تست هوش مصنوعی در ISTQB
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- شناسایی ریسکها، چالشها و ویژگیهای کیفی ویژه سیستمهای مبتنی بر هوش مصنوعی
- بهکارگیری تکنیکهای مناسب تست برای سیستمهای هوش مصنوعی، از جمله اعتبارسنجی داده، تست مدل و شناسایی سوگیری
- طراحی و اجرای موارد تست برای سیستمهای هوش مصنوعی در مراحل مختلف چرخه عمر
- تحلیل رفتار سیستم هوش مصنوعی، تفسیر نتایج و پشتیبانی از تحلیل نقص و تصمیمگیری
پیشنیازهای دوره
- گواهینامه ISTQB Foundation Level
- ترجیحا تجربه کاری قبلی در تست نرمافزار داشته باشید.
- بدون نیاز به سابقه در برنامهنویسی یا علم داده
- بدون نیاز به تجربه قبلی در هوش مصنوعی یا یادگیری ماشین
توضیحات دوره
این دوره برای کمک به تسترهای نرمافزار و متخصصان تضمین کیفیت طراحی شده است تا یاد بگیرند چگونه سیستمهای مبتنی بر هوش مصنوعی را بهصورت مؤثر، با اطمینان و هماهنگ با سرفصلهای گواهینامه ISTQB Artificial Intelligence Tester تست کنند.
شما ابتدا با ساختن پایهای محکم در مفاهیم هوش مصنوعی و یادگیری ماشین شروع میکنید. این مفاهیم را به زبانی واضح و مناسب برای تسترها توضیح میدهیم و شما به سابقه در علم داده یا برنامهنویسی نیاز ندارید. سپس این دوره به ویژگیهای منحصربهفرد سیستمهای هوش مصنوعی مانند رفتار غیرقطعی، مدلهای یادگیری و وابستگی به داده میپردازیم و بررسی میکنیم چگونه این ویژگیها بر فعالیتهای تست تاثیر میگذارند.
چگونگی موارد زیر را در طول دوره یاد خواهید گرفت:
- ریسکها و چالشهای کیفی ویژه هوش مصنوعی را شناسایی کنید.
- داده آموزش، تست و عملیاتی را اعتبارسنجی و تست کنید.
- سوگیری، عدالت و ریسکهای اخلاقی را شناسایی و تحلیل کنید.
- استراتژیهای موثر تست و موارد تست را برای سیستمهای هوش مصنوعی طراحی کنید.
- رفتار مدل، خروجیها و محدودیتها را درک کنید.
- تکنیکهای مناسب تست را در سراسر چرخه عمر هوش مصنوعی بهکار بگیرید.
محتوای این دوره بهگونهای ساختار یافته است که هم از درک عملی پشتیبانی کند و هم جهت آمادگی برای آزمون مفید باشد در حالی که توضیحات، مثالها و راهنماییهای آزمونمحور واضحی ارائه میدهد که مستقیماً با اهداف یادگیری ISTQB همراستا هستند.
چه در حال آماده شدن برای آزمون ISTQB AI Tester باشید، چه روی پروژههای مبتنی بر هوش مصنوعی کار کنید یا صرفاً بخواهید مهارتهای تست مناسب برای آینده را کسب کنید، این دوره دانش و ذهنیت لازم را در اختیار شما میگذارد که برای تست مسئولانه و مؤثر سیستمهای هوش مصنوعی لازم است.
در پایان این دوره، میتوانید رویکردی مطمئن به تست هوش مصنوعی داشته باشید و درک کنید تست سنتی کجا کاربرد دارد و کجا به رویکردهای جدید نیاز است.
این دوره برای چه کسانی مناسب است؟
- تسترهای نرمافزار و مهندسان تضمین کیفیت که میخواهند یاد بگیرند چگونه سیستمهای مبتنی بر هوش مصنوعی را بهطور مؤثر تست کنند.
- تسترهایی که برای آزمون گواهینامه ISTQB Artificial Intelligence Tester آماده میشوند.
- تحلیلگرهای تست، مدیران تست و سرپرستان تضمین کیفیت که در پروژههای مربوط به هوش مصنوعی یا یادگیری ماشین نقش دارند.
- مهندسان نرمافزار و تحلیلگرهای کسبوکاری که با سیستمهای مبتنی بر هوش مصنوعی همکاری میکنند و میخواهند ریسکها و جنبههای کیفی تست هوش مصنوعی را درک کنند.
