第4部分_人工智能训练师_3级_操作技能复习题_在线真题试卷与模拟练习_第4部分_人工智能训练师_3级_操作技能复习题

更新时间：试题数量：购买人数：提供作者：

有效期：个月

章节介绍：共有个章节

我的练习

我的错题
(0道)

我的收藏
(0道)

我的斩题
(0道)

我的笔记
(0道)

专项练习

顺序练习 0 / 0

随机练习 自定义设置练习量

题型乱序 按导入顺序练习

模拟考试 仿真模拟

题型练习 按题型分类练习

易错题 精选高频易错题

学习资料 考试学习相关信息

搜索

题库预览

通过补全并运行Python代码（1.1.1.ipynb）分别统计住院天数超过7天的患者数量以及其占比。这类患者被定义为高风险患者，反之为低风险患者。将上述统计结果截图以JPG的格式保存，命名为“1.1.1-1”。

通过补全并运行Python代码（1.1.1.ipynb）统计不同BMI区间中高风险患者的比例和统计不同BMI区间中的患者数。BMI区间分类设置为：偏瘦（低于18.5），正常（18.5～23.9），超重（24.0～27.9），肥胖（28.0及以上），将上述统计结果截图以JPG的格式保存，命名为“1.1.1-2”。

通过补全并运行Python代码（1.1.1.ipynb）统计不同年龄区间中高风险患者的比例和统计不同年龄区间中的患者数。年龄区间分类设置为：≤25岁，26-35岁，36-45岁，46-55岁，56-65岁，>65岁，将上述统计结果截图以JPG的格式保存，命名为“1.1.1-3”。

传感器数据统计：通过补全并运行Python代码（1.1.2.ipynb）分别统计每种传感器的数据数量和平均值。将上述统计结果截图以JPG的格式保存，命名为“1.1.2-1”。

按位置统计温度和湿度数据：通过补全并运行Python代码（1.1.2.ipynb）统计每个位置的温度和湿度传感器数据的平均值。将上述统计结果截图以JPG的格式保存，命名为“1.1.2-2”。

数据清洗和异常值处理：通过补全并运行Python代码（1.1.2.ipynb）对数据进行清洗，处理异常值。具体要求如下： - 将明显异常的温度（<-10 或 >50）和湿度（<0 或 >100）数据进行标记并统计。 - 对缺失值使用前面数据的值（如果前面值没有采用后面数据的值）进行填补。 - 将清洗后的数据保存为新文件cleaned_sensor_data.csv。

数据完整性审核：通过运行Python代码（1.1.3.ipynb）检查数据集中的每个字段是否存在缺失值和重复值。将上述审核结果截图以JPG的格式保存，命名为“1.1.3-1”。

数据合理性审核：通过运行Python代码（1.1.3.ipynb）审核以下字段的合理性： - 年龄：应在18到70岁之间。 - 收入：应大于2000。 - 贷款金额：应小于收入的5倍。 - 信用评分：应在300到850之间。对不合理的数据进行标记，并将审核结果截图以JPG的格式保存，命名为“1.1.3-2”。

通过运行Python代码（1.1.3.ipynb）对数据进行清洗，处理异常值。具体要求如下： - 将不合理的数据进行标记，并对异常值所在行进行删除； - 清洗后的数据保存为新文件cleaned_credit_data.csv。所有结果文件储存在桌面新建的考生文件夹中，文件夹命名为“准考证号+身份证号后六位”。

