TensorFlow & Keras
Sequential API, Functional API, layers, callbacks, checkpoints, TensorBoard, guardado de modelos
1¿Cuál es la principal diferencia entre la Sequential API y la Functional API de Keras?
¿Cuál es la principal diferencia entre la Sequential API y la Functional API de Keras?
Respuesta
La Sequential API permite crear modelos capa por capa de manera lineal, donde cada layer tiene exactamente una entrada y una salida. La Functional API ofrece mayor flexibilidad al permitir crear modelos con arquitecturas complejas: múltiples entradas, múltiples salidas, conexiones residuales y grafos de layers compartidos. Usa Sequential para arquitecturas simples y Functional para casos más avanzados.
2¿Cómo crear un modelo Sequential con una capa Dense de 64 neuronas seguida de una capa de salida de 10 neuronas?
¿Cómo crear un modelo Sequential con una capa Dense de 64 neuronas seguida de una capa de salida de 10 neuronas?
Respuesta
El método estándar consiste en instanciar tf.keras.Sequential() y luego usar model.add() para agregar layers uno por uno, o pasar una lista de layers directamente al constructor. Cada Dense layer toma el número de units como parámetro, y la primera layer requiere especificar input_shape para definir la forma de los datos de entrada.
3¿Cuál es el rol de la función de activación 'softmax' en una capa de salida?
¿Cuál es el rol de la función de activación 'softmax' en una capa de salida?
Respuesta
La función softmax transforma los logits (salidas brutas) en probabilidades que suman 1, lo cual es ideal para clasificación multi-clase. Cada salida representa la probabilidad de pertenecer a una clase. Típicamente se usa con la loss categorical_crossentropy para labels one-hot o sparse_categorical_crossentropy para labels enteros.
¿Cómo definir un modelo con la Functional API que tenga dos entradas distintas?
¿Qué callback usar para detener el entrenamiento cuando la validation loss ya no mejora?
+19 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
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