如果想知道预测分析等测试需求，就需要考虑AI是如何“从其世界中学习”的。例如，您将想知道预测崩溃的位置和方式，以及算法的潜在弱点和如何找到它们。
就像人一样，机器也有过去的经验。但是这些经验是由程序员创造的，他们创造了一个系统可以学习的历史数据的训练集。
那么，如何选择和创建一个强大的测试数据集呢？如何测试现实世界中可能遇到的脏数据的真实性？以及如何避免用测试数据集训练AI以意外产生虚假预测的方式？
在回答这些问题并开始测试之前，你需要具备人工智能技术的工作知识和三个基本的学习理论。
简而言之，人工智能、机器学习和深度学习
人工智能、机器学习和深度学习等术语经常被使用，也经常被混淆。要理解学习理论是如何应用于这些技术的，你必须首先了解它们是什么。
人工智能
它是智能机器的研究和创造，旨在尽可能复制人类的思维。AI有很多子领域，包括机器学习、深度学习和自然语言处理，每个子领域都有自己的复杂性。
机器学习
当创建可以学习间接编程性能的系统时发生。它们是自我更新的，无需人为干预就能得到改善。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规模数据集，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每个分层数据点之间更精细的关系。深度学习网络可以让半自动驾驶汽车上路，帮助家庭助理显得对用户更有反应。
人工智能技术正在迅速融入人们的生活，日新月异。可能很难从技术上或数学上理解它们的复杂性。
学习你应该知道的理论。
人工学习理论可以极大地增强您理解机器学习以及如何确定在测试复杂的基于AI的硬件和软件时要考虑什么的能力。
在过去的150年里，许多心理学家、教育家和社会学家研究了人类学习，并了解到人类学习是一项复杂的任务。与此同时，我们仍然不知道人类学习的一些领域。
要理解学习研究如何发展，你需要具备行为主义、认知和建构主义理论的基础知识。
行为主义
行为主义学习理论的基础是知识是外在的，学习是通过反复的相互作用发生的，从而导致结果的变化。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由伊凡巴甫洛夫进行的，他让狗在按门铃时流口水。行为主义学习理论最有助于理解人类学习的低水平。大多数行为研究都是在尝试动物之前进行的。
认识
认知理论说，要理解和鼓励学习，就要超越行为，关注行为产生的原因。在这个理论中，行为、环境和个人影响都是影响一个人学习和决策能力的因素。
认知理论作为一种状态变化最为明显。例如，某人通过思考过程、对环境做出反应并基于所有这些因素做出决定，变得更擅长驾驶汽车。
而认知和行为模型往往构成更为僵化、记忆、孤立和抽象的知识学习形式。
建设性的
在建构学习理论中，知识是根据人类如何在给定的背景下解释过去的经验、当前的状态和知识来构建的。在建构主义看来，知识不是单一的“真理”，而是一个人在特定语境中相对于他的空间、时间和经验的真理。
标签：