Bizi tercih ettiğiniz için teşekkür ederiz. Ekip üyelerimiz en kısa sürede sizlerle iletişime geçecektir.
Rezervasyonunuzu gönderdiğiniz için teşekkür ederiz! Ekibimizden bir yetkili kısa süre içinde sizinle iletişime geçecektir.
Eğitim İçeriği
Modül 1: AI için QA'ya Giriş
- Yapay Zeka nedir?
- Machine Learning vs Deep Learning vs Kurallara Dayalı Sistemler
- Yapay Zekanın Yazılım Testindeki Gelişimi
- QA'da YZ'nin Temel Faydaları ve Zorlukları
Modül 2: Testçiler İçin Veri ve Öğrenme Temelleri
- Süslü vs. Süsüz Veri Anlamak
- Özellikler, etiketler ve eğitim veri kümeleri
- Öz-Yönetimli ve Öz-Gözlemli Öğrenme
- Model değerlendirme giriş (doğruluk, hassasiyet, geri çağırma vb.)
- Gerçek dünya QA veri kümeleri
Modül 3: QA'da AI Use Caseler
- YZ ile test durumu oluşturma
- ML kullanarak hata tahmini yapma
- Test önceliklendirme ve risk tabanlı testler
- Bilgisayar görüşü ile görsel testler
- Günlük kayıtların analizi ve abnormalleri tespit etme
- Test betikleri için doğal dil işleme (NLP)
Modül 4: QA İçin AI Araçları
- YZ ile desteklenen QA platformlarının genel bir bakışı
- QA prototipleri için açık kaynaklı kütüphanelerin kullanımı (örn., Python, Scikit-learn, TensorFlow, Keras)
- Test otomasyonunda LLM'ler için giriş
- Test başarısızlıklarını öngörmek için basit bir YZ modeli oluşturma
Modül 5: QA İş Akışlarına AI'nin Entegrasyonu
- QA süreçlerinin YZ uygunluğunu değerlendirmek
- Sürekli entegrasyon ve AI: akıllılık CI/CD pipeline'larımıza nasıl yerleştirilir
- Açıklayıcı test kümeleri tasarlamak
- YZ model kayması ve yeniden eğitim döngülerini yönetme
- YZ destekli testlerde etik düşünceler
Modül 6: Elle Çalışma Labları ve Süreç Projesi
- Lab 1: YZ kullanarak test durumu oluşturma otomasyonu
- Lab 2: Geçmiş test verileri kullanarak bir hata tahmini modeli oluşturma
- Lab 3: Bir LLM kullanarak test betiklerini gözden geçirme ve iyileştirme
- Süreç: YZ destekli test pipeline'nın tüm süreci uygulaması
Kurs İçin Gerekli Önbilgiler
Katılımcıların şunlar olması bekleniyor:
- Yazılım testi/QA rollerinde 2+ yıl deneyimi
- Test otomasyon araçlarıyla tanıdık olması (örn., Selenium, JUnit, Cypress)
- Temel programlama bilgisi (öncelikle Python veya JavaScript)
- Sürüm denetimi ve CI/CD araçlarıyla (örn., Git, Jenkins) deneyim
- Önceden AI/ML deneyimi gerektirmez, ancak merak ve denemek için isteklilik önemlidir
Modül 1: QA için AI'ye Giriş
- Kısmi Enflasyon Nedir?
- Machine Learning vs Deep Learning vs Kurallı Sistemler
- Yazılım testinde AI ile evrim
- QA'da AI'nin temel faydaları ve zorlukları
Modül 2: Testçilere Yönelik Veri ve ML Temelleri
- Sürekli veri vs yapılandırılmış veri anlayışı
- Özellikler, etiketler ve eğitim veri kümeleri
- Süpervizör ve süpersizör öğrenme
- Model değerlendirmeye giriş (dogruluk, hassasiyet, geri çağırma vb.)