تست هوش مصنوعی در ISTQB
-
آشنایی با هوش مصنوعی 01:32
-
هوش مصنوعی چیست؟ 13:26
-
Narrow AI ،General AI و Super AI 04:12
-
سیستمهای مبتنی بر هوش مصنوعی و سیستمهای سنتی 03:12
-
فناوریهای هوش مصنوعی 01:55
-
فریمورکهای توسهخ هوش مصنوعی 03:57
-
سختافزار برای سیستمهای مبتنی بر هوش مصنوعی 08:53
-
هوش مصنوعی به عنوان سرویس 07:46
-
مدلهای از پیش آموزش دیده 05:17
-
استانداردها، مقررات و هوش مصنوعی 05:01
-
خلاصه فصل 1 00:44
-
سؤالات فصل 1 None
-
آشنایی با فصل 2 01:22
-
انعطافپذیری و سازگاری 12:44
-
خودمختاری 05:50
-
تکامل 07:40
-
سوگیری 12:57
-
اخلاق 02:34
-
اثرات جانبی و هک پاداش 05:30
-
شفافیت، تفسیرپذیری و توضیحپذیری 12:56
-
امنیت و هوش مصنوعی 04:19
-
خلاصه فصل 2 00:45
-
سؤالات فصل 2 None
-
آشنایی با فصل 3 01:06
-
انواع یادگیری ماشین 03:24
-
اولین کاربرد یادگیری ماشین - مدل طبقهبندی تصویر 21:00
-
یادگیری تحت نظارت 06:28
-
یادگیری بدون نظارت 07:22
-
یادگیری تقویتی 02:38
-
گردش کار یادگیری ماشین 02:32
-
مراحل گردش کار یادگیری ماشین 10:13
-
نمونههایی از مراحل یادگیری ماشین 10:23
-
انتخاب یک نوع یادگیری ماشین 02:46
-
عوامل مؤثر در انتخاب الگوریتم یادگیری ماشین 02:21
-
بیشبرازش و کمبرازش 06:01
-
خلاصه فصل 3 01:12
-
آشنایی با فصل 4 00:49
-
آمادهسازی داده بهعنوان بخشی از گردش کار یادگیری ماشین 03:16
-
مراحل آمادهسازی داده 14:06
-
آموزش، اعتبارسنجی و تست مجموعه دادهها در گردش کار یادگیری ماشین 06:31
-
مشکلات کیفیت مجموعه داده 07:02
-
کیفیت داده و تأثیر آن بر مدل یادگیری ماشین 02:49
-
کیفیت داده و تأثیر آن بر مدل یادگیری ماشین 06:59
-
خلاصه فصل 4 00:43
-
آشنایی با فصل 5 01:22
-
ماتریس درهمریختگی 04:55
-
دقت، صحت، یادآوری و امتیاز F1 10:14
-
مثال 1 - سیستم تشخیص اسپم 11:23
-
مثال 2 - تشخیص سرطان 13:20
-
ROC (مشخصات عملیاتی گیرنده) و AUC (مساحت زیر نمودار) 02:59
-
خطای میانگین مربع 07:18
-
معیارهای Intra-cluster و Inter-cluster - ضریب Silhouette 05:39
-
محدودیتهای معیارهای عملکرد کارایی یادگیری ماشین 05:16
-
انتخاب معیارهای عملکرد کارایی یادگیری ماشین 03:15
-
Benchmark Suites برای یادگیری ماشین 02:38
-
خلاصه فصل 5 01:32
-
آشنایی با فصل 6 01:06
-
معیارهای پوشش برای شبکههای عصبی 07:13
-
خلاصه فصل 6 00:23
-
آشنایی با فصل 7 01:02
-
مشخصسازی سیستمهای مبتنی بر هوش مصنوعی 12:24
-
سطوح تست برای سیستمهای مبتنی بر هوش مصنوعی 06:53
-
داده تست برای سیستمهای مبتنی بر هوش مصنوعی 02:32
-
تست برای سوگیری اتوماسیون در سیستمهای مبتنی بر هوش مصنوعی 03:50
-
مستندسازی یک کامپوننت هوش مصنوعی 03:34
-
تست برای رانش مفهوم 03:43
-
انتخاب یک رویکرد تست برای یک سیستم یادگیری ماشین 07:15
-
خلاصه فصل 7 00:33
-
آشنایی با فصل 8 00:43
-
چالشهای تست سیستمهای خودآموزی 02:26
-
معیارهای پذیرش پیچیده و زمان ناکافی برای تست 03:54
-
نیازمندیهای منابع و ناکافی بودن مشخصات محیط عملیاتی 03:49
-
محیط تست پیچیده و تغییرات نامطلوب در رفتار 03:07
-
تست سیستمهای خودمختار مبتنی بر هوش مصنوعی 01:21
-
تست برای سوگیری الگوریتمی، نمونهای و نامناسب 03:04
-
چالشهای تست سیستمهای مبتنی بر هوش مصنوعی احتمالاتی و غیرقطعی 05:39
-
چالشهای تست سیستمهای مبتنی بر هوش مصنوعی پیچیده 01:15
-
تست شفافیت، تفسیرپذیری و توضیحپذیری سیستمهای مبتنی بر هوش مصنوعی 08:12
-
اوراکلهای تست برای سیستمهای مبتنی بر هوش مصنوعی 02:34
-
اهداف تست و معیارهای پذیرش 05:12
-
خلاصه فصل 8 00:37
-
آشنایی با فصل 9 01:58
-
Adversarial Attacks 04:27
-
مسمومیت داده 03:32
-
تست جفتی 01:59
-
تست Back-to-back 05:14
-
تست AB 05:56
-
تست متافورمیک 03:39
-
تست مبتنی بر تجربه برای سیستمهای مبتنی بر هوش مصنوعی 03:22
-
تست مبتنی بر چکلیست و چکلیست تست ماشین یادگیری گوگل 03:36
-
انتخاب تکنیکهای تست برای سیستمهای مبتنی بر هوش مصنوعی 01:56
-
خلاصه فصل 9 00:39
-
آشنایی با فصل 10 00:27
-
محیطهای تست برای سیستمهای مبتنی بر هوش مصنوعی 02:11
-
مزایای محیطهای تست مجازی برای سیستمهای هوش مصنوعی 02:54
-
محیطهای تست مجازی برای تست سیستمهای مبتنی بر هوش مصنوعی 01:32
-
آشنایی با فصل 11 02:14
-
فناوریهای هوش مصنوعی برای تست 02:47
-
استفاده از هوش مصنوعی برای تحلیل نقصهای گزارششده 02:32
مشخصات آموزش
تست هوش مصنوعی در ISTQB
- تاریخ به روز رسانی: 1405/04/02
- سطح دوره:متخصص
- تعداد درس:99
- مدت زمان :07:41:47
- حجم :4.21GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy