企业官网建设流程全解析

简介：这份资源是面向准备参加微软 AI-900 认证考试的考生整理的备考资料，聚焦人工智能基础概念、机器学习工作流与 Azure AI 服务相关考点，适合零基础入门者以及希望系统刷题、查漏补缺的转行或在校学习者使用。压缩包内共 1 个 PDF 文件，约 17.65MB，内容以 ExamTopics 风格的考试题集为主，逐题给出题干、选项、正确答案与社区投票分布，并附带官方文档引用链接，便于边做题边追溯知识点来源。题目覆盖业务价值评估、训练集与评估集划分、混淆矩阵指标（如真阳性、假阴性）解读、自动化机器学习中的模型可解释性与负责任 AI 原则等核心模块，能让读者直观感受考试出题角度与答题逻辑。目前该资源已有 363 人学习下载，可作为 AI-900 冲刺阶段的自测与复盘材料，帮助快速定位薄弱环节并熟悉英文题干表述。

1. AI-900 备考里，ExamTopics 的 PDF 题库到底该怎么用

AI-900 _ ExamTopics认证考试.pdf这个文件名本身就是一条很典型的备考路径：从 ExamTopics 这类题库站点拿到 AI-900 的题目合集，存成 PDF，然后指望在 PDF 阅读器里从头翻到尾就能过。翻完的人大多有同一个体感——题看着都眼熟，真到考场上问「哪个 Azure 服务负责关键短语提取」，脑子里还是一片模糊。

问题不在题源，在载体。PDF 是给人眼看的线性文档，不是给复习流程用的结构。AI-900 是 Azure AI Fundamentals 这一档的考试，考的是 AI 工作负载与负责任 AI、机器学习基础、计算机视觉、自然语言处理、生成式 AI 这五块的判断能力，选项之间差异极小，靠翻页记住的是「位置感」，不是「知识点」。

我一般的做法是把这份 PDF 当数据源而不是读物：pdf 解析成结构化题库，按考试域打标签，再进模拟考试与错题回流。适合已经决定考 AI-900、手上有题库 PDF、并且愿意写几十行 Python 的人。

2. 用 pdfplumber 把 ExamTopics 的 AI-900 PDF 解析成结构化题库

这一步的目标只有一个：把一份几百页、排版不统一的 PDF，变成一份每道题都有题干、选项、答案、解释字段的 JSON。做完这一步，后面所有统计、抽题、错题本才有落脚点。

2.1 先摸清 AI-900 题库 PDF 的排版规律，再决定解析工具

ExamTopics 系的题库 PDF 大致有这些固定元素：页眉页脚（站点名、Topic 编号、社区投票区）、题号（Question #12或12.）、选项（A./A)/ 带方框的列表）、答案行（Answer: A或Correct Answer: A, C多选）、解释段（Explanation）、参考链接（Reference）。脏数据主要来自四类：跨页断题、行尾连字符换行、选项被排成两列、页眉混进正文。

工具选型上，别一上来就找在线 pdf 工具箱或者 pdf 转 word，那类方案零代码但不可复现，处理不了几百页还要重跑的场景。常见做法是主用 pdfplumber 抽词级坐标，PyMuPDF 兜底渲染扫描页。

2.2 最小可跑：pdfplumber 抽取全文与词级坐标

先建环境，确认能读通页数和词坐标，再写解析逻辑。切忌一上来就写正则，先看数据长什么样。

python -m venv .venv source .venv/bin/activate # Windows 用 .venv\Scripts\activate pip install pdfplumber pyyaml python - <<'PY' import pdfplumber src = "AI-900 _ ExamTopics认证考试.pdf" with pdfplumber.open(src) as pdf: print("总页数:", len(pdf.pages)) # 先确认页数，顺便统计文件规模 page = pdf.pages[0] words = page.extract_words() # 词级对象：text + 坐标 for w in words[:8]: print(round(w["top"], 1), round(w["x0"], 1), w["text"]) PY

extract_words()返回的每个词都带top和x0。判断是否双列排版，看同一页里x0是否明显分成两簇；还原阅读顺序时按top升序、x0升序排序，比直接extract_text()可靠得多。如果某页是扫描图，extract_words()会返回空列表，这类页要单独走 OCR 分支（见第 5 章）。几百页的文件按页 yield，不要一次把全文拼成一个大字符串，内存和调试成本都受不了。

