第19章 · 应用 AI · 阶段测试题答案¶
一 · 单选 (8 题)¶
1.1 B - XGBoost 是风控主流。
1.2 A - GNN 适合团伙欺诈。
1.3 C - AlphaFold 2 CASP14 GDT 92.4。
1.4 A - RFdiffusion 是蛋白质设计。
1.5 B - 分子指纹 (ECFP) 表征分子。
1.6 C - SWE-Agent 修 GitHub Issue。
1.7 A - Med-PaLM 医学 LLM。
1.8 B - Sakana AI Scientist 自动科研。
二 · 多选 (4 题)¶
2.1 ABD - 都是金融 AI 场景。
2.2 ABC - 都是药物发现阶段。
2.3 ABD - 都是 AI Scientist 平台。
2.4 ABC - 蛋白质 AI 任务。
三 · 简答 (5 题)¶
3.1 信用风控关键挑战¶
- 数据不平衡: 违约 3% → SMOTE / Focal Loss
- 概念漂移: PSI 监控, 周期性重训
- 解释性: SHAP / LIME (监管)
- 公平: 性别 / 种族无偏
3.2 GNN 风控¶
构图: 用户 - 设备 - IP - 卡号 优势: 捕获团伙欺诈 (多账户共用设备) 模型: GAT / GraphSAGE / HAN
3.3 AlphaFold 2 核心¶
架构: Evoformer (MSA + 配对) + Structure Module 性能: CASP14 GDT 92.4 (实验级) 影响: 缩短靶点发现从 5 年 → 几周
3.4 药物发现 5 阶段¶
Target (靶点) → Hit (苗头) → Lead (先导) → Optimize (优化) → Candidate (候选) 传统耗时: 2 年 + 2 年 + 3 年 + 2 年 + 临床 5+ 年
3.5 AI Scientist 5 阶段¶
- Sakana AI Scientist v1 → v3 - Google AI Co-Scientist - Coscientist (化学实验)四 · 编程 (2 题)¶
4.1 XGBoost 信用评分¶
import xgboost as xgb
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
model = xgb.XGBClassifier(
n_estimators=100, max_depth=4, learning_rate=0.1,
scale_pos_weight=10, # 不平衡
)
model.fit(X_train, y_train)
print(f"AUC: {model.score(X_test, y_test)}")