آموزش مقدمهای بر تحلیل خودکار
لازم به ذکر است زیرنویس این دوره توسط هوش مصنوعی انجام شده‌است.دوره آموزش مقدمهای بر تحلیل خودکار تکنیک‌های پیشرفته تحلیل خودکار را معرفی می‌کند. تحلیل خودکار شامل دو رویکرد است: اول، تولید خودکار تعداد زیادی ...
Kevin Wendt
+ 1 مدرس دیگر
آنچه در این دوره می‌آموزید
چگونگی تشخیص نقاط قوت و ضعف تست تصادفی، تحلیل نمادین، تحلیل استاتیک و بررسی مدل
نحوه ایجاد الزامات اجرایی به عنوان اوراکل برای تست خودکار و تحلیل نمادین مناسب
چگونگی درک تأثیر انتخاب اوراکل بر کشف خطا در استراتژی‌های تحلیل خودکار
نحوه استفاده از تست خودکار برای دستیابی به پوشش کامل جهش
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.
دوره آموزش مقدمهای بر تحلیل خودکار تکنیک‌های پیشرفته تحلیل خودکار را معرفی می‌کند. تحلیل خودکار شامل دو رویکرد است: اول، تولید خودکار تعداد زیادی از تست‌ها برای بررسی تطابق برنامه با الزامات.
دوم، روشی برای اثبات این موضوع که نرم‌افزار مطابق با الزامات کار می‌کند و از برخی نقص‌های رایج مانند تقسیم بر صفر، سرریز/کم‌ریز، بن‌بست، مسابقه شرایط، سرریز بافر/آرایه، استثنائات نگرفته و چندین باگ رایج دیگر که می‌توانند منجر به خرابی برنامه یا مشکلات امنیتی شوند، عاری است.
دانش‌پذیران با تئوری بنیادی و کاربردهای چنین رویکردهایی آشنا شده و تکنیک‌های مختلف تحلیل خودکار را روی برنامه‌های نمونه به کار خواهند بست.
اطلاعات بیشتر
دوره‌های پیشنهادی
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