CNN e classificação de imagens
Convolutions, pooling, arquiteturas (VGG, ResNet), transfer learning, data augmentation, fine-tuning
1O que é uma operação de convolution em uma CNN?
O que é uma operação de convolution em uma CNN?
Resposta
Uma convolution é uma operação matemática que aplica um filtro (kernel) sobre uma imagem deslizando esse filtro pela entrada e calculando o produto escalar em cada posição. Isso permite extrair features locais como bordas, texturas ou padrões. Diferente das redes densas, onde cada neurônio é conectado a todas as entradas, a convolution explora a estrutura espacial das imagens compartilhando os pesos do filtro em toda a imagem.
2Qual é o papel do stride em uma camada de convolution?
Qual é o papel do stride em uma camada de convolution?
Resposta
O stride define o tamanho do passo ao mover o filtro pela imagem. Um stride de 1 move o filtro um pixel a cada passo, enquanto um stride de 2 o move 2 pixels, reduzindo assim o tamanho de saída. Aumentar o stride permite reduzir a dimensão espacial da feature map e o custo computacional, mas também pode causar perda de informação se o stride for muito grande.
3Qual é o objetivo do padding em uma camada de convolution?
Qual é o objetivo do padding em uma camada de convolution?
Resposta
O padding consiste em adicionar pixels (geralmente zeros) ao redor da imagem de entrada antes de aplicar a convolution. Isso permite controlar o tamanho de saída e preservar as informações nas bordas da imagem. Com padding 'same', a saída tem o mesmo tamanho que a entrada, enquanto com 'valid' (sem padding), o tamanho diminui. O padding também evita que os pixels das bordas fiquem sub-representados nas feature maps.
Qual é a diferença entre Max Pooling e Average Pooling?
O que é uma feature map em uma CNN?
+21 perguntas de entrevista
Outros temas de entrevista Data Science & ML
Fundamentos de Python
Programação Orientada a Objetos em Python
Estruturas de dados em Python
Fundamentos do Git
Fundamentos de SQL
Fundamentos de NumPy
Fundamentos de Pandas
Jupyter & Google Colab
SQL Joins e consultas avançadas
Pandas avançado
Visualização com Matplotlib & Seaborn
Visualizações interativas com Plotly
Estatística descritiva
Estatística inferencial
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisionado: Regressão
ML Supervisionado: Classificação
Árvores de Decisão e Ensembles
ML Não Supervisionado
Pipelines ML e Validação
Séries Temporais e Previsão
Fundamentos de Deep Learning
TensorFlow & Keras
RNN e Sequências
Transformers e Attention
NLP e Hugging Face
GenAI e LangChain
MLOps e Implantação
Domine Data Science & ML para sua proxima entrevista
Acesse todas as perguntas, flashcards, testes tecnicos, exercicios de code review e simuladores de entrevista.
Comece gratis