除了缺少项目经验感觉没啥槽点的,使用的技术写的比较细,并注明了自己的水平。给人的感觉积极自信但又不骄傲,我比较喜欢这样的简历, 因为我一下子就能大概判断出你的能力。 感觉的出来你没有过度包装自己。这样其实是比较有效率的,能给你自己节省时间,因为企业不会对你的能力有误判而白白让你白走一趟。 有些候选人过度包装了自己的简历后但 hold 不住,也就是吹的不好,圆不了场,导致面试对他的印象有很大落差,这样本来能过面试的也过不去了。 如果面试的是实打实的技术岗位,我是比较推荐简历里的技术栈里这样写的。 后面写上自己的工作经历和项目经验就可以了。
加油~
还没有群~~
你想复杂了, 每个用例用独立的产品就行了。 或者给这种会造成冲突的 case 设置执行顺序。
你理解的其实都对,关于 1,2, 在英文文献中,召回为 recall,精准为 precision。精准率,召回率都是直接翻译的英文,这些是官方标准化的称谓。用来跟同行交流时候的标准术语。 如果你跟人说正类预测准确率的话,可能对方还反应不过来。
关于 3, 你最后的理解是对的。
我 87 的,工作 7 年半了都
我还嫉妒你年轻呢
深度学习平台开始研发了, 我也是在做一点知识储备。 到时候要在 UI 上写 TensorFlow 的代码进行测试
对,在第四范式~ 哈哈,没准真加过。
孙高飞, 在 58 到家的时候。你跟他说他肯定知道,我就坐在他旁边~ 我俩一个 team 的
这个吧, 其实不用把 AI 的测试看的太神秘。 听你的描述的你朋友要去的地方已经将 AI 产品化了。 那既然是一个产品,那么一个产品该有的东西它也有,比如 UI,接口,服务。 所以该有的测试类型也有,UI 自动化,接口自动化,如果是 TO B 业务的话也会有兼容性 (后端兼容性非客户端),部署测试等等。从这一点来看 AI 产品和互联网产品的测试在很多地方个是相似的。 但毕竟由于业务相差的天差地比别,所以还是有不同的地方。
但要说具体的测试类型,主要分为两个大方向。 一个是模型测试,不涉及机器学习的具体业务,只针对机器学习产生的模型进行测试。具体的测试可以参考我这篇文章:https://testerhome.com/topics/11785 。 这类测试不需要多懂机器学习,知道怎么评估模型,统计模型评估指标就行了,主要就玩数据。 接触的都是大数据相关的技术。
第二个方向就是测试机器学习本身。 这个就是真的需要去学习机器学习这个东西了。 因为日常操作的都是一些机器学习算法和大数据处理算法。 业务流程也是怎么把原始数据进行建模,上线,自学习等。 有些机器学习平台是支持兼容 spark 脚本和 tensorflow 的。 所以有些时候要像开发一样,写一些脚本去建模。 我一直在写的深度学习文章也是在说这些。
其实 AI 产品的测试并没有很多人想的那么美好,不是所有人都在做很高大上的东西。 任何一个产品化的东西都会有边边角角的东西, 会有跟 AI 没什么太大关系的模块测试,有时候也会跟其他人一样点点点。 当然也有很多跟算法相关的,跟开发相关的,跟运维相关的工作。 看个人境遇了
已经修复了哈
我向维护试用版的小伙伴们反应一下~ 多谢哈
不会不会,你面试的时候好好说一下这个 哈哈
15 年的时候。。太像了。。 我那会也是 java+maven+testng+reportng,也是测 dubbo 和 http 接口。 也是用 testng 的 dataProvider+ execl 做数据驱动
我去。。你这个跟我刚入职 58 那会做的好像~~
照片里我看到了范令凯,我曾经的同事。世界真是如此的小。
也不是说不懂后面的加分项就是初级。 后面会的那些是评价资深和测试架构师的
那咱年后联系哈
回复你的那个是我,忘了把匿名取消了
来~~ 思寒~~ 你先帮我解决解决测试人才的问题呗。 我们这边缺人缺疯了