Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Course Outline
Module 1: Εισαγωγή στην Τεχνητή Νοημοσύνη για QA
- Τι είναι η Τεχνητή Νοημοσύνη;
- Machine Learning vs Deep Learning vs Συστήματα βασισμένα σε κανόνες
- Η εξέλιξη του δοκιμαστικού λογισμικού με ΤΝ
- Κλειδαρχικά πλεονεκτήματα και πρόβλημα της ΤΝ στο QA
Module 2: Δεδομένα και βασικά ML για δοκιμαστές
- Συνειδητοποίηση των εμπεριστατικών vs ανέμπειρων δεδομένων
- Παρατηρήσεις, ετικέτες και δείγματα συνόλων για τροφοδότηση
- Επίβλεψη και ανέμπειρη μάθηση
- Εισαγωγή στην αξιολόγηση μοντέλου (καθυστέρηση, εφεκτικότητα, αποδοχή κ.ά.)
- Πραγματικά δείγματα QA συνόλων
Module 3: ΤΝ Use Cases για QA
- Γενίκευση περιπτώσεων δοκιμασίας με ΤΝ
- Πρόβλεψη λάθων χρησιμοποιώντας ML
- Στοχοθέτηση δοκιμάσεων και τεχνική πρόσληψης κινδύνου
- Πιστοποίηση με υπολογιστική ορατότητα
- Ανάλυση και ανίχνευση ανωμαλιών
- Ανάλυση φυσικής γλωσσικής επεξεργασίας (NLP) για περιγραφές δοκιμών
Module 4: Οράτων ΤΝ για QA
- Επίσημη προβολή τεχνητών νοημοσυνών QA πλατφόρμες
- Χρήση διοπτικών βιβλιοθηκών (e.g., Python, Scikit-learn, TensorFlow, Keras) για QA πρωτότυπα
- Εισαγωγή στους LLMs στην αυτόματη δοκιμασία
- Κατασκευή απλών μοντέλων ΤΝ για πρόβλεψη αποτυχημένων δοκιμάσεων
Module 5: Ενσωμάτωση της ΤΝ σε QA διαδικασίες
- Αξιολόγηση της έτοιμα είναι για QA διαδικασίες
- Συνεχή ενσωμάτωση και ΤΝ: πώς να αποκρύψεις τη λογική στους CI/CD δέλτα
- Σχεδιασμός έξυπνων συνόλων δοκιμών
- Διαχείριση του πτώσης μοντέλων ΤΝ και κυκλών επιμόρφωσης
- Αξιοθέτηση τεχνητής δοκιμασίας εργαλείων που θυμίζουν
Module 6: Δοκιμαστής Εργαστηριακά και Capstone Project
- Εργαστήριο 1: Αυτόματη γενίκευση περιπτώσεων δοκιμάσεως με την ΤΝ
- Εργαστήριο 2: Σχεδιάστε μοντέλο πρόβλεψης λάθων χρησιμοποιώντας ιστορικά δείγματα
- Εργαστήριο 3: Χρησιμοποίησε μια LLM για να αξιολογήσεις και βελτιώσει περιγραφές δοκιμάσεων
- Capstone: Τελική εφαρμογή μιας δοκιμαστικής παραγωγικότητας
Requirements
Οι συμμετέχοντες πρέπει να έχουν:
- 2+ χρόνιες εμπειρία σε θέσεις δοκιμής λογισμικών/QA
- Εξοικείωση με εργαλεία αυτόματης δοκιμής (π.χ., Selenium, JUnit, Cypress)
- Βασική γνώση προγραμματισμού (προτιμότερα σε Python ή JavaScript)
- Εμπειρία με εργαλεία διαχείρισης έκδοσης και CI/CD (π.χ., Git, Jenkins)
- Δεν απαιτούνται προηγούμενες εμπειρίες σε AI/ML, αλλά η καuriότητα και η διαθέσιμότητα για πειραματικότητα είναι απαραίτητες
21 Hours
Testimonials (5)
Μέθοδος διδασκαλίας
Negritu - OMNIASIG VIENNA INSURANCE GROUP S.A.
Course - SoapUI for API Testing
Machine Translated
Απόλαυσα τα πάντα καθώς είναι όλα καινούργια για μένα και μπορώ να δω την προστιθέμενη αξία που μπορεί να έχει στη δουλειά μου.
Zareef - BMW South Africa
Course - Tosca: Model-Based Testing for Complex Systems
Machine Translated
Πολύ γενική παρουσίαση του θέματος που περιλάμβανε όλες τις απαιτούμενες γνώσεις με τρόπους που είναι συμβατοί με τη γνώση του κурсού.
James Hurburgh - Queensland Police Service
Course - SpecFlow: Implementing BDD for .NET
Machine Translated
Ήταν εύκολο να το καταλάβεις και να το εφαρμόσεις.
Thomas Young - Canadian Food Inspection Agency
Course - Robot Framework: Keyword Driven Acceptance Testing
Machine Translated
Ποσότητα εργασιών με πρακτική εφαρμογή.
Jakub Wasikowski - riskmethods sp. z o.o
Course - API Testing with Postman
Machine Translated
