พื้นฐาน Deep Learning
Perceptron, backpropagation, ฟังก์ชันการกระตุ้น, loss functions, optimizers, batch size, epochs
1Perceptron คืออะไรในบริบทของ neural network?
Perceptron คืออะไรในบริบทของ neural network?
คำตอบ
Perceptron เป็นหน่วยพื้นฐานของ neural network โดยได้รับแรงบันดาลใจจากเซลล์ประสาททางชีวภาพ มันรับ input หลายตัว คูณด้วย weights รวมทั้งหมดกับ bias แล้วใช้ฟังก์ชันการกระตุ้นเพื่อสร้าง output Perceptron แบบง่ายสามารถแก้ได้เฉพาะปัญหาที่แยกได้เชิงเส้นเท่านั้น ซึ่งนำไปสู่การพัฒนา multilayer networks
2ข้อจำกัดหลักของ perceptron แบบง่าย (ชั้นเดียว) คืออะไร?
ข้อจำกัดหลักของ perceptron แบบง่าย (ชั้นเดียว) คืออะไร?
คำตอบ
Perceptron แบบง่ายสามารถแก้ได้เฉพาะปัญหาที่แยกได้เชิงเส้นเท่านั้น หมายถึงปัญหาที่คลาสสามารถแยกได้ด้วยเส้นตรง (หรือ hyperplane ในมิติที่สูงกว่า) ข้อจำกัดนี้ ซึ่งแสดงโดย Minsky และ Papert ในปี 1969 ด้วยปัญหา XOR ทำให้การวิจัย neural network ชะลอตัวชั่วคราวจนกว่าจะมีการแนะนำ multilayer perceptron
3บทบาทของฟังก์ชันการกระตุ้นใน neural network คืออะไร?
บทบาทของฟังก์ชันการกระตุ้นใน neural network คืออะไร?
คำตอบ
ฟังก์ชันการกระตุ้นนำความไม่เป็นเชิงเส้นเข้ามาใน network ทำให้สามารถเรียนรู้ความสัมพันธ์ที่ซับซ้อนระหว่าง input และ output ได้ หากไม่มีฟังก์ชันการกระตุ้นที่ไม่เป็นเชิงเส้น แม้แต่ network แบบหลายชั้นก็จะทำงานเป็นแค่การแปลงเชิงเส้นแบบง่าย ๆ ฟังก์ชันทั่วไปได้แก่ ReLU, sigmoid และ tanh ซึ่งแต่ละตัวมีคุณสมบัติเฉพาะตามกรณีการใช้งาน
ฟังก์ชันการกระตุ้นใดถูกใช้มากที่สุดในชั้นซ่อนของ network สมัยใหม่?
เมื่อใดควรใช้ฟังก์ชันการกระตุ้น softmax ใน neural network?
+21 คำถามสัมภาษณ์
หัวข้อสัมภาษณ์ Data Science & ML อื่นๆ
พื้นฐาน Python
การเขียนโปรแกรมเชิงวัตถุด้วย Python
โครงสร้างข้อมูล Python
พื้นฐาน Git
พื้นฐาน SQL
พื้นฐาน NumPy
พื้นฐาน Pandas
Jupyter & Google Colab
SQL Joins และคิวรีขั้นสูง
Pandas ขั้นสูง
การแสดงผลข้อมูลด้วย Matplotlib & Seaborn
การแสดงผลแบบโต้ตอบด้วย Plotly
สถิติเชิงพรรณนา
สถิติเชิงอนุมาน
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML แบบมีผู้สอน: การถดถอย
ML แบบมีผู้สอน: การจำแนกประเภท
Decision Trees และ Ensembles
Unsupervised ML
ML Pipelines และการตรวจสอบ
Time Series และการพยากรณ์
TensorFlow & Keras
CNN และการจำแนกภาพ
RNN และซีเควนซ์
Transformers และ Attention
NLP และ Hugging Face
GenAI และ LangChain
MLOps และการ Deploy
เชี่ยวชาญ Data Science & ML สำหรับการสัมภาษณ์ครั้งถัดไป
เข้าถึงคำถามทั้งหมด flashcards แบบทดสอบเทคนิค แบบฝึกหัด code review และตัวจำลองสัมภาษณ์
เริ่มใช้ฟรี