2026年人工智能工程師面試題及編程能力測(cè)試含答案一、編程能力測(cè)試（Python編程題）共3題，每題20分，總分60分1.數(shù)據(jù)預(yù)處理與特征工程題目（20分）：給定一個(gè)包含缺失值、異常值和不一致格式的表格數(shù)據(jù)（CSV格式），請(qǐng)用Python完成以下任務(wù)：（1）使用Pandas讀取數(shù)據(jù)，處理缺失值（均值填充數(shù)值列，眾數(shù)填充分類列）；（2）對(duì)分類特征進(jìn)行獨(dú)熱編碼；（3）檢測(cè)并處理數(shù)值列的異常值（使用IQR方法，刪除異常值）；（4）將處理后的數(shù)據(jù)保存為新的CSV文件。答案與解析：pythonimportpandasaspd讀取數(shù)據(jù)data=pd.read_csv('data.csv')處理缺失值num_cols=data.select_dtypes(include=['float64','int64']).columnscat_cols=data.select_dtypes(include=['object']).columnsdata[num_cols]=data[num_cols].fillna(data[num_cols].mean())data[cat_cols]=data[cat_cols].fillna(data[cat_cols].mode().iloc[0])獨(dú)熱編碼data=pd.get_dummies(data,columns=cat_cols)檢測(cè)并處理異常值forcolinnum_cols:Q1=data[col].quantile(0.25)Q3=data[col].quantile(0.75)IQR=Q3-Q1lower_bound=Q1-1.5IQRupper_bound=Q3+1.5IQRdata=data[(data[col]>=lower_bound)&(data[col]<=upper_bound)]保存結(jié)果data.to_csv('processed_data.csv',index=False)解析：-缺失值處理：數(shù)值列用均值填充，分類列用眾數(shù)填充，符合常見(jiàn)數(shù)據(jù)預(yù)處理邏輯；-獨(dú)熱編碼：適用于分類特征，避免模型對(duì)類別順序的誤判；-異常值處理：IQR方法適用于正態(tài)分布數(shù)據(jù)，刪除異常值可減少噪聲影響；-保存數(shù)據(jù)：確保處理后的數(shù)據(jù)可復(fù)用。2.機(jī)器學(xué)習(xí)模型實(shí)現(xiàn)題目（20分）：請(qǐng)用Scikit-learn實(shí)現(xiàn)一個(gè)邏輯回歸模型，用于二分類任務(wù)：（1）使用鳶尾花數(shù)據(jù)集（Iris）的前兩類（Setosa和Versicolor），提取前兩個(gè)特征（萼片長(zhǎng)度和萼片寬度）；（2）劃分訓(xùn)練集和測(cè)試集（8:2）；（3）訓(xùn)練邏輯回歸模型，輸出混淆矩陣和準(zhǔn)確率；（4）嘗試使用L1正則化（Lasso），對(duì)比L2正則化（Ridge）對(duì)模型性能的影響。答案與解析：pythonfromsklearn.datasetsimportload_irisfromsklearn.linear_modelimportLogisticRegressionfromsklearn.metricsimportconfusion_matrix,accuracy_scorefromsklearn.model_selectionimporttrain_test_split加載數(shù)據(jù)iris=load_iris()X=iris.data[iris.target!=2,:][:,:2]#提取前兩類和前兩個(gè)特征y=iris.target[iris.target!=2]劃分?jǐn)?shù)據(jù)集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)L2正則化（默認(rèn)）model_l2=LogisticRegression(penalty='l2')model_l2.fit(X_train,y_train)y_pred_l2=model_l2.predict(X_test)print("L2正則化混淆矩陣:",confusion_matrix(y_test,y_pred_l2))print("L2正則化準(zhǔn)確率:",accuracy_score(y_test,y_pred_l2))L1正則化model_l1=LogisticRegression(penalty='l1',solver='liblinear')model_l1.fit(X_train,y_train)y_pred_l1=model_l1.predict(X_test)print("L1正則化混淆矩陣:",confusion_matrix(y_test,y_pred_l1))print("L1正則化準(zhǔn)確率:",accuracy_score(y_test,y_pred_l1))解析：-數(shù)據(jù)篩選：Iris數(shù)據(jù)集前兩類特征線性可分，適合邏輯回歸；-正則化對(duì)比：L1會(huì)進(jìn)行特征選擇（系數(shù)為0），L2防止過(guò)擬合，可根據(jù)實(shí)際需求選擇；-評(píng)估指標(biāo)：混淆矩陣和準(zhǔn)確率是二分類任務(wù)常用指標(biāo)。