Силабус · 63 лекції, 13 модулів · ISTQB CT-AI

M-00

ВступFree Привітання, що таке сертифікація ISTQB CT-AI і як побудований курс.

3 лекції

01Ласкаво просимо на курс!Free
02Про сертифікацію ISTQB Tester AIFree
03Про курсFree

M-01

Вступ до тестування AIFree Базові поняття: що таке AI, які бувають AI-системи, технології і фреймворки за ними, та стандарти, що тепер діють.

9 лекцій

04Лекція 1: Визначення AI та ефект AIFree
05Лекція 2: Вузький, загальний та надрозумний AIFree
06Лекція 3: Системи на основі AI та традиційні системиFree
07Лекція 4: Технології AIFree
08Лекція 5: Фреймворки для розробки AIFree
09Лекція 6: Апаратне забезпечення для систем на основі AIFree
10Лекція 7: AI як сервіс (AIaaS)Free
11Лекція 8: Попередньо навчені моделіFree
12Лекція 9: Стандарти, регуляції та AIFree

M-02

Характеристики якості систем на основі AI Атрибути якості, специфічні саме для AI: адаптивність, автономність, bias, етика, прозорість і безпека.

8 лекцій

13Лекція 1: Гнучкість та адаптивністьQuiz
14Лекція 2: АвтономністьQuiz
15Урок 3: ЕволюціяQuiz
16Лекція 4: УпередженістьQuiz
17Лекція 5: ЕтикаQuiz
18Лекція 6: Побічні ефекти та зламування функції винагородиQuiz
19Лекція 7: Прозорість, інтерпретованість та пояснюваністьQuiz
20Лекція 8: Безпека та AIQuiz

M-03

Машинне навчання (ML) - Огляд Як ML насправді працює під капотом: форми навчання, робочий процес, вибір алгоритму і пастка перенавчання.

5 лекцій

21Лекція 1: Форми MLQuiz
22Лекція 2: Робочий процес MLQuiz
23Лекція 3: Вибір форми MLQuiz
24Лекція 4: Фактори вибору алгоритму MLQuiz
25Лекція 5: Перенавчання та недонавчанняQuiz

M-04

ML - Дані Місце, де більшість моделей реально ламається: підготовка даних, поділ на train/validation/test, проблеми якості та розмітка.

5 лекцій

26Лекція 1: Підготовка даних як частина робочого процесу MLQuiz
27Лекція 2: Навчальні, валідаційні та тестові набори даних у робочому процесі MLQuiz
28Лекція 3: Проблеми якості наборів данихQuiz
29Лекція 4: Якість даних та її вплив на модель MLQuiz
30Лекція 5: Розмітка даних для навчання з учителемQuiz

M-05

Метрики функціональної продуктивності ML Як читати модель чесно: confusion matrix, метрики для класифікації, регресії та кластеризації, і де ці метрики тобі брешуть.

5 лекцій

31Лекція 1: Матриця помилокQuiz
32Лекція 2: Додаткові метрики функціональної продуктивності ML для класифікації, регресії та кластеризаціїQuiz
33Лекція 3: Обмеження метрик функціональної продуктивності MLQuiz
34Лекція 4: Вибір метрик функціональної продуктивності MLQuiz
35Лекція 5: Набори бенчмарків для продуктивності MLQuiz

M-06

Нейронні мережі ML та тестування Нейронні мережі та метрики покриття, якими їх тестують.

2 лекції

36Лекція 1: Нейронні мережіQuiz
37Лекція 2: Метрики покриття для нейронних мережQuiz

M-07

Тестування систем на основі AI - Огляд Переходимо до практики: специфікація, рівні тестування, тестові дані, automation bias, документування компонента та concept drift.

7 лекцій

38Лекція 1: Специфікація систем на основі AIQuiz
39Лекція 2: Рівні тестування систем на основі AIQuiz
40Лекція 3: Тестові дані для тестування систем на основі AIQuiz
41Лекція 4: Тестування на упередженість автоматизації в системах на основі AIQuiz
42Лекція 5: Документування AI-компонентаQuiz
43Лекція 6: Тестування на дрейф концепціїQuiz
44Лекція 7: Вибір підходу до тестування системи MLQuiz

M-08

Тестування специфічних характеристик якості AI Найскладніша частина: тестування систем, що самонавчаються, автономних і ймовірнісних, плюс bias, пояснюваність та oracle problem.

8 лекцій

45Лекція 1: Складнощі тестування систем, що самонавчаютьсяQuiz
46Лекція 2: Тестування автономних систем, що самонавчаютьсяQuiz
47Лекція 3: Тестування на алгоритмічну, вибіркову та неналежну упередженістьQuiz
48Лекція 4: Складнощі тестування ймовірнісних та недетермінованих систем на основі AIQuiz
49Лекція 5: Складнощі тестування комплексних систем на основі AIQuiz
50Лекція 6: Тестування прозорості, інтерпретованості та пояснюваності систем на основі AIQuiz
51Лекція 7: Тестові оракули для систем на основі AIQuiz
52Лекція 8: Цілі тестування та критерії прийманняQuiz

M-09

Методи та техніки тестування систем на основі AI Інструментарій: adversarial-атаки і data poisoning, pairwise, back-to-back, A/B, metamorphic та тестування на основі досвіду.

7 лекцій

53Лекція 1: Змагальні атаки та отруєння данихQuiz
54Лекція 2: Попарне тестуванняQuiz
55Лекція 3: Порівняльне тестуванняQuiz
56Лекція 4: A/B-тестуванняQuiz
57Лекція 5: Метаморфне тестування (MT)Quiz
58Лекція 6: Тестування систем на основі AI на основі досвідуQuiz
59Лекція 7: Вибір технік тестування для систем на основі AIQuiz

M-10

Тестові середовища для систем на основі AI Налаштування тестових та віртуальних середовищ, яких потребують ці системи.

1 лекція

60Лекція 1: Тестові та віртуальні середовища для систем на основі AIQuiz

M-11

Використання AI для тестування Розвертаємо все навпаки: AI-технології, що допомагають тобі тестувати, від аналізу дефектів до автоматизації інтерфейсу.

2 лекції

61Лекція 1: Технології AI для тестуванняQuiz
62Лекція 2: Використання AI для тестування: від аналізу дефектів до автоматизації інтерфейсівQuiz

M-12

Фінальна атестація Комплексний пробний іспит з усього матеріалу курсу, у справжніх умовах на час.

1 лекція

63Пробний фінальний іспит - ISTQB CT-AI · 40 питань · 65% для проходженняExam

Шістдесят три лекції, від і до.

Почни з перших дванадцяти.