2026重庆数字资源集团有限公司“数智新雁”人工智能菁英招募20人笔试历年常考点试题专练附带答案详解

2026重庆数字资源集团有限公司“数智新雁”人工智能菁英招募20人笔试历年常考点试题专练附带答案详解一、选择题从给出的选项中选择正确答案（共50题）1、在Python编程语言中，下列哪个关键字用于定义一个函数？

A.function

B.def

C.define

D.func2、在人工智能领域，以下哪种技术不属于深度学习的主流架构？A.卷积神经网络(CNN)B.循环神经网络(RNN)C.支持向量机(SVM)D.Transformer3、在Python中，若要实现一个列表的逆序排列，最高效且常用的内置方法是？A.使用for循环手动交换元素B.调用列表对象的reverse()方法C.使用sorted()函数并设置reverse=TrueD.使用slice切片操作[::-1]4、在自然语言处理（NLP）任务中，用于衡量预测概率分布与真实分布之间差异的常用损失函数是？A.均方误差(MSE)B.交叉熵损失(Cross-EntropyLoss)C.绝对误差(MAE)D.HingeLoss5、关于大数据处理框架Hadoop的核心组件MapReduce，其主要设计目的是？A.实时流数据处理B.分布式存储海量数据C.大规模数据集的并行运算D.关系型数据库管理6、在机器学习模型评估中，若正样本极少，以下哪个指标比准确率（Accuracy）更能反映模型性能？A.精确率(Precision)B.F1-ScoreC.ROC曲线下的面积(AUC)D.召回率(Recall)7、在自然语言处理（NLP）领域，Transformer架构的核心机制是什么？A.循环神经网络（RNN）B.长短期记忆网络（LSTM）C.自注意力机制（Self-Attention）D.卷积神经网络（CNN）8、下列哪种算法属于无监督学习中的聚类算法？A.线性回归B.K-MeansC.决策树D.支持向量机（SVM）9、在深度学习模型训练中，为了防止过拟合，下列哪种方法最有效？A.增加模型复杂度B.减少训练数据C.引入DropoutD.增大学习率10、Python中，用于处理结构化数据的常用库是？A.NumPyB.PandasC.MatplotlibD.TensorFlow11、关于大语言模型（LLM）的微调（Fine-tuning），下列说法正确的是？A.仅修改输出层参数B.在特定领域数据上继续训练预训练模型C.从头训练一个新模型D.不需要任何训练数据12、在人工智能领域，深度学习模型训练过程中，梯度消失现象主要发生在哪种网络结构中？A.卷积神经网络（CNN）B.长短期记忆网络（LSTM）C.深层全连接神经网络D.生成对抗网络（GAN）13、自然语言处理中，用于解决词义消歧问题的经典统计学习方法是？A.朴素贝叶斯分类器B.决策树C.支持向量机D.隐马尔可夫模型14、计算机视觉中，YOLO系列算法的核心优势在于？A.极高的检测精度B.极快的推理速度C.无需标注数据D.支持3D点云处理15、在强化学习中，Q-learning算法属于哪一类方法？A.基于模型的方法B.无模型（Model-free）方法C.策略梯度方法D.模仿学习16、大数据处理框架Hadoop的核心组件HDFS的主要功能是？A.资源调度与管理B.分布式存储C.数据清洗D.实时计算17、在人工智能模型训练过程中，为了防止模型在训练集上表现优异但在测试集上表现不佳（即过拟合），以下哪种方法通常不被视为有效的正则化手段？A.Dropout（丢弃法）B.增加训练数据量C.增加模型层数D.L2正则化18、在自然语言处理（NLP）中，Transformer架构的核心机制是什么，使其能够捕捉长距离依赖关系？A.循环神经网络（RNN）B.卷积神经网络（CNN）C.自注意力机制（Self-Attention）D.