# Fondamenti di Deep Learning (Data Science & ML)

> Percettroni, backpropagation, funzioni di attivazione, loss functions, optimizers, batch size, epochs

- 24 domande da colloquio
- Senior
- [Domande da colloquio: Data Science & ML](https://sharpskill.dev/it/technologies/data-science/domande-colloquio.md)

## 1. Cos'è un percettrone nel contesto delle reti neurali?

**Risposta**

Un percettrone è l'unità base di una rete neurale, ispirata al neurone biologico. Prende più input, li moltiplica per i pesi, somma tutto con un bias, poi applica una funzione di attivazione per produrre un output. Il percettrone semplice può risolvere solo problemi linearmente separabili, il che ha portato allo sviluppo delle reti multistrato.

## 2. Qual è la principale limitazione del percettrone semplice (monostrato)?

**Risposta**

Il percettrone semplice può risolvere solo problemi linearmente separabili, cioè problemi in cui le classi possono essere separate da una linea retta (o iperpiano in dimensioni superiori). Questa limitazione, dimostrata da Minsky e Papert nel 1969 con il problema XOR, ha temporaneamente rallentato la ricerca sulle reti neurali fino all'introduzione dei percettroni multistrato.

## 3. Qual è il ruolo della funzione di attivazione in una rete neurale?

**Risposta**

La funzione di attivazione introduce non linearità nella rete, consentendole di apprendere relazioni complesse tra input e output. Senza una funzione di attivazione non lineare, anche una rete multistrato si comporterebbe come una semplice trasformazione lineare. Le funzioni comuni includono ReLU, sigmoid e tanh, ciascuna con proprietà specifiche a seconda del caso d'uso.

## Altre 21 domande disponibili

- Quale funzione di attivazione è più comunemente usata nei layer nascosti delle reti moderne?
- Quando dovrebbe essere utilizzata la funzione di attivazione softmax in una rete neurale?

Registrati gratis: https://sharpskill.dev/it/login

## Altri argomenti di colloquio Data Science & ML

- [Fondamenti di Python](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/python-basics.md): 25 domande, Junior
- [Programmazione Orientata agli Oggetti in Python](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/python-oop.md): 20 domande, Junior
- [Strutture dati Python](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/python-data-structures.md): 20 domande, Junior
- [Fondamenti di Git](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/git-fundamentals.md): 18 domande, Junior
- [Fondamenti di SQL](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/sql-basics.md): 20 domande, Junior
- [Fondamenti di NumPy](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/numpy-fundamentals.md): 22 domande, Junior
- [Fondamenti di Pandas](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/pandas-basics.md): 22 domande, Junior
- [Jupyter & Google Colab](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/jupyter-colab.md): 16 domande, Junior
- [SQL Joins e query avanzate](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/sql-joins-advanced.md): 22 domande, Mid-Level
- [Pandas avanzato](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/pandas-advanced.md): 24 domande, Mid-Level
- [Visualizzazione con Matplotlib & Seaborn](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/matplotlib-seaborn.md): 20 domande, Mid-Level
- [Visualizzazioni interattive con Plotly](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/plotly-interactive.md): 18 domande, Mid-Level
- [Statistica descrittiva](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/statistics-descriptive.md): 20 domande, Mid-Level
- [Statistica inferenziale](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/statistics-inferential.md): 24 domande, Mid-Level
- [Web Scraping](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/web-scraping.md): 18 domande, Mid-Level
- [BigQuery & Cloud Data](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/bigquery-cloud.md): 18 domande, Mid-Level
- [Feature Engineering](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/feature-engineering.md): 22 domande, Mid-Level
- [ML Supervisionato: Regressione](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-supervised-regression.md): 24 domande, Mid-Level
- [ML Supervisionato: Classificazione](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-supervised-classification.md): 24 domande, Mid-Level
- [Alberi Decisionali e Ensembles](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-trees-ensembles.md): 24 domande, Mid-Level
- [ML Non Supervisionato](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-unsupervised.md): 22 domande, Mid-Level
- [Pipeline ML e Validazione](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-pipelines-validation.md): 22 domande, Mid-Level
- [Serie Temporali e Previsione](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/time-series-forecasting.md): 22 domande, Mid-Level
- [TensorFlow & Keras](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/tensorflow-keras.md): 22 domande, Senior
- [CNN e classificazione di immagini](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/cnn-image-classification.md): 24 domande, Senior
- [RNN e Sequenze](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/rnn-sequences.md): 22 domande, Senior
- [Transformers e Attention](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/transformers-attention.md): 24 domande, Senior
- [NLP e Hugging Face](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/nlp-huggingface.md): 24 domande, Senior
- [GenAI e LangChain](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/genai-langchain.md): 24 domande, Senior
- [MLOps e Deployment](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/mlops-deployment.md): 24 domande, Senior

---

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