TensorFlow & Keras
Sequential API, Functional API, layers, callbacks, checkpoints, TensorBoard, salvamento de modelos
1Qual é a principal diferença entre a Sequential API e a Functional API do Keras?
Qual é a principal diferença entre a Sequential API e a Functional API do Keras?
Resposta
A Sequential API permite criar modelos camada por camada de forma linear, onde cada layer tem exatamente uma entrada e uma saída. A Functional API oferece mais flexibilidade ao permitir criar modelos com arquiteturas complexas: múltiplas entradas, múltiplas saídas, conexões residuais e grafos de layers compartilhados. Use Sequential para arquiteturas simples e Functional para casos mais avançados.
2Como criar um modelo Sequential com uma camada Dense de 64 neurônios seguida por uma camada de saída de 10 neurônios?
Como criar um modelo Sequential com uma camada Dense de 64 neurônios seguida por uma camada de saída de 10 neurônios?
Resposta
O método padrão consiste em instanciar tf.keras.Sequential() e então usar model.add() para adicionar layers um por um, ou passar uma lista de layers diretamente ao construtor. Cada Dense layer recebe o número de units como parâmetro, e a primeira layer requer a especificação de input_shape para definir o formato dos dados de entrada.
3Qual é o papel da função de ativação 'softmax' em uma camada de saída?
Qual é o papel da função de ativação 'softmax' em uma camada de saída?
Resposta
A função softmax transforma os logits (saídas brutas) em probabilidades que somam 1, o que é ideal para classificação multiclasse. Cada saída representa a probabilidade de pertencer a uma classe. É tipicamente usada com a loss categorical_crossentropy para labels one-hot ou sparse_categorical_crossentropy para labels inteiros.
Como definir um modelo com a Functional API tendo duas entradas distintas?
Qual callback usar para parar o treinamento quando a validation loss não melhora mais?
+19 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
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