生成对抗网络（GAN）19、在机器学习分类任务中，若正负样本比例严重失衡（如99:1），直接使用准确率（Accuracy）作为评估指标的主要缺陷是什么？A.计算复杂度高B.对多数类过度敏感，忽略少数类表现C.无法处理非线性数据D.需要大量标注数据20、梯度消失问题是深度神经网络训练中的常见挑战，以下哪种激活函数最能有效缓解这一问题？A.SigmoidB.TanhC.ReLU（RectifiedLinearUnit）D.Softmax21、在推荐系统中，协同过滤（CollaborativeFiltering）主要依赖什么信息进行预测？A.用户和物品的属性内容B.用户与物品的交互历史数据C.物品的物理特征D.用户的地理位置信息22、在人工智能领域，深度学习模型通常依赖大量标注数据进行训练。以下哪种技术主要用于解决标注数据稀缺的问题？A.强化学习B.迁移学习C.无监督学习D.监督学习23、自然语言处理（NLP）中，Transformer架构的核心机制是：A.循环神经网络B.卷积神经网络C.自注意力机制D.长短期记忆网络24、在计算机视觉任务中，YOLO（YouOnlyLookOnce）系列算法的主要优势在于：A.极高的检测精度B.实时检测速度C.无需训练即可工作D.仅适用于静态图像25、以下关于人工智能伦理的说法，错误的是：A.算法偏见可能导致歧视性结果B.数据隐私保护是AI伦理的重要方面C.AI决策过程必须完全透明不可解释D.自动驾驶事故责任归属是伦理难题26、在机器学习预处理中，标准化（Standardization）与归一化（Normalization）的主要区别在于：A.标准化将数据缩放到[0,1]区间B.归一化减去均值除以标准差C.标准化假设数据服从正态分布D.两者没有任何区别27、在人工智能领域，深度学习模型训练过程中，为了防止过拟合并提高模型泛化能力，常采用哪种技术随机丢弃部分神经元？A.梯度下降B.批量归一化C.DropoutD.激活函数28、自然语言处理中，用于将文本转化为高维向量表示，以捕捉语义信息的常用模型架构是？A.决策树B.卷积神经网络C.TransformerD.支持向量机29、在机器学习数据预处理阶段，对数值型特征进行标准化（Standardization）的主要目的是？A.消除缺失值B.将数据缩放到固定范围C.使数据服从均值为0、方差为1的分布D.增加数据维度30、计算机视觉任务中，YOLO（YouOnlyLookOnce）算法的核心特点是什么？A.两阶段检测B.单阶段实时检测C.仅用于图像分类D.基于区域提议31、在强化学习中，Agent通过与环境交互获得奖励信号，其主要目标是最大化什么？A.即时奖励B.累积折扣奖励C.动作频率D.状态数量32、在人工智能领域，深度学习模型训练过程中，若出现梯度消失现象，下列哪种激活函数最常用于缓解该问题？A.Sigmoid函数B.Tanh函数C.ReLU函数D.Softmax函数33、关于自然语言处理（NLP）中的Transformer架构，其核心机制是：A.循环神经网络（RNN）B.卷积神经网络（CNN）C.自注意力机制（Self-Attention）D.生成对抗网络（GAN）34、在机器学习分类任务中，用于评估模型在各类别上召回能力（即查全率）的指标是：A.精确率（Precision）B.召回率（Recall）C.准确率（Accuracy）D.F1分数35、下列哪种技术不属于数据增强（DataAugmentation）的常用方法？A.图像旋转与翻转B.添加高斯噪声C.模型剪枝D.随机裁剪36、在强化学习中，Agent通过试错与环境的交互来学习最优策略，其核心要素不包括：A.状态（State）B.动作（Action）C.奖励（Reward）D.标签（Label）37、在人工智能领域，深度学习模型训练过程中，若出现“过拟合”现象，下列哪种方法**不**适合用于缓解？

