额，一年半前的帖子有人来挖坟了哈哈哈。 我们一直用着呢。 还不错的感觉。

基本上没什么公司还区分这些了。 都哪年的老黄历了

python 圈的福音啊

现在的薪水都这么恐怖了

好快~

终于看到跟一样的职位在招聘了

我就是举个例子

最主要的还是看 bug 的严重程度和触发条件。 如果容易触发，严重程度也很高。 这样的 bug 漏测一个都是不行的。 相反的如果 bug 的严重程度很低，例如就是个简单样式问题，而且触发条件极其苛刻。这样的 bug 来 10 几个 20 个都可以忍受

当然是测试管，运维主要是辅助，提供一些基础服务，做一些支持。 很多地方是运维管理测试环境，那是因为测试水平太次，想管也管不了。

恩恩，以后有机会欢迎来探讨

还好哈哈，大家多跟我说说话就热闹多了

坚持坚持~~ 再坚持~~

谢谢~~ 总算有点人气儿了~~哈哈

是有点孤独~ 不过好在工作上用的到， 坚持的下去。 也算给自己的工作留下点足迹吧。

差不多是这种感觉

写 shell 就好了。 或者写 python 都行。 参数化构建后你在 Jenkins 里可以用 $ 符号引用了。 下面设置构建任务的时候，弄一个构建前的 shell 脚本。 把参数写进去就行了

楼主在数据采集这边做的不错，也是费了不少心思了。这应该是一个多分类的模型场景吧。 我看楼主也是有意识的统计 TP,TN,FP,FN。 只是分类模型不能只看准确率 (accuracy) 的, 应该算出测试集的 AUC， 列出混淆矩阵。 算出精准率 (precision),召回 (recall) 和 F1 Score。 这样的评估报告才是比较权威一点的。建议楼主看看我写的一篇帖子：https://testerhome.com/topics/11153

都可以~

我写简历也没啥技巧。 就是把自己做过事，用过的技术详细的往上面堆。

特征工程总的来说是从原始数据中提取出对于机器学习算法有效的特征的步骤。 这是建立在熟悉业务和统计的角度上展开的，有很多时候原始表中的数据不能够直接被机器学习算法使用。 举例我们想要预测购买行为， 那么当前日期就是一个很重要的字段 (碰上双十一那一天购买量会暴增)，但是这个时间字段中的年份可能我并不想要，因为不论是哪一年都有双十一这一天。如果把时间这个字段整个不作处理就作为特征交给算法的话，显示是不合适的。 所以我们要在特征工程里对时间字段拆分，把年份去掉，提取出月份，小时，秒作为组合特征并离散化处理，我们可能只需要月份，可能需要月份和小时的组合特征，也可能要月份，小时以及分钟，秒做精确的组合特征。 离散化处理后的每一个特征只有两个值：0 或者 1. 表明是否命中这个特征。我们的公式是 y =wx + b。所有的特征必须是数字化，可计算的。时间类型显然不能做数字计算，所以离散化也有一个作用是把数据变成可计算状态。 特征工程就是从原始字段中根据业务提取出对模型有效的特征出来 不知道这么解释可以么？

还是咽喉肿痛 我不适合出去 high

欢迎欢迎~~

加油

趁着还有激情的时候逼自己一把。

其实也没那么轻描淡写，前期封装这套体系的时候也是费了不少功夫的。前期打好基础了后面才能这么逍遥