一、TOP26-50考点分布概览

┌──────────────────────────────────────────────────────────────┐
│              高频考点TOP26-50分布概览                           │
│                                                              │
│   模块          │ 考点数 │ 累计出现次数 │ 占TOP26-50比例        │
│   ──────────────┼───────┼─────────────┼───────────           │
│   模型训练       │   8   │    36次      │   32%                │
│   模型测试       │   7   │    28次      │   28%                │
│   数据标注       │   5   │    18次      │   16%                │
│   AI基础知识     │   3   │    12次      │   12%                │
│   系统运维       │   7   │    20次      │   12%                │
│   ──────────────┼───────┼─────────────┼───────────           │
│   合计           │  25   │   114次      │  100%                │
│                                                              │
│   ★ 训练+测试占60%，实操考核重点区                              │
└──────────────────────────────────────────────────────────────┘

二、TOP26-50高频考点精讲

考点26：数据集划分（训练/验证/测试集）

维度 内容
考点概述 数据划分是模型训练第一步，确保各子集分布一致且互不重叠
出题形式 单选（划分比例）、判断（验证集能否替代测试集→否）
真题示例 “验证集的作用是什么？→训练过程中调参和选择模型，不参与最终评估”
记忆口诀 “训练练功、验证选模、测试定成绩，三者各司其职不可混”

考点27：K-fold交叉验证

维度 内容
考点概述 K-fold将数据分K份，轮流用1份验证其余训练，综合评估更稳健
出题形式 计算题（K=5时训练比例）、选择题（适用场景）
真题示例 “5-fold交叉验证中，每次使用多少数据训练？→4份=80%”
记忆口诀 “K-fold轮班制，每人当一次考官”

考点28：RMSE与MAE对比

维度 内容
考点概述 RMSE对大误差敏感（平方后放大），MAE对所有误差平等
出题形式 选择题（何时用RMSE vs MAE）、判断题
真题示例 “需要重点关注极端误差时应选哪个指标？→RMSE”
记忆口诀 “RMSE放大痛点，MAE平均感受”

考点29：正则化方法（L1/L2）

维度 内容
考点概述 L1正则化产生稀疏解（特征选择），L2正则化防止权重过大
出题形式 选择题（L1 vs L2效果）、判断题
真题示例 “需要自动选择重要特征时应使用哪种正则化？→L1正则化（产生稀疏权重）”
记忆口诀 “L1砍特征（稀疏），L2压权重（平滑），L1+L2=ElasticNet”

考点30：早停(Early Stopping)机制

维度 内容
考点概述 监控验证集损失，连续N轮不下降则停止训练，防止过拟合
出题形式 判断题、选择题（早停触发条件）
真题示例 “早停的判断依据是什么？→验证集损失不再下降”
记忆口诀 “验证损失连降停，早停不早也不迟”

考点31：数据增强方法

维度 内容
考点概述 通过变换扩充数据量：图像翻转/旋转/裁剪/色彩，文本替换/删除
出题形式 选择题（哪些属于数据增强）、判断题
真题示例 “对图像做随机裁剪和水平翻转属于？→数据增强”
记忆口诀 “数据增强=变戏法，一图变多图防过拟合”

考点32：学习率与优化器

维度 内容
考点概述 学习率过大震荡/过小收敛慢；SGD/Adam/RMSprop各有优劣
出题形式 选择题（优化器选择）、判断题（学习率影响）
真题示例 “Adam优化器的核心优势？→自适应学习率+动量，无需手动调学习率”
记忆口诀 “SGD手动调，Adam自动调，学习率大震荡小龟速”

考点33：梯度消失与梯度爆炸

维度 内容
考点概述 深层网络中梯度逐层衰减（消失）或放大（爆炸），导致训练困难
出题形式 选择题（原因与对策）、判断题
真题示例 “LSTM如何缓解梯度消失？→门控机制保留长程信息梯度”
记忆口诀 “梯度消失=信号衰减听不见，梯度爆炸=信号失控听不清”

考点34：混淆矩阵与四值(TP/FN/FP/TN)

维度 内容
考点概述 混淆矩阵是分类评估的基础：TP真正/FP假正/FN假负/TN真负
出题形式 计算题（给矩阵算各指标）、选择题
真题示例 “FP表示什么？→模型预测为正但实际为负的样本数”
记忆口诀 “TP真对FP假报FN漏报TN真否——真对假报漏报真否”

考点35：功能测试用例设计

维度 内容
考点概述 功能测试覆盖正常+异常+边界场景，确保模型输出正确
出题形式 选择题（测试用例设计原则）、判断题
真题示例 “功能测试用例应覆盖哪些场景？→正常输入+异常输入+边界值”
记忆口诀 “正常走大道，异常探死角，边界卡临界”

