在没有实际应用的前提下， 深度掌握 是不太可能的。 技术的深度取决于遇到问题的复杂度。 如果连问题都没有遇到过~~ 那就没什么深度造诣了

这个是selenide的方法， 就是个以$ 命名的方法，然后用static import引入过来的而已

我们公司自己机房，自己搭建的服务

这是什么梗，有电影要上映还是？

我在第四范式工作， 有兴趣加我微信ycwdaaaa

暂时没有这种强需求，但是正在调研中

个人准备加机会吧。 我当初也是没机会碰整个CI系统的。 但是我来公司早， 我是28号原来。我来的时候还没有运维呢。 然后我自己学习了一段时间以后就把活接了。 对于QA来说， 有些时候真的是个人努力加机遇。

就是避免环境冲突的。 有产品给客户用来演示的demo环境， 有给公司内部试用的环境， 有培训用的环境。 有给不同的研发团队搭建的环境。有给技术支持用来复现问题和做验证的环境。 在测试组内部也会针对不同的目的搭建不同的环境。 有做性能测试的， 有做兼容性测试的，有做功能测试的， 也有针对不同的产品版本搭建不同的环境。

加我微信，ycwdaaaa。或者qq号446051551

现在大部分都是用开源的。哪有几家公司像我们一样还自研算法的。就算我司现在不也是开始集成像tensorflow这种来源框架来满足客户对开源算法的需求么。 针对于开源的机器学习库，他们只是给你提供一个可以训练模型的框架。远远达不到商用的程度，机器学习要商用首先要有数据闭环，为算法提供数据流，时序特征，流式计算等。有了这些能力然后才是模型训练，同时为了达到在大数据下的训练性能。才会扩展出了了类似mllib on Hadoop， tensorflow on k8s的各种技术站。要依托于各种分布式集群来扩展机器学习能力，然后上线之后还要保证高可用，负载均衡等等，所以各种云技术或者open stack也是要用到的。 这些都不是原声开源框架能做的，但都是商用机器学习场景必须要用到的。 当然如果我只是个学生在实验室搞搞实验。 随便单机跑跑怎么地都行