时长：180分钟（3小时）
分值：100分，5道综合大题
评分：全自动评分（客观题）
特点：每道题围绕一个生活化或自然现象的科学情境（如：智能浇水、垃圾分类、运动手环数据、天气预测等），融合人工智能基础知识。
| 能力维度 | 具体要求 | 通俗理解 |
|---|---|---|
| 科学基础 | 掌握初中科学课标核心知识（物理、化学、生物、地理） | 能看懂实验数据表，会做基本科学计算 |
| AI思维 | 理解机器学习的基本思想和流程 | 知道机器怎么“学习”，能分辨“分类”和“回归” |
| 编程基础 | 能读懂极简单的Python代码片段，能补全关键词 | 像搭积木一样，把正确的词填到正确的位置 |
| 题型 | 特点 | 策略 |
|---|---|---|
| 单选题 | 4选1，概念或简单计算 | 排除明显错误的，科学部分根据自己已经掌握的常识 |
| 多选题 | 选对得分，错选0分，少选得部分分 | 不确定的选项坚决不选！ 保底拿部分分 |
| 填空题 | 数值、逻辑符号、极简代码关键词 | 注意单位、大小写、拼写（会给常见选项提示） |
特别提醒：填空题中的代码部分，不会让你写一整行，通常是补一个函数名或变量名，如
model.______()，选项会给出fit，predict，score等让你选或填。
以下列出高频考点，必须熟练掌握。
| 知识点 | 核心公式/概念 | 常见考题形式 |
|---|---|---|
| 欧姆定律 | U = I × R（电压=电流×电阻） | 已知两个量求第三个，单位换算（mA→A） |
| 电功率 | P = U × I | 计算灯泡功率，比较亮度 |
| 速度 | v = s / t | 计算运动快慢，读速度-时间图 |
| 力与运动 | 重力 G = m × g（g=9.8或10），二力平衡 | 计算物体重量，判断受力情况 |
| 功和功率 | W = F × s， P = W / t | 计算做功多少，功率大小 |
| 能量转化 | 机械能、电能、内能之间的转化 | 判断能量形式的变化 |
| 知识点 | 核心内容 | 常见考题形式 |
|---|---|---|
| 化学式 | H₂O, CO₂, NaCl等常见物质的化学式 | 判断化学式书写是否正确 |
| 化学方程式 | 配平、反应类型（化合/分解/置换） | 判断反应物和生成物 |
| 质量守恒 | 反应前后总质量不变 | 计算某物质的质量 |
| 溶液浓度 | 质量分数 = 溶质质量 / 溶液质量 × 100% | 计算糖水浓度、盐水浓度 |
| 知识点 | 核心内容 | 常见考题形式 |
|---|---|---|
| 光合作用 | 公式：CO₂ + H₂O → 有机物 + O₂ | 影响因素（光、CO₂浓度）与产量关系 |
| 呼吸作用 | 有机物 + O₂ → CO₂ + H₂O + 能量 | 判断释放CO₂的条件 |
| 生态系统 | 食物链、种群数量变化 | 读种群数量曲线，判断捕食关系 |
| 遗传初步 | 显性/隐性性状（如豌豆实验） | 判断后代性状比例 |
| 知识点 | 要求 | 与AI的关联 |
|---|---|---|
| 四则运算与比例 | 熟练计算 | 数据预处理中的归一化基础 |
| 平均数、中位数 | 会计算，理解含义 | 数据特征的基础统计 |
| 坐标系与图表 | 能读折线图、柱状图、散点图 | 数据可视化，观察趋势 |
| 简单方程 | 一元一次方程 | 科学公式计算 |
把机器学习想象成一个学生在学习做题：
| 人类学习 | 机器学习 |
|---|---|
| 老师给很多例题和答案 | 给模型训练数据（特征 + 标签） |
| 学生总结规律 | 模型训练，找到规律 |
| 学生做新题 | 模型预测新数据 |
| 老师批改，学生订正 | 用测试集评估模型准确率 |
| 任务类型 | 预测结果是什么？ | 初中生生活例子 |
|---|---|---|
| 分类 | 类别（是/否，A/B/C） | • 判断明天下雨/不下雨 • 识别图片中是猫还是狗 • 判断患者有病/没病 |
| 回归 | 数值（具体数字） | • 预测明天温度多少度 • 估算房价多少钱 • 预测考试成绩几分 |
快速判断技巧：问自己“答案是一个词还是一个数？”
一个词（类别） → 分类
一个数（数值） → 回归
| 术语 | 做饭类比 | 科学问题中的例子 |
|---|---|---|
| 特征 | 食材（面粉、鸡蛋、糖） | 预测天气的特征：温度、湿度、风速 |
| 标签 | 最终菜品（蛋糕好吃/不好吃） | 天气的标签：下雨/不下雨 |
| 训练集 | 练习用的食材和成品 | 过去一年的天气数据（已知结果） |
| 测试集 | 考试时给的新食材 | 未来一周的天气数据（未知结果） |
| 模型 | 菜谱（烹饪方法） | 决策树、K近邻（知道名字即可） |
| 准确率 | 做对的比例 | 100次预测中正确了多少次 |
text
xxxxxxxxxx1. 收集数据 → 2. 准备数据（处理缺失值） → 3. 选择特征 → 4. 训练模型 → 5. 评估模型 → 6. 使用模型
核心三步（必须记住的固定写法）：
python
x# 第4步：训练模型model.fit(X_train, y_train)# 第5步：预测predictions = model.predict(X_test)# 第6步：评估（计算准确率）accuracy = model.score(X_test, y_test)
