简介这份资源是面向准备微软 Azure AI-900 基础认证的考生整理的真题练习包覆盖人工智能基本概念、Azure AI 服务使用、数据准备、模型训练与部署等考纲内容适合零基础入门者与需要考前查漏补缺的技术人员。压缩包内共 1 个 PDF 文件约 5.19MB以题目加答案解析的形式编排便于打印或平板翻阅复习。资料包含 110 道真题与参考答案题量覆盖描述所称九成以上考点并配有知识点详解如聊天机器人降低客服工作负载的商业价值判断、训练集与评估集随机划分的原因、混淆矩阵中真正例与假负例的计算、以及开启 Explain best model 以满足负责任 AI 透明度原则等。每道题均给出正确选项与简要依据部分题目附微软官方文档参考链接方便读者顺着考点回到 Azure Machine Learning 与 Cognitive Services 的官方说明深入理解。目前已有 909 人学习下载适合作为考前冲刺与错题复盘的练习材料。1. 从110道AI-900真题看这张证到底考什么很多人第一次做AI-900模拟题都以为这考试考的是会不会调模型。做完前二十题才发现真正拉分的是概念边界同样是帮助残障用户该选inclusiveness还是transparency同样是评估模型该选true positive rate还是RMSE。判定依据不是直觉而是每个术语在Azure文档里的定义范围。AI-900是微软Azure的基础级AI认证考查范围覆盖AI工作负载分类、Azure机器学习的基本流程、计算机视觉与自然语言处理、生成式AI以及负责任AI原则。这份110题的真题库把单选、拖拽DRAG DROP、热点HOTSPOT和Yes/No判断四类题型都收进来了每题附正确答案和文档参考链接等于把考点和原始出处一起给了。它适合三类人转岗做AI交付的开发和运维、需要向客户解释Azure AI能力的售前顾问、想用一次考试把零散概念串起来的学生。题库真正的价值不在背答案而在于每道题都逼你回答一个问题——这个能力的边界到底在哪。2. AI-900真题的四类题型骨架与混淆矩阵计算2.1 题型分布与作答特征先把110题按交互方式分堆复习节奏才好安排。单选题靠读题拖拽题和热点题靠概念索引速度Yes/No判断题最容易在半对的句子上翻车。题型交互方式典型题号得分规则高频陷阱单选 Single Choice四选一#1 #2 #4 #8 #11 #13 #17 #18 #20选对即得1分两个选项都像原则类答案热点 HOTSPOT下拉框或Yes/No#3 #5 #6 #10 #15 #16 #19每个空各计1分一处错拖垮整题拖拽 DRAG DROP左侧匹配右侧#7 #9 #12每个匹配点1分选项可重复使用或不用判断题Yes / No#5 #19每句1分句子前半正确后半错误拖拽题最省时间的做法是先扫右边场景里的名词再回左边找对应的工作负载或原则不要从左往右硬推。热点题里的Yes/No只要句子里出现alwaysneveronly这类绝对词先怀疑它是No。2.2 混淆矩阵四象限与分类指标公式真题#3给了一张分类模型在测试数据上的混淆矩阵要求填出真正例个数答案为11和假负例个数答案为1033。这类题唯一的解法就是把四格数值读准再套公式。指标公式含义什么时候看Accuracy(TPTN)/(TPTNFPFN)整体判对数占比类别均衡时PrecisionTP/(TPFP)判为正的里面有多少真对误报代价高时Recall / TPRTP/(TPFN)真正例里被找出来多少漏报代价高时FPRFP/(FPTN)负例被误判为正的比例看ROC横轴F12PR/(PR)精确率与召回率的调和均值两者都要兼顾MAE / RMSE / R²—回归专用误差度量预测连续值时真题#20问哪个指标可以评估分类模型答案是A true positive rate。因为MAE、RMSE、R²都是回归指标只要题干里出现classification这三个可以直接划掉。这个先看任务类型再挑指标的判断顺序比背公式有用得多。# 输入混淆矩阵四格输出常用分类指标 def clf_metrics(tp, fp, fn, tn): precision tp / (tp fp) if tp fp else 0.0 recall tp / (tp fn) if tp fn else 0.0 # 即 true positive rate fpr fp / (fp tn) if fp tn else 0.0 accuracy (tp tn) / (tp fp fn tn) f1 2 * precision * recall / (precision recall) if precision recall else 0.0 return {accuracy: round(accuracy, 4), precision: round(precision, 4), recall_tpr: round(recall, 4), fpr: round(fpr, 4), f1: round(f1, 4)} print(clf_metrics(tp11, fp5, fn1033, tn1200))逻辑说明每个分母都做了零值保护避免某一格为0时抛ZeroDivisionError。参数说明tp/fp/fn/tn直接对应矩阵四格precision的分母是预测为正的总数recall的分母是真实为正的总数两者分子相同但分母不同这是最容易记混的地方。