❖ 面试官一句「你介绍一下这个项目」，多少人卡住了 ❖

面试被问到「你介绍一下这个项目」，很多人能一口气讲完业务流程，一到技术细节就卡住。

问题往往不在表达能力，而在选题阶段就埋了雷——题目是自己都没弄清楚的大方向。

这次把三个方向各 15 题，一共 45 个改造过的题目摆出来，外加一条从题目到项目的干活方法。核心判断标准只有一条：

「这个题目，你能不能在被追问三层之后还有话说。」

❀ ✿ ❀ ✿
演示视频

01 · 先定判断标准

大部分人选题时看的是「这个题目好不好做」，很少有人先问「这个题目我能不能讲清楚」。

这两件事的区别很大。好做只意味着流程清楚，但讲清楚需要你真的摸到过它的内核。选题的时候把这两个问题分开问，能省掉后期大量的返工。

判断标准就一条：这个题目，你能不能在被追问三层之后还有话说。

被追问三层指的是什么？第一层问你做了什么，第二层问你为什么这么做，第三层问你如果换个做法会怎样。能答到第三层，答辩和面试基本就稳了。

❀ ✿ ❀ ✿

02 · 网站方向：把普通系统改造成带 AI 的系统

网站类题目最大的问题不是不会做，而是太容易做成增删改查加一个登录页。

这种题目做出来工作量撑不起毕设，面试时也撑不起追问——因为里面没有值得被追问的东西。

改造的思路是统一的：原题目 + 一个 AI 能力 + 一个可量化的业务指标。三个要素齐了，工作量和可讲性自然就起来了。

这一组 15 题覆盖教务、备考、招聘、文博、反诈、作业、体检、二手交易、美食、停车、单车、助老、宠物等场景。举几个例子：

✿ 教务方向：基于 AI 学情诊断的一体化教务与学业质量分析系统的设计与实现——教务系统人人都会做，但挂科预警要有真实数据支撑，亮点在用成绩、选课、出勤行为做预警判定

