Program · Teoria testowania AI

- Darmowa próbka

Pierwsze 12 wykładów jest bezpłatnych: Wprowadzenie i Moduł 1. Zaloguj się, by zapisywać postęp; karta nie jest potrzebna. Pozostałe 50 wykładów i test końcowy są w części płatnej. Ukończ wykład i podejdź do quizu, aby odblokować kolejny; każdy wynik się liczy.

Rozwiń moduł, aby zobaczyć wykłady. Kurs opiera się na CT-AI v1.0; wersja i warunki certyfikacji.

M-00 IntroZa darmo Powitanie, czym jest certyfikacja ISTQB CT-AI i jak ułożony jest kurs. 3 wykłady

01Welcome to the course!Za darmo
02About ISTQB Tester AI certificationZa darmo
03About the courseZa darmo

M-01 Introduction to AI TestingZa darmo Podstawowe pojęcia: czym jest AI, rodzaje systemów AI, technologie i frameworki, które za nimi stoją, oraz standardy, które teraz obowiązują. 9 wykładów

04Lecture 1: Definition of AI and AI EffectZa darmo
05Lecture 2: Narrow, General and Super AIZa darmo
06Lecture 3: AI-based and Conventional SystemsZa darmo
07Lecture 4: AI TechnologiesZa darmo
08Lecture 5: AI Development FrameworksZa darmo
09Lecture 6: Hardware for AI-Based SystemsZa darmo
10Lecture 7: AI as a Service (AIaaS)Za darmo
11Lecture 8: Pre-Trained ModelsZa darmo
12Lecture 9: Standards, Regulations, and AIZa darmo

M-02 Quality Characteristics for AI-Based Systems Atrybuty jakości specyficzne dla AI: adaptacyjność, autonomia, bias, etyka, transparentność i bezpieczeństwo. 8 wykładów

13Lecture 1: Flexibility and AdaptabilityQuiz
14Lecture 2: AutonomyQuiz
15Lesson 3: EvolutionQuiz
16Lecture 4: BiasQuiz
17Lecture 5: EthicsQuiz
18Lecture 6: Side Effects and Reward HackingQuiz
19Lecture 7: Transparency, Interpretability and ExplainabilityQuiz
20Lecture 8: Safety and AIQuiz

M-03 Machine Learning (ML) - Overview Jak ML naprawdę działa pod maską: formy uczenia, przebieg pracy, dobór algorytmu i pułapka overfittingu. 5 wykładów

21Lecture 1: Forms of MLQuiz
22Lecture 2: ML WorkflowQuiz
23Lecture 3: Selecting a Form of MLQuiz
24Lecture 4: Factors Involved in ML Algorithm SelectionQuiz
25Lecture 5: Overfitting and UnderfittingQuiz

M-04 ML - Data Tam, gdzie większość modeli naprawdę zawodzi: przygotowanie danych, podziały train/validation/test, problemy z jakością i etykietowanie. 5 wykładów

26Lecture 1: Data Preparation as Part of the ML WorkflowQuiz
27Lecture 2: Training, Validation and Test Datasets in the ML WorkflowQuiz
28Lecture 3: Dataset Quality IssuesQuiz
29Lecture 4: Data Quality and its Effect on the ML ModelQuiz
30Lecture 5: Data Labeling for Supervised LearningQuiz

M-05 ML Functional Performance Metrics Jak czytać model uczciwie: confusion matrix, metryki dla klasyfikacji, regresji i klasteryzacji oraz to, gdzie te metryki cię okłamują. 5 wykładów

31Lecture 1: Confusion MatrixQuiz
32Lecture 2: Add ML Functional Performance Metrics for Classification, Regression and ClusteringQuiz
33Lecture 3: Limitations of ML Functional Performance MetricsQuiz
34Lecture 4: Selecting ML Functional Performance MetricsQuiz
35Lecture 5: Benchmark Suites for ML PerformanceQuiz

M-06 ML Neural Networks and Testing Sieci neuronowe i miary pokrycia używane do ich testowania. 2 wykłady

36Lecture 1: Neural NetworksQuiz
37Lecture 2: Coverage Measures for Neural NetworksQuiz

M-07 Testing AI-Based Systems - Overview Przejście do praktyki: specyfikacja, poziomy testów, dane testowe, automation bias, dokumentowanie komponentu i concept drift. 7 wykładów

38Lecture 1: Specification of AI-Based SystemsQuiz
39Lecture 2: Test Levels for AI-Based SystemsQuiz
40Lecture 3: Test Data for Testing AI-Based SystemsQuiz
41Lecture 4: Testing for Automation Bias in AI-Based SystemsQuiz
42Lecture 5: Documenting an AI ComponentQuiz
43Lecture 6: Testing for Concept DriftQuiz
44Lecture 7: Selecting a Test Approach for an ML SystemQuiz

M-08 Testing AI-Specific Quality Characteristics Najtrudniejsza część: testowanie systemów samouczących się, autonomicznych i probabilistycznych, plus bias, explainability i problem oracle. 8 wykładów

45Lecture 1: Challenges Testing Self-Learning SystemsQuiz
46Lecture 2: Testing Autonomous Self-Learning SystemsQuiz
47Lecture 3: Testing for Algorithmic, Sample and Inappropriate BiasQuiz
48Lecture 4: Challenges Testing Probabilistic and Non-Deterministic AI-Based SystemsQuiz
49Lecture 5: Challenges Testing Complex AI-Based SystemsQuiz
50Lecture 6: Testing Transparency, Interpretability and Explainability of AI-Based SystemsQuiz
51Lecture 7: Test Oracles for AI-Based SystemsQuiz
52Lecture 8: Test Objectives and Acceptance CriteriaQuiz

M-09 Methods and Techniques for the Testing of AI-Based Systems Zestaw narzędzi: adversarial attacks i data poisoning, pairwise, back-to-back, A/B, metamorphic oraz testowanie oparte na doświadczeniu. 7 wykładów

53Lecture 1: Adversarial Attacks and Data PoisoningQuiz
54Lecture 2: Pairwise TestingQuiz
55Lecture 3: Back-to-Back TestingQuiz
56Lecture 4: A/B TestingQuiz
57Lecture 5: Metamorphic Testing (MT)Quiz
58Lecture 6: Experience-Based Testing of AI-Based SystemsQuiz
59Lecture 7: Selecting Test Techniques for AI-Based SystemQuiz

M-10 Test Environments for AI-Based Systems Konfiguracja środowisk testowych i wirtualnych, których potrzebują te systemy. 1 wykład

60Lectures 1: Test and Virtual Environments for AI-Based SystemsQuiz

M-11 Using AI for Testing Odwrócenie perspektywy: technologie AI, które pomagają ci testować, od analizy defektów po automatyzację interfejsów. 2 wykłady

61Lecture 1: AI Technologies for TestingQuiz
62Lectures 2: Using AI for Testing: From Defect Analysis to Interface AutomationQuiz

M-12 Final Assessment Kompleksowy próbny egzamin obejmujący cały materiał kursu, przeprowadzany w realnych warunkach czasowych. 40 pytań

63Final Mock Exam - ISTQB CT-AI · 40 pytań · 65% do zaliczeniaEgzamin

Zrozum AI.
Wiedz, co testować.

Zacznij od 12 bezpłatnych wykładów.