真题#3里的11既然是TP那它同时是precision和recall的分子。2.3 ROC曲线与阈值的关系真题#20的官方解释提到越靠近左上角TPR接近100%、FPR接近0的ROC曲线模型越好随机模型则是一条从左下到右上的对角线。这条曲线不是模型天生就有的而是把判定阈值从高到低扫一遍每个阈值在图上落一个点连出来的。from sklearn.metrics import roc_curve, roc_auc_score import numpy as np y_true np.array([1, 1, 0, 0, 1]) # 真实标签二分类用 0/1 y_score np.array([0.9, 0.6, 0.7, 0.2, 0.4]) # 模型输出的正类概率 fpr, tpr, thresholds roc_curve(y_true, y_score) print(AUC , round(roc_auc_score(y_true, y_score), 3)) print(list(zip(thresholds.round(2), fpr, tpr)))参数说明y_score必须传概率或decision_function的连续值直接传0/1硬标签会让roc_curve只返回三个点AUC也算不准。thresholds数组是降序的实际调阈值时可以直接读它来选业务上可接受的FPR。3. 机器学习数据划分与Azure ML Designer的Split Data参数3.1 真题#2为什么答案是按行随机划分真题#2问的是为机器学习项目划分训练数据和评估数据的正确方式四个选项里两个在特征/标签上做文章一个在行/列上做文章正确答案是B把数据按行随机分成训练行和评估行。原因很直接一行就是一个样本一列是一个特征。按列切等于把特征向量拆散任何一侧都拿不到完整输入。而用特征训练、用标签评估这种说法本身就错位了——标签是监督信号不是评估集用标签当训练输入就是典型的数据泄漏模型在测试集上的分数会虚高得离谱。提示划分之前先确认每一行确实是独立样本。如果数据带时间戳别用纯随机切分按时间先后切并在训练段和测试段之间留一段gap避免相邻时点的信息互相渗透。3.2 Split Rows模式的关键参数真题#2的参考答案直接指向Azure Machine Learning Studio的Split Data模块文档这个模块的三种模式和几个开关值得逐项过一遍。参数典型取值作用建议Splitting modeSplit rows / Regular / Relative expression决定按行、按固定间隔还是按表达式切训练评估划分选Split rowsFraction of rows in the first output dataset0.5默认第一份输出占比训练集一般给0.70.8Randomized splitTrue / False是否打乱后再切一定要TrueRandom seed0固定随机源保证可复现团队内统一一个值Stratified splitTrue / False是否分层抽样类别不均衡时必开Stratified column标签列名按哪一列分层填标签列容易踩的坑是Randomized split默认不一定打开如果不打乱数据里按类别或按来源排好序第一份输出可能整段都是同一类。另一个坑是Fraction of rows这个比例只对第一份输出生效第二份是补集不是再乘一次。3.3 用Python复现随机切分与分层抽样本地做实验时我一般用scikit-learn复现同样的划分逻辑再和Designer里的结果对齐。from sklearn.model_selection import train_test_split import pandas as pd df pd.read_csv(dataset.csv) X, y df.drop(columns[label]), df[label] # 第一次切70% 训练验证30% 留作测试 X_tmp, X_test, y_tmp, y_test train_test_split( X, y, test_size0.3, random_state42, stratifyy) # 第二次切把 70% 再拆成训练和验证 X_train, X_val, y_train, y_val train_test_split( X_tmp, y_tmp, test_size0.15, random_state42, stratifyy_tmp) print(X_train.shape, X_val.shape, X_test.shape) print(y_train.mean(), y_test.mean()) # 两边的正类比例应当接近参数说明test_size是切出去的比例第二次切的是占原始数据15%的量random_state固定后任何人在任何机器上跑出的划分都一致这也是Designer里Random seed的作用stratifyy让每一份里的标签比例与原始数据保持一致。最后的mean对比是最省事的验证方式两边差得超过一两个百分点说明分层没起作用或者类别太稀疏。注意stratify要求每一类至少有两个样本某一类只有1条时sklearn会直接抛ValueError这种数据先考虑合并稀有类或改用分层外的其他策略。4. 计算机视觉与NLP工作负载判定从Face Detect到Analyze Image4.1 认知服务的能力对照拖拽题和热点题里但凡出现该用哪个服务/哪个操作考的都是能力边界。