2025年人工智能工程師專業(yè)知識(shí)考核試卷：Python編程在AI項(xiàng)目中的應(yīng)用試題考試時(shí)間：______分鐘總分：______分姓名：______一、選擇題（每題2分，共20分）1.下列哪個(gè)Python語(yǔ)句用于定義一個(gè)空字典？A.`dict={}`B.`empty_dict=dict()`C.`new_dict=set()`D.`empty_dict=[]`2.在Python中，刪除列表元素`my_list[0]`的最佳方式是？A.`delmy_list[0]`B.`remove(my_list[0])`C.`pop(0)`D.以上都可以3.下列關(guān)于NumPy數(shù)組的說(shuō)法，錯(cuò)誤的是？A.NumPy數(shù)組是同質(zhì)的，即數(shù)組中所有元素類型必須相同。B.NumPy數(shù)組支持高效的索引和切片操作。C.使用`np.array([1,2,3])`創(chuàng)建的數(shù)組可以是整數(shù)和浮點(diǎn)數(shù)的混合類型。D.NumPy數(shù)組的形狀（shape）是其一個(gè)重要屬性，表示數(shù)組的維度和大小。4.在Pandas中，用于按多個(gè)列對(duì)DataFrame進(jìn)行排序的函數(shù)是？A.`sort_values()`B.`sort_index()`C.`order()`D.`sort_column()`5.下列哪個(gè)Scikit-learn類用于執(zhí)行線性回歸？A.`LogisticRegression`B.`KNeighborsClassifier`C.`LinearRegression`D.`DecisionTreeRegressor`6.交叉驗(yàn)證（Cross-Validation）的主要目的是？A.提高模型的訓(xùn)練速度。B.減少模型的過(guò)擬合風(fēng)險(xiǎn)，獲得更可靠的性能評(píng)估。C.自動(dòng)進(jìn)行特征選擇。D.增加模型的復(fù)雜度以提高泛化能力。7.在機(jī)器學(xué)習(xí)中，混淆矩陣（ConfusionMatrix）主要用于評(píng)估分類模型的哪種性能指標(biāo)？A.變異系數(shù)（CoefficientofVariation）B.決策樹深度（DecisionTreeDepth）C.準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）D.均方誤差（MeanSquaredError）8.下列哪個(gè)Python數(shù)據(jù)結(jié)構(gòu)是可變的（Mutable）？A.元組（Tuple）B.列表（List）C.字典（Dictionary）D.字符串（String）9.在Python中，要導(dǎo)入NumPy庫(kù)并為其指定別名`np`，應(yīng)使用？A.`importnumpyasnp`B.`importnumpyaslibnp`C.`fromnumpyimport*asnp`D.`includenumpyasnp`10.下列關(guān)于Python函數(shù)的描述，錯(cuò)誤的是？A.函數(shù)可以返回多個(gè)值。B.函數(shù)內(nèi)部定義的變量默認(rèn)是全局變量。C.可以使用`return`語(yǔ)句退出函數(shù)。D.函數(shù)可以嵌套定義。二、填空題（每空2分，共20分）1.在Python中，用于處理大數(shù)據(jù)集并提供豐富數(shù)據(jù)操作的庫(kù)是________。2.邏輯運(yùn)算符`and`、`or`、`not`的優(yōu)先級(jí)從高到低依次是________、________、________。3.保存訓(xùn)練好的Scikit-learn模型，以便后續(xù)加載和使用，通常使用________類。4.在`df=pd.DataFrame({'A':[1,2,3],'B':[4,5,6]})`中，選擇列'A'的數(shù)據(jù)，表達(dá)式為________。5.機(jī)器學(xué)習(xí)中的“過(guò)擬合”（Overfitting）指的是模型對(duì)訓(xùn)練數(shù)據(jù)學(xué)習(xí)得太好，以至于失去了對(duì)________數(shù)據(jù)的良好泛化能力。