不需要会写完整程序！只需要认识这些关键词，能填空。
| 代码片段 | 含义 | 常见填空 |
|---|---|---|
import pandas as pd | 导入数据处理库 | 补充 pandas 或 pd |
data = pd.read_csv('file.csv') | 读取数据文件 | 补充 read_csv |
X = data[['特征1', '特征2']] | 选择特征列 | 补充特征名 |
y = data['标签列'] | 选择标签列 | 补充标签列名 |
from sklearn.model_selection import train_test_split | 导入划分函数 | 补充 train_test_split |
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) | 划分数据集（80%训练，20%测试） | 补充 0.2 或 20% |
model = DecisionTreeClassifier() | 创建决策树分类器 | 补充 DecisionTreeClassifier |
model.fit(X_train, y_train) | 训练 | 补充 fit |
model.predict(X_test) | 预测 | 补充 predict |
model.score(X_test, y_test) | 计算准确率 | 补充 score |
重要：考试中这些词会出现在选项或提示中，你需要做的是认出来并选对，不是默写！
科学背景：某植物需要自动浇水。传感器测得土壤湿度（%）、温度（℃）、光照强度（lux）。系统根据数据判断是否需要浇水。
数据表（训练数据）：
| 土壤湿度(%) | 温度(℃) | 光照(lux) | 是否需要浇水 |
|---|---|---|---|
| 15 | 28 | 800 | 是 |
| 45 | 22 | 300 | 否 |
| 20 | 30 | 900 | 是 |
| 60 | 20 | 200 | 否 |
题目：已知欧姆定律公式 U = I × R。某湿度传感器在湿度30%时电阻为2kΩ，电路电压为5V，求电流是多少mA？
解题步骤：
I = U / R = 5V / 2000Ω = 0.0025A
换算成mA：0.0025 × 1000 = 2.5mA
答案：2.5（注意单位要求，若要求填A则填0.0025）
题目：判断是否需要浇水，这是机器学习中的__问题。
分析：答案是“是”或“否”，是一个类别。
答案：分类
题目：以下哪些可以作为预测是否需要浇水的特征？（多选） A. 土壤湿度 B. 温度 C. 光照强度 D. 花盆颜色
分析：A、B、C都会影响植物是否需要水；D是无关信息。
答案：A、B、C（少选得部分分，选D扣分）
题目：请补全以下训练模型的代码。
python
xxxxxxxxxxfrom sklearn.tree import DecisionTreeClassifiermodel = _________________()model.fit(X_train, y_train)
答案：DecisionTreeClassifier（注意大小写，选项会给出）
题目：模型在测试集上预测了20个样本，其中18个正确，2个错误。模型的准确率是多少？
分析：准确率 = 正确数 / 总数 = 18 / 20 = 0.9 = 90%
答案：0.9 或 90%（按题目要求的格式）
科学课本：以上提到的科学课程的核心公式（写在一张纸上，考前看一遍）
AI词汇卡：以下词汇必须能认出来：
分类 / 回归
特征 / 标签
训练集 / 测试集
模型 / 准确率
fit / predict / score
单位换算表：记住常见换算（mA↔A， g↔kg， cm↔m， ℃↔K不要求）
读图练习：找几张折线图、柱状图，练习“看图说话”（趋势是什么？最大值最小值？）
代码填空模拟：把上面“3.5节”的代码遮住右边的答案，自己口头填空
选择题策略：做一套模拟题，练习“不确定的不选”的保分策略
先易后难：遇到看不懂的科学背景（比如复杂的电路图），先跳过，做后面的AI基础题。
多选题保底：只选100%确定的选项，拿到部分分就是胜利。
检查填空题：重点检查单位（数值后面有没有要求写单位？）、拼写（Python大小写敏感）。
不要空题：单选题随便选一个也有25%的概率；填空题即使不确定，也要填一个最可能的（如分类问题填“分类”）。
| 失分原因 | 正确做法 |
|---|---|
| 单位没换算 | 看题目给的数字单位，与公式要求的单位是否一致 |
| 代码大小写写错 | Python中 fit 不等于 Fit， predict 不等于 Predict |
| 多选题多选了不确定项 | 只选100%确定的，宁缺毋滥 |
| 分类/回归判断反了 | 记住：结果是“是/否”或“类别名”→分类；结果是“数字”→回归 |
| 科学计算粗心 | 算两遍，或用另一种方法验算（如逆运算） |
| 特征选了无关变量 | 问自己：这个变量会影响结果吗？不会就不选 |
最后的话：
同学们，这是首届人工智能测试，所以老师完全有理由相信，它不会特别难，即便难也是大家都难，所以平常心对待，大家拼的就是平时的积累和临时应变的能力。科学部分是你们学过的，AI部分考的是“翻译”——把生活中的问题翻译成机器学习的语言。
记住三个关键词：分类 vs 回归、fit vs predict、特征 vs 标签。掌握了这些，你们就已经赢了一半。
相信自己，细心答题，你们一定可以的！加油！