《机器学习测试入门与实践》是AI领域首本测试著作！是一本集12位AI专家智慧，得到了BAT等一线互联网公司32位技术大咖推荐，全面系统地介绍机器学习测试技术的图书。

而现在，这本饱受行业关注的《机器学习测试入门与实践》于8月28日正式开始预售啦！

《机器学习测试入门与实践》

当当购书，满100减50

不同于市面上的机器学习书籍，本书是业界第一本AI测试著作，填补了机器学习测试领域的空白。 

在人工智能应用正在爆发的今天，市面上做机器学习应用的公司很多，而专门做机器学习测试的团队凤毛麟角，测试体系建设尚在逐步完善的阶段，就更别说如何学习机器学习测试了。

如今，艾辉和他带领AI 测试团队把他们在机器学习测试方面的一线实战经验沉淀成书，这本专门讲述机器学习测试技术的书的出现恰逢其时，如久旱逢甘霖，为所有渴望拥抱人工智能的测试同行指明了学习路线。

作者艾辉

中国人民大学统计学院硕士，融360高级技术经理。主要负责机器学习产品的质量保障工作，曾在饿了么公司担任高级技术经理，负责用 户产品、新零售产品的质量保障工作。

为什么要写这本书

为什么要写这本书？机器学习技术本身的复杂性越来越高，机器学习应用的质量问题越来越突出。这主要体现在数据质量、特征工程、模型效果、产品功能等方面。例如，训练数据的质量问题会导致机器学习模型的不可靠，最终可能得出错误的结论，做出错误的决定（预测），在带来质量风险的同时也将造成成本上升。由此可见，做好机器学习应用的质量保障工作特别重要。

对于传统软件、互联网产品的测试，测试方法及质量保障体系是相对成熟的，而机器学习测试是一个较新的方向，大部分程序员无法把传统软件及互联网产品的测试方法生搬硬套到机器学习测试中，测试行业里鲜有完整的机器学习质量保障体系可供借鉴。

面对机器学习测试的技术挑战，艾辉团队内组织了一系列技术攻坚，从 3 个方面着手：

① 通过机器学习专业课程的培训， 系统地学习机器学习技术，并熟悉建模训练的过程；

② 通过专项技术主题实践（大数据自动化、 特征分析、模型评测、工具平台建设等），不断积累机器学习测试的实践经验；

③ 逐步搭建机器学习应用的质量保障体系，并结合业务场景，进一步补充完善。

本书包含了哪些内容

本书由32位测试专家、算法专家、技术负责人、大学教授联袂推荐，书中精选60个AI测试要点，全面且系统地介绍了机器学习测试技术与质量体系建设，涵盖5大技术主题：大数据、模型算法、模型评测、工程架构、智能化测试。非常适合希望入门机器学习、大数据测试的读者阅读。

1）精选15个AI测试要点，从零开始，全面了解机器学习测试。 

2）涵盖5个技术主题，大数据、模型算法、模型评测、工程架构、智能化测试。 

3）BAT等数十家一线互联网公司的32位知名专家联袂推荐。 

本书内容设计深入浅出，学习路线清晰，帮助读者了解机器学习是如何工作的，了解机器学习的质量保障是如何进行的。 

工程开发人员和测试工程师通过阅读本书，可以系统化地了解大数据测试、特征测试及模型评估等知识；算法工程师通过阅读本书，可以学习模型评测的方法和拓宽模型工程实践的思路；技术专家和技术管理者通过阅读本书，可以了解机器学习质量保障与工程效能的建设方案。 

讲解了如何针对人工智能系统中的核心技术（机器学习）进行测试。例如，特征专项测试和模型算法评估测试。 

本书分别讨论了模型蜕变测试、模糊测试、鲁棒性测试、可解释性测试等，解读了 3 个典型业务场景（图像分类、智能推荐、金融风控）中的模型算法评测实践，让读者更好地理解模型算法评测流程和具体操作方法。 

介绍了如何进行大数据的测试，通过一些典型的测试场景来进一步阐述大数据测试实践。还针对数据采集、数据存储、数据加工、特征工程、模型构建、模型部署和监控等工程技术进行了全方位探讨，以便让读者全面了解机器学习测试知识。

