Podstawy Deep Learning
Perceptrony, backpropagation, funkcje aktywacji, loss functions, optimizers, batch size, epochs
1Czym jest perceptron w kontekście sieci neuronowych?
Czym jest perceptron w kontekście sieci neuronowych?
Odpowiedź
Perceptron to podstawowa jednostka sieci neuronowej, inspirowana neuronem biologicznym. Pobiera wiele wejść, mnoży je przez wagi, sumuje wszystko z biasem, a następnie stosuje funkcję aktywacji w celu wytworzenia wyjścia. Prosty perceptron może rozwiązywać tylko problemy liniowo separowalne, co doprowadziło do rozwoju sieci wielowarstwowych.
2Jakie jest główne ograniczenie prostego perceptronu (jednowarstwowego)?
Jakie jest główne ograniczenie prostego perceptronu (jednowarstwowego)?
Odpowiedź
Prosty perceptron może rozwiązywać tylko problemy liniowo separowalne, czyli problemy, w których klasy można rozdzielić linią prostą (lub hiperpłaszczyzną w wyższych wymiarach). To ograniczenie, wykazane przez Minsky'ego i Paperta w 1969 roku na problemie XOR, tymczasowo spowolniło badania nad sieciami neuronowymi, dopóki nie wprowadzono perceptronów wielowarstwowych.
3Jaka jest rola funkcji aktywacji w sieci neuronowej?
Jaka jest rola funkcji aktywacji w sieci neuronowej?
Odpowiedź
Funkcja aktywacji wprowadza nieliniowość do sieci, umożliwiając jej uczenie się złożonych relacji między wejściami a wyjściami. Bez nieliniowej funkcji aktywacji, nawet sieć wielowarstwowa zachowywałaby się jak prosta transformacja liniowa. Popularne funkcje to ReLU, sigmoid i tanh, każda z określonymi właściwościami w zależności od zastosowania.
Która funkcja aktywacji jest najczęściej używana w warstwach ukrytych nowoczesnych sieci?
Kiedy należy używać funkcji aktywacji softmax w sieci neuronowej?
+21 pytań z rozmów
Inne tematy rekrutacyjne Data Science & ML
Podstawy Pythona
Programowanie Obiektowe w Pythonie
Struktury danych Python
Podstawy Git
Podstawy SQL
Podstawy NumPy
Podstawy Pandas
Jupyter & Google Colab
SQL Joins i zaawansowane zapytania
Zaawansowany Pandas
Wizualizacja z Matplotlib & Seaborn
Interaktywne wizualizacje z Plotly
Statystyka opisowa
Statystyka inferencyjna
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Uczenie nadzorowane: Regresja
Uczenie nadzorowane: Klasyfikacja
Drzewa Decyzyjne i Ensembles
ML Nienadzorowane
Pipeline'y ML i walidacja
Szeregi czasowe i prognozowanie
TensorFlow & Keras
CNN i klasyfikacja obrazów
RNN i Sekwencje
Transformers i Attention
NLP i Hugging Face
GenAI i LangChain
MLOps i Wdrożenie
Opanuj Data Science & ML na następną rozmowę
Uzyskaj dostęp do wszystkich pytań, flashcards, testów technicznych, ćwiczeń code review i symulatorów rozmów.
Zacznij za darmo