Fundamentos de Deep Learning
Perceptrons, backpropagation, funções de ativação, loss functions, optimizers, batch size, epochs
1O que é um perceptron no contexto das redes neurais?
O que é um perceptron no contexto das redes neurais?
Resposta
Um perceptron é a unidade básica de uma rede neural, inspirado no neurônio biológico. Ele recebe múltiplas entradas, multiplica-as por pesos, soma tudo com um bias, depois aplica uma função de ativação para produzir uma saída. O perceptron simples só pode resolver problemas linearmente separáveis, o que levou ao desenvolvimento de redes multicamadas.
2Qual é a principal limitação do perceptron simples (camada única)?
Qual é a principal limitação do perceptron simples (camada única)?
Resposta
O perceptron simples só pode resolver problemas linearmente separáveis, ou seja, problemas onde as classes podem ser separadas por uma linha reta (ou um hiperplano em dimensões superiores). Essa limitação, demonstrada por Minsky e Papert em 1969 com o problema XOR, freou temporariamente a pesquisa em redes neurais até que os perceptrons multicamadas foram introduzidos.
3Qual é o papel da função de ativação em uma rede neural?
Qual é o papel da função de ativação em uma rede neural?
Resposta
A função de ativação introduz não linearidade na rede, permitindo que ela aprenda relações complexas entre entradas e saídas. Sem uma função de ativação não linear, mesmo uma rede multicamada se comportaria como uma simples transformação linear. Funções comuns incluem ReLU, sigmoid e tanh, cada uma com propriedades específicas dependendo do caso de uso.
Qual função de ativação é mais comumente usada nas camadas ocultas das redes modernas?
Quando a função de ativação softmax deve ser usada em uma rede neural?
+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
TensorFlow & Keras
CNN e classificação de imagens
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