✿ 招聘方向：基于 AI 简历解析与岗位匹配的智能招聘平台——简历格式乱、岗位匹配靠人肉，亮点在简历结构化解析与匹配打分

✿ 文博方向：基于 AI 语音导览与文物识别的智慧博物馆综合信息管理系统——文物讲解靠人力，亮点在图像识别定位展品并生成讲解词

✿ 反诈方向：基于 AI 诈骗话术识别的反诈宣防与教育一体化平台——反诈知识散、识别滞后，亮点在文本模型识别诈骗话术并预警

✿ 交易方向：基于 AI 智能估价与推荐的二手手机交易平台——定价全靠卖家拍脑袋，亮点在同款历史成交价模型估价与相似机型推荐

注意每个题目的落点都不是「加个 AI 按钮」，而是一个真实痛点加一个能量化的业务指标。这样写出来的系统，答辩时才有东西可讲。

「单纯的增删改查撑不起毕设，也撑不起面试追问。」

❀ ✿ ❀ ✿

03 · 大数据方向：从画图改成预测加模型

大数据题目的通病是做成清洗加画图加词云，工作量和学术含量都偏低。

分水岭在于有没有一个模型和一条明确的预测链路。有模型才有指标可报，有链路才有故事可讲。

统一改造逻辑是：数据来源 + 预测目标 + 树模型 + 一条业务决策。

算法上基础可解释模型优先选树模型——LightGBM、XGBoost、CatBoost 都属于这一类。数据量小也能跑出效果，答辩时解释成本低。

这一组 15 题覆盖电商、房产、招聘、空气质量、交通、医疗、教育、就业、气象、供应链等领域，数据都能从公开渠道拿到。举几个例子：

✿ 电商：基于 LightGBM 的电商商品销量预测与选品决策系统——爆款靠拍脑袋、备货靠经验，亮点在特征工程与分类目销量预测

✿ 二手交易：基于 XGBoost 的二手车价格预测与残值评估系统——定价不准导致成交周期长，亮点在车龄、里程、配置对残值的贡献度分析

✿ 交通：基于 LightGBM 的城市交通流量预测与拥堵预警系统——调度靠经验，亮点在时段流量预测与拥堵分级预警

✿ 教育：基于 LightGBM 的学生学业成绩预测与预警干预系统——挂科事后才发现，亮点在过程性行为特征建模与分级预警

✿ 环境：基于 XGBoost 的城市噪声超标预测与治理优先级系统——治理经费分配靠投诉量，改成噪声源定位与治理优先序排序

留意最后那题的改造逻辑：原来靠投诉量排治理顺序，改成模型算出来的治理优先序。同样的数据，换一个决策目标，学术含量就完全不同。

❀ ✿ ❀ ✿

04 · 深度学习方向：选成熟架构，别自己造轮子

深度学习题目的关键不是模型多新，而是数据能不能找到、指标能不能复现。

统一判断逻辑是四条：有公开数据集 + 有成熟基线 + 指标可量化 + 部署场景说得清。

架构选择上，分类优先 ResNet、EfficientNet、MobileNet，检测优先 YOLO 系列。选成熟架构不是偷懒，是因为答辩时你能把每一步都解释清楚。

这一组 15 题覆盖医疗、工业、交通、农业、纺织、安防等场景。举几个例子：

✿ 医疗：基于 ResNet50 的脑肿瘤 MRI 图像分类与识别系统的设计与实现——影像初筛依赖医生经验，亮点在四分类任务与热力图可解释性展示

✿ 工业：基于改进 YOLO 的工业裂缝缺陷检测算法研究——产线质检依赖抽检，亮点在细小裂缝召回率提升

✿ 工地安全：基于 RT-DETR-L 的建筑工地个人防护装备合规性检测与缺失识别系统——安全检查靠现场巡查，亮点在实时检测框架下的多类装备合规判定

✿ 农业：基于 MobileNet 的小麦叶病害识别系统——病害发现滞后导致减产，亮点在轻量化模型的低算力部署

✿ 安防：基于 CRNN 与 CNN 的网页验证码数字识别与滑块验证系统——传统字符分割易失败，亮点在端到端识别免手工切分

判断一个深度学习题目好不好，问三个问题就行：公开数据集在哪、基线指标是多少、部署在什么设备上。三个都答得上来，这题就稳了。

❀ ✿ ❀ ✿

05 · 从题目到项目：四步干活法

前面给了 45 个题，但真正难的是从题目走到项目。这四步是可以直接照着做的。

第一步，先定数据再定题目。

把「我手上有哪份数据」写在题目之前。没有公开数据的题目，无论多好看都要换。 这一步顺序反了，后面全是白干。

第二步，先写一页纸的技术方案。

数据从哪来、模型选什么、指标多少、最后出什么结论。写不出来就说明还没想清楚，而这个时候改题的成本是最低的。

第三步，先跑通一个最小闭环。

再小的模型也要先把数据进、结果出、指标算跑通，再谈调优。这一步决定了后期会不会卡死——很多人是模型调了半天，最后发现数据根本没读对。

第四步，把过程沉淀成可追问的素材。

数据处理、特征设计、失败尝试、指标对比都要留记录。面试被追问三层还能答上来，靠的就是这层记录。

❀ ✿ ❀ ✿

06 · 三句话收尾

第一句，题目选得对，比做得漂亮更重要。 题目决定你能走多远，也决定你能讲多深。

第二句，AI 能力加真实痛点，是最容易讲出细节的组合。 这个组合当下最吃香，因为它同时解决了「工作量不够」和「讲不深」两个问题。

第三句，从今天开始，先把手上那份数据找出来。 数据在哪，题目就在哪。

「先定数据，再定题目。」

❀ ✿ ❀ ✿

45 个题目都在这儿
三个方向各 15 题，视频里逐题讲了亮点在哪、改动在哪。如果你正卡在选题阶段，可以对着清单挑一个最贴近自己数据基础的，先跑通最小闭环再说。

觉得有用的话，欢迎关注，后续会继续更新各方向的选题拆解。