某电商平台希望通过用户行为数据分析，了解用户购物习惯、购买倾向等，从而优化产品推荐系统，提高用户满意度和销售额。作为数据分析师，您需要设计一套全面的业务数据采集与处理流程，确保数据在进入用户行为分析系统之前经过严格的采集、清洗和预处理。我们提供一个用户行为数据集（user_behavior_data.csv），包含以下字段： - UserID: 用户 ID - UserName: 用户名 - Age: 年龄 - Gender: 性别（Male/Female） - Location: 位置 - LastLogin: 上次登录时间 - PurchaseAmount: 购买金额 - PurchaseCategory: 购买类别（例如，电子产品、服装、食品等） - ReviewScore: 用户评价评分（1-5） - LoginFrequency: 登录频率（每日、每周、每月）你作为人工智能训练师，根据提供的 user_behavior_data.csv 数据集和 Python 代码框架（1.1.4.ipynb），完成以下数据的采集与处理任务，确保数据的准确性和可靠性。请按照以下要求完成任务，确保结果准确并保存相应的截图。（1）数据采集：通过运行 Python 代码（1.1.4.ipynb），从本地文件 user_behavior_data.csv 中读取数据，并将数据加载到 DataFrame 中。打印前 5 条数据。（2）数据清洗与预处理：通过运行 Python 代码（1.1.4.ipynb）对数据进行清洗和预处理，具体要求如下： - 处理缺失值：对缺失值进行填充或删除。 - 数据类型转换：确保每个字段的数据类型正确。 - 处理异常值：删除不合理的年龄、购买金额和评价评分。 - 数据标准化：对购买金额和评价评分进行标准化处理。清洗后的数据保存为新文件 cleaned_user_behavior_data.csv。（3）数据统计：通过运行 Python 代码（1.1.4.ipynb），完成以下数据统计任务： - 统计每个购买类别的用户数。 - 统计不同性别的平均购买金额。 - 统计不同年龄段的用户数（18-25 岁、26-35 岁、36-45 岁、46-55 岁、56-65 岁、65 岁以上）。将统计结果分别截图以 JPG 的格式保存，分别命名为“1.1.4-1”、“1.1.4-2”、“1.1.4-3”。所有结果文件储存在桌面新建的考生文件夹中，文件夹命名为“准考证号+身份证号后六位”。

（1）数据采集：通过运行Python代码（1.1.5.ipynb），从本地文件vehicle_traffic_data.csv中读取数据，并将数据加载到Dataframe中。显示前5行数据截图以JPG的格式保存，命名为“1.1.5-1”。

（2）数据清洗与预处理：通过运行Python代码（1.1.5.ipynb）对数据进行清洗和预处理，具体要求如下： - 处理缺失值：对缺失值进行删除。 - 数据类型转换：确保每个字段的数据类型正确。 - 处理异常值：删除不合理的年龄、车速、行驶距离和行驶时间。清洗后的数据保存为新文件cleaned_vehicle_traffic_data.csv。

（3）数据合理性审核：通过运行Python代码审核以下字段的合理性： - 年龄：应在18到70岁之间。 - 车速：应在0到200 km/h之间。 - 行驶距离：应在1到1000 km之间。 - 行驶时间：应在1到1440分钟（24小时）之间。对不合理的数据进行标记，并将审核结果截图以JPG的格式保存，命名为“1.1.5-2”。

（4）数据统计：通过运行Python代码（1.1.5.ipynb），完成以下数据统计任务： - 统计每种交通事件的发生次数。 - 统计不同性别的平均车速、行驶距离和行驶时间。 - 统计不同年龄段的驾驶员数（18 - 25岁、26 - 35岁、36 - 45岁、46 - 55岁、56 - 65岁、65岁以上）。将统计结果分别截图以JPG的格式保存，分别命名为“1.1.5-3”、“1.1.5-4”、“1.1.5-5”。

请列举顾客评价情感识别业务模块中用户反映最强烈的两个问题，并解释这两个问题为什么会让用户感到不满，影响他们的使用体验。将上述答案写在1.2.1.docx答题卷上，题号为“1.2.1-1”。

请设计一个优化顾客评价情感识别业务模块的方案，包括关键的实施步骤和你期望的优化效果。要求方案具体、可行，能够有效提升用户体验和服务质量。将上述答案写在1.2.1.docx答题卷上，题号为“1.2.1-2”。

列出心率监测模块当前存在的具体问题，如数据准确性、异常预警响应等；简述这些问题对老年人健康监测的影响；指出导致这些问题的主要技术或流程原因。将上述答案写在1.2.2.docx答题卷上，题号为“1.2.2-1”。

简述针对心率监测模块问题的优化方案，可涉及技术、流程等方面；列出优化方案的关键实施步骤，如数据采集、预处理、模型训练等；概述如何协调团队资源以确保优化方案的实现，并简述预期效果。将上述答案写在1.2.2.docx答题卷上，题号为“1.2.2-2”。

某智慧金融服务平台在数据处理和异常预警方面目前存在明显短板，具体表现为数据准确性不高、异常预警响应慢等，这些问题直接削弱了用户金融健康监测的体验和服务质量。作为人工智能训练师，你的任务是融合金融业务知识与人工智能技术，对该平台的相关模块进行优化设计与实现。【缺少答案，请补充】

请列举智能卖点生成系统业务模块中用户反映最强烈的几个问题，并解释这些问题为什么会让用户感到不满，影响他们的使用体验。

假设你要优化智能卖点生成系统业务模块，以提升用户体验和服务质量。请设计一个优化方案，列出关键的实施步骤，并描述你期望的优化效果。【缺少答案，请补充】

针对腾讯云智能数智人系统，目前用户反馈中存在一些显著的问题，如数智人响应不准确、缺乏个性化交互能力等，这些问题直接影响了用户的使用体验和系统的服务质量。作为人工智能训练师，任务是结合人工智能技术和业务知识，对该系统的相关模块进行优化设计与实现。【缺少答案，请补充】

正确加载数据集，并显示前五行的数据及数据类型。

检查数据集中的缺失值并删除缺失值所在的行。

将“horsepower”列转换为数值类型，并处理转换中的异常值。

对数值型数据进行标准化处理，确保数据在同一量纲下进行分析。

根据业务需求和数据特性，选择对燃油效率预测最有用的特征：选择以下特征：'cylinders'、'displacement'、'horsepower'、'weight'、'acceleration'、'model year'、'origin'

将“mpg”设为目标变量并标注；

对数据进行标注和划分；

保存处理后的数据，并命名为：2.1.1_cleaned_data.csv，保存到考生文件夹；

制定数据清洗和标注规范，将答案写到答题卷文件中，答题卷文件命名为“2.1.1.docx”，保存到考生文件夹；

将以上代码以及运行结果，以html格式保存并命名为2.1.1.html，保存到考生文件夹，考生文件夹命名为“准考证号+身份证后6位”。

1.场地设备要求（1）人工智能训练师主机 1 台；（2）Python 编译环境；（3）大学生低碳生活行为的影响因素数据集。 2.工作任务在应对气候变化的背景下，了解和促进低碳生活行为变得越来越重要。现要求根据提供的“大学生低碳生活行为的影响因素数据集”，选择合适的特征，开发一个预测大学生低碳生活行为的模型。提供的数据集样本数据包含300多个关于大学生低碳生活行为的自变量和因变量。自变量为主观规范、知觉行为控制、低碳行为态度，中介变量为行为意愿，因变量为低碳生活行为。同时，性别、生源地、月生活费作为控制变量进行研究。在开发预测模型之前，首先要对数据进行数据清洗和标注。补全2.1.2.ipynb代码。完成下面的数据预处理任务，并设计一套标注流程规范：（1）正确加载数据集，并显示前五行的数据；（2）检查数据集中的缺失值，使用删除包含缺失值的行的办法处理，记录缺失值处理后的数据行数；（3）检查数据集中的重复值并删除所有重复值，并记录删除的行数；（4）对数值型数据进行标准化处理，确保数据在同一量纲下进行分析；（5）根据业务需求和数据特性，选择对低碳生活行为预测最有用的特征，将“低碳行为积极性”设为目标变量并标注。选择以下特征： 1.您的性别○男性 ○女性 2.您的年级○大一 ○大二 ○大三 ○大四 3.您的生源地○农村 ○城镇（乡镇） ○地县级城市 ○省会城市及直辖市 4.您的月生活费○≦1,000元 ○1,001-2,000元 ○2,001-3,000元 ○≧3,001元 5.您进行过绿色低碳的相关生活方式吗? 6.您觉得“低碳”，与你的生活关系密切吗？ 7.低碳生活是否会成为未来的主流生活方式？ 8.您是否认为低碳生活会提高您的生活质量？（6）对数据进行划分（8:2）；（7）保存处理后的数据，并命名为：2.1.2_cleaned_data.csv，保存到考生文件夹；（8）制定数据清洗和标注规范，将答案写到答题卷文件中，答题卷文件命名为“2.1.2.docx”，保存到考生文件夹；（9）将以上代码以及运行结果，以html格式保存并命名为2.1.2.html，保存到考生文件夹，考生文件夹命名为“准考证号+身份证后6位”。 3.技能要求（1）能结合人工智能技术要求和业务特征，设计数据清洗和标注流程；（2）能结合人工智能技术要求和业务特征，制定数据清洗和标注规范。 4.质量指标（1）数据预处理步骤完整，方法选择合理；（2）代码实现正确，结果符合预期。【缺少答案，请补充】

