Main Page

From Skill @ TesterPRO
Revision as of 05:25, 20 September 2019 by Admin (talk | contribs) (→‎Kỹ năng cho Machine Learning, Deep Learning Engineer)
(diff) ← Older revision | Latest revision (diff) | Newer revision → (diff)
Jump to navigation Jump to search

Bắt đầu với các kỹ năng từ TesterPRO

  • Kỹ năng cho Software Tester
  • Kỹ năng cho Data Engineer
  • Kỹ năng cho Data Analytics Engineer
  • Kỹ năng cho AWS Engineer
  • Kỹ năng cho Blockchain Engineer
  • Kỹ năng cho Machine Learning, Deep Learning Engineer

Kỹ năng mềm

Kỹ năng cho Software Tester

  1. CƠ BẢN
    • Đọc hiểu yêu cầu khách hàng
    • Phân tích yêu cầu khách hàng ra yêu cầu kiểm thử phần mềm
    • Lập các chiến lược kiểm định
      • Chiến lược cho kiểm định đơn vị - Unit Test
      • Chiến lược cho kiểm định tích hợp - Integration Test
      • Chiến lược cho kiểm định API, Webservice - API Test
      • Chiến lược cho kiểm định chức năng - Functional Test
      • Chiến lược cho kiểm định giao diện người dùng - GUI Test
      • Chiến lược cho kiểm định hiệu năng - Performance Test/ Load Test/ Stress Test
      • Chiến lược cho kiểm định bảo mật - Security Test/ Penetration Test
      • Chiến lược cho kiểm định chuyển giao sản phẩm - Acceptance Test
    • Viết trường hợp kiểm định (testcase)
    • Thực hiện kiểm định
    • Ghi nhận lỗi, báo cáo số lượng lỗi sau kiểm định
    • Báo cáo cơ bản sau thực hiện kiểm định
  2. MỞ RỘNG
    • Ước lượng thời gian và số lượng công việc
    • Lập kế hoạch kiểm định
    • Phân tích rủi ro
    • Phân tích xu hướng lỗi xảy ra trong chu kỳ phát triển phần mềm
    • Áp dụng các công cụ vào thực hiện kiểm định để tăng năng suất
      • Áp dụng các công cụ vào thực hiện kiểm định tự động
      • Áp dụng các công cụ vào thực hiện kiểm định bảo mật
      • Áp dụng các công cụ vào thực hiện kiểm định API
      • Áp dụng các công cụ vào thực hiện kiểm định hiệu năng
      • Áp dụng các công cụ vào thực hiện kiểm định unit test

