机器学习在软件测试领域的应用
测试组
1、拆原型条件：原型设计依赖于定义的标签定义标签5-10种，如add,update,delete,search,list,input,button,img,link,password通过dom树识别元素类型，降噪、二值化原型图片，分类到各个标签，多次深度学习训练，多次演练生成原型类型、附加元素特征。
2、原型如何生成一套前端代码
前置条件：多次演练生成的原型类型、附加元素特征标签。根据原型类型和附加元素特征标签：add,update,delete,search,list,input,button,img,link自动转变成前端css,nodejs,react代码。
3、原型如何生成一套后端代码
前置条件：多次演练生成的原型类型、附加元素特征标签。根据原型类型和附加原型特征标签如add,update,delete,search,list,input,button,img,link,自动转变成后端如java,python,php代码。
4、原型如何生成自动化、功能测试案例
前置条件：多次演练生成的原型类型、附加元素特征标签。根据原型类型和附件原型特征标签，如post,get,delete转化成接口自动化案例，根据特征标签如add,update,delete,search,list生成功能测试案例。
思考的出发点基于这个原型
讨论的出发点也是基于这个原型
整体的分为两点，
1，做，要怎么做
1，怎么按照这个思路来做
- 1，可以看出这个思路的核心是这个原型
- 2，原型需要制定好规则，这种不是普通的原型设计，原型设计需要新的规范
- 3，原型生成前端代码/后端代码/测试用例，这4个事情，是整个构思的整体，
- 4，这是一个全新的开发思路，先不要考虑历史需求原型的缺失问题/需求没有原型的情况
- 5，生成接口自动化案例，和功能测试案例，生成的测试用例是什么样？能根据原型生成接口自动化案例的？这都是和原型设计有关系，
2，从中得到的需要侧重的点
- 1，其中一定有一个过程就是给元素分类，可以使用聚类算法，k-means聚类算法，
- 2，降噪，二值化，就是机器学习的第一步，特征工程，拿到数据之后就行处理，
- 3，二值化原型图，这就是要涉及到图像处理了，深度学习，卷积神经网络，如果有涉及还需要学习这个，
3，下一步
- 1，特征工程，降噪，二值化，
- 2，聚类算法，做一个小的demo案例，机器学习算法的，
- 3，图片分类，神经网络，做一个小的案例，图像聚类算法的，这种很好找，我有信息，
- 4，原型设计规范，
- 5，框架学习，Numpy，Pandas，Matplotlib，
sklearn
PyTorch是最大的深度学习库，caffe，keras，tensorflow - 6，调研，市面上的，原型生成前端代码，后端代码，测试用例的情况，
特征工程：特征工程的处理流程为首先去掉无用特征，接着去除冗余特征，如共线特征，并利用存在的特征、转换特征、内容中的特征以及其他数据源生成新特征，然后对特征进行转换（数值化、类别转换、归一化等），最后对特征进行处理（异常值、最大值、最小值、缺失值等），以符合模型的使用。
如果你以前用scikit-learn实现过这个算法，
https://blog.csdn.net/qq_42994177/article/details/116932451
观察数据--->找特征（特征提取、向量化、归一化）--->设计算法（建模型）--->算法验证--->洗数据--->工程化--->上线看效果---> 观察数据
2，做，要考虑到风险，
1，有三点风险
- 1，技术积累不够，难度太大，跨度太大，创新，先要模仿
- 2，这还不是最要命，最要命的是需求不清，需求过于模糊
- 3，短期不能出成果，投入和产品比的问题，最终是要解决什么问题，
2，其他思考
- 1，我不想否定这个方向这的确是一个好的方向
- 2，是不是一定要这个方向，是否考虑其他的方向，
- 3，理性来看只能在一个点应用这个机器学习，目前看起来只能解决软件测试中一个单点的问题，不能完全解决，
如果按照这种方案，做出来离不需要人工，离得很远，如果完全解决，测试就失业了
3，我需要一些机器学习应用到软件测试的案例
- 比如调研一下市面上，有哪些是
接口平台只是为了申请软著，不想把这个当重点
机器学习把这个作为2022年的重点，
好处
1，专利申请，的确是一个硬技术，
2，
3，测试变革，革命
