Fondamenti di Deep Learning
Percettroni, backpropagation, funzioni di attivazione, loss functions, optimizers, batch size, epochs
1Cos'è un percettrone nel contesto delle reti neurali?
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.
2Qual è la principale limitazione del percettrone semplice (monostrato)?
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.
3Qual è il ruolo della funzione di attivazione in una rete neurale?
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.
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?
+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
TensorFlow & Keras
CNN e classificazione di immagini
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