Kỹ năng cho Data Engineer

  1. CƠ BẢN (xem và học khóa BASDE06- Kiến trúc và xây dựng BigData)
    • Đọc hiểu yêu cầu khách hàng
    • Phân tích yêu cầu khách hàng ra yêu cầu xử lý dữ liệu (dữ liệu lớn, dữ liệu vừa)
    • Lập các chiến lược xử lý dữ liệu
      • Tạo chu trình chung vào/ra xuyên suốt khi xử lý dữ liệu - data pipeline
      • Tham khảo kỹ thuật: cách thức thu thập dữ liệu
      • Tham khảo kỹ thuật: cách thức làm sạch, chuyển đổi dữ liệu
      • Tham khảo kỹ thuật: cách thức lưu trữ từng loại dữ liệu
      • Tham khảo kỹ thuật: các thuật toán đã có áp dụng dự đoán, phân loại dữ liệu
      • Tham khảo kỹ thuật: các kỹ thuật cảnh báo tiến trình, xử lý tiến trình, cảnh báo tài nguyên trong quá trình xử lý
      • Tham khảo kỹ thuật: cách thức thể hiện view, visualize dữ liệu sau dự đoán, cho các đầu cuối (web, mobile)
      • Tham khảo kỹ thuật: các thuật toán học sâu cho một tiến trình mới xử lý
    • Chuẩn bị kiến thức cập trình xử lý dữ liệu
      • Lập trình cơ bản với ngôn ngữ python, java, scala
      • Lập trình cơ bản với thư viện, database: Spark, CouchBase, Parquet, Pandas, Numpy, OpenCV...
    • Chuẩn bị máy móc, môi trường làm việc
      • Tạo cấu hình máy và môi trường nên đi thuê (xem bài này)
    • Thu thập dữ liệu
      • Kỹ thuật truy vấn phân tán - clustering/distributed query
      • Kỹ thuật lưu chuyển live stream
      • Kỹ thuật lưu chuyển batch
      • Kỹ thuật lưu trữ phân tán - sử dụng định dạng hdfs
      • Kỹ thuật phân loại lưu trữ với loại cơ sở dữ liệu phù hợp
      • Kỹ thuật phân loại lưu trữ theo công nghệ lưu chuyển
    • Tiền xử lý dữ liệu
      • Làm sạch tạo câu dữ liệu: text
      • Cắt tạo khung ảnh phù hợp đối tượng: hình ảnh
      • Xuất thông số âm thanh
      • Kỹ thuật chuyển đổi map/reduce (hẹp, rộng, lọc, tổng hợp)
    • Xử lý dữ liệu
      • Kỹ thuật xử lý tạm trên RAM
      • Kỹ thuật chuyển đổi map/reduce (hẹp, rộng, lọc, tổng hợp)
      • Kỹ thuật truy vấn phân tán (select, n1ql..)
      • Kỹ thuật sử dụng thuật toán giám sát (logistic regression, timeseries..)
      • Kỹ thuật sử dụng thuật toán không giám sát (knn, autoencoders, deep belief nets...)
      • Kỹ thuật sử dụng mạng nhân tạo feed forward - CNN
      • Kỹ thuật sử dụng mạng nhân tạo feed replay - RNN
      • Kỹ thuật sử dụng xử lý lưu trữ bộ nhớ ngắn hạn - LSTM
      • Kỹ thuật sử dụng mạng nhân tạo dịch thuật - NMT
      • Kỹ thuật sử dụng công cụ visualize chart, mô hình, mô phỏng 2D, 3D
    • Đánh giá sau xử lý dữ liệu
      • Kỹ thuật quan sát tìm điểm bất thường
      • Đánh giá kết quả dữ liệu: độ tin cậy, dự báo, xác thực
  2. MỞ RỘNG (xem và học khóa DevBig19, DevBig21, DevBig21)
    • Lập kế hoạch bài toán xử lý dữ liệu
    • Kỹ thuật phân bổ công việc trong team
    • Phân tích từ thu thập dữ liệu lịch sử, thói quen, cảnh báo sớm qua chatbot
    • Mở rộng nhu cầu, tạo các bài toán dự báo, gợi ý, phân loại

Kỹ năng cho Data Analytics Engineer

  1. CƠ BẢN (xem và học khóa Bizda301 - Cơ bản phân tích dữ liệu dự đoán, ra quyết định cho doanh nghiệp)
    • Đọc hiểu yêu cầu khách hàng
    • Phân tích yêu cầu khách hàng ra yêu cầu xử lý dữ liệu (dữ liệu lớn, dữ liệu vừa)
    • Lập các chiến lược xử lý dữ liệu
      • Tạo chu trình chung vào/ra xuyên suốt khi xử lý dữ liệu - data pipeline
      • Tham khảo kỹ thuật: cách thức thu thập dữ liệu
      • Tham khảo kỹ thuật: cách thức làm sạch, chuyển đổi dữ liệu
      • Tham khảo kỹ thuật: cách thức lưu trữ từng loại dữ liệu
      • Tham khảo kỹ thuật: các thuật toán đã có áp dụng dự đoán, phân loại dữ liệu
      • Tham khảo kỹ thuật: cách thức thể hiện view, visualize dữ liệu sau dự đoán, cho các đầu cuối (web, mobile)
    • Chuẩn bị kiến thức cập trình xử lý dữ liệu kèm công cụ
      • Lập trình với Excel
      • Lập trình với Tableau
      • Lập trình với Power BI
    • Chuẩn bị máy móc, môi trường làm việc
    • Tiền xử lý dữ liệu
      • Làm sạch dữ liệu: text
      • Kỹ thuật truy vấn SQL
      • Kỹ thuật chuyển đổi qua SQL
    • Xử lý dữ liệu
      • Kỹ thuật chuyển đổi qua SQL
      • Kỹ thuật visualize dữ liệu, mô phỏng 2D, 3D
    • Đánh giá sau xử lý dữ liệu
      • Kỹ thuật quan sát tìm điểm bất thường
      • Đánh giá kết quả dữ liệu: độ tin cậy, dự báo, xác thực
  2. MỞ RỘNG (xem Kỹ thuật cho Data Engineer)