2.3 用状态机把题干、选项、答案切干净

正则只负责识别行的类型，切题靠状态机。每个题号开启一个新的 Question 对象，之后的行按「当前处于题干段、选项段还是解释段」决定归属。

import re from dataclasses import dataclass, field QUESTION_RE = re.compile(r"^\s*(?:Question|QUESTION)\s*#?\s*(\d{1,4})\b", re.I) OPTION_RE = re.compile(r"^\s*([A-F])[\.\)、]\s+(.+?)\s*$") ANSWER_RE = re.compile(r"^\s*(?:Correct\s+)?Answer\s*[:：]\s*([A-F](?:\s*[,/]\s*[A-F])*)", re.I) NOISE_RE = re.compile(r"^(?:ExamTopics|Topic\s*\d+|Community\s*vote|Highly\s*Voted|Reference)", re.I) @dataclass class Question: number: int stem: str = "" options: dict = field(default_factory=dict) answers: list = field(default_factory=list) explanation: str = "" def parse_questions(lines): qs, cur, last_opt = [], None, None for raw in lines: line = raw.strip() if not line or NOISE_RE.match(line): # 页眉页脚先清掉 continue m = QUESTION_RE.match(line) if m: if cur: qs.append(cur) cur, last_opt = Question(number=int(m.group(1))), None continue if cur is None: continue m = ANSWER_RE.match(line) if m: cur.answers = [a.strip() for a in re.split(r"[,/]", m.group(1))] last_opt = None # 进入解释段 continue m = OPTION_RE.match(line) if m: last_opt = m.group(1) cur.options[last_opt] = m.group(2) continue if cur.answers: # 答案之后的行都属于解释 cur.explanation += line + " " elif last_opt: cur.options[last_opt] += " " + line # 选项的续行 else: cur.stem += line + " " # 题干的续行 if cur: qs.append(cur) return qs

几个必须踩过的坑。第一，ANSWER_RE一定要带行首锚点^，否则解释段里出现的 "the answer: read the image" 会被误判成答案行。第二，选项续行的归属靠last_opt判断，但如果 PDF 把解释排在选项之前，这个逻辑会把解释吞进最后一个选项，解决办法是给状态机加一个phase字段，一旦命中Answer:就锁死不再接受新选项。第三，多选答案的分隔符在不同版本里可能是逗号、斜杠或空格，re.split的字符集要放宽。

2.4 解析完必须做的三项校验

不校验就直接刷题，最后记的可能是一份错位题库。三项指标卡住，问题基本都能暴露。

def audit(qs): nums = sorted(q.number for q in qs) span = nums[-1] - nums[0] + 1 if nums else 0 print("题数:", len(qs), "题号跨度:", span, "连续性:", round(len(qs) / max(span, 1), 3)) print("选项完整:", round(sum(1 for q in qs if len(q.options) >= 4) / max(len(qs), 1), 3)) print("答案覆盖:", round(sum(1 for q in qs if q.answers) / max(len(qs), 1), 3)) print("解释覆盖:", round(sum(1 for q in qs if q.explanation) / max(len(qs), 1), 3))

连续性低于 0.98，说明漏题，去查页眉页脚附近那几页；答案覆盖率不是 1.0，基本可以断定是Answer:与字母被排版拆开，把ANSWER_RE改成分两行匹配即可。

3. 给 AI-900 题目打标签：按考试域权重建一套可统计的题库

结构化之后，题库还是一盘散沙。要让它指导复习，必须给每道题打上考试域标签，否则你永远不知道自己的薄弱环节是计算机视觉还是 NLP。

3.1 AI-900 的考试域权重与关键词信号表

下面这张表里的权重区间来自公开的考试大纲，考前请以官方最新 Study Guide 为准；关键词列是我自己积累的信号词，用来做规则打标。

3.2 规则打标还是分类模型：为什么先规则

很多人第一反应是拿一个分类模型甚至大模型来打标。可行，但不该是第一步。规则打标的优势在于可解释、可回归测试、零调用成本，而且题库更新时你只需要往 YAML 里加几个关键词，不用重新标注数据。

我的顺序是：先用规则覆盖 80% 以上的题，把置信度低的挑出来人工过一遍，人工判断的结果再写回规则文件，形成「规则即标注」的循环。只有当低置信度比例长期高于 20%，才值得考虑引入语义分类。

