Certified Tester AI-Testing Quiz

Ein Zertifizierungsprogramm für Softwaretester.

Testmethoden speziell für künstliche Intelligenz.

International Software Testing Qualifications Board, die Organisation hinter Tester-Zertifizierungen.

Strukturierte Übersicht über die Inhalte und Themen einer Zertifizierung.

Gesetzliche Regelungen zum Schutz geistigen Eigentums.

Rechte, die bestimmen, wie ein Werk genutzt werden darf.

Die Genauigkeit und Korrektheit der technischen Informationen.

Verantwortung für Schäden oder Fehler in einem Werk.

Bereiche, in denen der Einsatz von KI weniger wahrscheinlich ist.

Ein System zur Vorhersage von Fehlern unter Verwendung von KI-Techniken.

Das ISTQB® Certified Tester Foundation Level Zertifikat muss vorher erworben werden.

Die Genehmigung durch nationale ISTQB-Mitglieds-Boards für Seminare und Kurse.

Allgemeine Ziele, die die Absicht des Certified Tester AI Testing darstellen.

Wichtige Begriffe und Konzepte, die sich Lernende merken sollen.

Materialien, die mit den Akkreditierungsrichtlinien übereinstimmen.

Alle Abschnitte sind relevant, außer Einleitungen und Anhänge.

Die Fähigkeit eines technischen Systems, Wissen zu erwerben und anzuwenden.

Die Veränderung der Wahrnehmung dessen, was KI ausmacht, über die Zeit.

KI-Systeme, die eine spezifische Aufgabe in einem begrenzten Kontext ausführen können.

Ein hypothetisches KI-System, das menschliches Denken in vollem Umfang imitieren kann.

Ein KI-System, das menschliche Intelligenz übertrifft.

Ein computergestütztes System, das 1997 Garri Kasparow im Schach besiegte.

Frühere KI-Programme, die menschliches Wissen in Form von Regeln verwendeten.

Ein einfacher, aber ineffizienter Ansatz, der ohne Lernen funktioniert.

Ein Modell, das bereits auf bestimmten Daten trainiert wurde und verwendet wird, um neue Modelle zu erstellen.

Die Anpassung eines vortrainierten Modells für eine neue Aufgabe.

Ein Modell, das Bilder in Kategorien einteilt.

Ein umfangreicher Datensatz mit über 14 Millionen Bildern zur Klassifizierungsforschung.

Ein Modell, das aus Schichten besteht und Muster in Daten erkennt.

Untergliederung eines neuronalen Netzes in einfache (obere) und komplexe (tiefere) Aufgaben.

Der Prozess, ein vortrainiertes Modell mit neuen, spezifischen Daten zu verbessern.

Ein vortrainiertes Modell wird in Systeme integriert, ohne es zu verändern.

Ein ML-Ansatz, der aus gekennzeichneten Daten lernt, um Vorhersagen zu treffen.

Ein ML-Ansatz, der aus unmarkierten Daten lernt und Muster erkennen kann.

Ein ML-Ansatz, der Lernen durch Belohnungen und Bestrafungen umfasst.

Ein überwacht Lernverfahren, das Daten in vordefinierte Kategorien einordnet.

Ein überwacht Lernverfahren, das Wertvorhersagen auf Basis von Eingaben macht.

Ein unüberwachtes Lernverfahren, das ähnliche Datenpunkte gruppiert.

Ein unüberwachtes Lernverfahren, das Beziehungen zwischen Daten erkennt.

Wenn ein ML-Modell die Trainingsdaten zu gut lernt und bei neuen Daten versagt.

Der Prozess der Beschaffung, Vorverarbeitung und Merkmalsermittlung von Daten.

Eine Methode zur Analyse von Datensätzen, um Muster und Auffälligkeiten zu entdecken.

Ein System, das aktuelle Marktinformationen nutzt, um Entscheidungen in Echtzeit zu treffen.

Daten, die verwendet werden, um ein Modell zu trainieren und seine Leistung zu verbessern.

Eine vollständige Durchlauf des Trainingsdatensatzes während des Modelltrainings.

Parameter, die die Struktur und den Lernprozess eines Modells definieren.

Die architektonische Anordnung eines Modells, definiert durch verschiedene Parameter.

Der Prozess, um sicherzustellen, dass die für das Modell bereitgestellten Daten korrekt und repräsentativ sind.