6.對(duì)于分類問(wèn)題，如果模型將大部分正類樣本誤判為負(fù)類，這通常會(huì)導(dǎo)致________指標(biāo)偏低。7.在構(gòu)建機(jī)器學(xué)習(xí)模型前，對(duì)特征進(jìn)行標(biāo)準(zhǔn)化（Standardization）通常指將特征的均值為________，標(biāo)準(zhǔn)差為________的過(guò)程。8.Python中的`if`語(yǔ)句后面跟的判斷條件必須是一個(gè)________值。9.以下列代碼片段的輸出結(jié)果是________。```pythondefmultiply(a,b=10):returna*bresult=multiply(5)print(result)```10.在深度學(xué)習(xí)框架（如TensorFlow或PyTorch）中，自動(dòng)計(jì)算梯度主要依賴________的機(jī)制。三、簡(jiǎn)答題（每題5分，共15分）1.簡(jiǎn)述Python列表（List）和元組（Tuple）的主要區(qū)別。2.解釋Pandas中`groupby()`函數(shù)的基本作用及其常用的后續(xù)操作。3.簡(jiǎn)要說(shuō)明過(guò)擬合（Overfitting）和欠擬合（Underfitting）的概念，并簡(jiǎn)述一種常用的防止過(guò)擬合的方法。四、編程題（每題15分，共30分）1.編寫Python代碼，完成以下任務(wù)：a.使用NumPy創(chuàng)建一個(gè)3x3的二維數(shù)組`arr`，元素從0到8按行填充。b.選擇`arr`中所有大于3的元素，并將這些元素值乘以2，結(jié)果存儲(chǔ)到新的數(shù)組`modified_arr`中。c.打印原始數(shù)組`arr`和修改后的數(shù)組`modified_arr`。2.編寫Python代碼，使用Scikit-learn完成以下任務(wù)：a.使用`make_classification(n_samples=100,n_features=2,n_informative=2,n_redundant=0,random_state=42)`生成一個(gè)包含100個(gè)樣本、2個(gè)信息特征、0個(gè)冗余特征的分類數(shù)據(jù)集（特征為二維數(shù)組`X`，標(biāo)簽為一維數(shù)組`y`）。b.使用`LogisticRegression()`創(chuàng)建一個(gè)邏輯回歸分類器。c.使用`train_test_split`將數(shù)據(jù)集`X`和`y`劃分為訓(xùn)練集（80%）和測(cè)試集（20%），隨機(jī)種子設(shè)置為42。d.使用訓(xùn)練集數(shù)據(jù)(`X_train`,`y_train`)訓(xùn)練邏輯回歸分類器。e.在測(cè)試集數(shù)據(jù)(`X_test`,`y_test`)上，使用`score`方法評(píng)估模型的準(zhǔn)確率，并將準(zhǔn)確率打印輸出。---試卷答案一、選擇題1.B2.A3.C4.A5.C6.B7.C8.B9.A10.B解析：1.`dict={}`是創(chuàng)建空字典的常用方式。`empty_dict=dict()`也是合法的，但`empty_dict=set()`和`empty_dict=[]`分別創(chuàng)建空集合和空列表。B正確。2.`delmy_list[0]`是直接刪除指定索引的元素。`remove(my_list[0])`刪除第一個(gè)匹配的元素。`pop(0)`刪除并返回索引0的元素。`del`是最直接刪除指定索引的方式。A正確。3.NumPy數(shù)組要求元素類型一致。`np.array([1,2,3.0])`可以，但`[1,2,'3']`則不行。使用`np.array([1,2,3])`默認(rèn)類型為整數(shù)，若加入浮點(diǎn)數(shù)如`3.0`，則可能自動(dòng)轉(zhuǎn)為浮點(diǎn)數(shù)，但若混合字符串則會(huì)報(bào)錯(cuò)。