下面这张表基本能覆盖真题#7、#12、#15、#17涉及的操作。服务操作返回内容对应场景FaceDetect人脸框、faceAttributesglasses、headPose等判断照片里是否有人戴墨镜FaceVerify两张脸是否同一人返回confidence身份核验FaceIdentify在PersonGroup中判断这是谁人员识别Computer VisionDescribe Image一句话自然语言描述生成图片说明Computer VisionAnalyze Image标签、类别、颜色、成人内容标记通用图片理解Computer VisionRead / OCR图中文字扫描件取字LanguageSentiment / Key Phrase / NER情绪、关键短语、实体评论分析Anomaly Detector—时序异常点欺诈交易、异常检测4.2 真题#17的判定路径题目要求写出一个筛选规则转发推文照片时只转包含一张或多张人脸且至少一人戴墨镜的图。四个选项里Verify只回答是不是同一个人Describe Image只给自然语言描述Analyze Image给的是通用标签都不能直接拿到是否佩戴眼镜这个结构化属性。答案是BFace服务的Detect操作。Detect的glasses属性取值包括NoGlasses、ReadingGlasses、Sunglasses、ContactLenses判定时直接比对字符串即可不需要自己训模型。import requests ENDPOINT https://your-resource.cognitiveservices.azure.com KEY your-key URL f{ENDPOINT}/face/v1.0/detect params { returnFaceId: false, # 只需属性时关掉减小响应体积 returnFaceAttributes: glasses, # 逗号分隔可追加 headPose,blur,exposure detectionModel: detection_03 # 检测模型版本需与资源区域支持情况一致 } headers {Ocp-Apim-Subscription-Key: KEY, Content-Type: application/octet-stream} with open(photo.jpg, rb) as f: resp requests.post(URL, paramsparams, headersheaders, dataf.read()) for face in resp.json(): print(face[faceAttributes][glasses]) # Sunglasses / NoGlasses ...参数说明returnFaceAttributes决定服务返回哪些属性只取需要的能明显压低延迟returnFaceId设成false可以减少一次内部编号分配Content-Type用octet-stream表示请求体是二进制图片直接传URL的话要改成application/json并包一层{url: ...}。调试时最常见的误判是照片明明有人却返回空数组人脸太小、侧脸角度过大、光照过曝都会导致Detect直接跳过这张脸。这时候先看返回数组长度长度是0说明没检测到属于输入质量问题不是属性判断错误。注意人脸相关能力在Azure上有使用范围方面的要求正式项目落地前先确认你的资源和应用场景是否符合当前的服务条件。4.3 NLP工作负载的题干信号真题#7和#12都是把工作负载类型匹配到场景。文档里给NLP划定的范围包括情绪分析、主题检测、语言检测、关键短语提取和文档分类这几个词只要出现在题干里答案就是自然语言处理。对照着记更快出现识别交易是否欺诈网络入侵模式异常患者聚类检查录入值是Anomaly Detection出现从扫描件里取出文字识别人脸是Computer Vision出现语音转文字文本转语音是Speech。5. 负责任AI六原则与自动化ML可解释性判定5.1 六原则的关键词映射这套原则在110题里出现的频率极高从#4一直散到#19靠感觉选必错。把每个原则的触发词列出来做题时当查表用。原则题干触发词涉及题号Fairness性别、种族、性取向、宗教偏见系统性区别对待#14 #18Reliability and Safety按设计运行、抗操纵、A/B测试、性能衰减后重训#6 #9 #10 #14Privacy and Security保护数据、访问不侵犯隐私、数据使用控制#9 #18 #19Inclusiveness听力/视觉障碍、屏幕阅读器、无障碍、语音转文字#8 #13 #14 #19Transparency可解释、可复现、提供文档、理解特征影响#11 #18 #19Accountability人要对系统负责、治理规范、人类保留最终控制#9真题#14让从六个选项里挑出三条微软的负责任AI原则答案是C inclusiveness、D fairness、F reliability and safety另外三个knowledgeability、decisiveness、opinionatedness是造出来的词。