不同于传统的机器学习理论方面的教科书，本书从测试人员的角度阐述了机器学习产品的质量保障与工程效能，并侧重于机器学习测试方法如何在真实业务场景中落地。本书内容丰富，通俗易懂，循序渐进地介绍了机器学习、数据质量、模型评测、模型工程、智能测试，并列举了大量真实案例 ( 如金融风控、智能推荐、图像分类等 )，有助于读者学习和应用。

如何高效学习本书？

机器学习测试不仅涵盖了传统测试人员关注的系统稳定性、功能正确性、吞吐量等问题， 而且需要覆盖算法工程师关心的数据的准确性、模型精度、模型的线下计算和线上计算一致性等问题。本书介绍了作者在机器学习测试方面的实战技术，非常适合对机器学习测试感兴趣的读者阅读。

这本书推荐三种学习方式。

第一种学习方式，按照章节逐一阅读，按照知识点由易到难递进式学习，其中可对数据分析基础、机器学习基础、大数据测试、模型测试等内容做理解思考。这种学习方式有体系更完整，适合零基础读者学习入门。

第二种学习方式，阅读完第4章(机器学习基础)之后，直接阅读第二部分大数据测试(大数据基础、大数据测试指南、大数据工具实践)，然后深入学习模型测试部分的方法经验(机器学习测试基础、特征专项测试、模型算法评估测试)，并结合业务场景做相关项目实践。如：特征指标分析实践，图像分类应用场景下的模型算法评测，推荐应用场景下的模型算法评测，金融风控应用场景下的模型算法评测等。这种学习方式侧重对大数据测试、模型算法测试的落地应用，适合大数据、AI相关技术从业者学习实践。

第三种学习方式，基于实际大数据、AI业务项目中技术痛点，分别从本书中找到对应的技术实践内容并逐一学习。如：大数据工具实践(大数据测试工具、数据质量监控平台)、模型评估平台实践、机器学习工程技术(机器学习平台、数据与建模工程技术、模型部署监控技术)、机器学习的持续交付(构建机器学习管道)、业界智能化测试案例、主流AI测试工具等。这种学习方式有针对的解决数据质量平台建设、模型评测平台方案、机器学习工程设计、智能化测试应用等方面的技术难题。适合大数据、AI技术团队的工程效能实践。

融360 AI测试团队创作

向上滑动阅览

艾辉

中国人民大学统计学院硕士

融 360 高级技术经理

主要负责机器学习产品的质量保障工作，曾在饿了么公司担任高级技术经理，负责用户产品、新零售产品的质量保障工作。有 8 年多的测试开发工作经验，曾多次受邀在行业技术大会（如 MTSC、GITC、NCTS、TOP100、TiD、A2M 等）上做主题分享。对大数据、机器学习测试技术有深刻的理解，并长期专注于质量保障与工程效能研究。

