لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش تست هوش مصنوعی ISTQB - بهترین شیوه ها را بیاموزید و برای امتحان آماده شوید
ISTQB AI Testing - Learn best practices and prepare for exam
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
بر اساس تمرینات زندگی واقعی و آموزش داده شده توسط دکتر استوارت رید، متخصص تست جهانی SW با بیش از 30 سال تجربه، وضعیت فعلی و روندهای مورد انتظار هوش مصنوعی را درک کنید. پیادهسازی و آزمایش یک مدل ML را تجربه کنید و تشخیص دهید که آزمایشکنندگان میتوانند به بهترین شکل بر کیفیت آن تأثیر بگذارند. درک چالشهای مرتبط با آزمایش سیستمهای مبتنی بر هوش مصنوعی، مانند قابلیتهای خودآموزی، تعصب، اخلاق، پیچیدگی، عدم قطعیت و موارد دیگر. طراحی و اجرای کیس های آزمایشی برای سیستم های مبتنی بر هوش مصنوعی. الزامات ویژه برای زیرساخت آزمایش برای پشتیبانی از آزمایش سیستم های مبتنی بر هوش مصنوعی را بشناسید. درک کنید که چگونه می توان از هوش مصنوعی برای پشتیبانی از تست نرم افزار استفاده کرد. پیش نیازها: بدون نیاز به تجربه برنامه نویسی. راهنماهای مفصلی برای همه چیزهایی که باید بدانید ارائه شده است
نمای کلی دوره
آزمایش سیستمهای سنتی به خوبی درک شده است، اما سیستمهای مبتنی بر هوش مصنوعی، که در زندگی روزمره ما رایجتر و حیاتیتر میشوند، چالشهای جدیدی را معرفی میکنند. این دوره مفاهیم کلیدی هوش مصنوعی (AI)، نحوه تصمیم گیری برای معیارهای پذیرش و نحوه آزمایش سیستم های مبتنی بر هوش مصنوعی را معرفی می کند. این سیستم ها دارای ویژگی های منحصر به فردی هستند که آنها را خاص می کند - آنها می توانند پیچیده (مانند شبکه های عصبی عمیق)، خودآموز، مبتنی بر داده های بزرگ و غیر قطعی باشند، که چالش ها و فرصت های جدیدی برای آزمایش آنها ایجاد می کند.
این دوره طیف وسیعی از انواع سیستمهای مبتنی بر هوش مصنوعی را که امروزه استفاده میشوند معرفی میکند و توضیح میدهد که چگونه یادگیری ماشینی (ML) اغلب بخش کلیدی این سیستمها است و نشان میدهد که ساختن سیستمهای ML چقدر آسان است. ما به این خواهیم پرداخت که چگونه تنظیم معیارهای پذیرش برای سیستمهای مبتنی بر هوش مصنوعی باید تغییر کند، چرا باید اخلاق را در نظر بگیریم، و نشان خواهیم داد که چگونه ویژگیهای سیستمهای مبتنی بر هوش مصنوعی، آزمایش را نسبت به سیستمهای سنتی دشوارتر میکنند.
مقدمه ای بر دوره تست هوش مصنوعی ISTQB توسط AIT
از سه دیدگاه برای نشان دادن چگونگی دستیابی به کیفیت با این سیستم ها استفاده می شود. ابتدا، انتخابها و بررسیهایی را که باید هنگام ساختن یک سیستم یادگیری ماشینی انجام شود، در نظر خواهیم گرفت تا از کیفیت دادههای مورد استفاده برای آموزش و پیشبینی اطمینان حاصل کنیم. در حالت ایدهآل، ما دادههایی میخواهیم که عاری از سوگیری و برچسبگذاری نادرست باشند، اما مهمتر از همه، با مشکل همسو باشند. در مرحله بعد، ما طیف وسیعی از رویکردهای مناسب برای آزمایش جعبه سیاه سیستمهای مبتنی بر هوش مصنوعی را در نظر خواهیم گرفت، مانند آزمایش پشت سر هم و تست A/B، و با جزئیات، تکنیک تست دگرگونی را معرفی میکنیم. سوم، نشان خواهیم داد که چگونه می توان از تست جعبه سفید برای هدایت آزمایش و اندازه گیری پوشش آزمایشی شبکه های عصبی استفاده کرد.
نیاز به محیطهای آزمایشی مجازی با استفاده از نمونه اتومبیلهای خودران نشان داده میشود.
در نهایت، استفاده از هوش مصنوعی بهعنوان پایه ابزارهایی که از آزمایش پشتیبانی میکنند، با نگاهی به نمونههایی از کاربرد موفقیتآمیز هوش مصنوعی در مشکلات رایج تست در نظر گرفته میشود.
این دوره بسیار عملی است و شامل تمرینهای عملی بسیاری است که تجربه ساخت و آزمایش انواع مختلف سیستمهای یادگیری ماشین را در اختیار شرکتکنندگان قرار میدهد. هیچ تجربه برنامه نویسی لازم نیست.
سرفصل ها و درس ها
مقدمه ای بر هوش مصنوعی
Introduction to AI
مقدمه_به_دوره
intro_to_course
مقدمه ای بر هوش مصنوعی قسمت 1
Intro to AI Part 1
مقدمه هوش مصنوعی قسمت 2
Intro to AI Part 2
ویژگی های کیفیت برای سیستم های مبتنی بر هوش مصنوعی
Quality Characteristics for AI-Based Systems
ویژگی های کیفیت قسمت 1
Quality Characteristics Part 1
ویژگی های کیفیت قسمت 2
Quality Characteristics Part 2
ویژگی های کیفیت قسمت 3
Quality Characteristics Part 3
نمایش نظرات