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
  • 微软头条实习生分享深度学习自学指南
    本文介绍了一位微软头条实习生自学深度学习的经验分享,包括学习资源推荐、重要基础知识的学习要点等。作者强调了学好Python和数学基础的重要性,并提供了一些建议。 ... [详细]
  • 云原生边缘计算之KubeEdge简介及功能特点
    本文介绍了云原生边缘计算中的KubeEdge系统,该系统是一个开源系统,用于将容器化应用程序编排功能扩展到Edge的主机。它基于Kubernetes构建,并为网络应用程序提供基础架构支持。同时,KubeEdge具有离线模式、基于Kubernetes的节点、群集、应用程序和设备管理、资源优化等特点。此外,KubeEdge还支持跨平台工作,在私有、公共和混合云中都可以运行。同时,KubeEdge还提供数据管理和数据分析管道引擎的支持。最后,本文还介绍了KubeEdge系统生成证书的方法。 ... [详细]
  • 本文介绍了在Python张量流中使用make_merged_spec()方法合并设备规格对象的方法和语法,以及参数和返回值的说明,并提供了一个示例代码。 ... [详细]
  • 3年半巨亏242亿!商汤高估了深度学习,下错了棋?
    转自:新智元三年半研发开支近70亿,累计亏损242亿。AI这门生意好像越来越不好做了。近日,商汤科技已向港交所递交IPO申请。招股书显示& ... [详细]
  • 本人学习笔记,知识点均摘自于网络,用于学习和交流(如未注明出处,请提醒,将及时更正,谢谢)OS:我学习是为了上 ... [详细]
  • 后台自动化测试与持续部署实践
    后台自动化测试与持续部署实践https:mp.weixin.qq.comslqwGUCKZM0AvEw_xh-7BDA后台自动化测试与持续部署实践原创 腾讯程序员 腾讯技术工程 2 ... [详细]
  • 2018年人工智能大数据的爆发,学Java还是Python?
    本文介绍了2018年人工智能大数据的爆发以及学习Java和Python的相关知识。在人工智能和大数据时代,Java和Python这两门编程语言都很优秀且火爆。选择学习哪门语言要根据个人兴趣爱好来决定。Python是一门拥有简洁语法的高级编程语言,容易上手。其特色之一是强制使用空白符作为语句缩进,使得新手可以快速上手。目前,Python在人工智能领域有着广泛的应用。如果对Java、Python或大数据感兴趣,欢迎加入qq群458345782。 ... [详细]
  • 浏览器中的异常检测算法及其在深度学习中的应用
    本文介绍了在浏览器中进行异常检测的算法,包括统计学方法和机器学习方法,并探讨了异常检测在深度学习中的应用。异常检测在金融领域的信用卡欺诈、企业安全领域的非法入侵、IT运维中的设备维护时间点预测等方面具有广泛的应用。通过使用TensorFlow.js进行异常检测,可以实现对单变量和多变量异常的检测。统计学方法通过估计数据的分布概率来计算数据点的异常概率,而机器学习方法则通过训练数据来建立异常检测模型。 ... [详细]
  • 本文介绍了绕过WAF的XSS检测机制的方法,包括确定payload结构、测试和混淆。同时提出了一种构建XSS payload的方法,该payload与安全机制使用的正则表达式不匹配。通过清理用户输入、转义输出、使用文档对象模型(DOM)接收器和源、实施适当的跨域资源共享(CORS)策略和其他安全策略,可以有效阻止XSS漏洞。但是,WAF或自定义过滤器仍然被广泛使用来增加安全性。本文的方法可以绕过这种安全机制,构建与正则表达式不匹配的XSS payload。 ... [详细]
  • 手把手教你使用GraphPad Prism和Excel绘制回归分析结果的森林图
    本文介绍了使用GraphPad Prism和Excel绘制回归分析结果的森林图的方法。通过展示森林图,可以更加直观地将回归分析结果可视化。GraphPad Prism是一款专门为医学专业人士设计的绘图软件,同时也兼顾统计分析的功能,操作便捷,可以帮助科研人员轻松绘制出高质量的专业图形。文章以一篇发表在JACC杂志上的研究为例,利用其中的多因素回归分析结果来绘制森林图。通过本文的指导,读者可以学会如何使用GraphPad Prism和Excel绘制回归分析结果的森林图。 ... [详细]
  • 本文介绍了Python语言程序设计中文件和数据格式化的操作,包括使用np.savetext保存文本文件,对文本文件和二进制文件进行统一的操作步骤,以及使用Numpy模块进行数据可视化编程的指南。同时还提供了一些关于Python的测试题。 ... [详细]
  • 本文介绍了贝叶斯垃圾邮件分类的机器学习代码,代码来源于https://www.cnblogs.com/huangyc/p/10327209.html,并对代码进行了简介。朴素贝叶斯分类器训练函数包括求p(Ci)和基于词汇表的p(w|Ci)。 ... [详细]
  • ElasticSerach初探第一篇认识ES+环境搭建+简单MySQL数据同步+SpringBoot整合ES
    一、认识ElasticSearch是一个基于Lucene的开源搜索引擎,通过简单的RESTfulAPI来隐藏Lucene的复杂性。全文搜索,分析系统&# ... [详细]
  • 建立分类感知器二元模型对样本数据进行分类
    本文介绍了建立分类感知器二元模型对样本数据进行分类的方法。通过建立线性模型,使用最小二乘、Logistic回归等方法进行建模,考虑到可能性的大小等因素。通过极大似然估计求得分类器的参数,使用牛顿-拉菲森迭代方法求解方程组。同时介绍了梯度上升算法和牛顿迭代的收敛速度比较。最后给出了公式法和logistic regression的实现示例。 ... [详细]
  • cs231n Lecture 3 线性分类笔记(一)
    内容列表线性分类器简介线性评分函数阐明线性分类器损失函数多类SVMSoftmax分类器SVM和Softmax的比较基于Web的可交互线性分类器原型小结注:中文翻译 ... [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