# 2025开发组深度学习考核

**Repository Path**: dengshuxing/2025-development-assessment

## Basic Information

- **Project Name**: 2025开发组深度学习考核
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 2
- **Created**: 2025-06-09
- **Last Updated**: 2025-06-09

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 2025开发组深度学习考核

本次考核分为笔试和机试两部分：

### 一、笔试（1h）

包含选择题、填空题和问答题，主要考察对 Python 基础语法和机器学习核心概念的理解，笔试为闭卷不允许查阅。

#### Python 语法与基础知识：

1. **数据结构：** 列表（list）、元组（tuple）、字典（dict）、集合（set）的创建、基本操作、特点及应用场景。
2. **控制流：** if/else、for 循环、while 循环的使用。
3. **函数：** 函数的定义、参数传递（包括默认参数、可变参数）、局部变量与全局变量的作用域、匿名函数（lambda）。
4. **推导式：** 列表推导式、字典推导式等。
5. **内置函数：** 常用内置函数如 enumerate(), map(), sorted() 等的理解和应用。
6. **面向对象编程（OOP）基础：** 类与对象的概念、封装、继承、多态等核心特性。

#### 机器学习基础概念：

1. **基本概念：** 监督学习与无监督学习的区别与应用场景、训练集、测试集、验证集的概念及作用。
2. **常见算法：** 线性回归、逻辑回归、决策树、KMeans、KNN 等基本原理、优缺点及适用场景。
3. **模型评估：** 准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1-Score 等分类模型评估指标的理解与计算。
4. **数据预处理：** 缺失值处理（填充）、特征编码（如独热编码）、数据标准化/归一化（Z-score 标准化）的目的与方法。
5. **过拟合与欠拟合：** 概念、原因及缓解方法（如交叉验证、剪枝）。
6. **激活函数：** 逻辑回归中常用激活函数的作用。

### 二．机试（3h）

#### 数据处理与分析实战：

要求编写Python代码解决实际数据分析和机器学习问题，需要在规定时间内完成代码编写、运行，并展示运行效果，机试仅可查询统一安排的参考文档。

数据处理与分析实战文档内有任务要求（任务要求.docx），数据集（data.csv）

1. 熟练运用NumPy进行数值计算，理解其数组操作的优势。
2. 熟练运用Pandas进行数据读取、清洗、整理、筛选、聚合、合并等操作。
3. 运用Matplotlib或Seaborn进行数据可视化，包括直方图、散点图、折线图等，并能根据数据特点选择合适的图表类型。
4. 具备数据探索性分析（EDA）的能力，能够从数据中发现潜在规律和有意义的结论。

#### 机器学习项目实战

要求编写Python代码解决实际Scikit-learn任务实战（分类/回归）问题，需要在规定时间内完成代码编写、运行，并展示运行效果，机试仅可查询统一安排的参考文档。

机器学习项目实战文档内有任务要求（任务要求.docx），数据集（data.csv）

1. 模型选择与训练： 能够根据问题类型（分类或回归）选择合适的 Scikit-learn 模型（如 LogisticRegression, DecisionTreeClassifier, KNeighborsClassifier 等）。
2. 数据预处理与特征工程： 能够应用Scikit-learn中的预处理工具进行特征缩放、编码等。
3. 模型评估： 使用Scikit-learn提供的评估指标对模型性能进行量化评估。
4. 完整建模流程：具备从数据加载、预处理、模型训练、评估到预测的完整机器学习项目实践能力。

#### 机试内容完成后归到一个文件中压缩并传至本目录“2025春深度学习考核”文件夹中，提交时以自己的名字命名。