陈高飞

东北大学计算机硕士

融 360 测试开发工程师

主要从事机器学习方面的测试开发工作。擅长白盒测试、大数据测试和模型测试，在工具平台开发方面有丰富的实践经验。

陈花

北京邮电大学信息通信工程学院硕士

融 360 高级测试开发工程师

主要从事服务器端测试开发工作，主导过多个大型项目的测试。擅长白盒测试、安全测试、自动化测试及工具开发。

方娟红

东北大学计算机硕士

融 360 测试开发工程师

主要从事服务 器端测试开发工作。在企业级应用的测试和开发方面有着丰富的实践经验。

郭学敏

西安电子科技大学电子工程学院硕士

融 360 测试开发工程师

主要负责机器学习方面的测试开发工作，主导过多个大型项目的测试。擅长大 数据测试、特征分析与模型评估，且在特征工程测试方面有着丰富的实践经验。

郝嵘

融 360 测试开发工程师

北京信息科技大学自动化学院硕士

从 事Python开发、机器学习测试、大数据测试工作多年，在大数据的质量保 障及测试工具开发方面有着丰富的实践经验。

雷天鸣

哈尔滨理工大学计算机科学与技术系硕士

融 360 测试开发工 程师

主要从事机器学习方向的测试开发工作。擅长大数据测试、特征测试 及模型算法评测等，且对金融风控业务有深刻的理解。

李曼曼

融360高级测试开发工程师

有近10年测试领域从业经验， 擅长白盒测试、性能测试、自动化测试、持续集成及工程效能。在 AI 测试方 面有一定的探索实践。

李雪

西安电子科技大学通信工程硕士

融 360 测试开发工程师

主要 从事平台及机器学习方面的测试开发工作。擅长自动化测试、性能测试及安 全测试，且对特征测试分析有着丰富的实践经验。

孙金娟

山西财经大学计算机科学与技术专业学士

融 360 测试开发工 程师

有近8年Java开发、测试开发工作经验，擅长大数据测试及工具平 台开发

张海霞

中国人民大学统计学院硕士

融 360 高级测试开发工程师

有 近 7 年测试领域从业经验，擅长白盒测试、性能测试及自动化测试。在测试 平台开发方面有着丰富的实践经验，且对数据挖掘技术有扎实的实践积累。

张咪

北京交通大学通信学院硕士

融 360 高级测试开发工程师

主要 负责用户产品的质量保障工作。曾负责基础架构、运维自动化等方面的测试、 开发工作。在自动化测试、服务稳定性、专项测试、工程效能等方面有着丰 富的实践经验，且对机器学习工程技术有深刻的理解。

张朋周

中国地质大学计算机硕士

融 360 高级测试开发工程师

曾在 RAISECOM 和百度从事测试开发工作，有近 8 年的测试工作经验。目前主 要负责机器学习方面的测试开发工作，主导了多个工具平台的开发，在模型 评估平台方面有着丰富的实践经验。

32位技术大咖推荐

滑动查看更多书评

本书主要聚焦机器学习领域，机器学习是人工智能算法的核心，书中内容均是融360 AI测试团队在机器学习测试方面的实践和经验积累。希望通过这种有效的分享和学习，可以更好地促进人工智能领域的技术交流，让思想在碰撞中迸出更多火花。

融360联合创始人、CEO  叶大清

不同于传统的机器学习相关理论的教科书，本书视角新颖，从QA的角度阐述了机器学习产品的质量保障与工程效能，并侧重于机器学习测试方法如何在真实业务场景的落地。书籍内容丰富，章节设计循序渐进(机器学习、数据质量、模型评测、模型工程、智能测试)，内容讲解通俗易懂，并列举了大量真实案例(如：金融风控、智能推荐、图像分类等)，希望有助于读者学习、理解。

融360联合创始人、CTO  刘曹峰

闻道有先后，希望更多有志于精湛机器学习技术，完善机器学习方法的工程师能更早地看到这本书，从中获得体系化的总结，体悟作者的经验之谈，感受术业有专攻的进阶之路，并能应用到日常工作中，也都成为所在领域的技术专家。

阿里巴巴本地生活 高级科学家   蒋凡

今天很高兴有这样一本书，告诉我们如何针对智能系统进行测试。例如，特征专项测试和模型算法评估测试。这方面的测试，也是人工智能测试的核心，也是本书关键的内容，分别讨论了模型蜕变测试、模糊测试、鲁棒性测试、可解释性测试等，其中还通过图像分类、智能推荐、金融风控等三个典型的业务场景中的模型算法评测实践，就这部分内容做更为详细的分析和解读，更好地让读者理解模型算法评测方法、流程和具体操作。

同济大学特聘教授、《全程软件测试》作者   朱少民

不同于传统建模过程中的模型测试，本书从测试人员工作的角度，阐述了在机器学习产品研发中的数据获取、建模试验、模型上线、线上AB测试各个阶段，如何通过质量测试保障机器学习模型的正确开发上线。机器学习的质量测试不仅涵盖了系统稳定性、功能正确性、吞吐量等传统测试角度，而且需要覆盖数据正确性、模型精度、模型的线下计算和线上计算一致性等通常是算法工程师关心的问题。本书带来了丰富的机器学习产品研发中的一手实践经验和新颖角度，对于致力于人工智能产品研发的从业者有良好的启迪。

携程大数据与AI应用研发部负责人、VP  邹宇

和传统的机器学习相关书籍相比，本书更侧重于如何测试机器学习产品以及AI智能化测试的应用。本书内容丰富、案例详实，不仅阐述了数据分析、机器学习、大数据等基础知识，还对模型算法评估、特征测试分析、模型工程平台等做了原理讲解和案例分析。本书通俗易懂，又不乏实用性，非常适合希望入门机器学习、大数据测试的同学们。

快狗打车CTO、公众号“架构师之路”作者  沈剑

《机器学习测试入门与实践》

当当购书，满100减50

👇👇👇👇👇

分享一下你对AI的看法，或者其他的工作学习经验，活动截止时留言点赞数的前3名将获得《机器学习测试入门与实践》纸质书籍一本。