A.增加训练数据的多样性

B.引入正则化项（如L1/L2正则化）

C.减少神经网络的层数或节点数

D.增加模型在训练集上的参数数量38、在Python语言中，下列哪个关键字用于定义一个函数？

A.function

B.def

C.define

D.func39、在数据库事务处理中，ACID特性指的是原子性、一致性、隔离性和什么？

A.持久性

B.可用性

C.一致性

D.隔离性40、以下哪种数据结构遵循“后进先出”（LIFO）原则？

A.队列（Queue）

B.栈（Stack）

C.链表（LinkedList）

D.树（Tree）41、在机器学习分类任务中，下列哪种算法不属于监督学习？

A.决策树

B.K近邻（KNN）

C.K均值聚类（K-Means）

D.支持向量机（SVM）42、HTTP协议中，表示“服务器内部错误”的状态码是？

A.200

B.404

C.500

D.30143、在人工智能领域，以下哪项技术不属于自然语言处理（NLP）的核心任务？

A.机器翻译

B.情感分析

C.图像识别

D.命名实体识别44、在机器学习模型评估中，若数据集存在严重类别不平衡，以下哪个指标最能反映模型对少数类的识别能力？

A.准确率（Accuracy）

B.精确率（Precision）

C.召回率（Recall）

D.均方误差（MSE）A.准确率（Accuracy）B.精确率（Precision）C.召回率（Recall）D.均方误差（MSE）45、Transformer架构中，自注意力机制（Self-Attention）的主要作用是：

A.降低模型参数量

B.捕捉序列中任意两个位置之间的依赖关系

C.防止梯度消失

D.加速数据预处理A.降低模型参数量B.捕捉序列中任意两个位置之间的依赖关系C.防止梯度消失D.加速数据预处理46、在深度学习训练中，Dropout正则化技术的主要目的是：

A.提高训练速度

B.防止模型过拟合

C.增加模型复杂度

D.标准化输入数据A.提高训练速度B.防止模型过拟合C.增加模型复杂度D.标准化输入数据47、以下哪种算法属于无监督学习算法？

A.线性回归

B.支持向量机（SVM）

C.K-Means聚类

D.决策树A.线性回归B.支持向量机（SVM）C.K-Means聚类D.决策树48、在人工智能领域，深度学习模型训练过程中，若出现梯度消失现象，最可能的原因是？A.激活函数使用了ReLUB.网络层数过深且使用Sigmoid/Tanh激活函数C.学习率设置过大D.批量归一化（BatchNormalization）49、自然语言处理（NLP）中，Transformer架构的核心机制是？A.循环神经网络（RNN）B.长短期记忆网络（LSTM）C.自注意力机制（Self-Attention）D.卷积神经网络（CNN）50、在机器学习分类任务中，用于处理类别不平衡数据的最常用技术是？A.增加模型层数B.过采样少数类或欠采样多数类C.减少特征数量D.使用线性回归