Kỹ năng cho AWS Engineer

  1. CƠ BẢN (xem và học khóa BASDE14-AWS khái niệm thực hành)
    • Đọc hiểu yêu cầu khách hàng
    • Phân tích yêu cầu khách hàng ra yêu cầu sử dụng dịch vụ AWS
    • Lập các chiến lược
      • Mapping yêu cầu sang từng loại dịch vụ AWS
      • Tham khảo kỹ thuật: mô hình phát triển: waterfall, agile,
      • Tham khảo kỹ thuật: phân tích yêu cầu: chức năng, phi chức năng
      • Tham khảo kỹ thuật: phân tích công nghệ bảo mật áp dụng
      • Tham khảo kỹ thuật: phân tích công nghệ máy trạm phù hợp khi là team
      • Tham khảo kỹ thuật: phân tích loại giao thức (protocol) phù hợp với từng kiểu giao dịch
      • Tham khảo kỹ thuật: các kỹ thuật cảnh báo tiến trình, xử lý tiến trình, cảnh báo tài nguyên trong quá trình xử lý
      • Tham khảo kỹ thuật: kỹ thuật replay khi có một giao dịch bị lỗi
      • Tham khảo kỹ thuật: kỹ thuật chuyển đổi request sang pubsub, queue
    • Chuẩn bị kiến thức cập trình xử lý dữ liệu
      • Lập trình cơ bản với ngôn ngữ phù hợp với team frontend, backend app, serverless services, microservices
      • Lập trình cơ bản với thư viện, database, framework sẵn có: Ethereum, Hyperledger Fabric, MS SQL, CouchDB, NodeJS, Go, .NET, Java...
    • Chuẩn bị máy móc, môi trường làm việc
    • Thiết kế bài toán
      • Tạo lược đồ UML
    • Phát triển bài toán
      • Tạo môi trường CI
    • Đánh giá kiểm định bài toán
      • Đánh giá kết quả kiểm tra, test trên mạng chuỗi khối
  2. MỞ RỘNG (xem và học khóa DevOps, AS Advance)

Kỹ năng cho Blockchain Engineer

  1. CƠ BẢN (xem và học khóa Xây dựng ứng dụng BlockChain cơ bản - devbc18)
    • Đọc hiểu yêu cầu khách hàng
    • Phân tích yêu cầu khách hàng ra yêu cầu bài toán ứng dụng chuỗi khối
    • Lập các chiến lược
      • Tham khảo kỹ thuật: mô hình phát triển: waterfall, agile,
      • Tham khảo kỹ thuật: phân tích yêu cầu: chức năng, phi chức năng
      • Tham khảo kỹ thuật: phân tích công nghệ bảo mật áp dụng
      • Tham khảo kỹ thuật: lựa chọn thuật toán đồng thuận phù hợp
      • Tham khảo kỹ thuật: lựa chọn mô hình chuỗi khối có sẵn hoặc tạo mới
      • Tham khảo kỹ thuật: phân tích công nghệ máy trạm phù hợp khi là team
      • Tham khảo kỹ thuật: phân tích loại giao thức (protocol) phù hợp với từng kiểu giao dịch
      • Tham khảo kỹ thuật: các kỹ thuật cảnh báo tiến trình, xử lý tiến trình, cảnh báo tài nguyên trong quá trình xử lý
      • Tham khảo kỹ thuật: kỹ thuật replay khi có một giao dịch bị lỗi
      • Tham khảo kỹ thuật: kỹ thuật chuyển đổi request sang pubsub, queue
    • Chuẩn bị kiến thức cập trình xử lý dữ liệu
      • Lập trình cơ bản với ngôn ngữ phù hợp với team frontend, backend app, backend blockchain
      • Lập trình cơ bản với thư viện, database, framework sẵn có: Ethereum, Hyperledger Fabric, MS SQL, CouchDB, NodeJS, Go, .NET, Java...
    • Chuẩn bị máy móc, môi trường làm việc
    • Thiết kế bài toán
      • Tạo lược đồ UML
    • Phát triển bài toán
      • Tạo môi trường CI
    • Đánh giá kiểm định bài toán
      • Đánh giá kết quả kiểm tra, test trên mạng chuỗi khối
  2. MỞ RỘNG (xem và học khóa Devbc19, Devbc20)
    • Tạo mạng chuỗi khối riêng
    • Phân tích tối ưu tốc độ giao dịch
    • Thay đổi kiểu đồng thuận