C的說(shuō)法不完全準(zhǔn)確，因?yàn)榛旌项愋涂赡軐?dǎo)致隱式類型轉(zhuǎn)換或報(bào)錯(cuò)。此處選C。4.`sort_values()`可以按一個(gè)或多個(gè)列的值進(jìn)行排序。`sort_index()`按索引排序。`order()`已廢棄。沒(méi)有`sort_column()`。A正確。5.`LinearRegression`是Scikit-learn中用于線性回歸的類。`LogisticRegression`用于邏輯回歸，`KNeighborsClassifier`用于K近鄰分類，`DecisionTreeRegressor`用于決策樹回歸。C正確。6.交叉驗(yàn)證通過(guò)將數(shù)據(jù)劃分為多個(gè)子集，輪流使用其中一個(gè)作為驗(yàn)證集，其余作為訓(xùn)練集，多次評(píng)估模型性能，旨在減少單一劃分帶來(lái)的偶然性，獲得更穩(wěn)健、可靠的模型性能估計(jì)，從而有效防止過(guò)擬合，并幫助選擇合適的模型參數(shù)。B正確。7.混淆矩陣是分類模型性能評(píng)估的基礎(chǔ)，通過(guò)它可以直接計(jì)算準(zhǔn)確率（(TP+TN)/(TP+FP+FN+TN)）、精確率（TP/(TP+FP)）、召回率（TP/(TP+FN)）等關(guān)鍵指標(biāo)。C正確。8.元組（Tuple）是不可變的（Immutable），一旦創(chuàng)建其內(nèi)容不能修改；列表（List）是可變的（Mutable），可以修改其內(nèi)容。字符串（String）也是不可變的。A和D是可變的。B正確。9.`importnumpyasnp`是標(biāo)準(zhǔn)用法，為NumPy庫(kù)指定了別名`np`。A正確。10.函數(shù)可以返回多個(gè)值，通過(guò)返回元組實(shí)現(xiàn)。函數(shù)內(nèi)部定義的變量默認(rèn)是局部的，不是全局的。`return`用于退出函數(shù)并返回值。函數(shù)可以嵌套定義。B錯(cuò)誤。二、填空題1.Pandas2.and,or,not3.joblib4.df['A']5.測(cè)試（或測(cè)試集）6.召回率（或Recall）7.0,1（或均值，標(biāo)準(zhǔn)差）8.布爾（或Boolean）9.5010.自動(dòng)微分（或Autograd）解析：1.處理和分析結(jié)構(gòu)化/半結(jié)構(gòu)化數(shù)據(jù)的強(qiáng)大庫(kù)是Pandas。2.Python中邏輯運(yùn)算符的優(yōu)先級(jí)順序：`not`(最高)->`and`->`or`。3.`joblib`是Scikit-learn推薦的用于序列化（保存）和反序列化（加載）大型NumPy數(shù)組或其他Python對(duì)象（包括模型）的庫(kù)。4.選擇DataFrame的特定列，使用列名作為字符串索引。5.過(guò)擬合是指模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)很好，但在未見過(guò)的測(cè)試數(shù)據(jù)上表現(xiàn)差，即缺乏泛化能力。6.召回率（Recall）衡量的是模型正確識(shí)別出的正類樣本占所有實(shí)際正類樣本的比例。如果大量正類被錯(cuò)判為負(fù)類（假陰性），則召回率會(huì)很低。7.標(biāo)準(zhǔn)化（Standardization）通常指將數(shù)據(jù)轉(zhuǎn)換為均值為0，標(biāo)準(zhǔn)差為1的過(guò)程。公式為：`X_standardized=(X-mean)/std`。8.`if`語(yǔ)句需要一個(gè)條件表達(dá)式，該表達(dá)式的結(jié)果必須是布爾類型（True或False），表示條件是否滿足。9.函數(shù)`multiply`的參數(shù)`a=5`，調(diào)用時(shí)只傳入了`a`的值`5`。函數(shù)計(jì)算`5*10`并返回`50`。打印`50`。10.