为您找到290个相关课程
展开简介
收益目标：暂无
适应人群：暂无
关键词：互联网，用户体验，运维
收益目标：- 让学员掌握从真实场景需求出发，进行 AI 模型和工程架构优化的方法论和快速落地实践 - 深入理解 AI Agent 开发范式，包括经典推理模式落地，评估数据飞轮建设等 - 深入理解 AI 大小模型训练、微调、调参调试的技巧，能够针对 xx 场景（如工业、零售、医疗、互联网等）中的各种问题（如数据偏差、过拟合、模型性能不足等）进行有效的模型优化 - 学会设计适合具体业务场景的 AI 应用架构，包括 Agent 大脑、工具系统、评测系统、环境/沙箱和数据飞轮等关键组件，并了解架构从单 Agent 到多 Agent 的演进过程 - 了解最先进前沿的自进化自迭代智能体，基于 ICL 等技术实现自演化架构
关键词：其他，变革，工程化，大模型
收益目标： -分析业界公司在需求管理和需求开发过程中的误区，并分享成功经验； - 站在“项目交付价值”的全新角度了解在需求开发和需求分析的过程、以及在这个过程中各种技术和方法论的使用特点； - 理解需求捕捉时的主要方法：用户故事、业务概念分析、最小原型法； - 理解需求分析/需求建模的主流方法：User Story 用户故事、UseCase用户用例、数据流图、有限状态集图、实体/关系图……； - 理解非功能性的分类、示例以及如何获取的方法； - 掌握规格化需求时的注意事项与模板示例； - 了解需求评审时的3种常用的方法：正规检视、同行专家评审与走查； - 了解需求变更控制的流程、要素与注意
适应人群：需求分析人员（含业务分析人员）、高级设计人与开发员、高级测试工程师
关键词：互联网，电商，电信，需求分析，工程师
关键词：互联网，支付平台，互联网金融，电信，风险管理，项目管理
关键词：其他
收益目标：1. 提升测试的进阶技能 掌握针对微服务架构的测试策略设计 掌握自动化测试的核心技术，了解最新动态 理解测试数据准备服务的设计和落地实践 2. 从测试侧提升效能 掌握如何从Quality Engineering向Engineering Productivity转型 掌握质量提效的若干维度，能够从弱项入手开启质量效能提升之路 3. 测试团队转型方向 成长为测试架构师，从架构角度看测试 初探建设测试中台的思路和具体实践 真正建立软件测试技术全景视图
适应人群：1.提高测试技术全局观，学会由点到面，从测试架构师的视角看待和解决问题； 2.希望掌握深入掌握业界主流的测试策略设计原则， 利用GUI和API自动化测试提升工程效能，不止于做“测试小工”的测试工程师； 3.希望深入理解质量效能相关理念，接触行业最前沿的质量效能技术细节的测试经理； 4.全面理解测试中台的产生背景和主要技术实践，希望建立自己测试中台的测试总监和测试负责人；
关键词：互联网，架构师，测试质量
收益目标：理解研发效能的本质 理解研发效能的落地实践 理解研发效能推进中的“坑”和最佳实践 理解企业级的成功案例 帮助学员建立起研发效能度量的正确的理念 助学员理解研发效能度量的实施模型及度量指标集 帮助学员理解度量指标集中每个指标的设计思路和落地方法 帮助学员掌握通过度量指标综合分析问题、从而促进研发效能提升的方法
关键词：互联网，组织
关键词：互联网
收益目标：通过大量产学研合作的成功实践案例来引导学员理解和掌握先进的、系统化的可靠性测试方法。
适应人群：测试工程师、测试架构师、可靠性专项测试工程师等。
关键词：其他，自动化测试，测试用例，可靠性测试，金融，Linux
收益目标：1，帮助企业实现业务目标的对齐、流程的优化、系统的整合等，无论是金融、制造还是其他行业。 2，理论和方法与实际情况相结合，给予您团队更加贴切和实用的案例和建议。
关键词：其他，架构师
关键词：其他，数据库，金融，企业级
收益目标：通过本次实战培训，学员将获得以下具体收益，涵盖知识掌握、技能提升和行业应用： 1、掌握AI核心技术机制：深入理解LLM底层原理、嵌入技术及RAG优化，并能运用工具如LangChain、LlamaIndex进行模型开发和知识库构建，提升AI理论基础。 2、提升研发流程效能：通过工业级提示工程和AI辅助工具，加速需求分析、开发和测试，实现全链路提效，减少人工耗时。 3、设计AI4SE工程体系：学习构建匹配企业AI战略的软件工程规范，包括路线图规划、研发流程AI整合和复杂度控制，并能参考行业方案实施AI加速研发体系。 4、应用AI+DDD实战方法：掌握领域驱动设计与AI的融合应用，通过四阶落地法完成从需求到代码的智能化实现，提升复杂业务系统的设计和开发能力。 5、实现行业场景落地：获得金融、制造等行业实战经验，如构建MCP驱动的智能体协作网络、开发代码迁移工具和知识运营助手，助力企业在真实场景中规模化应用AI，提升研发质量和效率。 6、第一部分 AI研发基础强化增强工程化落地能力：通过案例演练（如本地MCP客户端、RAG应用开发）和工具链实操，培养学员的工程实践技能，确保AI技术在企业环境中的可扩展性和稳定性。
适应人群：希望通过AI工具提升研发效率和质量的软件工程师 希望建立匹配AI战略的智能工程研发体系的管理 希望通过AI框架与相关技术开发AI原生应用的开发人员
关键词：其他，需求分析，转型，金融，工程化，大模型
活动详情
To Be Better
注册或 找回密码?