参考答案及解析1.【参考答案】B【解析】在Python中，`def`是定义函数的关键字，后跟函数名和括号。`function`、`define`和`func`均不是Python定义函数的标准关键字。这是Python语法的基础考点，考生需熟练掌握基本语法结构。2.【参考答案】C【解析】支持向量机（SVM）是一种传统的机器学习算法，主要用于分类和回归分析，属于浅层学习模型。而卷积神经网络（CNN）擅长处理图像数据，循环神经网络（RNN）用于序列数据处理，Transformer则是基于自注意力机制的大模型基础架构，三者均属于深度学习的核心架构。因此，SVM不属于深度学习主流架构。3.【参考答案】B【解析】虽然切片操作[::-1]和sorted()也能实现逆序，但reverse()方法是列表对象的原地操作方法，直接修改原列表，时间复杂度为O(n)，且无需额外创建新对象，内存效率最高。手动交换逻辑复杂且效率低。sorted()会返回新列表，开销较大。因此，对于仅要求逆序且允许修改原列表的场景，reverse()是最直接高效的方式。4.【参考答案】B【解析】交叉熵损失函数广泛应用于分类任务，特别是当输出为概率分布时。它能有效衡量两个概率分布之间的差异，对错误预测给予更大的惩罚，从而加速模型收敛。均方误差和绝对误差通常用于回归任务，HingeLoss主要用于支持向量机。因此，在NLP分类任务中，交叉熵是标准选择。5.【参考答案】C【解析】Hadoop由HDFS（分布式存储）和MapReduce（分布式计算）组成。MapReduce的核心思想是将复杂的大规模数据处理任务分解为“Map”（映射）和“Reduce”（归约）两个阶段，在集群中进行并行计算，以提高处理效率。实时流处理通常使用Storm或Flink，分布式存储由HDFS负责，关系型管理由SQL数据库负责。6.【参考答案】B【解析】当数据不平衡时，准确率会产生误导。F1-Score是精确率和召回率的调和平均数，综合考虑了模型的查准率和查全率，能更全面地评估模型在不平衡数据下的表现。虽然AUC也能反映整体性能，但F1-Score在特定阈值下更直观地平衡了假阳性和假阴性。仅看精确率或召回率都过于片面。7.【参考答案】C【解析】Transformer模型彻底摒弃了传统的循环和卷积结构，完全基于注意力机制。自注意力机制允许模型在处理序列中的每个词时，都能关注到序列中的所有其他词，从而捕捉长距离依赖关系。这一机制极大地提升了并行计算能力，解决了RNN/LSTM在处理长序列时的梯度消失和计算效率低的问题，是当前大语言模型（LLM）的基石。8.【参考答案】B【解析】无监督学习旨在从未标记数据中发现隐藏结构。K-Means是最经典的聚类算法，通过迭代将数据划分为K个簇，使得簇内数据点相似度高，簇间相似度低。线性回归、决策树和支持向量机（SVM）均需要标记数据进行训练，属于监督学习范畴，用于预测或分类任务，因此不符合题意。9.【参考答案】C【解析】过拟合是指模型在训练集上表现良好但在测试集上表现较差，通常因模型过于复杂或数据不足引起。Dropout通过在训练过程中随机“丢弃”一部分神经元，强制网络学习更鲁棒的特征，有效防止神经元共适应，从而缓解过拟合。增加模型复杂度和减少数据会加剧过拟合；增大学习率可能导致训练不稳定，而非直接解决过拟合。10.【参考答案】B【解析】Pandas是Python中用于数据分析的核心库，提供了DataFrame数据结构，擅长处理表格型数据，支持数据清洗、转换和分析。NumPy主要用于高维数组计算；Matplotlib用于数据可视化；TensorFlow是深度学习框架。虽然NumPy也处理数据，但Pandas在结构化数据（如CSV、Excel）的操作上更为专用和强大。11.【参考答案】B【解析】微调是指在预训练模型的基础上，使用特定领域的高质量数据继续进行训练，以调整模型参数，使其更好地适应特定任务或领域知识。它不同于从头训练（成本高），也不同于仅修改输出层（迁移学习的一种简易形式，但微调通常涉及更多层参数的更新）。微调需要领域数据，且能显著提升模型在垂直领域的表现。12.