CNN y clasificación de imágenes
Convolutions, pooling, arquitecturas (VGG, ResNet), transfer learning, data augmentation, fine-tuning
1¿Qué es una operación de convolution en un CNN?
¿Qué es una operación de convolution en un CNN?
Respuesta
Una convolution es una operación matemática que aplica un filtro (kernel) sobre una imagen deslizando ese filtro por la entrada y calculando el producto escalar en cada posición. Esto permite extraer features locales como bordes, texturas o patrones. A diferencia de las redes densas, donde cada neurona se conecta a todas las entradas, la convolution aprovecha la estructura espacial de las imágenes compartiendo los pesos del filtro en toda la imagen.
2¿Cuál es el rol del stride en una capa de convolution?
¿Cuál es el rol del stride en una capa de convolution?
Respuesta
El stride define el tamaño del paso al mover el filtro sobre la imagen. Un stride de 1 desplaza el filtro un píxel en cada paso, mientras que un stride de 2 lo desplaza 2 píxeles, reduciendo así el tamaño de salida. Aumentar el stride permite reducir la dimensión espacial de la feature map y el coste computacional, pero también puede causar pérdida de información si el stride es demasiado grande.
3¿Cuál es el objetivo del padding en una capa de convolution?
¿Cuál es el objetivo del padding en una capa de convolution?
Respuesta
El padding consiste en añadir píxeles (generalmente ceros) alrededor de la imagen de entrada antes de aplicar la convolution. Esto permite controlar el tamaño de salida y preservar la información en los bordes de la imagen. Con padding 'same', la salida tiene el mismo tamaño que la entrada, mientras que con 'valid' (sin padding), el tamaño disminuye. El padding también evita que los píxeles de los bordes estén subrepresentados en las feature maps.
¿Cuál es la diferencia entre Max Pooling y Average Pooling?
¿Qué es una feature map en un CNN?
+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
Fundamentos de Deep Learning
TensorFlow & Keras
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