考点36：AB测试设计要点

维度 内容
考点概述 AB测试核心：随机分流+控制变量+统计显著性(p<0.05)+最小样本量
出题形式 选择题（AB测试原则）、判断题（显著性含义）
真题示例 “AB测试中统计显著性p<0.05意味着？→有95%置信度差异非偶然”
记忆口诀 “AB测试四要素：随机分、控变量、p值小、样本够”

考点37：鲁棒性测试方法

维度 内容
考点概述 对抗样本测试、噪声注入、输入扰动是三大鲁棒性测试方法
出题形式 选择题（对抗攻击类型）、判断题
真题示例 “FGSM攻击的特点？→白盒单步梯度攻击，速度快”
记忆口诀 “鲁棒三招：对抗打、噪声扰、输入变”

考点38：公平性检测指标

维度 内容
考点概述 四大公平性指标：Demographic Parity / Equal Opportunity / Equalized Odds / Calibration
出题形式 选择题（各指标含义）、判断题
真题示例 “Equal Opportunity要求什么？→各群体在真正正类中的召回率相同”
记忆口诀 “DP预测率相同，EO真正召回同，EOd全混淆同，Cal预测值准同”

考点39：边界案例(Edge Case)设计

维度 内容
考点概述 Edge Case是极端、罕见、异常输入场景，设计比测试更重要
出题形式 选择题（Edge Case定义）、场景题
真题示例 “以下哪个属于Edge Case？→图像中同时出现10个目标重叠（罕见场景）”
记忆口诀 “Edge Case=极端罕见异常，设计要想象力”

考点40：测试报告撰写规范

维度 内容
考点概述 测试报告包含：测试目的+方法+结果+结论+改进建议
出题形式 选择题（报告要素）、判断题
真题示例 “完整的测试报告必须包含哪些内容？→测试目的/方法/结果/结论/建议”
记忆口诀 “报告五要素：目方果结建——目的方法结果结论建议”

考点41：模型部署流程

维度 内容
考点概述 部署流程：模型导出→容器化→API封装→负载均衡→灰度发布→全量上线
出题形式 选择题（部署步骤排序）、判断题
真题示例 “模型上线前应做什么？→灰度发布逐步放量验证”
记忆口诀 “导出装箱封装上架灰度全量——六步上线”

考点42：Docker容器化基础

维度 内容
考点概述 Docker将模型打包为独立容器：隔离+可移植+版本化+轻量
出题形式 选择题（Docker vs虚拟机）、判断题
真题示例 “Docker相比虚拟机的优势？→更轻量（共享操作系统内核），启动更快”
记忆口诀 “Docker=轻量集装箱，共享内核不占大房”

考点43：性能监控指标

维度 内容
考点概述 四大监控指标：响应时间/QPS(吞吐量)/错误率/资源使用率
出题形式 选择题（监控指标含义）、判断题
真题示例 “QPS表示什么？→每秒处理请求数(Queries Per Second)”
记忆口诀 “监控四指标：响应快、吞吐高、错误低、资源省”

考点44：数据漂移检测

维度 内容
考点概述 数据漂移=P(X)变化，用KL散度/JS散度检测分布差异
出题形式 选择题（漂移检测方法）、判断题（数据vs概念漂移）
真题示例 “检测数据分布变化应使用什么指标？→KL散度或JS散度”
记忆口诀 “数据漂移换数据P(X)，KL/JS测距离”

考点45：概念漂移识别

维度 内容
考点概述 概念漂移=P(Y
出题形式 判断题（漂移类型辨析）、选择题
真题示例 "用户偏好改变导致推荐模型失效属于？→概念漂移（P(Y
记忆口诀 **"概念漂移换关系P(Y

考点46：模型衰退与更新策略

维度 内容
考点概述 模型衰退=线上指标持续下降，策略：定期重训练/增量更新/替换
出题形式 选择题（衰退应对策略）、判断题
真题示例 “模型衰退后的最佳处理方式？→先诊断漂移类型，再选择重训练或增量更新”
记忆口诀 “衰退先诊断：数据漂移增数据，概念漂移重训练”

考点47：熔断与降级机制

维度 内容
考点概述 熔断=停止调用故障服务；降级=简化服务保证基本可用
出题形式 选择题（熔断vs降级）、判断题
真题示例 “当模型服务响应超时严重时应？→熔断停止调用，降级提供备用简化方案”
记忆口诀 “熔断=断电保护，降级=简化保底”

考点48：版本管理与回滚

维度 内容
考点概述 模型版本化跟踪每次更新，回滚是快速恢复到上一稳定版本
出题形式 选择题（版本管理原则）、判断题
真题示例 “新版本上线后出现严重问题应？→立即回滚到上一稳定版本”
记忆口诀 “版本编号可追溯，回滚一键回安全”

考点49：日志分析与故障定位

维度 内容
考点概述 日志记录请求/响应/错误信息，是故障定位第一工具
出题形式 选择题（日志分析步骤）、判断题
真题示例 “模型线上异常排查的第一步？→查看日志定位错误类型和时间”
记忆口诀 “故障排查三部曲：看日志→看指标→看配置”

