# Fundamenten van Deep Learning (Data Science & ML) > Perceptrons, backpropagation, activatiefuncties, loss functions, optimizers, batch size, epochs - 24 gespreksvragen - Senior - [Gespreksvragen: Data Science & ML](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen.md) ## 1. Wat is een perceptron in de context van neurale netwerken? **Antwoord** Een perceptron is de basiseenheid van een neuraal netwerk, geïnspireerd op het biologische neuron. Het neemt meerdere inputs, vermenigvuldigt ze met gewichten, telt alles op met een bias, en past dan een activatiefunctie toe om een output te produceren. Het eenvoudige perceptron kan alleen lineair scheidbare problemen oplossen, wat leidde tot de ontwikkeling van meerlaagse netwerken. ## 2. Wat is de belangrijkste beperking van het eenvoudige (eenlaagse) perceptron? **Antwoord** Het eenvoudige perceptron kan alleen lineair scheidbare problemen oplossen, dat wil zeggen problemen waarbij klassen kunnen worden gescheiden door een rechte lijn (of hyperplaan in hogere dimensies). Deze beperking, in 1969 aangetoond door Minsky en Papert met het XOR-probleem, vertraagde tijdelijk het onderzoek naar neurale netwerken totdat meerlaagse perceptrons werden geïntroduceerd. ## 3. Wat is de rol van de activatiefunctie in een neuraal netwerk? **Antwoord** De activatiefunctie introduceert niet-lineariteit in het netwerk, waardoor het complexe relaties tussen inputs en outputs kan leren. Zonder een niet-lineaire activatiefunctie zou zelfs een meerlaags netwerk zich gedragen als een eenvoudige lineaire transformatie. Veelvoorkomende functies zijn ReLU, sigmoid en tanh, elk met specifieke eigenschappen afhankelijk van de use case. ## Nog 21 vragen beschikbaar - Welke activatiefunctie wordt het meest gebruikt in verborgen lagen van moderne netwerken? - Wanneer moet de softmax-activatiefunctie worden gebruikt in een neuraal netwerk? Meld je gratis aan: https://sharpskill.dev/nl/login ## Andere Data Science & ML-sollicitatieonderwerpen - [Python-basisbeginselen](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/python-basics.md): 25 vragen, Junior - [Python Objectgeoriënteerd Programmeren](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/python-oop.md): 20 vragen, Junior - [Python-datastructuren](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/python-data-structures.md): 20 vragen, Junior - [Git-Fundamenten](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/git-fundamentals.md): 18 vragen, Junior - [SQL-basisbeginselen](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/sql-basics.md): 20 vragen, Junior - [NumPy-grondbeginselen](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/numpy-fundamentals.md): 22 vragen, Junior - [Pandas-basis](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/pandas-basics.md): 22 vragen, Junior - [Jupyter & Google Colab](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/jupyter-colab.md): 16 vragen, Junior - [SQL Joins & geavanceerde queries](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/sql-joins-advanced.md): 22 vragen, Mid-Level - [Geavanceerd Pandas](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/pandas-advanced.md): 24 vragen, Mid-Level - [Visualisatie met Matplotlib & Seaborn](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/matplotlib-seaborn.md): 20 vragen, Mid-Level - [Interactieve visualisaties met Plotly](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/plotly-interactive.md): 18 vragen, Mid-Level - [Beschrijvende statistiek](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/statistics-descriptive.md): 20 vragen, Mid-Level - [Inferentiële statistiek](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/statistics-inferential.md): 24 vragen, Mid-Level - [Web Scraping](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/web-scraping.md): 18 vragen, Mid-Level - [BigQuery & Cloud Data](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/bigquery-cloud.md): 18 vragen, Mid-Level - [Feature Engineering](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/feature-engineering.md): 22 vragen, Mid-Level - [Supervised ML: Regressie](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/ml-supervised-regression.md): 24 vragen, Mid-Level - [Supervised ML: Classificatie](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/ml-supervised-classification.md): 24 vragen, Mid-Level - [Beslissingsbomen & Ensembles](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/ml-trees-ensembles.md): 24 vragen, Mid-Level - [Ongesuperviseerd ML](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/ml-unsupervised.md): 22 vragen, Mid-Level - [ML Pipelines & Validatie](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/ml-pipelines-validation.md): 22 vragen, Mid-Level - [Tijdreeksen & Voorspelling](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/time-series-forecasting.md): 22 vragen, Mid-Level - [TensorFlow & Keras](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/tensorflow-keras.md): 22 vragen, Senior - [CNN en beeldclassificatie](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/cnn-image-classification.md): 24 vragen, Senior - [RNN & Reeksen](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/rnn-sequences.md): 22 vragen, Senior - [Transformers & Attention](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/transformers-attention.md): 24 vragen, Senior - [NLP & Hugging Face](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/nlp-huggingface.md): 24 vragen, Senior - [GenAI & LangChain](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/genai-langchain.md): 24 vragen, Senior - [MLOps en Deployment](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/mlops-deployment.md): 24 vragen, Senior --- Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack. HTML version of this page: https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/deep-learning-fundamentals