- Gerçek dünya QA veri kümeleri
Modül 3: QA'daki AI Use Caseler
- AI ile destekli test durumu oluşturma
- ML kullanarak hata tahmini
- Test önceliklendirme ve risk tabanlı testler
- Bilgisayar vision kullanarak görsel test
- Log analizi ve anomali algılama
- Test betikleri için doğal dil işleme (NLP)
Modül 4: QA İçin AI Araçları
- AI ile donatılmış QA platformlarına genel bakış
- QA prototipleri için açık kaynak kütüphanelerini (örn., Python, Scikit-learn, TensorFlow, Keras) kullanma
- Test otomasyonu içinde LLM'lerle tanışma
- Test başarısızlıklarını tahmin etmek için basit bir AI modeli oluşturma
Modül 5: QA İş Akışlarına AI'yi Entegre Etme
- QA süreçlerinizin AI uygunluğunu değerlendirme
- Devamlı tümleme ve AI: zekililiği CI/CD boru hattlarına nasıl entegre edeceğiniz
- Zeki test setleri tasarlamak
- AI modeli kayması ve yeniden eğitme döngülerini yönetmek
- Zekilendirilmiş testlerde etik düşünceler
Modül 6: Pratik Laboratuvarlar ve Kapsam Projesi
- Laboratuvar 1: AI kullanarak test durumu otomasyonu
- Laboratuvar 2: Tarihi test verilerini kullanarak hata tahmini modeli oluşturma
- Laboratuvar 3: Bir LLM'yi test betiklerini gözden geçirme ve optimize etmek için kullanma
- Kapsam Projesi: Zekilendirilmiş test boru hattının tam uygulanması
Bu eğitim programı, yazılım QA mühendislerine test üretkenliğini ve yazılım kalitesi sonuçlarını artırıcı temel AI bilgisi ve pratik becerilerle güçlendirilmesini amaçlamaktadır. Katılımcılar, test otomasyonu, hata tespiti, test durumu oluşturma, risk tabanlı testler ve performans analizi konularında yapay zeka ve makine öğrenimini uygulamada temel bir anlayış edinecekler.
Teori, demo ve pratik laboratuvarlarla birlikte, QA uzmanları manuel çabaları azaltmak, test kapsamını iyileştirmek ve hata tespit doğruluğunu artırmak için AI'yi nasıl kullanacaklarını öğrenecekler—böylece genel QA süreçlerinde verimliliği ve etkinliği artırıyorlar.
Bu kursun sonunda, katılımcılar:
- Yazılım testi ile ilgili temel AI ve ML kavramlarını anlamak
- QA yaşam döngüsündeki AI ile donatılmış araçlar ve tekniklerden yararlanacak alanları tanımlamak
- Test durumu oluşturma, hata tahmini ve risk analizi gibi görevler için AI modellerini kullanmak
- Mevcut QA iş akışlarına AI tabanlı test araçlarını değerlendirme ve entegre etmek
- Zeki QA stratejilerini tasarlamak ve uygulamak için veri bilimcileri ve mühendislerle işbirliği yapmak.
Bu eğitim programı, yazılım QA mühendislerine test üretkenliğini ve yazılım kalitesi sonuçlarını artırıcı temel AI bilgisi ve pratik becerilerle güçlendirilmesini amaçlamaktadır. Katılımcılar, test otomasyonu, hata tespiti, test durumu oluşturma, risk tabanlı testler ve performans analizi konularında yapay zeka ve makine öğrenimini uygulamada temel bir anlayış edinecekler.
Teori, demo ve pratik laboratuvarlarla birlikte, QA uzmanları manuel çabaları azaltmak, test kapsamını iyileştirmek ve hata tespit doğruluğunu artırmak için AI'yi nasıl kullanacaklarını öğrenecekler—böylece genel QA süreçlerinde verimliliği ve etkinliği artırıyorlar.
Katılımcıların şunlar olması bekleniyor:
- Yazılım testi/QA rollerinde 2+ yıl deneyimi
- Test otomasyon araçlarıyla tanıdık olması (örn., Selenium, JUnit, Cypress)
- Temel programlama bilgisi (öncelikle Python veya JavaScript)
- Sürüm denetimi ve CI/CD araçlarıyla (örn., Git, Jenkins) deneyim
- Önceden AI/ML deneyimi gerektirmez, ancak merak ve denemek için isteklilik önemlidir
Bu eğitim programı, yazılım QA mühendislerine test üretkenliğini ve yazılım kalitesi sonuçlarını artırıcı temel AI bilgisi ve pratik becerilerle güçlendirilmesini amaçlamaktadır. Katılımcılar, test otomasyonu, hata tespiti, test durumu oluşturma, risk tabanlı testler ve performans analizi konularında yapay zeka ve makine öğrenimini uygulamada temel bir anlayış edinecekler.