【参考答案】C【解析】梯度消失问题在深层全连接神经网络中尤为常见。随着网络层数加深，反向传播时梯度通过链式法则连乘，若激活函数导数小于1，梯度会指数级衰减，导致浅层权重几乎不更新。LSTM通过门控机制缓解此问题，CNN利用局部连接和池化减少参数量，GAN则侧重于对抗训练。解决深层网络梯度消失的常用技术包括使用ReLU等非线性激活函数、BatchNormalization（批归一化）以及残差连接（ResNet），这些方法能有效保持梯度在反向传播过程中的稳定性，确保模型收敛。13.【参考答案】A【解析】朴素贝叶斯分类器基于贝叶斯定理，假设特征之间条件独立，计算效率高且在文本分类、词义消歧等任务中表现优异。虽然支持向量机和决策树也可用于分类，但朴素贝叶斯在处理高维稀疏文本数据时具有天然优势。隐马尔可夫模型主要用于序列标注，如词性标注。在早期NLP中，朴素贝叶斯因其对短文本和上下文依赖处理的简洁性，常被作为词义消歧的基础基线模型，尤其在结合上下文特征时，能有效区分多义词在不同语境下的含义。14.【参考答案】B【解析】YOLO（YouOnlyLookOnce）将目标检测转化为回归问题，一次性预测边界框和类别概率，实现了端到端的检测。其核心优势在于推理速度快，适合实时应用场景，如视频流分析和自动驾驶。相比之下，R-CNN系列算法虽然精度更高，但推理速度较慢。YOLO并不依赖无监督学习，仍需标注数据；虽然后续版本支持多尺度特征融合，但3D点云处理并非其原始核心设计。因此，在需要平衡速度与精度的实时系统中，YOLO因其单阶段检测架构而备受青睐。15.【参考答案】B【解析】Q-learning是一种经典的无模型、离策略（Off-policy）强化学习算法。它不依赖环境动态模型，直接通过状态-动作值函数（Q函数）来学习最优策略。通过与环境交互获取奖励，利用贝尔曼方程更新Q值，逐步逼近最优动作价值。基于模型的方法需要预先了解状态转移概率，策略梯度方法直接优化参数化策略，而模仿学习则依赖专家演示数据。Q-learning因其无需环境模型且能收敛于最优策略的特性，成为强化学习入门和经典应用的重要基石。16.【参考答案】B【解析】HDFS（HadoopDistributedFileSystem）是Hadoop的核心分布式存储系统，负责在集群节点上存储大规模数据集，提供高吞吐量的数据访问。资源调度与管理由YARN组件负责；数据清洗通常由MapReduce、Spark或Flink等计算框架完成；实时计算则更多依赖SparkStreaming或Flink。HDFS通过将大文件分块存储并冗余备份，确保了数据的可靠性和容错性，是构建大数据仓库和分析平台的基础设施，为上层计算引擎提供稳定的数据源支持。17.【参考答案】C【解析】过拟合是指模型过于复杂，记住了训练数据的噪声而非通用规律。Dropout通过随机屏蔽神经元防止共适应，L2正则化限制权重大小，增加数据量提高泛化能力，均为有效手段。增加模型层数会提升模型复杂度，若无其他约束，反而更容易导致过拟合，因此不属于防止过拟合的正则化手段。18.【参考答案】C【解析】Transformer摒弃了传统的循环结构，核心在于自注意力机制。该机制允许序列中的每个位置关注序列中的所有其他位置，计算相关性权重，从而直接建模任意两个词之间的距离关系，有效解决了传统RNN难以捕捉长距离依赖的问题，并支持并行计算。19.【参考答案】B【解析】在样本极度不平衡时，模型若将所有样本预测为多数类，准确率依然极高（如99%），但这毫无意义。准确率无法反映模型对少数类（关键类别）的识别能力，因此常需结合精确率、召回率或F1值等指标进行综合评估。20.【参考答案】C【解析】Sigmoid和Tanh在输入值较大或较小时，梯度趋近于0，导致反向传播时梯度连乘后消失。ReLU在正区间梯度恒为1，有效避免了梯度衰减，使深层网络得以有效训练。Softmax主要用于多分类输出层，不直接解决深层梯度问题。21.【参考答案】B【解析】协同过滤的核心思想是“物以类聚，人以群类”，它不依赖物品或用户的具体内容属性，而是基于用户过去的行为记录（如评分、点击）来发现用户之间或物品之间的相似性，从而进行推荐。