Kỹ năng cho Machine Learning, Deep Learning Engineer

  1. CƠ BẢN (xem qua ML short story)
    • Đọc hiểu yêu cầu khách hàng
    • Phân tích yêu cầu khách hàng ra yêu cầu dự đoán, máy học, học sâu (dữ liệu lớn, dữ liệu vừa)
    • Lập các chiến lược xử lý dữ liệu
      • Tạo chu trình chung vào/ra xuyên suốt khi xử lý dữ liệu - data pipeline
      • Tham khảo kỹ thuật: cách thức thu thập dữ liệu
      • Tham khảo kỹ thuật: cách thức làm sạch, chuyển đổi dữ liệu
      • Tham khảo kỹ thuật: cách thức lưu trữ từng loại dữ liệu
      • Tham khảo kỹ thuật: tạo các thuật toán mới, tối ưu thuật toán, áp dụng dự đoán, phân loại dữ liệu
      • Tham khảo kỹ thuật: các kỹ thuật cảnh báo tiến trình, xử lý tiến trình, cảnh báo tài nguyên trong quá trình xử lý
      • Tham khảo kỹ thuật: cách thức thể hiện view, visualize dữ liệu sau dự đoán, cho các đầu cuối (web, mobile)
      • Tham khảo kỹ thuật: các thuật toán học sâu cho một tiến trình mới xử lý
    • Chuẩn bị kiến thức cập trình xử lý dữ liệu
      • Lập trình cơ bản với ngôn ngữ python, java, scala
      • Lập trình cơ bản với thư viện, database: OpenCV, Tensorflow, Keras, RNN, CNN, NMT, LSTM, Spark, CouchBase, Parquet...
    • Chuẩn bị máy móc, môi trường làm việc
    • Tiền xử lý dữ liệu
      • Làm sạch dữ liệu: âm thanh, hình ảnh, video, text
    • Áp dụng thuật toán, hoặc tạo ra thuật toán
      • Kỹ thuật áp dụng thuật toán, đánh giá dữ liệu bất thường, check độ tin cậy
      • Kỹ thuật áp dụng thông số đầu vào, tạo ra thuật toán
    • Xử lý dữ liệu máy học
      • Kỹ thuật thuật toán học giám sát
      • Kỹ thuật thuật toán học không giám sát
      • Kỹ thuật thuật toán học tăng cường
      • Kỹ thuật thuật toán học trên thuộc tính
      • Kỹ thuật thuật toán học từ điển
    • Xử lý dữ liệu học sâu
      • Kỹ thuật nhận diện giọng nói - Automatic speech recognition
      • Kỹ thuật nhận diện vật thể, mặt người qua ảnh - Image recognition
      • Kỹ thuật xử lý hình ảnh cao cấp, tạo mô phỏng theo mẫu - Visual art processing
      • Kỹ thuật xử lý ngôn ngữ tự nhiên - Natural language processing
      • Kỹ thuật phát hiện độc tích và quá trình thẩm thấu của biệt dược - Drug discovery and toxicology
      • Kỹ thuật phát hiện thói quen khách hàng - Customer relationship management
      • Kỹ thuật gơi ý theo dữ liệu lịch sử - Recommendation systems
      • Kỹ thuật xử lý sinh trắc học - Bioinformatics
      • Kỹ thuật chuẩn đoán bệnh qua scan xquang - Medical Image Analysis
      • Kỹ thuật tìm kiếm đối tượng quảng cáo - Mobile advertising
      • Kỹ thuật khôi phục ảnh - Image restoration
      • Kỹ thuật nhận diện giao dịch tài chính gian lận - Financial fraud detection
      • Kỹ thuật xử lý tầm bắn, tọa độ, độ bám mục tiêu trong quân đội
    • Đánh giá sau xử lý dữ liệu máy học
      • Đánh giá kết quả
    • Đánh giá sau xử lý dữ liệu học sâu
      • Đánh giá kết quả
      • Áp dụng điều chỉnh lại thuật toán
  2. MỞ RỘNG
    • Lập kế hoạch bài toán xử lý dữ liệu
    • Phân tích từ thu thập dữ liệu lịch sử
    • Mở rộng nhu cầu, tạo các bài toán dự báo, gợi ý, phân loại

Hỗ trợ Wiki


Admin

KoolJ (xem profile)