Εξέλιξη Κομματιού
Μονάδα 1: Εισαγωγή στην AI για τη Δοκιμολογία
- Τι είναι η Τεχνητή Νοημοσύνη;
- Μηχανική μάθηση vs βαθιά μάθηση vs συστήματα που βασίζονται σε κανόνες
- Η εξέλιξη της δοκιμολογίας λογισμικού με AI
- Κύριε όφελη και προκλήσεις της AI στη δοκιμολογία
Μονάδα 2: Βασικές γνώσεις δεδομένων και ML για τους Δοκιματές
- Κατανόηση δομεμένων vs αδομεμένων δεδομένων
- Χαρακτηριστικά, ετικέτες και σύνολα δεδομένων εκπαίδευσης
- Επιβλεπόμενη και μη-επιβλεπόμενη μάθηση
- Παρουσίαση εκτίμησης μοντέλων (ακρίβεια, πάθος, αναδρομή κλπ.)
- Πραγματικά δεδομένα QA
Μονάδα 3: Εφαρμογές AI στη Δοκιμολογία
- Γενική γέννηση περιπτώσεων δοκιμής με τη συμβολή της AI
- Πρόβλεψη παρατυπωμάτων χρησιμοποιώντας ML
- Προτεραιοτήτα δοκιμής και δοκιμολογία βασισμένη στην αξιολόγηση κινδύνου
- Οπτική δοκιμολογία με την εργαστηριακή όραση
- Ανάλυση και ανίχνευση απωλειών από δεδομένα λογαριασμών
- Εκτήξη φυσικής γλώσσας (NLP) για τους σενάρια δοκιμής
Μονάδα 4: Εργαλεία AI για τη Δοκιμολογία
- Γενική παρουσίαση επιτυχημένων πλατφόρμων QA
- Χρήση ανοιχτών κώδικα βιβλιοθηκών (π.χ., Python, Scikit-learn, TensorFlow, Keras) για τυποποιημένες δοκιμολογίες QA
- Εισαγωγή στα μεγάλα μοντέλα γλώσσας (LLMs) στη δοκιμολογία
- Κατασκευή ενός απλού μοντέλου AI για την πρόβλεψη αποτυχιών δοκιμής
Μονάδα 5: Ενσωμάτωση AI στις ρούτες Δοκιμολογίας
- Αξιολόγηση της προσοχής στην AI για τις διαδικασίες QA
- Συνεχόμενη ολοκλήρωση και AI: πώς να ενσωματώσετε την αυτομάτη υποστήριξη στους διαδίκτυους ρούτες CI/CD
- Σχεδιασμός ενσωματωμένων συνόλων δοκιμής
- Διαχείριση παρακλίνδου μοντέλων AI και των κύκλων επανάφορας
- Ηθικές συνειδητοποίησεις στη δοκιμολογία με την υποστήριξη AI
Μονάδα 6: Πρακτικές εργαστηριακές δραστηριότητες και Περιφερειακή πρόχειρη συμπίεση
- Εργαστήριο 1: Αυτομάτη γέννηση περιπτώσεων δοκιμής με τη συμβολή της AI
- Εργαστήριο 2: Κατασκευή ενός μοντέλου πρόβλεψης παρατυπωμάτων χρησιμοποιώντας τα ιστορικά δεδομένα δοκιμής
- Εργαστήριο 3: Χρήση μεγάλου μοντέλου γλώσσας (LLM) για την αναθεώρηση και βελτίωση των σεναρίων δοκιμής
- Περιφερειακή: Συνολική υλοποίηση ενός πλήρους διαδικασίας δοκιμολογίας με τη συμβολή της AI
Απαιτήσεις
Οι συμμετέχοντες αναμένεται να έχουν:
- 2+ χρόνια εμπειρία στη δοκιμολογία λογισμικού/ρόλους QA
- Εξ αρχής γνώση των εργαλείων δοκιμολογίας (π.χ., Selenium, JUnit, Cypress)
- Βασική γνώση προγραμματισμού (ιδεálnως σε Python ή JavaScript)
- Εμπειρία με ελέγχο έκδοσης και εργαλεία CI/CD (π.χ., Git, Jenkins)
- Δεν απαιτείται προηγούμενη εμπειρία στην AI/ML, αλλά η περιέργεια και η διάθεση για πειράματα είναι απολύτως απαραίτητες
Σχόλια (5)
Καλή σχέση, ο Łukasz είχε χρόνο για τις ερωτήσεις κάθε ενός και μπόρεσε να βοηθήσει οποιονδήποτε είχε πρόβλημα
Kelly Morris - Titian Software Poland Sp. z o.o.
Κομμάτι - Selenium WebDriver in C#
Μηχανική Μετάφραση
Ποσότητα πρακτικών άσκησης.
Jakub Wasikowski - riskmethods sp. z o.o
Κομμάτι - API Testing with Postman
Μηχανική Μετάφραση
Ο εκπαιδευτής εξηγήσε κάθε λειτουργία με απολύτη σαφήνεια.
Argean Quilaquil - DXC
Κομμάτι - TestComplete
Μηχανική Μετάφραση
Ο εκπαιδευτής είναι όμορφος. Η εξήγησή του είναι καθαρή και ενδιαφέρουσα. Προσπαθεί να κάνει τις μαθήματα τόσο ενδιαφέρουσα όσο είναι δυνατό. Ελαφρύνα από το μάθημα και κέρδισα πολλή γνώση. Σας ευχαριστώ πολύ. Η χρήσιμη τεχνική που αποκτήσα είναι η βρίσκουμε στοιχείων για διάφορες web components όπως κειμενό, radio buttons και buttons. Κάποιες φορές το ID του στοιχείου δεν αναγνωρίζεται σωστά. Μάθαμε μεταφορικούς τρόπους βρίσκοντας στοιχεία χρησιμοποιώντας CSS selectors, XPath, Name και ID. Μου αρέσει η εξήγηση. Ευχαριστώ.
Bee Chin Chuah - I-Access Solutions Pte Ltd
Κομμάτι - Advanced Selenium with C#
Μηχανική Μετάφραση
The One on One session is amazing!! And thankful that the trainer's skills are Excellent and his willingness to share them to the fullness. I am very satisfied. . with the training and I wouldn't have wish to have done it anywhere else. I would only wish that I had One day longer for the training.
Isaac Nyembo - Bechtle Clouds GmbH
Κομμάτι - Advanced Selenium
Μηχανική Μετάφραση