CNN e classificazione di immagini
Convolutions, pooling, architetture (VGG, ResNet), transfer learning, data augmentation, fine-tuning
1Cos'è un'operazione di convolution in una CNN?
Cos'è un'operazione di convolution in una CNN?
Risposta
Una convolution è un'operazione matematica che applica un filtro (kernel) su un'immagine facendo scorrere questo filtro sull'input e calcolando il prodotto scalare in ogni posizione. Questo permette di estrarre feature locali come bordi, texture o pattern. A differenza delle reti dense, dove ogni neurone è connesso a tutti gli input, la convolution sfrutta la struttura spaziale delle immagini condividendo i pesi del filtro su tutta l'immagine.
2Qual è il ruolo dello stride in un livello di convolution?
Qual è il ruolo dello stride in un livello di convolution?
Risposta
Lo stride definisce la dimensione del passo quando si muove il filtro attraverso l'immagine. Uno stride di 1 sposta il filtro di un pixel a ogni passo, mentre uno stride di 2 lo sposta di 2 pixel, riducendo così la dimensione di output. Aumentare lo stride permette di ridurre la dimensione spaziale della feature map e il costo computazionale, ma può anche causare perdita di informazione se lo stride è troppo grande.
3Qual è lo scopo del padding in un livello di convolution?
Qual è lo scopo del padding in un livello di convolution?
Risposta
Il padding consiste nell'aggiungere pixel (generalmente zeri) attorno all'immagine di input prima di applicare la convolution. Questo permette di controllare la dimensione di output e di preservare le informazioni ai bordi dell'immagine. Con padding 'same', l'output ha la stessa dimensione dell'input, mentre con 'valid' (senza padding), la dimensione diminuisce. Il padding evita anche che i pixel dei bordi siano sotto-rappresentati nelle feature map.
Qual è la differenza tra Max Pooling e Average Pooling?
Cos'è una feature map in una CNN?
+21 domande da colloquio
Altri argomenti di colloquio Data Science & ML
Fondamenti di Python
Programmazione Orientata agli Oggetti in Python
Strutture dati Python
Fondamenti di Git
Fondamenti di SQL
Fondamenti di NumPy
Fondamenti di Pandas
Jupyter & Google Colab
SQL Joins e query avanzate
Pandas avanzato
Visualizzazione con Matplotlib & Seaborn
Visualizzazioni interattive con Plotly
Statistica descrittiva
Statistica inferenziale
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisionato: Regressione
ML Supervisionato: Classificazione
Alberi Decisionali e Ensembles
ML Non Supervisionato
Pipeline ML e Validazione
Serie Temporali e Previsione
Fondamenti di Deep Learning
TensorFlow & Keras
RNN e Sequenze
Transformers e Attention
NLP e Hugging Face
GenAI e LangChain
MLOps e Deployment
Padroneggia Data Science & ML per il tuo prossimo colloquio
Accedi a tutte le domande, flashcards, test tecnici, esercizi di code review e simulatori di colloquio.
Inizia gratis