# RNN & Reeksen (Data Science & ML)

> RNN, LSTM, GRU, vanishing gradient, tijdreeksen, voorspellingen, sequence-to-sequence

- 22 gespreksvragen
- Senior
- [Gespreksvragen: Data Science & ML](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen.md)

## 1. Wat is het belangrijkste kenmerk dat een RNN onderscheidt van een klassiek feedforward neuraal netwerk?

**Antwoord**

Een RNN heeft recurrente verbindingen die een hidden state behouden die over tijd evolueert. Deze hidden state fungeert als geheugen dat informatie van eerdere invoer in de reeks vastlegt. In tegenstelling tot feedforward netwerken waar elke invoer onafhankelijk wordt verwerkt, kunnen RNN's temporele afhankelijkheden tussen reekselementen modelleren.

## 2. Hoe wordt de hidden state h_t berekend in een eenvoudige RNN (vanilla RNN) bij elke tijdstap?

**Antwoord**

In een vanilla RNN wordt de hidden state h_t berekend door een activatiefunctie (meestal tanh) toe te passen op de lineaire combinatie van de huidige invoer x_t gewogen door W_xh en de vorige hidden state h_{t-1} gewogen door W_hh, plus een bias. Deze formule stelt het netwerk in staat om nieuwe informatie te combineren met het geheugen van eerdere tijdstappen.

## 3. Wat is het belangrijkste vanishing gradient probleem in RNN's en wanneer treedt het op?

**Antwoord**

Vanishing gradient treedt op tijdens backpropagation through time (BPTT) wanneer gradiënten vele malen worden vermenigvuldigd met waarden kleiner dan 1. Over lange reeksen worden deze gradiënten exponentieel klein, waardoor het netwerk geen lange-termijn afhankelijkheden kan leren. De gewichten van vroege temporele lagen worden nauwelijks bijgewerkt.

## Nog 19 vragen beschikbaar

- Wat zijn de drie gates die een LSTM-cel vormen en wat is hun respectievelijke rol?
- Hoe lost LSTM het vanishing gradient probleem op vergeleken met vanilla RNN?

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
- [Fundamenten van Deep Learning](https://sharpskill.dev/nl/technologies/data-science/sollicitatievragen/deep-learning-fundamentals.md): 24 vragen, Senior
- [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
- [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/rnn-sequences