5.2 三个最容易混的原则怎么区分Inclusiveness和Fairness都跟人有关区分点在题干动词出现无障碍障碍残障人士让所有人都能用是inclusiveness出现不歧视不因某属性区别对待偏见是fairness。真题#8讲的是让有听力、视觉等障碍的人也能用上系统答案B inclusiveness真题#13讲智能家居语音识别可能无意中排除特定用户群体答案同样是C inclusiveness。Transparency的判定更简单只要题干里出现决策依据要能解释提供文档可复现理解特征影响就锁定它。真题#18贷款审批要求影响决策的因素可解释答案是A transparency真题#11要求提供文档帮助开发者调试答案是C。5.3 自动化ML里打开可解释性的参数真题#4的场景是用automated ML的可视化界面建模型要求满足透明度原则答案是B Enable Explain best model。另外三个选项都是干扰项Validation type是数据划分方式Primary metric只影响选哪个模型Max concurrent iterations控制并行度三者都跟透明度无关。用SDK v2提交AutoML任务时对应的开关是enable_model_explainability。from azure.ai.ml import automl, MLClient from azure.identity import DefaultAzureCredential ml_client MLClient.from_config(credentialDefaultAzureCredential()) job automl.classification( computecpu-cluster, experiment_nameai900-explain, training_datamy_mltable, # 指向已注册的 MLTable 资产 target_column_namelabel, primary_metricaccuracy, # 只决定选模标准不是透明度开关 enable_model_explainabilityTrue, # 关键参数输出特征重要性 ) ml_client.jobs.create_or_update(job)参数说明enable_model_explainabilityTrue会让每次运行后生成特征重要性能看到每个输入变量对预测值影响的幅度和方向这正是打开黑箱的落地点primary_metric换成accuracy或AUC只改变挑模型的标准不会产出解释结果。跑完之后在运行详情页的Explanations页签里看全局特征重要性如果某个特征权重异常高又跟业务无关通常意味着数据里混进了泄漏字段。6. 用110题做二轮自测错题归因表与批量抽题脚本二轮不要从头刷。第一遍是摸底第二遍只处理错题和当时犹豫但蒙对的题这两类才是真实盲区。6.1 错题归因表的字段设计列名填写方式用途qid原题号回查原始题干tagresponsible-ai / ml-basics / cv / nlp / metrics归类统计盲区分布reason概念混淆 / 读题遗漏 / 术语不认识 / 蒙对判断是知识问题还是习惯问题keyword一句话判定依据下次遇到同类题直接命中doc题干给出的参考链接回到原始文档确认边界按tag统计一遍你会立刻看出自己是计量指标不熟还是负责任AI原则分不清复习方向完全不同。reason里出现大量蒙对的说明第一遍的分数虚高别急着约考。6.2 把题库拆成可检索的索引题干散在一个大文本文件里时先切块再抽题比手动翻页高效得多。import pandas as pd, re raw open(ai900_110.txt, encodingutf-8).read() blocks re.split(r\nQuestion #\d, raw)[1:] # 按题号切块丢掉第一段空白 rows [] for i, b in enumerate(blocks, start1): b re.sub(r\s, , b).strip() m re.search(rCorrect Answer[s]?:?\s*([A-F]), b) rows.append({ qid: i, stem: b[:400], # 前400字符足够判断考点 answer: m.group(1) if m else , # 无标注的题留空后期补 hotspot: HOTSPOT in b, dragdrop: DRAG DROP in b, }) df pd.DataFrame(rows) df.to_csv(ai900_index.csv, indexFalse) print(df[answer].value_counts())逻辑说明正则按Question #数字切块块内用空白归一化方便后续做文本匹配answer字段用非贪婪匹配抓单个到多个选项字母抓不到就留空避免把解释段落里的字母误当成答案。参数说明stem截断长度400是个经验值能覆盖绝大多数题干又不至于把解析混进来hotspot和dragdrop两个布尔列用来筛题型二轮可以只刷热点题。最后一步是抽题策略先手工给每题打一个tag然后按tag分组每组每次只抽10题random_state固定成同一个值这样每天抽到的题集合一致进度可比。练到每题都能说出keyword字段那句话为止说不出来的直接丢回错题表第三天再抽一次——这个说不出来就回炉的规则比刷完110题本身管用得多。本文还有配套的精品资源点击获取