آموزش تست جعبه سیاه و جعبه سفید
لازم به ذکر است زیرنویس این دوره توسط هوش مصنوعی انجام شده‌است.با گذراندن دوره آموزش تست جعبه سیاه و جعبه سفید با زیرنویس ماشینی، فراگیران با طیف وسیعی از تکنیک‌های تست جعبه سیاه و جعبه ...
Kevin Wendt
+ 1 مدرس دیگر
آنچه در این دوره می‌آموزید
چگونگی ارزیابی قابلیت تست‌پذیری الزامات
نحوه تعریف واحدهای قابل تست در مشخصات برنامه
انتخاب و اعمال روش‌های انتخاب ورودی تست جعبه سیاه
نحوه توسعه تست‌های خودکار و اوراکل‌های تست برای تأیید خودکار نرم‌افزار
محتوای دوره
پیش‌نیاز‌ها
برای درک و استفاده بهتر از این دوره آشنایی با یک زبان برنامه‌نویسی شی‌گرا مانند جاوا، و نصب IDE (برای مثال Eclipse) و اصطلاحات تخصصی Testing الزامیست.
درباره دوره
لازم به ذکر است زیرنویس این دوره توسط هوش مصنوعی انجام شده‌است.
با گذراندن دوره آموزش تست جعبه سیاه و جعبه سفید با زیرنویس ماشینی، فراگیران با طیف وسیعی از تکنیک‌های تست جعبه سیاه و جعبه سفید آشنا خواهند شد. این دانش را در عمل به کار خواهند بست و مجموعه‌های مؤثر از موارد تست (که به آن «مجموعه تست» گفته می‌شود) را برای اجرای صحیح نرم‌افزار و یافتن نقص، ایجاد خواهند کرد.
همچنین، الزامات مرتبط با قابلیت تست‌شدن را بررسی کرده، یک اوراکل (ارائه کننده خروجی صحیح) برای تست خودکار ایجاد خواهند کرد. علاوه بر این، اثربخشی مجموعه تست در یافتن خطا را ارزیابی کرده و با استفاده از تکنیک‌های مختلف، ورودی‌های تست را تولید خواهند کرد.
اطلاعات بیشتر
درباره استاد
Kevin Wendt متخصص آموزش در بخش علوم کامپیوتر و مهندسی (CS&E) دانشگاه مینه سوتا هستند. او مدیر برنامه کارشناسی ارشد مهندسی نرم افزار (MSSE) و سرپرست دستیاران آموزشی تحصیلات تکمیلی در CS&E می باشد. وی طیف وسیعی از دوره ها را از مهندسی نرم افزار تحصیلات تکمیلی تا برنامه نویسی مقدماتی برای غیرمرتبطین تدریس می کند. او پیش از پیوستن به دانشگاه مینه سوتا، به مدت ۶ سال در کالج فنی دانوودی با قدمت ۱۰۰ سال تدریس کرده و همچنین ۵ سال به عنوان برنامه نویس کاربردی در شرکت ولز فارگو مشغول به کار بوده است.
اطلاعات بیشتر
دیگر دوره‌های Kevin Wendt
علایق پژوهشی او در تقاطع نیازمندی‌های نرم‌افزار، معماری نرم‌افزار و تایید صحت آن‌ها قرار دارد. این علاقه ناشی از تمایل قوی برای ایمن‌تر، مقاوم‌تر و امن‌تر کردن طیف وسیعی از سیستم‌های نرم‌افزاری است. به طور خاص، او به دنبال توسعه‌ی شیوه‌های تست خودکار و تایید صحت صوری در مقیاس وسیع است تا بتوان آن‌ها را به طور مکرر و با صرفه اقتصادی در عملِ صنعت به کار گرفت. با ارائه بازخورد غنی به توسعه‌دهندگان بر اساس شواهد تایید صحت، به آن‌ها در درک ارتباط بین مصنوعات نرم‌افزاری و کفایت تاییدی که با توجه به هدفِ درنظرگرفته‌شده‌ی نرم‌افزار انجام شده است، کمک می‌کند. و در نهایت، به دنبال تدوین نیازمندی‌ها و ارائه‌ی شواهد تایید صحت دقیق برای نرم‌افزارهای تطبیق‌پذیر و یادگیری ماشین است که در سیستم‌های سایبر-فیزیکی به کار گرفته خواهند شد.
اطلاعات بیشتر