考点50：标注规范文档编写

维度 内容
考点概述 标注规范定义标注标准、操作流程、质量要求，是标注工作的纲领
出题形式 选择题（规范要素）、判断题
真题示例 “标注规范文档应包含哪些内容？→标注定义+示例+流程+质量标准+特殊情况处理”
记忆口诀 “规范五要素：定示程质特——定义示例流程质量特殊”

三、TOP26-50考点模块归属速查表

编号 考点 模块 出题频率 难度
26 数据集划分 模型训练 ★★★★ ⭐⭐
27 K-fold交叉验证 模型训练 ★★★★ ⭐⭐⭐
28 RMSE/MAE 模型训练 ★★★ ⭐⭐
29 L1/L2正则化 模型训练 ★★★★ ⭐⭐⭐
30 早停机制 模型训练 ★★★ ⭐⭐
31 数据增强 模型训练 ★★★ ⭐⭐⭐
32 学习率/优化器 模型训练 ★★★★ ⭐⭐⭐
33 梯度消失/爆炸 模型训练 ★★★ ⭐⭐⭐⭐
34 混淆矩阵 模型训练 ★★★★★ ⭐⭐
35 功能测试用例 模型测试 ★★★★ ⭐⭐⭐
36 AB测试设计 模型测试 ★★★★★ ⭐⭐⭐
37 鲁棒性测试 模型测试 ★★★★ ⭐⭐⭐⭐
38 公平性指标 模型测试 ★★★ ⭐⭐⭐⭐
39 Edge Case 模型测试 ★★★ ⭐⭐⭐
40 测试报告 模型测试 ★★★★ ⭐⭐
41 模型部署 系统运维 ★★★ ⭐⭐⭐
42 Docker 系统运维 ★★★ ⭐⭐⭐
43 监控指标 系统运维 ★★★★ ⭐⭐
44 数据漂移 系统运维 ★★★★ ⭐⭐⭐
45 概念漂移 系统运维 ★★★★ ⭐⭐⭐⭐
46 模型衰退 系统运维 ★★★ ⭐⭐⭐
47 熔断降级 系统运维 ★★★ ⭐⭐⭐
48 版本回滚 系统运维 ★★★ ⭐⭐
49 日志分析 系统运维 ★★★★ ⭐⭐
50 标注规范 数据标注 ★★★★ ⭐⭐

四、TOP50总览对比表：上篇vs下篇

对比维度 上篇(1-25) 下篇(26-50)
模块重心 AI基础+数据标注(72%) 模型训练+测试(60%)
题型偏好 概念辨析为主 计算+实操为主
难度均值 ⭐⭐⭐ ⭐⭐⭐
记忆策略 口诀速记为主 流程理解+公式计算
复习建议 快速过概念+对比表 理解流程+动手练

五、考试要点速记表

编号 考点关键词 一句话速记 口诀
26 数据划分 训练练功验证选模测试定成绩 “三人各司其职”
27 K-fold K份轮流当考官 “轮班制”
29 L1/L2 L1砍特征L2压权重 “砍压两招”
30 早停 验证损失不降就停 “不降即停”
34 混淆矩阵 TP真对FP假报FN漏TN真否 “真假对报漏否”
36 AB测试 随机分控变量p值小样本够 “四要素”
37 鲁棒性 对抗打噪声扰输入变 “三招抗打”
38 公平性 DP预测同EO真正同 “四种公平”
41 部署流程 导出装箱封装上架灰度全量 “六步上线”
44 数据漂移 P(X)变KL/JS测 “换数据测距离”
45 概念漂移 P(Y X)变需重训练
47 熔断降级 熔断断电降级保底 “断电保底”
50 标注规范 定义示例流程质量特殊 “五要素”

思维导图

渲染错误: Mermaid 渲染失败: Parse error on line 6: ...矩阵) 正则化(L1/L2)与早停 数据增强与优化器 ----------------------^ Expecting 'SPACELINE', 'NL', 'EOF', got 'NODE_ID'
# 人工智能 # 深度学习 # 机器学习 # 学习 # 开发语言 # 算法
Logo
亚马逊云科技技术品牌专区

更多推荐

cover

人工智能训练师-答题技巧与时间分配策略

avatar 亚马逊云科技技术品牌专区

GEO时代品牌推广的新引擎：GenAura 如何重构企业在生成式AI中的品牌可见度

GenAura 与这些工具并非简单的替代关系，而是互补关系。品牌的最佳策略是"SEO + GEO 双引擎"——SEMrush/Ahrefs 负责传统搜索流量的基础运营，GenAura 负责在生成式 AI 生态中建立品牌认知和推荐权重。

avatar 亚马逊云科技技术品牌专区
cover

越华环保集团污水处理设备自动控制系统架构：PLC与物联网的技术对接实践

avatar 亚马逊云科技技术品牌专区