正确加载数据集，并显示前五行的数据；

检查数据集中的异常值并处理异常值，使用箱线图检测异常值，使用IQR方法处理异常值；设置图像的尺寸为12英寸宽和8英寸高；将画布分成3行4列，总共可以容纳12个子图；

检查数据集中的重复值并删除所有重复值，并记录删除的行数；

对数据进行归一化处理；

创建新的特征IncomeToDebtRatio，MonthlyIncome，并添加到数据集中；

将SeriousDlqin2yrs设为目标变量并标注；

对数据进行划分；

保存处理后的数据，并命名为：2.1.3_cleaned_data.csv，保存到考生文件夹；

制定数据清洗和特征工程规范，将答案写到答题卷文件中，答题卷文件命名为“2.1.3.docx”，保存到考生文件夹；

将以上代码以及运行结果，以html格式保存并命名为2.1.3.html，保存到考生文件夹，考生文件夹命名为“准考证号+身份证后6位”。

加载数据集，查看表的数据类型，表结构和显示每一列的空缺值数量；

将“就诊日期”和“诊断日期”规范为“yyyy-mm-dd”格式，并将“病人ID”列名改为“患者ID”，显示修改后的表结构；

增加“诊断延迟”（诊断日期-就诊日期）和“病程”（当前日期-诊断日期）两列，删除不合理的数据（如负数，年龄为几百岁等）；

检查数据集中的重复值并删除所有重复值，并记录删除的行数；

对数据段[年龄，体重，身高]进行归一化处理；

统计不同疾病类型的治疗结果分布，并画出柱状图；

分析年龄和疾病严重程度的关系，绘制出散点图；

随着医学技术的进步和医疗资源的丰富，医疗研究在改善患者治疗效果、提升医疗服务质量方面起到了重要作用。研究人员通过分析大量患者的治疗数据，能够评估不同治疗方案的效果，发现潜在的健康问题，并提出针对性的治疗建议。这不仅可以帮助患者获得更好的治疗效果，还能为医疗机构优化资源配置、提升服务水平提供重要依据。现提供一份医疗研究数据集，训练集样本数据一共5441条记录。请补全2.1.4.ipynb代码，完成下面的数据预处理任务： 1、加载数据集，查看表的数据类型，表结构和显示每一列的空缺值数量； 2、将“就诊日期”和“诊断日期”规范为“yyyy-mm-dd”格式，并将“病人ID”列名改为“患者ID”，显示修改后的表结构； 3、增加“诊断延迟”（诊断日期-就诊日期）和“病程”（当前日期-诊断日期）两列，删除不合理的数据（如负数，年龄为几百岁等）； 4、检查数据集中的重复值并删除所有重复值，并记录删除的行数； 5、对数据段[年龄，体重，身高]进行归一化处理； 6、统计不同疾病类型的治疗结果分布，并画出柱状图； 7、分析年龄和疾病严重程度的关系，绘制出散点图； 8、保存处理后的数据，并命名为：2.1.4_cleaned_data.csv，保存到考生文件夹； 9、制定数据清洗和数据标注规范，将答案写到答题卷文件中，答题卷文件命名为“2.1.4.docx”，保存到考生文件夹； 10、将以上代码以及运行结果，以html格式保存并命名为2.1.4.html，保存到考生文件夹，考生文件夹命名为“准考证号+身份证后6位”。 3.技能要求（1）能结合人工智能技术要求和业务特征，设计数据清洗和标注流程；（2）能结合人工智能技术要求和业务特征，制定数据清洗和标注规范。 4.质量指标（1）深入理解业务，训练符合业务需求的模型。【缺少答案，请补充】

