - [Python Objektorientierte Programmierung](https://sharpskill.dev/de/technologies/data-science/interviewfragen/python-oop.md): 20 Fragen, Junior - [Python-Datenstrukturen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/python-data-structures.md): 20 Fragen, Junior - [Git-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/git-fundamentals.md): 18 Fragen, Junior - [SQL-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/sql-basics.md): 20 Fragen, Junior - [NumPy-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/numpy-fundamentals.md): 22 Fragen, Junior - [Pandas-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/pandas-basics.md): 22 Fragen, Junior - [Jupyter & Google Colab](https://sharpskill.dev/de/technologies/data-science/interviewfragen/jupyter-colab.md): 16 Fragen, Junior - [SQL Joins & fortgeschrittene Abfragen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/sql-joins-advanced.md): 22 Fragen, Mid-Level - [Fortgeschrittenes Pandas](https://sharpskill.dev/de/technologies/data-science/interviewfragen/pandas-advanced.md): 24 Fragen, Mid-Level - [Visualisierung mit Matplotlib & Seaborn](https://sharpskill.dev/de/technologies/data-science/interviewfragen/matplotlib-seaborn.md): 20 Fragen, Mid-Level - [Interaktive Visualisierungen mit Plotly](https://sharpskill.dev/de/technologies/data-science/interviewfragen/plotly-interactive.md): 18 Fragen, Mid-Level - [Deskriptive Statistik](https://sharpskill.dev/de/technologies/data-science/interviewfragen/statistics-descriptive.md): 20 Fragen, Mid-Level - [Inferenzstatistik](https://sharpskill.dev/de/technologies/data-science/interviewfragen/statistics-inferential.md): 24 Fragen, Mid-Level - [Web Scraping](https://sharpskill.dev/de/technologies/data-science/interviewfragen/web-scraping.md): 18 Fragen, Mid-Level - [BigQuery & Cloud Data](https://sharpskill.dev/de/technologies/data-science/interviewfragen/bigquery-cloud.md): 18 Fragen, Mid-Level - [Feature Engineering](https://sharpskill.dev/de/technologies/data-science/interviewfragen/feature-engineering.md): 22 Fragen, Mid-Level - [Überwachtes ML: Regression](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-supervised-regression.md): 24 Fragen, Mid-Level - [Überwachtes ML: Klassifikation](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-supervised-classification.md): 24 Fragen, Mid-Level - [Entscheidungsbäume & Ensembles](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-trees-ensembles.md): 24 Fragen, Mid-Level - [Unüberwachtes ML](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-unsupervised.md): 22 Fragen, Mid-Level - [ML-Pipelines & Validierung](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-pipelines-validation.md): 22 Fragen, Mid-Level - [Zeitreihen & Prognosen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/time-series-forecasting.md): 22 Fragen, Mid-Level - [TensorFlow & Keras](https://sharpskill.dev/de/technologies/data-science/interviewfragen/tensorflow-keras.md): 22 Fragen, Senior - [CNN und Bildklassifizierung](https://sharpskill.dev/de/technologies/data-science/interviewfragen/cnn-image-classification.md): 24 Fragen, Senior - [RNN & Sequenzen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/rnn-sequences.md): 22 Fragen, Senior - [Transformers & Attention](https://sharpskill.dev/de/technologies/data-science/interviewfragen/transformers-attention.md): 24 Fragen, Senior - [NLP & Hugging Face](https://sharpskill.dev/de/technologies/data-science/interviewfragen/nlp-huggingface.md): 24 Fragen, Senior - [GenAI & LangChain](https://sharpskill.dev/de/technologies/data-science/interviewfragen/genai-langchain.md): 24 Fragen, Senior - [MLOps und Deployment](https://sharpskill.dev/de/technologies/data-science/interviewfragen/mlops-deployment.md): 24 Fragen, Senior --- Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack. HTML version of this page: https://sharpskill.dev/de/technologies/data-science/interviewfragen/deep-learning-fundamentals