2026年人工智能技术员面试题及答案手册.docxVIP

第PAGE页共NUMPAGES页

2026年人工智能技术员面试题及答案手册

一、编程能力测试（共5题，每题10分，总分50分）

题目1（Python编程，10分）

请编写一段Python代码，实现以下功能：

1.创建一个函数`find_primes(n)`，输入参数`n`为正整数，返回一个列表，包含所有小于等于`n`的质数。

2.在主程序中调用该函数，输入`n=100`，打印输出结果。

答案：

python

deffind_primes(n):

ifn2:

return[]

primes=[2]

foriinrange(3,n+1,2):

is_prime=True

forpinprimes:

ifppi:

break

ifi%p==0:

is_prime=False

break

ifis_prime:

primes.append(i)

returnprimes

if__name__==__main__:

print(find_primes(100))

解析：

本题考察Python基础编程能力和算法实现。正确答案需要实现一个高效的质数查找算法，使用试除法但优化了检查范围（只需检查到√i）。代码结构清晰，函数定义正确，主程序调用逻辑合理。

题目2（机器学习编程，10分）

请使用scikit-learn库，完成以下任务：

1.加载鸢尾花（Iris）数据集

2.将数据集分为训练集（80%）和测试集（20%）

3.使用决策树分类器进行训练

4.评估模型在测试集上的准确率

答案：

python

fromsklearn.datasetsimportload_iris

fromsklearn.model_selectionimporttrain_test_split

fromsklearn.treeimportDecisionTreeClassifier

fromsklearn.metricsimportaccuracy_score

加载数据集

iris=load_iris()

X=iris.data

y=iris.target

划分训练集和测试集

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)

创建并训练决策树模型

model=DecisionTreeClassifier(random_state=42)

model.fit(X_train,y_train)

预测并评估

y_pred=model.predict(X_test)

accuracy=accuracy_score(y_test,y_pred)

print(f模型准确率:{accuracy:.4f})

解析：

本题考察机器学习基本工作流程和scikit-learn库使用。正确答案需要掌握数据加载、划分、模型训练和评估等核心步骤。决策树是经典的分类算法，适合作为入门题目。代码应包含必要的导入、数据操作和评估指标计算。

题目3（深度学习编程，10分）

请使用TensorFlow/Keras，完成以下任务：

1.创建一个简单的三层神经网络模型（输入层784个神经元，两个隐藏层各256个神经元，输出层10个神经元）

2.使用ReLU激活函数

3.编译模型，使用Adam优化器和交叉熵损失函数

4.打印模型结构

答案：

python

importtensorflowastf

fromtensorflow.kerasimportlayers,models

创建模型

model=models.Sequential([

layers.Dense(256,activation=relu,input_shape=(784,)),

layers.Dense(256,activation=relu),

layers.Dense(10,activation=softmax)

])

编译模型

pile(optimizer=adam,

loss=sparse_categorical_crossentropy,

metrics=[accuracy])

打印模型结构

model.summary()

解析：

本题考察深度学习框架使用能力。正确答案需要掌握KerasSequential模型构建、层添加、编译和结构展示。ReLU是常用的隐藏层激活函数，交叉熵适合多分类问题。题目要求明确，适合考察候选人对神经网络基础的理解。

题目4（数据处理，10分）

请使用Pandas处理以下任务：

1.加载包含以下列的CSV