3.深度學(xué)習(xí)模型實(shí)現(xiàn)題目（20分）：請(qǐng)用TensorFlow/Keras實(shí)現(xiàn)一個(gè)簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)（CNN），用于手寫(xiě)數(shù)字識(shí)別（MNIST數(shù)據(jù)集）：（1）構(gòu)建一個(gè)包含2個(gè)卷積層、1個(gè)池化層和1個(gè)全連接層的模型；（2）使用ReLU激活函數(shù)和Dropout防止過(guò)擬合；（3）訓(xùn)練模型，輸出訓(xùn)練集和測(cè)試集的損失與準(zhǔn)確率；（4）保存訓(xùn)練好的模型。答案與解析：pythonimporttensorflowastffromtensorflow.kerasimportlayers,modelsfromtensorflow.keras.datasetsimportmnistfromtensorflow.keras.utilsimportto_categorical加載數(shù)據(jù)(X_train,y_train),(X_test,y_test)=mnist.load_data()X_train=X_train.reshape(-1,28,28,1).astype('float32')/255.0X_test=X_test.reshape(-1,28,28,1).astype('float32')/255.0y_train=to_categorical(y_train,10)y_test=to_categorical(y_test,10)構(gòu)建模型model=models.Sequential([layers.Conv2D(32,(3,3),activation='relu',input_shape=(28,28,1)),layers.MaxPooling2D((2,2)),layers.Conv2D(64,(3,3),activation='relu'),layers.MaxPooling2D((2,2)),layers.Flatten(),layers.Dropout(0.5),layers.Dense(64,activation='relu'),layers.Dense(10,activation='softmax')])編譯模型pile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])訓(xùn)練模型history=model.fit(X_train,y_train,epochs=10,batch_size=128,validation_split=0.1)評(píng)估模型loss,accuracy=model.evaluate(X_test,y_test)print(f"測(cè)試集準(zhǔn)確率:{accuracy:.4f}")保存模型model.save('mnist_cnn.h5')解析：-模型結(jié)構(gòu)：2個(gè)卷積層+池化層提取特征，全連接層分類；-激活函數(shù)：ReLU加速收斂，Dropout防止過(guò)擬合；-數(shù)據(jù)預(yù)處理：歸一化像素值，獨(dú)熱編碼標(biāo)簽；-保存模型：方便后續(xù)推理使用。二、算法與數(shù)學(xué)題共3題，每題20分，總分60分1.動(dòng)態(tài)規(guī)劃問(wèn)題題目（20分）：給定一個(gè)字符串，請(qǐng)計(jì)算其最長(zhǎng)回文子串的長(zhǎng)度（例如，"abba"的回文長(zhǎng)度為4）。答案與解析：pythondeflongest_palindrome(s:str)->int:n=len(s)dp=[[False]nfor_inrange(n)]max_len=1foriinrange(n):dp[i][i]=Trueforiinrange(n-1):ifs[i]==s[i+1]:dp[i][i+1]=Truemax_len=2forlengthinrange(3,n+1):foriinrange(n-length+1):j=i+length-1ifs[i]==s[j]anddp[i+1][j-1]:dp[i][j]=Truemax_len=lengthreturnmax_len示例print(longest_palindrome("babad"))#輸出3（"bab"或"aba"）解析：-動(dòng)態(tài)規(guī)劃狀態(tài)定義：dp[i][j]表示s[i:j+1]是否為回文；-初始化：?jiǎn)蝹€(gè)字符和相鄰字符為回文；-狀態(tài)轉(zhuǎn)移：當(dāng)s[i]==s[j]且dp[i+1][j-1]為回文時(shí)，dp[i][j]為回文；-時(shí)間復(fù)雜度：O(n2)，適合中等規(guī)模數(shù)據(jù)。