人工智能算法工程师岗面试题及答案.docxVIP

第PAGE页共NUMPAGES页

2026年人工智能算法工程师岗面试题及答案

一、编程实现题（共3题，每题15分，总分45分）

1.（15分）编写Python代码，实现一个简单的线性回归模型，输入为二维数组`X`（特征矩阵）和一维数组`y`（目标值），输出模型参数`w`（权重）和`b`（偏置）。要求使用梯度下降法优化参数，并输出最终的参数值和损失函数值。

python

importnumpyasnp

deflinear_regression(X,y,learning_rate=0.01,epochs=1000):

m,n=X.shape

w=np.zeros(n)

b=0.0

losses=[]

for_inrange(epochs):

y_pred=X@w+b

error=y_pred-y

loss=(error2).mean()/2

losses.append(loss)

dw=(X.T@error)/m

db=error.mean()

w-=learning_ratedw

b-=learning_ratedb

returnw,b,losses

答案解析：

-代码使用梯度下降法更新参数`w`和`b`，通过计算损失函数（均方误差）的梯度来迭代优化。

-`X@w+b`计算预测值，`error`为预测值与真实值的差。

-`dw`和`db`分别计算权重和偏置的梯度，按学习率更新参数。

-`losses`记录每轮的损失值，用于评估模型收敛情况。

2.（15分）编写Python代码，实现一个简单的决策树分类器，输入为二维数组`X`（特征矩阵）、一维数组`y`（目标值）和最大深度`max_depth`，输出树的预测结果。要求使用信息增益作为分裂标准，并限制树的深度。

python

classDecisionTree:

def__init__(self,max_depth=3):

self.max_depth=max_depth

self.tree=None

deffit(self,X,y):

self.tree=self.build_tree(X,y,depth=0)

defpredict(self,X):

return[self.traverse_tree(x,self.tree)forxinX]

defbuild_tree(self,X,y,depth):

ifdepth==self.max_depthorlen(set(y))==1:

returny[0]

best_gain=-1

best_feature=None

best_threshold=None

forfeatureinrange(X.shape[1]):

thresholds=np.unique(X[:,feature])

forthresholdinthresholds:

left_mask=X[:,feature]=threshold

right_mask=~left_mask

left_y=y[left_mask]

right_y=y[right_mask]

left_gain=self.info_gain(y,left_y)

right_gain=self.info_gain(y,right_y)

gain=(len(left_y)left_gain+len(right_y)right_gain)/len(y)

ifgainbest_gain:

best_gain=gain

best_feature=feature

best_threshold=threshold

left_mask=X[:,best_feature]=best_threshold

right_mask=~left_mask

left_tree=self.build_tree(X[left_mask],left_y,depth+1)

right_tree=self.build_tree(X[right_mask],right_y,depth+1)

return{feature:best_feature,threshold:best_threshold,left:left_tree,right:right_tree}

definfo_gain(self,parent,child):

parent_entropy=self.