# CNN e classificação de imagens (Data Science & ML) > Convolutions, pooling, arquiteturas (VGG, ResNet), transfer learning, data augmentation, fine-tuning - 24 perguntas de entrevista - Senior - [Perguntas de entrevista: Data Science & ML](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista.md) ## 1. 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. ## 2. 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. ## 3. 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. ## Mais 21 perguntas disponiveis - Qual é a diferença entre Max Pooling e Average Pooling? - O que é uma feature map em uma CNN? Cadastre-se gratis: https://sharpskill.dev/pt/login ## Outros temas de entrevista Data Science & ML - [Fundamentos de Python](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/python-basics.md): 25 perguntas, Junior - [Programação Orientada a Objetos em Python](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/python-oop.md): 20 perguntas, Junior - [Estruturas de dados em Python](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/python-data-structures.md): 20 perguntas, Junior - [Fundamentos do Git](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/git-fundamentals.md): 18 perguntas, Junior - [Fundamentos de SQL](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/sql-basics.md): 20 perguntas, Junior - [Fundamentos de NumPy](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/numpy-fundamentals.md): 22 perguntas, Junior - [Fundamentos de Pandas](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/pandas-basics.md): 22 perguntas, Junior - [Jupyter & Google Colab](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/jupyter-colab.md): 16 perguntas, Junior - [SQL Joins e consultas avançadas](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/sql-joins-advanced.md): 22 perguntas, Mid-Level - [Pandas avançado](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/pandas-advanced.md): 24 perguntas, Mid-Level - [Visualização com Matplotlib & Seaborn](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/matplotlib-seaborn.md): 20 perguntas, Mid-Level - [Visualizações interativas com Plotly](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/plotly-interactive.md): 18 perguntas, Mid-Level - [Estatística descritiva](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/statistics-descriptive.md): 20 perguntas, Mid-Level - [Estatística inferencial](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/statistics-inferential.md): 24 perguntas, Mid-Level - [Web Scraping](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/web-scraping.md): 18 perguntas, Mid-Level - [BigQuery & Cloud Data](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/bigquery-cloud.md): 18 perguntas, Mid-Level - [Feature Engineering](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/feature-engineering.md): 22 perguntas, Mid-Level - [ML Supervisionado: Regressão](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/ml-supervised-regression.md): 24 perguntas, Mid-Level - [ML Supervisionado: Classificação](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/ml-supervised-classification.md): 24 perguntas, Mid-Level - [Árvores de Decisão e Ensembles](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/ml-trees-ensembles.md): 24 perguntas, Mid-Level - [ML Não Supervisionado](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/ml-unsupervised.md): 22 perguntas, Mid-Level - [Pipelines ML e Validação](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/ml-pipelines-validation.md): 22 perguntas, Mid-Level - [Séries Temporais e Previsão](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/time-series-forecasting.md): 22 perguntas, Mid-Level - [Fundamentos de Deep Learning](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/deep-learning-fundamentals.md): 24 perguntas, Senior - [TensorFlow & Keras](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/tensorflow-keras.md): 22 perguntas, Senior - [RNN e Sequências](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/rnn-sequences.md): 22 perguntas, Senior - [Transformers e Attention](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/transformers-attention.md): 24 perguntas, Senior - [NLP e Hugging Face](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/nlp-huggingface.md): 24 perguntas, Senior - [GenAI e LangChain](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/genai-langchain.md): 24 perguntas, Senior - [MLOps e Implantação](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/mlops-deployment.md): 24 perguntas, Senior --- Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack. HTML version of this page: https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/cnn-image-classification