Teori, demo ve pratik laboratuvarlarla birlikte, QA uzmanları manuel çabaları azaltmak, test kapsamını iyileştirmek ve hata tespit doğruluğunu artırmak için AI'yi nasıl kullanacaklarını öğrenecekler—böylece genel QA süreçlerinde verimliliği ve etkinliği artırıyorlar.
Katılımcıların şunlar olması bekleniyor:
- Yazılım testi/QA rollerinde 2+ yıl deneyimi
- Test otomasyon araçlarıyla tanıdık olması (örn., Selenium, JUnit, Cypress)
- Temel programlama bilgisi (öncelikle Python veya JavaScript)
- Sürüm denetimi ve CI/CD araçlarıyla (örn., Git, Jenkins) deneyim
- Önceden AI/ML deneyimi gerektirmez, ancak merak ve denemek için isteklilik önemlidir
Bu eğitim programı, yazılım QA mühendislerine test üretkenliğini ve yazılım kalitesi sonuçlarını artırıcı temel AI bilgisi ve pratik becerilerle güçlendirilmesini amaçlamaktadır. Katılımcılar, test otomasyonu, hata tespiti, test durumu oluşturma, risk tabanlı testler ve performans analizi konularında yapay zeka ve makine öğrenimini uygulamada temel bir anlayış edinecekler.
Teori, demo ve pratik laboratuvarlarla birlikte, QA uzmanları manuel çabaları azaltmak, test kapsamını iyileştirmek ve hata tespit doğruluğunu artırmak için AI'yi nasıl kullanacaklarını öğrenecekler—böylece genel QA süreçlerinde verimliliği ve etkinliği artırıyorlar.
21 Saat
Danışanlarımızın Yorumları (5)
Öğretim Yöntemi
Negritu - OMNIASIG VIENNA INSURANCE GROUP S.A.
Eğitim - SoapUI for API Testing
Yapay Zeka Çevirisi
Her şeyi sevdim çünkü hepsi bana yeni ve işime katacağı değerli kazanımları görebiliyorum.
Zareef - BMW South Africa
Eğitim - Tosca: Model-Based Testing for Complex Systems
Yapay Zeka Çevirisi
Konu hakkında çok genel bir bakış, kurs bilgisine uygun şekilde tüm önkoşul bilgilerini içeren.
James Hurburgh - Queensland Police Service
Eğitim - SpecFlow: Implementing BDD for .NET
Yapay Zeka Çevirisi
Anlaması ve uygulaması kolaydı.
Thomas Young - Canadian Food Inspection Agency
Eğitim - Robot Framework: Keyword Driven Acceptance Testing
Yapay Zeka Çevirisi
Etkinlik sayısı. (Not: "hands-on exercises" ifadesi eğitim ve öğrenme bağlamında "etkileşimli çalışmalara" veya "pratik etkinliklere" denkleştirilebilir. Ancak, verilen cümle oldukça kısaltılmış olduğundan ve tam bir bağlam eksik olduğundan, genel bir terim olan "etkinlik sayısı" olarak çeviri yapılmıştır.) Dikkat: Kullanıcı sadece "Amount of hands-on exercises" ifadesinin çevirisi istemiş olsa da, çeviride biraz daha anlamlı bir ifade sağlamak adına "Etkinlik sayısı" şeklinde çevrildi. Ancak kullanıcıya verilen talimatlara göre tam olarak istenen metni çevirmek gerekirse: Elle yapılan egzersizlerin miktari. Bu şekilde daha doğrudur ancak Türkçe'de doğal akışa sahip olmayabilir. Bu nedenle, en uygun çeviriyi belirlemek için daha fazla bağlam gerekebilir.
Jakub Wasikowski - riskmethods sp. z o.o
Eğitim - API Testing with Postman
Yapay Zeka Çevirisi
