Fundamentos de Deep Learning
Perceptrones, backpropagation, funciones de activación, loss functions, optimizers, batch size, epochs
1¿Qué es un perceptrón en el contexto de las redes neuronales?
¿Qué es un perceptrón en el contexto de las redes neuronales?
Respuesta
Un perceptrón es la unidad básica de una red neuronal, inspirado en la neurona biológica. Toma múltiples entradas, las multiplica por pesos, suma todo con un bias, luego aplica una función de activación para producir una salida. El perceptrón simple solo puede resolver problemas linealmente separables, lo que llevó al desarrollo de redes multicapa.
2¿Cuál es la principal limitación del perceptrón simple (monocapa)?
¿Cuál es la principal limitación del perceptrón simple (monocapa)?
Respuesta
El perceptrón simple solo puede resolver problemas linealmente separables, es decir, problemas donde las clases pueden separarse mediante una línea recta (o un hiperplano en dimensiones superiores). Esta limitación, demostrada por Minsky y Papert en 1969 con el problema XOR, frenó temporalmente la investigación en redes neuronales hasta que se introdujeron los perceptrones multicapa.
3¿Cuál es el rol de la función de activación en una red neuronal?
¿Cuál es el rol de la función de activación en una red neuronal?
Respuesta
La función de activación introduce no linealidad en la red, permitiéndole aprender relaciones complejas entre entradas y salidas. Sin una función de activación no lineal, incluso una red multicapa se comportaría como una simple transformación lineal. Las funciones comunes incluyen ReLU, sigmoid y tanh, cada una con propiedades específicas según el caso de uso.
¿Qué función de activación se usa más comúnmente en las capas ocultas de las redes modernas?
¿Cuándo debe usarse la función de activación softmax en una red neuronal?
+21 preguntas de entrevista
Otros temas de entrevista Data Science & ML
Fundamentos de Python
Programación Orientada a Objetos en Python
Estructuras de datos en Python
Fundamentos de Git
Fundamentos de SQL
Fundamentos de NumPy
Fundamentos de Pandas
Jupyter & Google Colab
SQL Joins y consultas avanzadas
Pandas avanzado
Visualización con Matplotlib & Seaborn
Visualizaciones interactivas con Plotly
Estadística descriptiva
Estadística inferencial
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisado: Regresión
ML Supervisado: Clasificación
Árboles de Decisión y Ensembles
ML No Supervisado
Pipelines ML y Validación
Series Temporales y Pronóstico
TensorFlow & Keras
CNN y clasificación de imágenes
RNN y Secuencias
Transformers y Attention
NLP y Hugging Face
GenAI y LangChain
MLOps y Despliegue
Domina Data Science & ML para tu próxima entrevista
Accede a todas las preguntas, flashcards, tests técnicos, ejercicios de code review y simuladores de entrevista.
Empieza gratis