3.3 打标脚本：must / any 双阈值与置信度回捞

把规则写成 YAML，题目文本统一转小写后做匹配。must是强信号，命中才给基础分；any是弱信号，每命中一个加一分。

import yaml RULES = yaml.safe_load(""" - domain: ml_fundamentals must: ["machine learning"] any: ["regression", "classification", "clustering", "feature", "label", "designer", "automl"] - domain: computer_vision must: [] any: ["custom vision", "face", "ocr", "read api", "image classification", "object detection"] - domain: nlp must: [] any: ["key phrase", "sentiment", "entity", "luis", "qna", "speech", "translation"] - domain: generative_ai must: [] any: ["openai", "prompt", "token", "grounding", "dall", "copilot"] - domain: ai_workload must: [] any: ["responsible", "fairness", "inclusiveness", "transparency", "workload"] """) def score(q, rule): text = (q.stem + " " + " ".join(q.options.values()) + " " + q.explanation).lower() must_hit = sum(1 for k in rule["must"] if k in text) any_hit = sum(1 for k in rule["any"] if k in text) return 2.0 * must_hit + any_hit # 强信号权重是弱信号的两倍 def label(q, rules): scored = sorted(((score(q, r), r["domain"]) for r in rules), key=lambda x: -x[0]) (s1, d1), (s2, _) = scored[0], scored[1] conf = s1 / (s1 + s2 + 1e-6) # 第一名占比越高越可信 return d1, round(conf, 3) def split_by_confidence(qs, rules, threshold=0.6): high, low = [], [] for q in qs: domain, conf = label(q, rules) (high if conf >= threshold else low).append((q, domain, conf)) return high, low

threshold是我最常调的参数：调到 0.75 以上，人工复核的题变少但漏标变多；调到 0.5，低置信度队列会爆炸。0.6 是个能兼顾的起点。score里把 explanation 也算进文本，是因为解释里往往直接点名了服务名，比题干更有信息量。

3.4 用 SQL 统计各域错题率，定位复习盲区

题库和答题记录落到 SQLite 之后，用一条 SQL 就能看出该补哪块，而不是按大纲顺序从第一章背起。

SELECT domain, COUNT(*) AS total, SUM(CASE WHEN wrong_count > 0 THEN 1 ELSE 0 END) AS wrong_total, ROUND(1.0 * SUM(CASE WHEN wrong_count > 0 THEN 1 ELSE 0 END) / COUNT(*), 3) AS wrong_rate FROM questions GROUP BY domain ORDER BY wrong_rate DESC;

wrong_rate排在最前面的域，就是下一次复习的起点。注意到COUNT(*)用的是题目总数而不是答题次数，这样不同域的样本量差异才不会让比例失真。如果某个域的总题数不到 30，比例波动会很大，这时把窗口拉长到最近三轮模拟再算一次更稳。

4. 从结构化题库到模拟考试：抽题、计时、错题回流

有了标签，就可以组装一套按权重分布、可重复的模拟卷。这一步的关键不是抽题算法有多复杂，而是参数要贴近真实考试，并且每次结果可对比。

4.1 按权重抽题的模拟考试脚本

import random from collections import defaultdict WEIGHTS = { "ai_workload": 0.175, "ml_fundamentals": 0.225, "computer_vision": 0.175, "nlp": 0.175, "generative_ai": 0.175, } def build_paper(questions, weights=WEIGHTS, total=45, seed=42): rng = random.Random(seed) # 固定种子，同一套卷可复现 buckets = defaultdict(list) for q in questions: buckets[q["domain"]].append(q) paper = [] for domain, w in weights.items(): n = round(total * w) # 按权重换算该域题量 pool = buckets[domain][:] rng.shuffle(pool) paper += pool[:min(n, len(pool))] if len(paper) < total: # 题量不足时从最大域回填 rest = [q for q in questions if q not in paper] rng.shuffle(rest) paper += rest[:total - len(paper)] rng.shuffle(paper) # 打散域顺序，避免同域连出 return paper[:total]

seed固定意味着每次生成的卷子完全一致，方便你对比「上周做这套错了 12 题，这周错了 7 题」。total对齐真实题量区间。回填逻辑是为了防止某个域题量太少导致整卷题数缩水，q not in paper在题目对象不多时开销可以接受，量大时换成 id 集合更合适。

