软件测试

任课老师：WXH，形式：开卷（中文试卷，可携带中文书籍）
复习建议：由于是开卷考，不需要过早复习，建议考前照着上课的PPT复习，大致有个概念即可，考试时需要重点看看 每章的课后习题 ，照着书抄就稳辣！！！

题型分布

名词解释（20分 5 x 2）共5题，每题4分
填空题（20分 4 x 5）共4题，每题5分
是非题（20分 5 x 4）共5题，每题4分
简答题（20分 2 x 10）共2题，每题10分
案例分析题（20分） 共1题，两小问

名词解释

（1）配置测试
（2）杀虫剂困境
（3）确认
（4）等价类划分
（5）静态测试

填空

（1）一个等价类或者等价划分是指测试 相同目标 或者暴露 相同软件缺陷 的 一组测试用例
（2）动态白盒 测试是结构化测试
（3）旧打印机没有通过新测试，这就是 配置 缺陷
（4）使用探索测试时，如果没有产品说明书就使用 软件 作为产品说明书

是非题

（1）软件都需要向前兼容或者向后兼容
（2）我们应该完全测试一个软件
（3）可靠性是软件质量的一方面
（4）优秀的测试员坚持不懈地追求完美
（5）在设计和执行测试用例时，总是首先进行通过性测试

简答题

（1）三种代码覆盖中，哪一种最好？为什么？
（2）下面的产品说明段落是否错误，为什么？
当用户选择 Compact Memory 选项时，程序将使用 Huffman 解析矩阵方法压缩邮件列表数据至最小

案例分析题

案例：迪士尼狮子王（课本P2）
（1）请分析事件发生的本质是什么？（5分）
（2）如果你是软件测试人员，你会怎么做？（10分）为什么？（5分）

嵌入式

机器学习

任课老师：DL + WYR，形式：一页开卷
复习建议：考察概念偏多，对于公式推导要求不高

题型分布

简单看看就好，每年题型与分数占比也不会一模一样
选择（40分 20 x 2）共20题，每题2分
填空题（24分）每空2分
简答题（18分 3 x 6）共3题，每题6分
计算题（18分 2 x 9）共2题，每题9分

选择题

学习通章节测验可以看看

填空题

1-7) 阅读线性回归代码，补全其中部分核心代码内容

# 模型训练  
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.1)  # 数据集划分  
linear = LinearRegression()  # 模型实例化  
# 注意：逻辑回归在这里不适用，因为这是一个回归问题  
linear.fit(x_train, y_train)  # 模型训练（拟合）  
# 绘制图像：显示模型输出与真实结果，观察拟合程度  
y_train_pred = linear.predict(x_train)  
plt.plot([i for i in range(len(y_train_pred))], y_train_pred, label='model label')  
plt.plot([i for i in range(len(y_train))], y_train, label='true label')  
plt.legend(loc='best')  
plt.xlabel('id')  
plt.ylabel('value')  
plt.title('Train result')  
plt.show()  
# 测试集上的均方误差与模型参数  
y_test_pred = linear.predict(x_test)  
mse = mean_squared_error(y_test_pred, y_test)  
print(f"Mean Squared Error: {mse}")  
print(f"Model Coefficients: {linear.coef_}")

本次代码基本上就是线性回归实验中的内容，大概挖去了LinearRegression()、fit()、predict()、以及mean_squared_error中的参数之类的需要填写（复习的时候可以把各个实验代码再看看，保不齐考了呢 ？！）
8) 将低维数据映射到高维空间的是 （）
9) 以决策树作为基学习器的集成学习算法是（）
10) 对于一个二分类问题，类别划分为1的样本数为200，划分为-1的样本数为800，预测结果全是类别-1，则准确率为（）
11) 给定数据集有 n 个样本 , 在满足样本间距离的前提下 , 最少将其分成 k 个簇的算法是（）

简答题

1. 什么是多级前馈神经网络模型？简述其网络结构以及功能
2. 什么是贝叶斯分类器？有何局限性？
3. 什么是决策树？工作原理是怎样的？

计算题

学习通章节测验好好做的话应该问题不大
1）决策树，计算信息熵以及信息增益进行特征选择
2）K-means算法，计算迭代过程

编译原理

任课老师：XZJ，形式：闭卷

题型分布

简单看看就好，每年题型与分数占比也不会一模一样
判断题（20分 20 x 1）共20题，每题1分
选择题（30分 15 x 2）共15题，每题2分
计算题（16分）共3题
简答题（34分）共3题

判断题

考察一些概念，可能需要好好看书（看完书本的概念后可以找些网上的题刷）

选择题

考察一些概念，可能需要好好看书（看完书本的概念后可以找些网上的题刷）

计算题

1. 最左推导，画出语法树，写出短语、直接短语、句柄 （3分）
2. DFA（要求最小化）以j开头，jkj结尾（仅包含j、k）（10分）祖传题目。。。
3. 给定中缀表达式，要求写出语法树、后缀式、三地址码（3分）

简答题

（1）LL(1)语法分析 （15分）

1. 将给定文法产生式进行消除左递归、消除回溯
2. 求出所有非终结符的FIRST集、FOLLOW集
3. 给出LL(1)预测分析表

（2）LR(0)分析 （15分）

1. 求出项目集规范族（在识别活前缀DFA情况下）
2. 写出所有识别活前缀DFA
3. 写出对应LR(0)分析，判断是否为LL(1)文法

（3）属性文法分析 （4分）
见课本第六章练习五的第一小题

大数据处理技术

任课老师：XY，形式：闭卷
据说下一届之后课程内容会调整（怪不得今年出题这么水。。。感觉跟上一届题目差不多）

题型分布

以后题型不好说，反正今年是这样的
填空题（12分）每空1分
选择题（32分 16 x 2）共16题，每题2分
简答题（24分 6 x 4）共6题，每题4分
程序题（32分 16 x 2）共2题，每题16分

填空题

（1）Spark架构组成：Cluster Manager、Driver、Worker Node、Executor
（2）NoSQL数据库的四种类型：键值、文档、列族、图
（3）RDD的两种操作类型：转换与行为
（4）BASE理论是指：基本可用、软状态、最终一致

选择题

难度不大，考前把PPT过一遍基本就行

简答题

1）简述NoSQL中的CAP理论
2）MapReduce的shuffle流程
3）解释以下RDD操作的含义：
count()、collect()、first()、flatMap(func)、reduceByKey()、forEach(func)
4）简述HDFS使用块的好处
5）说明HDFS中块副本的存放策略
6）HBase的三个层次及其作用

程序题

1）在伪分布式hadoop环境下，使用Java代码编写HDFS读写 /test.txt文件内容程序
2）使用Java代码编写MapReduce中WordCount案例的map函数以及reduce函数（题目中会给出map函数以及reduce函数的参数列表）