深度學(xué)習(xí)框架（如TensorFlow、PyTorch）利用自動(dòng)微分引擎（如TensorFlow的GradientTape、PyTorch的Autograd）來(lái)自動(dòng)計(jì)算函數(shù)的梯度，這是實(shí)現(xiàn)反向傳播和模型訓(xùn)練的關(guān)鍵機(jī)制。三、簡(jiǎn)答題1.列表（List）是動(dòng)態(tài)數(shù)組，用`[]`定義，元素可變（可修改、添加、刪除），有序，允許重復(fù)元素。元組（Tuple）類似于列表，用`()`定義，元素不可變（一旦創(chuàng)建不能修改），有序，允許重復(fù)元素。列表適用于需要修改的數(shù)據(jù)，元組適用于不需要修改且希望保護(hù)數(shù)據(jù)不變的場(chǎng)景。兩者都可以進(jìn)行索引和切片。2.Pandas的`groupby()`函數(shù)用于對(duì)DataFrame按一個(gè)或多個(gè)列的值進(jìn)行分組。分組后，可以執(zhí)行聚合操作（如`sum()`,`mean()`,`count()`），變換操作（如`apply()`函數(shù)），或過(guò)濾操作（使用`filter()`函數(shù)），以便對(duì)每組數(shù)據(jù)進(jìn)行分析。3.過(guò)擬合（Overfitting）：模型過(guò)于復(fù)雜，學(xué)習(xí)到了訓(xùn)練數(shù)據(jù)中的噪聲和細(xì)節(jié)，導(dǎo)致在訓(xùn)練集上表現(xiàn)極好，但在新的、未見過(guò)的測(cè)試數(shù)據(jù)上表現(xiàn)很差，泛化能力弱。欠擬合（Underfitting）：模型過(guò)于簡(jiǎn)單，未能學(xué)習(xí)到數(shù)據(jù)中的基本模式，即使在訓(xùn)練集上的表現(xiàn)也不佳，同樣缺乏泛化能力。防止過(guò)擬合的方法：常用方法包括增加訓(xùn)練數(shù)據(jù)量、使用更簡(jiǎn)單的模型（降低復(fù)雜度）、特征選擇/降維、正則化（如L1、L2正則化）、使用交叉驗(yàn)證選擇參數(shù)、早停法（EarlyStopping）等。四、編程題1.```pythonimportnumpyasnp#a.創(chuàng)建3x3數(shù)組arr=np.arange(9).reshape(3,3)#b.選擇大于3的元素，乘以2#使用布爾索引indices=arr>3modified_arr=np.copy(arr)#創(chuàng)建副本以防修改原數(shù)組modified_arr[indices]*=2#c.打印結(jié)果print("Originalarray:")print(arr)print("\nModifiedarray:")print(modified_arr)```解析：a.使用`np.arange(9)`生成0到8的整數(shù)數(shù)組，然后使用`.reshape(3,3)`將其形狀改變?yōu)?行3列的二維數(shù)組。b.`arr>3`生成一個(gè)與`arr`形狀相同的布爾數(shù)組，其中大于3的位置為`True`，否則為`False`。這個(gè)布爾數(shù)組用作索引，選擇`arr`中對(duì)應(yīng)`True`位置的元素。`np.copy(arr)`是為了創(chuàng)建`arr`的一個(gè)副本，避免直接修改原始數(shù)組`arr`（雖然直接修改也可以，但使用副本更清晰）。`modified_arr[indices]*=2`將選中的元素值都乘以2。c.分別打印原始數(shù)組`arr`和修改后的數(shù)組`modified_arr`。2.```pythonfromsklearn.datasetsimportmake_classificationfromsklearn.linear_modelimportLogisticRegressionfromsklearn.model_selectionimporttrain_test_split#a.生成數(shù)據(jù)集X,y=make_classification(n_samples=100,n_features=2,n_informative=2,n_redundant=0,random_state=42)#b.創(chuàng)建邏輯回歸分類器model=LogisticRegression()#c.劃分