包含人工智能组件的软件测试将更加复杂和健壮

如果您想了解诸如预测分析之类的测试要求，则需要考虑AI如何“学习其世界”。例如，您将想知道预测在何处以及如何崩溃，以及算法的潜在弱点以及如何找到它们。

就像人一样，机器也有过去的经验。但是那些经验是由程序员创建的，他们创建了系统可以学习的历史数据的训练集。

那么，如何才能选择和创建强大的测试数据集呢?您如何测试现实世界中可能遇到的脏数据的真实性?以及如何避免以意外生成错误预测的方式用测试数据集训练AI?

在您可以回答这些问题并开始测试之前，您需要具备AI技术的工作知识和三种学习的基本理论。

简而言之，人工智能，机器学习和深度学习

术语“人工智能”，“机器学习”和“深度学习”被频繁使用，并且经常被混淆。要了解学习理论如何应用于这些技术，您必须首先了解它们是什么。

人工智能

是智能机器的研究和创造，旨在尽可能地复制人类的思维。AI有许多子域，包括机器学习，深度学习和自然语言处理，每个子域都有其自身的复杂性。

机器学习

发生在创建可以学习非直接编程方式执行性能的系统时。它们是自我更新的，无需人工干预即可改善。娱乐网站上的推荐引擎就是一个很好的例子。

深度学习系统

通过以非线性方式处理超大型数据集来更紧密地建模人类神经网络。通过在海量数据的不同点使用多个参考点，深度学习系统可以检测到各个分层数据点之间更细微的关系。深度学习网络可让半自动驾驶汽车上路，并帮助家庭助理看起来对用户的反应更快。

人工智能技术正在迅速融入人们的生活，日新月异。从技术或数学角度了解它们的复杂性可能很困难。

学习您应该知道的理论

人工学习理论可以极大地增强您了解机器学习的能力，以及在测试复杂的，基于AI的硬件和软件时如何确定要考虑的内容。

在过去的150年中，许多心理学家，教育家和社会学家已经研究了人类学习，并且已经了解到人类学习是一项复杂的工作。同时，我们仍然不了解人类学习的某些领域。

要了解学习研究如何发展，您需要具备行为主义，认知和建设性理论的基础知识。

行为主义

行为主义学习理论基于这样的思想，即知识是外部的，学习是通过重复的相互作用而发生的，从而导致结果的改变。知识是外在的，可观察的真理，而不是思想或情感。

最著名的行为主义研究之一是伊万·帕夫洛夫(Ivan Pavlov)进行的，他在敲铃时使狗流涎。行为主义学习理论对于理解人类的低水平学习最有用。大多数行为研究是在对动物进行尝试之前先对它们进行的。

认知性

认知学习理论说，要理解和鼓励学习，您应该超越行为，并关注行为的原因。在这种理论中，行为，环境和个人影响力都是影响一个人学习和决策能力的所有因素。

认知理论作为状态变化最为明显。例如，某人通过思考过程，对环境做出反应并根据所有这些因素做出决策，变得更擅长驾驶汽车。

认知和行为模型都趋向于构成学习的更死板，记忆，孤立和抽象的知识形式。

建设性的

在建构性学习理论中，知识是根据人类如何解释过去的经验，当前的状态以及给定上下文中的知识来构建的。在建构主义的观点中，知识不是一个单一的“真相”，而是相对于该人的空间，时间和经验，在给定上下文中该人的真理。