Python AI开发知识点应知应会100题(按重要度排序)

针对Python人工智能开发，整理100题，按核心基础→数据处理→机器学习→深度学习→大模型→工程部署优先级排序，全程干货，从业者必会，收藏起来随时自查！

一、Python核心基础（20题）

1. Python中列表、元组、字典、集合的区别，以及AI开发中的适用场景
2. Python深拷贝和浅拷贝的原理，代码举例说明，AI数据处理中如何避免数据篡改
3. Python异常处理try/except/finally/else的用法，AI开发中常用的异常类型
4. Lambda匿名函数、map、filter、zip函数在AI数据预处理中的实际应用
5. Python生成器和迭代器的区别，为何能优化AI大数据加载效率
6. Anaconda虚拟环境创建、激活、删除命令，AI开发为何要隔离虚拟环境
7. Python面向对象：类、继承、多态的理解，手写一个简单AI模型类
8. Python中GIL锁是什么，对AI多线程编程的影响，如何实现多进程
9. Python文件操作：读取CSV、JSON、txt数据集的常用方法，编码问题处理
10. pip常用命令：安装、卸载、指定版本、导出依赖包requirements.txt
11. os、sys模块在AI项目中的常用操作（路径处理、系统参数获取）
12. Python装饰器原理，在AI模型训练中能实现什么功能
13. Python中==和is的区别，None、空字符串、0的判断方法
14. 列表推导式、字典推导式写法，AI数据清洗中的简化用法
15. PyCharm/VSCode调试AI代码的常用技巧（断点、变量查看）
16. Python中全局变量和局部变量的区别，nonlocal、global关键字用法
17. 字符串常用操作：拼接、分割、替换、去空格，AI文本处理基础
18. Python多线程、多进程、协程的区别，AI训练适合用哪种
19. 如何用Python读取大文件，避免内存溢出
20. Python模块导入方式，相对导入和绝对导入的区别

二、AI数据处理与可视化（20题）

21. NumPy数组和Python列表的核心区别，AI数值计算为何用NumPy
22. NumPy数组创建、索引、切片、变形、转置操作，代码举例
23. NumPy广播机制原理，满足广播的条件，矩阵运算应用
24. NumPy常用统计函数：mean、std、var、max、min、argmax用法
25. Pandas中Series和DataFrame的创建、增删改查操作
26. Pandas读取/写入CSV、Excel、JSON数据集的方法，缺失值处理（fillna、dropna）
27. Pandas数据清洗：重复值、异常值检测与处理方法
28. Pandas数据筛选、分组groupby、聚合agg、合并merge/concat用法
29. 数据归一化、标准化的区别，代码实现MinMaxScaler、StandardScaler
30. 特征编码：标签编码LabelEncoder、独热编码OneHotEncoder适用场景
31. 训练集、测试集、验证集划分原则，train_test_split参数详解
32. Pandas缺失值填充的常用策略（均值、中位数、众数、向前填充）
33. Matplotlib绘制折线图、柱状图、散点图，绘制模型损失曲线
34. Seaborn数据可视化，分析数据特征相关性
35. NumPy和Pandas数据类型转换，数据格式统一方法
36. 数据增强的作用，图像、文本数据增强常用方法
37. Pandas如何处理时间序列数据，AI时序任务基础
38. 如何检测数据集特征之间的共线性，解决方法
39. 数据预处理完整流程（数据读取→清洗→编码→标准化→划分）
40. Pandas批量处理数据的高效方法，避免循环遍历

三、机器学习（重中之重，20题）

41. 监督学习、无监督学习、强化学习的核心区别，举例应用场景
42. 机器学习完整项目流程（数据→预处理→模型→训练→评估→部署）
43. 线性回归原理，损失函数（最小二乘法），代码实现
44. 逻辑回归原理，为何是分类算法，sigmoid函数作用
45. 决策树原理，信息增益、信息增益比、基尼系数的区别
46. 随机森林原理，集成学习的优势，解决决策树什么问题
47. KNN算法原理，K值如何选择，距离度量方式
48. K-Means聚类原理，聚类评估指标（轮廓系数），肘部法则
49. SVM支持向量机原理，核函数作用，常用核函数类型
50. 朴素贝叶斯原理，条件独立假设，文本分类应用
51. 分类模型评估指标：准确率、精确率、召回率、F1、AUC、ROC
52. 回归模型评估指标：MAE、MSE、RMSE、R²，指标含义
53. 过拟合、欠拟合的概念，产生原因，解决方法
54. 交叉验证（K折）原理，作用，代码实现
55. 特征选择方法：过滤法、包装法、嵌入法，常用方式
56. 网格搜索、随机搜索超参数调优原理，适用场景
57. 模型保存与加载：pickle、joblib用法，注意事项
58. 偏差和方差的理解，如何平衡偏差与方差
59. 常见机器学习算法优缺点对比，如何选型
60. 手写数字识别/鸢尾花分类机器学习实战思路

四、深度学习（进阶，20题）

61. 深度学习和机器学习的核心区别，适用场景差异
62. 神经网络基本组成：神经元、激活函数、权重、偏置的作用
63. 常用激活函数：ReLU、Sigmoid、Tanh、Softmax优缺点
64. 梯度下降、批量梯度下降、小批量梯度下降的区别
65. 优化器SGD、Adam、RMSprop原理，面试常问Adam优势
66. 损失函数：交叉熵损失、均方误差损失适用场景
67. CNN卷积神经网络原理，卷积层、池化层、全连接层作用
68. RNN、LSTM、GRU原理，解决序列数据什么问题
69. PyTorch张量（Tensor）基础操作，和NumPy数组转换
70. PyTorch中Dataset、DataLoader自定义数据集用法
71. 反向传播原理，模型参数更新过程
72. Dropout、BatchNorm、L1/L2正则化解决过拟合原理
73. 预训练模型微调（Fine-tune）流程，为何要微调
74. 模型训练过程：前向传播、损失计算、反向传播、参数优化步骤
75. 训练过程中loss不下降的原因及解决办法
76. PyTorch模型搭建、训练、推理完整代码逻辑
77. GPU训练配置，cuda、cudnn作用，设备迁移代码
78. 梯度消失、梯度爆炸原因，解决方法
79. 常见深度学习模型：LeNet、ResNet、Transformer核心思想
80. 图像分类、文本分类深度学习项目实现步骤

五、大模型与LLM应用（热门，10题）

81. 大语言模型LLM基本概念，主流开源大模型（ChatGLM、Qwen、Llama）
82. Prompt提示词工程原则，如何优化提示词提升模型效果
83. RAG检索增强生成原理，相比微调的优势
84. LangChain框架核心组件，搭建本地知识库流程
85. 大模型API调用流程，参数（temperature、max_token）含义
86. 大模型幻觉问题，产生原因及解决办法
87. 大模型微调（LoRA）原理，优势，适用场景
88. Token概念，上下文窗口长度对模型的影响
89. AI Agent智能体核心组成，实现逻辑
90. 大模型文本生成、问答系统、摘要生成落地思路

六、AI工程化部署（应用，10题）