# Fundamentos de Deep Learning (Data Science & ML)

> Perceptrones, backpropagation, funciones de activación, loss functions, optimizers, batch size, epochs

- 24 preguntas de entrevista
- Senior
- [Preguntas de entrevista: Data Science & ML](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista.md)

## 1. ¿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)?

**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?

**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.

## 21 preguntas más disponibles

- ¿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?

Regístrate gratis: https://sharpskill.dev/es/login

## Otros temas de entrevista Data Science & ML

- [Fundamentos de Python](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/python-basics.md): 25 preguntas, Junior
- [Programación Orientada a Objetos en Python](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/python-oop.md): 20 preguntas, Junior
- [Estructuras de datos en Python](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/python-data-structures.md): 20 preguntas, Junior
- [Fundamentos de Git](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/git-fundamentals.md): 18 preguntas, Junior
- [Fundamentos de SQL](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/sql-basics.md): 20 preguntas, Junior
- [Fundamentos de NumPy](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/numpy-fundamentals.md): 22 preguntas, Junior
- [Fundamentos de Pandas](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/pandas-basics.md): 22 preguntas, Junior
- [Jupyter & Google Colab](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/jupyter-colab.md): 16 preguntas, Junior
- [SQL Joins y consultas avanzadas](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/sql-joins-advanced.md): 22 preguntas, Mid-Level
- [Pandas avanzado](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/pandas-advanced.md): 24 preguntas, Mid-Level
- [Visualización con Matplotlib & Seaborn](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/matplotlib-seaborn.md): 20 preguntas, Mid-Level
- [Visualizaciones interactivas con Plotly](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/plotly-interactive.md): 18 preguntas, Mid-Level
- [Estadística descriptiva](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/statistics-descriptive.md): 20 preguntas, Mid-Level
- [Estadística inferencial](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/statistics-inferential.md): 24 preguntas, Mid-Level
- [Web Scraping](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/web-scraping.md): 18 preguntas, Mid-Level
- [BigQuery & Cloud Data](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/bigquery-cloud.md): 18 preguntas, Mid-Level
- [Feature Engineering](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/feature-engineering.md): 22 preguntas, Mid-Level
- [ML Supervisado: Regresión](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-supervised-regression.md): 24 preguntas, Mid-Level
- [ML Supervisado: Clasificación](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-supervised-classification.md): 24 preguntas, Mid-Level
- [Árboles de Decisión y Ensembles](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-trees-ensembles.md): 24 preguntas, Mid-Level
- [ML No Supervisado](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-unsupervised.md): 22 preguntas, Mid-Level
- [Pipelines ML y Validación](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-pipelines-validation.md): 22 preguntas, Mid-Level
- [Series Temporales y Pronóstico](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/time-series-forecasting.md): 22 preguntas, Mid-Level
- [TensorFlow & Keras](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/tensorflow-keras.md): 22 preguntas, Senior
- [CNN y clasificación de imágenes](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/cnn-image-classification.md): 24 preguntas, Senior
- [RNN y Secuencias](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/rnn-sequences.md): 22 preguntas, Senior
- [Transformers y Attention](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/transformers-attention.md): 24 preguntas, Senior
- [NLP y Hugging Face](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/nlp-huggingface.md): 24 preguntas, Senior
- [GenAI y LangChain](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/genai-langchain.md): 24 preguntas, Senior
- [MLOps y Despliegue](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/mlops-deployment.md): 24 preguntas, Senior

---

Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack.
HTML version of this page: https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/deep-learning-fundamentals