基于内容的推荐才依赖属性信息。22.【参考答案】B【解析】迁移学习旨在利用已学习到的知识（源领域）来帮助解决新任务（目标领域），特别适用于目标领域数据不足的情况。强化学习侧重于通过试错获取奖励最大化，无监督学习处理未标注数据但通常用于聚类或降维，监督学习则强依赖大量标注数据。因此，迁移学习是解决标注数据稀缺的有效策略，符合当前AI发展中对高效数据利用的需求。23.【参考答案】C【解析】Transformer模型彻底摒弃了传统的循环和卷积结构，核心创新在于自注意力机制（Self-Attention）。该机制允许模型在处理序列中的每个词时，关注序列中所有其他词，从而捕捉长距离依赖关系并实现高度并行化计算。RNN和LSTM是前代主流序列模型，CNN主要用于图像或局部特征提取。自注意力机制使得Transformer在大语言模型中表现出卓越的性能。24.【参考答案】B【解析】YOLO是一系列单阶段目标检测算法，其最大特点是速度快，能够实现实时检测。它将目标检测视为回归问题，直接从图像像素映射到边界框和类别概率。虽然早期版本在精度上略逊于两阶段算法（如FasterR-CNN），但通过后续版本迭代，其在保持高帧率的同时精度也大幅提升。它并非无需训练，且适用于视频流等动态场景。25.【参考答案】C【解析】算法偏见、数据隐私和责任归属确实是AI伦理的核心议题。然而，并非所有AI决策过程都必须“完全透明不可解释”。虽然“可解释性AI”（XAI）致力于提高模型透明度，但在某些复杂场景下，完全透明的黑盒模型也可能被使用，关键在于权衡性能与可解释性。伦理要求的是负责任地使用AI，而非绝对的技术透明，需结合具体应用场景评估风险与收益。26.【参考答案】C【解析】标准化（Z-scorenormalization）是将数据转换为均值为0、标准差为1的分布，它基于数据的统计特性，假设数据大致服从正态分布。而归一化（Min-MaxScaling）通常是将数据线性缩放到[0,1]或其他指定区间，对异常值较为敏感。两者目的都是消除量纲影响，但处理方式和适用场景不同。标准化更适用于大多数基于距离或梯度的算法。27.【参考答案】C【解析】Dropout（随机失活）是一种在训练过程中随机忽略部分神经元的技术。通过这种方式，可以避免神经元之间的共适应现象，迫使网络学习更鲁棒的特征，从而有效防止过拟合，提升模型在未见数据上的泛化性能。梯度下降用于优化参数，批量归一化用于加速收敛，激活函数用于引入非线性，均非直接用于随机丢弃神经元。28.【参考答案】C【解析】Transformer架构通过自注意力机制（Self-Attention）能够并行处理序列数据，有效捕捉长距离依赖关系，是目前Bert、GPT等主流NLP模型的基础。决策树和SVM属于传统机器学习算法，CNN主要用于图像处理，虽也可用于NLP但不如Transformer在语义理解上表现卓越。29.【参考答案】C【解析】标准化通过减去均值并除以标准差，将数据转换为标准正态分布形式（均值为0，方差为1）。这有助于消除不同特征量纲的影响，加速梯度下降等优化算法的收敛速度，特别适用于基于距离的算法（如KNN、SVM）。归一化（Normalization）才是将数据缩放到固定范围（如0-1）。30.【参考答案】B【解析】YOLO是一种单阶段（One-stage）目标检测算法，它将目标检测问题转化为回归问题，直接从图像像素到边界框坐标和类别概率，无需像R-CNN系列那样先生成区域提议。其最大优势是速度快，适合实时检测场景。两阶段和区域提议是FasterR-CNN等算法的特点。31.【参考答案】B【解析】强化学习的核心目标是让智能体（Agent）学会在长期行动中做出最优决策。因此，优化的目标函数通常是累积折扣奖励（CumulativeDiscountedReward），即未来所有奖励的加权和，其中折扣因子确保近期奖励权重更高，同时保证无穷时间步下的奖励总和收敛。仅最大化即时奖励会导致短视行为。32.【参考答案】C【解析】梯度消失是深层网络训练中的常见难题。Sigmoid和Tanh函数在输入值较大或较小时，其导数趋近于0，导致反向传播时梯度层层衰减。