将以上代码以及运行结果，以 html 格式保存并命名为 2.1.5.html，保存到考生文件夹，考生文件夹命名为“准考证号+身份证后6位”。

正确加载数据集，显示前五行的数据。

使用Logistic模型进行模型训练，要求设定自变量和因变量，并根据自变量特征进行模型训练，最终将训练好的模型以文件名2.2.1_model.pkl保存到考生文件夹，结果文件以2.2.1_results.txt保存到考生文件夹。

使用测试工具对模型进行测试，并记录测试结果，命名2.2.1_report.txt，保存到考生文件夹

对测试结果进行详细分析，并编写测试报告，包括模型性能评估、错误分析及改进建议，将答案写到答题卷文件中，答题卷文件命名为“2.2.1.docx”，保存到考生文件夹。

运用工具分析算法中错误案例产生的原因并进行纠正，重新得到模型训练结果，以文件名2.2.1_results_xg.txt保存到考生文件夹。

将以上代码以及运行结果，以html格式保存并命名为2.2.1.html，保存到考生文件夹，考生文件夹命名为“准考证号+身份证后6位”。

正确加载数据集，显示前五行的数据。

使用线性回归模型进行模型训练，要求设定自变量和因变量，并根据自变量特征进行模型训练，最终将训练好的模型以“2.2.2_model.pkl”命名保存到考生文件夹，结果文件以“2.2.2_results.txt”命名保存到考生文件夹。

使用测试工具对模型进行测试，并记录测试结果，以“2.2.2_report.txt”命名保存到考生文件夹。

运用工具分析算法中错误案例产生的原因并进行纠正，重新进行模型训练，并以“2.2.2_results_rf.txt”命名保存到考生文件夹。

对测试结果进行详细分析，并编写测试报告，包括模型性能评估、错误分析及改进建议，将答案以“2.2.2.docx”命名写到答题卷文件中，并保存到考生文件夹。

将以上代码以及运行结果，以html格式保存并命名为2.2.2.html，保存到考生文件夹，考生文件夹命名为“准考证号+身份证后6位”。

正确加载数据集，并显示前五行的数据

使用随机森林模型进行模型训练，要求设定自变量和因变量，并根据自变量特征进行模型训练，最终将训练好的模型以文件名2.2.3_model.pkl保存到考生文件夹，结果文件以2.2.3_results.txt保存到考生文件夹。

使用测试工具对模型进行测试，并记录测试结果，命名2.2.3_report.txt，保存到考生文件夹

对测试结果进行详细分析，并编写测试报告，包括模型性能评估、错误分析及改进建议，将答案写到答题卷文件中，答题卷文件命名为“2.2.3.docx”，保存到考生文件夹。

运用工具分析算法中错误案例产生的原因并进行纠正，重新得到模型训练结果，以文件名2.2.3_results_xgb.txt保存到考生文件夹。

将以上代码以及运行结果，以html格式保存并命名为2.2.3.html，保存到考生文件夹，考生文件夹命名为“准考证号+身份证后6位”。

对测试结果进行详细分析，并编写测试报告，包括模型性能评估、错误分析及改进建议，将答案写到答题卷文件中，答题卷文件命名为“2.2.4.docx”，保存到考生文件夹。

运用工具分析算法中错误案例产生的原因并进行纠正，重新得到模型训练结果，以文件名2.2.4_results_xg.txt保存到考生文件夹。

将以上代码以及运行结果，以html格式保存并命名为2.2.4.html，保存到考生文件夹，考生文件夹命名为“准考证号+身份证后6位”。

1 2 3

更多题库