دوره تست فنی خودکار برای Machine Learning (ML) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب تست فنی خودکار برای Machine Learning (ML)

موضوع کلی: برنامه نویسی

موضوع میانی: تست نرم‌افزار**

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر یادگیری ماشین
• 2. مقدمه‌ای بر تست نرم‌افزار
• 3. اهمیت تست در چرخه حیات یادگیری ماشین
• 4. مقدمه‌ای بر تست خودکار
• 5. نقش تست خودکار در پروژه‌های یادگیری ماشین
• 6. انواع تست نرم‌افزار
• 7. انواع تست برای مدل‌های یادگیری ماشین
• 8. اهداف تست فنی خودکار ML
• 9. اصول مهندسی کیفیت در ML
• 10. تعریف سناریوهای تست برای ML
• 11. مستندسازی نیازمندی‌های تست ML
• 12. تعریف معیارهای موفقیت در تست ML
• 13. تفاوت تست سنتی و تست ML
• 14. چالش‌های تست مدل‌های ML
• 15. چالش‌های تست داده‌های ML
• 16. چالش‌های تست کد ML
• 17. چالش‌های تست مدل‌های یادگیری عمیق
• 18. چالش‌های تست مدل‌های یادگیری تقویتی
• 19. انتخاب ابزار مناسب برای تست خودکار ML
• 20. معرفی فریم‌ورک‌های تست خودکار Python
• 21. معرفی Pytest برای تست ML
• 22. معرفی Unittest برای تست ML
• 23. معرفی Selenium برای تست UI مدل‌های ML
• 24. معرفی Docker برای محیط تست ML
• 25. اصول مهندسی نرم‌افزار در توسعه ML
• 26. استانداردهای کدنویسی برای پروژه‌های ML
• 27. مدیریت ورژن کد برای پروژه‌های ML
• 28. مقدمه‌ای بر تست واحد (Unit Testing)
• 29. تست واحد توابع پردازش داده
• 30. تست واحد توابع پیش‌پردازش داده
• 31. تست واحد توابع پاکسازی داده
• 32. تست واحد توابع مهندسی ویژگی
• 33. تست واحد الگوریتم‌های یادگیری ماشین
• 34. تست واحد مدل‌های رگرسیون
• 35. تست واحد مدل‌های طبقه‌بندی
• 36. تست واحد مدل‌های خوشه‌بندی
• 37. تست واحد مدل‌های کاهش ابعاد
• 38. تست واحد توابع ارزیابی مدل
• 39. تست واحد توابع ذخیره و بارگذاری مدل
• 40. مقدمه‌ای بر تست یکپارچگی (Integration Testing)
• 41. تست یکپارچگی ماژول‌های پیش‌پردازش و مدل
• 42. تست یکپارچگی ماژول‌های مدل و پیش‌بینی
• 43. تست یکپارچگی APIهای مدل ML
• 44. تست یکپارچگی پایگاه داده داده‌های ML
• 45. تست یکپارچگی سیستم‌های بیرونی با مدل ML
• 46. مقدمه‌ای بر تست پذیرش (Acceptance Testing)
• 47. تست پذیرش سناریوهای کاربر نهایی
• 48. تست پذیرش مبتنی بر داده‌های واقعی
• 49. تست پذیرش مبتنی بر معیارهای کسب و کار
• 50. تست پذیرش A/B Testing برای مدل‌های ML
• 51. مقدمه‌ای بر تست عملکرد (Performance Testing)
• 52. تست بار (Load Testing) مدل‌های ML
• 53. تست استرس (Stress Testing) مدل‌های ML
• 54. تست تأخیر (Latency Testing) مدل‌های ML
• 55. تست مقیاس‌پذیری (Scalability Testing) مدل‌های ML
• 56. تست مصرف حافظه (Memory Usage Testing) مدل‌های ML
• 57. تست مصرف CPU (CPU Usage Testing) مدل‌های ML
• 58. مقدمه‌ای بر تست امنیت (Security Testing)
• 59. تست نفوذ (Penetration Testing) برای مدل‌های ML
• 60. تست حمله Adversarial برای مدل‌های ML
• 61. تست حریم خصوصی داده‌ها (Data Privacy Testing)
• 62. تست امنیتی APIهای مدل ML
• 63. مقدمه‌ای بر تست استحکام (Robustness Testing)
• 64. تست حساسیت (Sensitivity Testing) مدل‌های ML
• 65. تست نویز (Noise Injection Testing) در داده‌ها
• 66. تست داده‌های پرت (Outlier Testing)
• 67. تست خطا در داده‌های ورودی
• 68. مقدمه‌ای بر تست قابلیت توضیح‌پذیری (Explainability Testing)
• 69. تست LIME و SHAP برای مدل‌های ML
• 70. تست اهمیت ویژگی‌ها (Feature Importance Testing)
• 71. تست پیش‌بینی‌های مدل در سناریوهای مرزی
• 72. مقدمه‌ای بر تست انحراف (Drift Testing)
• 73. تست انحراف داده (Data Drift Testing)
• 74. تست انحراف مفهوم (Concept Drift Testing)
• 75. تست انحراف مدل (Model Drift Testing)
• 76. استراتژی‌های تشخیص انحراف
• 77. مقدمه‌ای بر تست قابلیت تکرار (Reproducibility Testing)
• 78. تست قابلیت تکرار آموزش مدل
• 79. تست قابلیت تکرار پیش‌بینی مدل
• 80. تست قابلیت تکرار نتایج ارزیابی
• 81. مقدمه‌ای بر CI/CD برای ML
• 82. پیاده‌سازی CI/CD برای پروژه‌های ML
• 83. تست خودکار در پایپ‌لاین CI/CD
• 84. استراتژی‌های انتشار مدل ML
• 85. نظارت بر مدل‌های ML در محیط عملیاتی
• 86. تست A/B/n در محیط عملیاتی
• 87. تست انحراف در محیط عملیاتی
• 88. تست بازگشت (Rollback Testing) مدل‌های ML
• 89. مدیریت انحراف و بازآموزی مدل
• 90. اصول MLOps
• 91. نقش تست در MLOps
• 92. ابزارهای MLOps برای تست خودکار
• 93. بهبود مداوم فرآیندهای تست ML
• 94. مطالعات موردی تست خودکار ML
• 95. آینده تست خودکار برای ML
• 96. جمع‌بندی و گام‌های بعدی
• 97. ابزارها و فریم‌ورک‌های تست خودکار برای یادگیری ماشین
• 98. پیاده‌سازی تست‌های خودکار در خط لوله CI/CD یادگیری ماشین
• 99. شاخص‌های ارزیابی و معیارهای موفقیت برای تست‌های ML
• 100. تست‌های A/B و مقایسه عملکرد مدل‌های یادگیری ماشین