# CNN i klasyfikacja obrazów (Data Science & ML)

> Convolutions, pooling, architektury (VGG, ResNet), transfer learning, data augmentation, fine-tuning

- 24 pytań z rozmów
- Senior
- [Pytania z rozmów: Data Science & ML](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne.md)

## 1. Czym jest operacja convolution w CNN?

**Odpowiedź**

Convolution to operacja matematyczna, która stosuje filtr (kernel) na obrazie, przesuwając ten filtr po wejściu i obliczając iloczyn skalarny w każdej pozycji. Pozwala to wyodrębnić lokalne feature, takie jak krawędzie, tekstury lub wzorce. W przeciwieństwie do sieci dense, gdzie każdy neuron jest połączony ze wszystkimi wejściami, convolution wykorzystuje strukturę przestrzenną obrazów, dzieląc wagi filtra w całym obrazie.

## 2. Jaka jest rola stride w warstwie convolution?

**Odpowiedź**

Stride definiuje rozmiar kroku podczas przesuwania filtra po obrazie. Stride 1 przesuwa filtr o jeden piksel w każdym kroku, podczas gdy stride 2 przesuwa go o 2 piksele, zmniejszając w ten sposób rozmiar wyjścia. Zwiększenie stride pozwala zmniejszyć wymiar przestrzenny feature map i koszt obliczeniowy, ale może również powodować utratę informacji, jeśli stride jest zbyt duży.

## 3. Jaki jest cel paddingu w warstwie convolution?

**Odpowiedź**

Padding polega na dodaniu pikseli (zwykle zer) wokół obrazu wejściowego przed zastosowaniem convolution. Pozwala to kontrolować rozmiar wyjścia i zachować informacje na krawędziach obrazu. Z paddingiem 'same' wyjście ma taki sam rozmiar jak wejście, podczas gdy z 'valid' (bez paddingu) rozmiar maleje. Padding zapobiega również niedoreprezentowaniu pikseli krawędziowych w feature map.

## Jeszcze 21 dostępnych pytań

- Jaka jest różnica między Max Pooling a Average Pooling?
- Czym jest feature map w CNN?

Zarejestruj się za darmo: https://sharpskill.dev/pl/login

## Inne tematy rekrutacyjne Data Science & ML

- [Podstawy Pythona](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/python-basics.md): 25 pytań, Junior
- [Programowanie Obiektowe w Pythonie](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/python-oop.md): 20 pytań, Junior
- [Struktury danych Python](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/python-data-structures.md): 20 pytań, Junior
- [Podstawy Git](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/git-fundamentals.md): 18 pytań, Junior
- [Podstawy SQL](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/sql-basics.md): 20 pytań, Junior
- [Podstawy NumPy](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/numpy-fundamentals.md): 22 pytań, Junior
- [Podstawy Pandas](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/pandas-basics.md): 22 pytań, Junior
- [Jupyter & Google Colab](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/jupyter-colab.md): 16 pytań, Junior
- [SQL Joins i zaawansowane zapytania](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/sql-joins-advanced.md): 22 pytań, Mid-Level
- [Zaawansowany Pandas](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/pandas-advanced.md): 24 pytań, Mid-Level
- [Wizualizacja z Matplotlib & Seaborn](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/matplotlib-seaborn.md): 20 pytań, Mid-Level
- [Interaktywne wizualizacje z Plotly](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/plotly-interactive.md): 18 pytań, Mid-Level
- [Statystyka opisowa](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/statistics-descriptive.md): 20 pytań, Mid-Level
- [Statystyka inferencyjna](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/statistics-inferential.md): 24 pytań, Mid-Level
- [Web Scraping](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/web-scraping.md): 18 pytań, Mid-Level
- [BigQuery & Cloud Data](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/bigquery-cloud.md): 18 pytań, Mid-Level
- [Feature Engineering](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/feature-engineering.md): 22 pytań, Mid-Level
- [Uczenie nadzorowane: Regresja](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-supervised-regression.md): 24 pytań, Mid-Level
- [Uczenie nadzorowane: Klasyfikacja](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-supervised-classification.md): 24 pytań, Mid-Level
- [Drzewa Decyzyjne i Ensembles](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-trees-ensembles.md): 24 pytań, Mid-Level
- [ML Nienadzorowane](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-unsupervised.md): 22 pytań, Mid-Level
- [Pipeline'y ML i walidacja](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-pipelines-validation.md): 22 pytań, Mid-Level
- [Szeregi czasowe i prognozowanie](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/time-series-forecasting.md): 22 pytań, Mid-Level
- [Podstawy Deep Learning](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/deep-learning-fundamentals.md): 24 pytań, Senior
- [TensorFlow & Keras](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/tensorflow-keras.md): 22 pytań, Senior
- [RNN i Sekwencje](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/rnn-sequences.md): 22 pytań, Senior
- [Transformers i Attention](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/transformers-attention.md): 24 pytań, Senior
- [NLP i Hugging Face](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/nlp-huggingface.md): 24 pytań, Senior
- [GenAI i LangChain](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/genai-langchain.md): 24 pytań, Senior
- [MLOps i Wdrożenie](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/mlops-deployment.md): 24 pytań, Senior

---

Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack.
HTML version of this page: https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/cnn-image-classification