# RNN e Sequências (Data Science & ML) > RNN, LSTM, GRU, vanishing gradient, séries temporais, previsões, sequence-to-sequence - 22 perguntas de entrevista - Senior - [Perguntas de entrevista: Data Science & ML](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista.md) ## 1. Qual é a característica principal que distingue uma RNN de uma rede neural feedforward clássica? **Resposta** Uma RNN possui conexões recorrentes que mantêm um hidden state que evolui ao longo do tempo. Esse hidden state atua como uma memória que captura informações das entradas anteriores da sequência. Diferente das redes feedforward, onde cada entrada é processada independentemente, as RNN podem modelar dependências temporais entre os elementos de uma sequência. ## 2. Como o hidden state h_t é calculado em uma RNN simples (vanilla RNN) em cada time step? **Resposta** Em uma vanilla RNN, o hidden state h_t é calculado aplicando uma função de ativação (geralmente tanh) à combinação linear da entrada atual x_t ponderada por W_xh e o hidden state anterior h_{t-1} ponderado por W_hh, mais um bias. Essa fórmula permite à rede combinar a nova informação com a memória dos time steps anteriores. ## 3. Qual é o principal problema do vanishing gradient nas RNN e quando ele ocorre? **Resposta** O vanishing gradient ocorre durante a backpropagation through time (BPTT) quando os gradientes são multiplicados muitas vezes por valores menores que 1. Em sequências longas, esses gradientes se tornam exponencialmente pequenos, impedindo a rede de aprender dependências de longo prazo. Os pesos das primeiras camadas temporais quase não são atualizados. ## Mais 19 perguntas disponiveis - Quais são os três gates (portas) que compõem uma célula LSTM e qual é o papel respectivo de cada um? - Como o LSTM resolve o problema do vanishing gradient em comparação com a vanilla RNN? 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 - [CNN e classificação de imagens](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/cnn-image-classification.md): 24 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/rnn-sequences