# RNN & Séquences (Data Science & ML) > RNN, LSTM, GRU, vanishing gradient, séries temporelles, prévisions, sequence-to-sequence - 22 questions d'entretien - Senior - [Questions d'entretien: Data Science & ML](https://sharpskill.dev/fr/technologies/data-science/questions-entretien.md) ## 1. Quelle est la caractéristique principale qui distingue un RNN d'un réseau de neurones feedforward classique ? **Réponse** Un RNN possède des connexions récurrentes qui permettent de maintenir un état caché (hidden state) qui évolue au fil du temps. Cet état caché agit comme une mémoire qui capture les informations des entrées précédentes dans la séquence. Contrairement aux réseaux feedforward où chaque entrée est traitée indépendamment, les RNN peuvent modéliser les dépendances temporelles entre les éléments d'une séquence. ## 2. Comment se calcule l'état caché h_t dans un RNN simple (vanilla RNN) à chaque pas de temps ? **Réponse** Dans un RNN vanilla, l'état caché h_t est calculé en appliquant une fonction d'activation (généralement tanh) à la combinaison linéaire de l'entrée actuelle x_t pondérée par W_xh et de l'état caché précédent h_{t-1} pondéré par W_hh, plus un biais. Cette formule permet au réseau de combiner l'information nouvelle avec la mémoire des pas de temps précédents. ## 3. Quel est le problème principal du vanishing gradient dans les RNN et quand se manifeste-t-il ? **Réponse** Le vanishing gradient se produit lors de la backpropagation through time (BPTT) quand les gradients sont multipliés de nombreuses fois par des valeurs inférieures à 1. Sur de longues séquences, ces gradients deviennent exponentiellement petits, empêchant le réseau d'apprendre les dépendances à long terme. Les poids des premières couches temporelles ne sont pratiquement plus mis à jour. ## 19 questions supplémentaires disponibles - Quels sont les trois gates (portes) qui composent une cellule LSTM et quel est leur rôle respectif ? - Comment le LSTM résout-il le problème du vanishing gradient par rapport au RNN vanilla ? S'inscrire gratuitement: https://sharpskill.dev/fr/login ## Autres sujets d'entretien Data Science & ML - [Les bases de Python](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/python-basics.md): 25 questions, Junior - [Programmation Orientée Objet Python](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/python-oop.md): 20 questions, Junior - [Structures de données Python](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/python-data-structures.md): 20 questions, Junior - [Fondamentaux Git](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/git-fundamentals.md): 18 questions, Junior - [Les bases de SQL](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/sql-basics.md): 20 questions, Junior - [Fondamentaux NumPy](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/numpy-fundamentals.md): 22 questions, Junior - [Les bases de Pandas](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/pandas-basics.md): 22 questions, Junior - [Jupyter & Google Colab](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/jupyter-colab.md): 16 questions, Junior - [SQL Joins & Requêtes avancées](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/sql-joins-advanced.md): 22 questions, Confirmé - [Pandas avancé](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/pandas-advanced.md): 24 questions, Confirmé - [Visualisation avec Matplotlib & Seaborn](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/matplotlib-seaborn.md): 20 questions, Confirmé - [Visualisations interactives avec Plotly](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/plotly-interactive.md): 18 questions, Confirmé - [Statistiques descriptives](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/statistics-descriptive.md): 20 questions, Confirmé - [Statistiques inférentielles](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/statistics-inferential.md): 24 questions, Confirmé - [Web Scraping](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/web-scraping.md): 18 questions, Confirmé - [BigQuery & Cloud Data](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/bigquery-cloud.md): 18 questions, Confirmé - [Feature Engineering](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/feature-engineering.md): 22 questions, Confirmé - [ML Supervisé : Régression](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/ml-supervised-regression.md): 24 questions, Confirmé - [ML Supervisé : Classification](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/ml-supervised-classification.md): 24 questions, Confirmé - [Arbres de décision & Ensembles](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/ml-trees-ensembles.md): 24 questions, Confirmé - [ML Non supervisé](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/ml-unsupervised.md): 22 questions, Confirmé - [Pipelines ML & Validation](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/ml-pipelines-validation.md): 22 questions, Confirmé - [Séries temporelles & Prévisions](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/time-series-forecasting.md): 22 questions, Confirmé - [Fondamentaux Deep Learning](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/deep-learning-fundamentals.md): 24 questions, Senior - [TensorFlow & Keras](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/tensorflow-keras.md): 22 questions, Senior - [CNN & Classification d'images](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/cnn-image-classification.md): 24 questions, Senior - [Transformers & Attention](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/transformers-attention.md): 24 questions, Senior - [NLP & Hugging Face](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/nlp-huggingface.md): 24 questions, Senior - [GenAI & LangChain](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/genai-langchain.md): 24 questions, Senior - [MLOps & Déploiement](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/mlops-deployment.md): 24 questions, Senior --- Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack. HTML version of this page: https://sharpskill.dev/fr/technologies/data-science/questions-entretien/rnn-sequences