4.2 题量、时长、及格线、复习间隔的参数怎么定

计时不要用手机秒表，直接把开始时间写进结果文件，交卷时算差值，避免中途暂停造成的数据失真。

4.3 错题回流 Anki 与 Markdown 输出

错题只记在脑子里等于没记。导出成 Anki 卡片的 CSV，比截图存相册靠谱得多。

import csv def to_anki_csv(questions, path="ai900_wrong.csv"): # Anki 导入用制表符分隔最稳，选项里的逗号不会破坏列 with open(path, "w", newline="", encoding="utf-8") as f: writer = csv.writer(f, delimiter="\t") for q in questions: front = q["stem"] + "\n" + "\n".join(f'{k}. {v}' for k, v in q["options"].items()) back = f'答案：{",".join(q["answers"])}\n\n{q["explanation"]}' writer.writerow([front, back, q["domain"]]) # 第三列映射为 Anki 标签 def to_markdown(questions, path="ai900_wrong.md"): with open(path, "w", encoding="utf-8") as f: for q in questions: f.write(f'### Q{q["number"]} · {q["domain"]}\n\n{q["stem"]}\n\n') for k, v in q["options"].items(): f.write(f'- {k}. {v}\n') f.write(f'\n> 答案：{",".join(q["answers"])}\n\n')

制表符分隔是刻意的选择：题干里带逗号和引号的情况极多，逗号分隔的 CSV 在 Anki 导入时会大面积错列。Markdown 版本则是给打印和做 PDF 用的，标题里带域标签，翻页时能一眼看出这是哪一块的题。

4.4 中文对照、pdf 翻译与 pdf 转 word 在复习里的正确用法

非英语母语的备考者常想用 pdf 翻译工具把整份题库转成中文。我的建议是只翻解释段，题干和选项保留原文。原因是 AI-900 的题干关键词本身就是考点，比如 grounding、token 这类词一旦被机翻成「接地」「令牌」，你在考场上看到原词反而反应不过来。

如果 PDF 排版实在太乱，可以先用 pdf 转 word 做一次人工校对，把错位的选项调回来，再回到 Python 流水线里重跑解析。这条路径比在解析脚本里硬凑正则要省时间，但要记住：word 只是校对中间产物，最终数据源仍然是结构化的 JSON 或 SQLite，别让手工修改的文档变成唯一副本。

5. 进阶：扫描版题库的歪斜纠偏、Markdown 转 PDF 与解析验证

到这一步，题库已经是可统计的数据了。剩下的问题集中在两类：PDF 本身质量差，以及怎么验证你的解析结果没跑偏。

5.1 扫描版题库的歪斜校正纠偏与 OCR 前处理

有些题库 PDF 是扫描件，extract_words()返回空列表，必须走 OCR。OCR 前先做歪斜校正纠偏，字符错误率会明显下降。

import cv2 import numpy as np img = cv2.imread("page_012.png", cv2.IMREAD_GRAYSCALE) # Otsu 二值化后取前景像素，用最小外接矩形估算倾斜角 _, bw = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU) coords = np.column_stack(np.where(bw > 0)) angle = cv2.minAreaRect(coords)[-1] angle = -(90 + angle) if angle < -45 else -angle if abs(angle) > 1.0: # 小角度不值得转，转了反而更糊 h, w = img.shape M = cv2.getRotationMatrix2D((w // 2, h // 2), angle, 1.0) img = cv2.warpAffine(img, M, (w, h), flags=cv2.INTER_CUBIC, borderMode=cv2.BORDER_REPLICATE) cv2.imwrite("page_012_fixed.png", img)

abs(angle) > 1.0这个门槛是有意加的：亚像素级的倾斜 OCR 引擎自己能处理，强行旋转引入的插值模糊反而会伤害识别率。borderMode用BORDER_REPLICATE是为了不让旋转后的黑边被当成文字块。

5.2 用 pandoc 把错题 Markdown 转成带中文字体的 PDF

第 4 章导出的 Markdown 如果想打印，用 pandoc 走 XeLaTeX 通道，中文字体必须显式指定，否则中文会整段丢失。

pandoc ai900_wrong.md -o ai900_wrong.pdf \ --pdf-engine=xelatex \ -V CJKmainfont="Noto Sans CJK SC" \ -V geometry:margin=2cm \ -V fontsize=10pt

习惯在编辑器里完成的，用 VSCode 的 Markdown PDF 插件也能一键转，区别是插件走 Chromium 渲染，代码块换行和表格宽度更接近浏览器效果，而 pandoc 走 LaTeX，长表格会自动分页。两种都行，选一种固定下来，别每次换工具导致排版对比失效。

5.3 解析正确率的抽样验证方法

最后一步别省。随机抽 20 道题，把 JSON 里的题干、选项、答案、解释四项和 PDF 原文逐条对照，重点核对多选答案的字母顺序和解释的归属。这一轮抽样如果发现超过 2 道有问题，说明不是偶发，回头检查ANSWER_RE和选项续行归属的逻辑，而不是手工改这 20 条。每次题库换版本，重跑一遍第 2.4 节的audit()，四项指标全部达标再进复习流程。

本文还有配套的精品资源，点击获取