2.貪心算法問(wèn)題題目（20分）：有一個(gè)背包，容量為50，有5件物品，每件物品的重量和價(jià)值如下：|物品|重量|價(jià)值||||||1|10|60||2|20|100||3|30|120||4|40|140||5|50|150|請(qǐng)用貪心算法（按價(jià)值密度優(yōu)先）計(jì)算最大價(jià)值。答案與解析：pythonitems=[(1,10,60),(2,20,100),(3,30,120),(4,40,140),(5,50,150)]按價(jià)值密度排序（價(jià)值/重量）items.sort(key=lambdax:x[2]/x[1],reverse=True)cap=50total_value=0remaining_cap=capforweight,valueinitems:ifremaining_cap>=weight:total_value+=valueremaining_cap-=weightelse:breakprint("最大價(jià)值:",total_value)#輸出300（選物品1和物品3）解析：-貪心策略：優(yōu)先選擇價(jià)值密度高的物品；-局限性：貪心不一定得到最優(yōu)解（如本題最優(yōu)解為300，但若物品5加入則無(wú)法選其他物品）；-適用場(chǎng)景：適用于滿足貪心選擇性質(zhì)的問(wèn)題（如分?jǐn)?shù)背包問(wèn)題）。3.概率與統(tǒng)計(jì)問(wèn)題題目（20分）：一個(gè)袋子里有5個(gè)紅球和3個(gè)藍(lán)球，每次隨機(jī)抽取一個(gè)球，不放回，直到抽到紅球?yàn)橹埂Ｇ蟪榈降?個(gè)紅球時(shí)，前兩個(gè)球都是藍(lán)球的概率。答案與解析：python方法1：分步計(jì)算P=(3/8)(2/7)(5/6)#第1個(gè)藍(lán)球+第2個(gè)藍(lán)球+第3個(gè)紅球print("概率:",P)#輸出約0.0952方法2：負(fù)二項(xiàng)分布（r=3,p=5/8）frommathimportcombp=5/8r=3k=2P=comb(k,2)(pr)((1-p)(k-r))print("概率:",P)#輸出約0.0952解析：-分步計(jì)算：前兩個(gè)藍(lán)球概率為(3/8)(2/7)，第3個(gè)紅球概率為5/6；-負(fù)二項(xiàng)分布：適用于“第r次成功”的概率計(jì)算，k為前k-1次失敗次數(shù)；-實(shí)際應(yīng)用：常見(jiàn)于排隊(duì)論、抽樣檢驗(yàn)等領(lǐng)域。三、系統(tǒng)設(shè)計(jì)題共2題，每題20分，總分40分1.大規(guī)模推薦系統(tǒng)設(shè)計(jì)題目（20分）：設(shè)計(jì)一個(gè)面向電商平臺(tái)的實(shí)時(shí)推薦系統(tǒng)，要求：（1）支持百萬(wàn)級(jí)用戶、千萬(wàn)級(jí)商品，每秒處理1000+推薦請(qǐng)求；（2）結(jié)合用戶歷史行為（瀏覽、購(gòu)買(mǎi)）、實(shí)時(shí)行為（搜索、點(diǎn)擊）和商品屬性（類別、價(jià)格）；（3）要求推薦準(zhǔn)確率不低于80%，響應(yīng)時(shí)間小于200ms；（4）說(shuō)明系統(tǒng)架構(gòu)和關(guān)鍵技術(shù)選型。答案與解析：-系統(tǒng)架構(gòu)：-前端：用戶請(qǐng)求通過(guò)負(fù)載均衡（Nginx）分發(fā)到緩存/計(jì)算節(jié)點(diǎn)；-緩存層：Redis緩存熱點(diǎn)用戶/商品推薦結(jié)果；-計(jì)算層：-實(shí)時(shí)計(jì)算：Flink/SparkStreaming處理實(shí)時(shí)行為，更新用戶畫(huà)像；-離線計(jì)算：Hive/Spark處理歷史數(shù)據(jù)，生成協(xié)同過(guò)濾/深度學(xué)習(xí)模型；-存儲(chǔ)層：Elasticsearch索引商品屬性，支持快速檢索；-后端：API服務(wù)調(diào)用模型，返回推薦結(jié)果。-關(guān)鍵技術(shù)：-召回階段：基于規(guī)則的協(xié)同過(guò)濾（用戶/商品相似度）、內(nèi)容召回（屬性匹配）；-排序階段：Lambda模型（在線+離線聯(lián)合訓(xùn)練）、DeepFM/GraphNeuralNetwork提升精度；-實(shí)時(shí)性優(yōu)化：雙緩沖機(jī)制（離線+實(shí)時(shí)模型并行輸出）。2.分布式系統(tǒng)高可用設(shè)計(jì)題目（20分）：設(shè)計(jì)一個(gè)支持高并發(fā)的分布式短鏈系統(tǒng)，要求：（1）用戶生成短鏈后，能快速訪問(wèn)目標(biāo)長(zhǎng)鏈；（2）系統(tǒng)需支持全球用戶訪問(wèn)，延遲低于100ms；（3）要求99.9%可用性，支持鏈路斷裂自動(dòng)重定向；（4）說(shuō)明核心組件和容災(zāi)方案。答案與解析：-核心組件：-短