测试同学学AI，不怎么懂编程，如何学习AI

📝 面试求职： 「面试试题小程序」 ，内容涵盖 测试基础、Linux操作系统、MySQL数据库、Web功能测试、接口测试、APPium移动端测试、Python知识、Selenium自动化测试相关、性能测试、性能测试、计算机网络知识、Jmeter、HR面试，命中率杠杠的。（大家刷起来…）

📝 职场经验干货：

软件测试工程师简历上如何编写个人信息（一周8个面试）

软件测试工程师简历上如何编写专业技能（一周8个面试）

软件测试工程师简历上如何编写项目经验（一周8个面试）

软件测试工程师简历上如何编写个人荣誉（一周8个面试）

软件测试行情分享（这些都不了解就别贸然冲了.）

软件测试面试重点，搞清楚这些轻松拿到年薪30W+

软件测试面试刷题小程序免费使用（永久使用）

---

AI时代来临，对于测试同学来说，顺应趋势逐步掌握AI相关技能，可以让自己在未来的职场更具竞争力。TesterHome社区也将不断为大家推送AI技术、技能的相关内容，供大家学习参考。

谈到AI，很多测试同学可能会说，自己不怎么懂编程，想要学习又不知道如何下手。其实，对于不太懂编程的测试同学，大家可以从基础概念、工具使用、无代码平台等角度入手，不需要直接从编程开始。

以下是一些建议：

1. 学习AI和机器学习的基础概念

理解AI的核心概念：学习AI、机器学习（ML）和深度学习（DL）的区别，以及它们在不同场景中的应用。理解机器学习中的基本术语，比如特征、标签、训练集、测试集等。
模型的工作原理：了解AI模型如何通过学习数据中的模式来完成任务，如分类、预测等。理解基础模型（如线性回归、决策树、神经网络）背后的基本思路。

推荐资源：

在线课程，如 Coursera 的 Andrew Ng《机器学习》课程（可以先观看课程的理论部分）。
Khan Academy、知乎、B站上关于 AI 基础的科普视频。

2. 学习数据处理和数据分析

机器学习的基础在于数据。即便不编程，也可以学习数据的基本处理过程，比如如何进行数据清洗、分析和简单的可视化。

使用一些无代码数据处理工具（如 Microsoft Excel、Tableau、Google Data Studio）来探索数据，学习如何通过数据找到模式和趋势。

推荐工具：

Tableau：一个无代码的数据可视化工具，便于探索数据关系。
Google Sheets：可以处理简单的数据分析，甚至用公式来计算一些基础统计数据。

3. 使用无代码AI平台

比如：

AutoML：有很多自动化机器学习平台不需要编程，比如 Google AutoML、Microsoft Azure ML Studio、DataRobot、H2O.ai。你可以通过这些平台导入数据，选择模型类型，自动训练模型，并生成结果。

Teachable Machine：Google 的 Teachable Machine 是一个简单的图像和音频分类工具，不需要编程，适合体验基本的 AI 模型。

推荐资源：

Google AutoML
Microsoft Azure Machine Learning Studio
Teachable Machine

4. 学习如何测试AI模型

模型评估指标：了解常用的模型评估指标，如准确率、精确率、召回率、F1 分数等，理解这些指标的含义及其适用的场景。知道如何根据不同业务需求来选择合适的评估指标。
测试AI模型的稳定性和鲁棒性：即使不编程，也可以设计和运行一些测试用例来评估模型对不同输入的反应。例如，可以尝试不同的数据集，观察模型结果是否一致，是否有明显的偏差。

5. 关注AI在测试中的应用

了解 AI 如何应用于软件测试中，例如自动生成测试用例、智能缺陷检测、UI 自动化测试等。这类知识可以帮助你找到 AI 在当前测试工作中的应用场景。

有些智能测试平台（如 Applitools、Testim.io）结合了 AI 和自动化测试技术，许多功能不需要编程，便于上手。

6. 了解Python和基础编程的概念

尽管不懂编程也可以开始学习 AI，但逐步掌握一些基础编程知识会非常有帮助。可以从 Python 的基础语法和简单的数据处理入手。

了解基本的逻辑语句（如 if-else、循环）和数据结构（如列表、字典），这些知识会让你更好地理解机器学习过程。

推荐资源：

在线平台（如 W3Schools、Codecademy）提供 Python 基础课程，适合完全零基础的学习者。
YouTube 或 B站上的 Python 入门视频，很多教程深入浅出。

7. 动手实践

尝试在 AutoML 平台或无代码机器学习工具中创建一个简单的项目，比如图像分类、情感分析等。

可以利用公开数据集（如 Kaggle 数据集）来练习数据处理和模型训练的流程。

8. 融入AI社区，向有经验的人学习

参与 AI 和测试社区活动，参加 AI 测试相关的论坛、在线研讨会，了解行业动态，学习其他从业者的经验。

如果有机会，可以向团队中的 AI 工程师或数据科学家学习，获取实践中的反馈和指导。

总体来说，推荐的学习路径总结如下：

1. 学习AI基础概念 → 2. 数据处理和可视化 → 3. 无代码 AI 工具 → 4. 模型评估和测试 → 5. 初步学习 Python（可选） → 6. 参与项目，积累经验

即使不编程，也可以通过掌握 AI 的理论知识和工具，逐步找到 AI 在测试中的应用方式，为未来的职业发展增添新的技能。

---

最后： 下方这份完整的软件测试视频教程已经整理上传完成，需要的朋友们可以自行领取 【保证100%免费】