热门标签 | HotTags
当前位置:  开发笔记 > 后端 > 正文

Linkforlearning

参加了一个分享会,不是技术型的分享,只是泛泛而谈。不过还是有一些收获吧,也是思考。无非就是两点管理层面技术层面无论开发还是测试最终都

参加了一个分享会,不是技术型的分享,只是泛泛而谈。不过还是有一些收获吧,也是思考。

无非就是两点

  • 管理层面
  • 技术层面

无论开发还是测试最终都要接触管理层面。以前我单单以为做好技术就行,但是分享会后我觉得管理其实无处不在,需要细心留意。比如管理测试项目进程,项目质量,人员调配。

怎样保证项目质量?

一个项目就是由多个测试功能不同的小组组成的。如果我是总体负责的人。我会掌握各个小组测试关系,所实现的功能。实施进度和缺陷管理这方面我会以数据分析的方式做统计。不仅仅是完成和缺陷数据。每个小组和项目整体数据环比增长率,缺陷修复率。做一个数据可视化分析。雷达图可能更加直接。我们的项目还没有用到过,我分析一下,过几天总结一下。少不了Excel 模板。Excel重要性。另外我还想问一下如果测试用例上万条,Excel肯定是不够用,那他们是怎么管理的?有人可以帮我解答一下么?

测试用例的全覆盖和应用率

的确我们现在有了CTD这个编写测试用例的工具,极大的简化了测试用例的编写,但是我们还是需要深入研究一下,不仅仅是停留在表面。需要拥有扎实的理论基础。还有几篇国外paper看一看,同时提醒我不能忘本。

 

技术,这是一个永恒的话题

测试不仅仅是需要BA的分析,其他的测试技术仅仅是帮助我们方便快速的查找defect。技术这方面我了解的的确不多,受项目和经历的影响。以后希望能够接触更多的技术吧。分享的人总结了测试路线图,思路挺清晰的,主要是他说是自己总结的,好感度提升到80%。我待会画一下。

 PPT 美个赞

说道这个不得不回想起周六的TB,感觉非常不好,我原本以为只是偶尔diss,没想到diss是常态。不说了心情会凉大半截。PPT是其他话题无意中带出来了,就那么一句。PPT 真的是很重要类似于见面的第一印象。要有提纲,有血有肉最好还有颜值(主题配色)。多临摹其他商业PPT,其实学术型PPT就够用了,但是我还没见过其他项目PPT。从我们项目开始总结。

 

刚才思路打断了。接着前面说。分享会完事后有提问环节,表现时刻。no no no。没有人问。因为定势思维,类似于课堂与老师的提问环节。会后我才想起提问什么,没有反应过来。

分享会很流程化,介绍现在的项目流程,运用到的技术,巴拉巴拉一大堆。最后回忆整个课程,却没有任何印象(这就是我为什么写这篇博客,因为我记不住啊)。后来我想想他们没有说过在项目中遇到的问题,以及解决的方案。这就类似于一个故事结构,有引引入省的开头(背景),跌宕起伏的情节(发现问题),故事中的高潮(解决的方案)以及最终的大结局(思考)。

你的项目遇到了什么问题?怎么解决的,中间的过程如何管理?

微服务与传统测试流程的不同,所面临的问题以及项目中的趣事,吐槽。

我对微服务挺感兴趣的,主要是因为觉得它会跟开发(终极目标)更近,通过分享会了解,其实它需要掌握多种测试技术尤其是接口测试,而且对项目管理要求的更高。没有做过,所以好奇。

 

写这篇博客之前。我是打算仅仅把分享会提供的学习链接记录下来的,没想到会写这么多。现在目前感觉是没有时间学习。工作主要是学行业领域的逻辑内容执行测试。很少能够静下心来去真正的了解测试。这也是我很纠结的地方,这条路到底能够走到多远。不断地学习与充实自己吧。以此,敬上。

 

认真对待,摒弃学生思维。工作与效率。

 

Link:

机器学习:

scikit-learning https://scikit-learn.org/stable/

TensorFlow http://www.tensorfly.cn/

IBM Community https://developer.ibm.com/community/

案例分享 https://testerhome.com/topics/8167


推荐阅读
  • 深入解析:手把手教你构建决策树算法
    本文详细介绍了机器学习中广泛应用的决策树算法,通过天气数据集的实例演示了ID3和CART算法的手动推导过程。文章长度约2000字,建议阅读时间5分钟。 ... [详细]
  • 尽管深度学习带来了广泛的应用前景,其训练通常需要强大的计算资源。然而,并非所有开发者都能负担得起高性能服务器或专用硬件。本文探讨了如何在有限的硬件条件下(如ARM CPU)高效运行深度神经网络,特别是通过选择合适的工具和框架来加速模型推理。 ... [详细]
  • Coursera ML 机器学习
    2019独角兽企业重金招聘Python工程师标准线性回归算法计算过程CostFunction梯度下降算法多变量回归![选择特征](https:static.oschina.n ... [详细]
  • 深入浅出TensorFlow数据读写机制
    本文详细介绍TensorFlow中的数据读写操作,包括TFRecord文件的创建与读取,以及数据集(dataset)的相关概念和使用方法。 ... [详细]
  • 探索如何使用公共数据集为您的编程项目提供动力。无论您是编程新手还是有经验的开发者,本文将为您提供实用建议和资源,帮助您启动并运行一个创新的数据驱动型项目。 ... [详细]
  • 本文介绍如何使用 Python 的 Pandas 库中 Series 对象的 round() 方法,对数值进行四舍五入处理。该方法在数据预处理和分析中非常有用。 ... [详细]
  • 简化报表生成:EasyReport工具的全面解析
    本文详细介绍了EasyReport,一个易于使用的开源Web报表工具。该工具支持Hadoop、HBase及多种关系型数据库,能够将SQL查询结果转换为HTML表格,并提供Excel导出、图表显示和表头冻结等功能。 ... [详细]
  • Python 工具推荐 | PyHubWeekly 第二十一期:提升命令行体验的五大工具
    本期 PyHubWeekly 为大家精选了 GitHub 上五个优秀的 Python 工具,涵盖金融数据可视化、终端美化、国际化支持、图像增强和远程 Shell 环境配置。欢迎关注并参与项目。 ... [详细]
  • 本文介绍了一个基于 Java SpringMVC 和 SSM 框架的综合系统,涵盖了操作日志记录、文件管理、头像编辑、权限控制、以及多种技术集成如 Shiro、Redis 等,旨在提供一个高效且功能丰富的开发平台。 ... [详细]
  • 本文旨在探讨如何利用决策树算法实现对男女性别的分类。通过引入信息熵和信息增益的概念,结合具体的数据集,详细介绍了决策树的构建过程,并展示了其在实际应用中的效果。 ... [详细]
  • 本文详细探讨了在微服务架构中,使用Feign进行远程调用时出现的请求头丢失问题,并提供了具体的解决方案。重点讨论了单线程和异步调用两种场景下的处理方法。 ... [详细]
  • Spring Cloud学习指南:深入理解微服务架构
    本文介绍了微服务架构的基本概念及其在Spring Cloud中的实现。讨论了微服务架构的主要优势,如简化开发和维护、快速启动、灵活的技术栈选择以及按需扩展的能力。同时,也探讨了微服务架构面临的挑战,包括较高的运维要求、分布式系统的复杂性、接口调整的成本等问题。最后,文章提出了实施微服务时应遵循的设计原则。 ... [详细]
  • LambdaMART算法详解
    本文详细介绍了LambdaMART算法的背景、原理及其在信息检索中的应用。首先回顾了LambdaMART的发展历程,包括其前身RankNet和LambdaRank,然后深入探讨了LambdaMART如何结合梯度提升决策树(GBDT)和LambdaRank来优化排序问题。 ... [详细]
  • 本文探讨了Web开发与游戏开发之间的主要区别,旨在帮助开发者更好地理解两种开发领域的特性和需求。文章基于作者的实际经验和网络资料整理而成。 ... [详细]
  • 智慧城市建设现状及未来趋势
    随着新基建政策的推进及‘十四五’规划的实施,我国正步入以5G、人工智能等先进技术引领的智慧经济新时代。规划强调加速数字化转型,促进数字政府建设,新基建政策亦倡导城市基础设施的全面数字化。本文探讨了智慧城市的发展背景、全球及国内进展、市场规模、架构设计,以及百度、阿里、腾讯、华为等领军企业在该领域的布局策略。 ... [详细]
author-avatar
早起床的小鸟
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有