ReLU（线性整流单元）在正区间导数恒为1，有效避免了梯度消失，加速收敛，因此成为深度学习中最常用的激活函数之一。Softmax主要用于多分类输出层，不解决隐藏层的梯度问题。33.【参考答案】C【解析】Transformer架构完全摒弃了传统的循环和卷积结构，核心在于自注意力机制。该机制允许模型在处理序列数据时，直接计算序列中任意两个位置之间的相关性，从而捕捉长距离依赖关系。相比RNN，Transformer具备并行计算优势，训练效率更高，是目前大语言模型（LLM）的基石。34.【参考答案】B【解析】召回率衡量的是所有真实正样本中，被模型正确预测为正样本的比例，即“查全率”。精确率关注的是预测为正样本中有多少是真正的正样本（“查准率”）。准确率是整体预测正确的比例。F1分数是精确率和召回率的调和平均数，用于综合评估。当关注漏报成本较高时（如疾病检测），召回率更为关键。35.【参考答案】C【解析】数据增强旨在通过变换原始数据来增加训练集的多样性和规模，防止过拟合。图像旋转、翻转、添加噪声和随机裁剪均是对输入数据的变换。而模型剪枝是一种模型压缩技术，通过移除神经网络中不重要的连接或节点来减少参数量和计算量，属于模型优化范畴，而非数据层面的增强。36.【参考答案】D【解析】强化学习的三大核心要素是状态、动作和奖励。Agent根据当前状态选择动作，环境反馈新的状态和奖励信号，Agent据此更新策略以最大化长期累积奖励。标签（Label）是监督学习中的概念，用于直接指导模型输出，而强化学习依赖稀疏的奖励信号进行隐式指导，不依赖预先标注的数据。37.【参考答案】D【解析】过拟合是指模型在训练集上表现很好，但在测试集上表现较差，即模型过于复杂，记住了噪声而非规律。缓解过拟合的常见方法包括：增加数据量及多样性（A）、使用正则化限制参数大小（B）、简化模型结构如减少层数或节点（C）。而增加参数数量会提升模型复杂度，加剧过拟合风险，故D为错误做法，符合题意。38.【参考答案】B【解析】在Python中，使用`def`关键字来定义函数。例如：`defmy_function():`。`function`是JavaScript等语言中常用的关键字；`define`常用于宏定义或PHP中定义常量；`func`不是Python的关键字。掌握Python基础语法是编程入门的关键，`def`后接函数名和括号，括号内可包含参数，冒号结尾，后续缩进部分为函数体。这是Python与其他许多语言在函数定义上的显著区别，需重点记忆。39.【参考答案】A【解析】ACID是数据库事务正确执行的四个基本要素：原子性（Atomicity）确保事务要么全部完成，要么全部不完成；一致性（Consistency）确保事务前后数据状态一致；隔离性（Isolation）确保并发事务互不干扰；持久性（Durability）确保事务一旦提交，对数据的修改是永久性的，即使系统故障也不会丢失。选项B“可用性”通常指系统服务能力，不属于ACID范畴。理解ACID有助于设计高可靠性的数据存储系统。40.【参考答案】B【解析】栈（Stack）是一种线性数据结构，遵循后进先出（LIFO）原则，即最后插入的元素最先被删除。常见的操作包括压栈（push）和弹栈（pop）。队列（Queue）遵循先进先出（FIFO）原则；链表和树则是更通用的数据组织形式，不严格遵循LIFO或FIFO。栈广泛应用于函数调用管理、表达式求值和回溯算法中，是计算机基础的核心概念之一。41.【参考答案】C【解析】监督学习需要带标签的数据进行训练。决策树、KNN和SVM均属于监督学习算法，用于分类或回归。K均值聚类（K-Means）是一种无监督学习算法，用于将数据划分为不同的簇，不需要预先知道数据的标签。区分监督与无监督学习是理解机器学习基础的关键，前者重在预测，后者重在发现数据内在结构。42.【参考答案】C【解析】HTTP状态码用于指示请求结果。200表示成功；404表示资源未找到；301表示永久重定向；500表示服务器内部错误，通常由代码异常或配置问题引起。掌握常见状态码有助于快速定位Web开