prikaz prve stranice dokumenta Poboljšanje postupaka za predviđanje programskih neispravnosti zasnovano na strojnom učenju
Rad nije dostupan
disertacija
Poboljšanje postupaka za predviđanje programskih neispravnosti zasnovano na strojnom učenju
2016. urn:nbn:hr:168:619736
Mauša, Goran
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zavod za elektroniku, mikroelektroniku, računalne i inteligentne sustave

Citirajte ovaj rad

Mauša, G. (2016). Poboljšanje postupaka za predviđanje programskih neispravnosti zasnovano na strojnom učenju (Disertacija). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:619736

Mauša, Goran. "Poboljšanje postupaka za predviđanje programskih neispravnosti zasnovano na strojnom učenju." Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2016. https://urn.nsk.hr/urn:nbn:hr:168:619736

Mauša, Goran. "Poboljšanje postupaka za predviđanje programskih neispravnosti zasnovano na strojnom učenju." Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2016. https://urn.nsk.hr/urn:nbn:hr:168:619736

Mauša, G. (2016). 'Poboljšanje postupaka za predviđanje programskih neispravnosti zasnovano na strojnom učenju', Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 16.04.2024., https://urn.nsk.hr/urn:nbn:hr:168:619736

Mauša G. Poboljšanje postupaka za predviđanje programskih neispravnosti zasnovano na strojnom učenju [Disertacija]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2016 [pristupljeno 16.04.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:619736

G. Mauša, "Poboljšanje postupaka za predviđanje programskih neispravnosti zasnovano na strojnom učenju", Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2016. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:619736

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:619736
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovPoboljšanje postupaka za predviđanje programskih neispravnosti zasnovano na strojnom učenju
Naslov (engleski)Improvement of software defect prediction methods based on machine learning
AutorGoran Mauša
MBZ: 325672
MentorBojana Dalbelo-Bašić (mentor)
MentorTihana Galinac Grbac (komentor)
Član povjerenstvaBojana Dalbelo-Bašić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
(Zavod za elektroniku, mikroelektroniku, računalne i inteligentne sustave)
Zagreb
Datum i država obrane2016, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Arhitektura računalnih sustava
Univerzalna decimalna klasifikacija
(UDC)		621.3 - Elektrotehnika
Sažetak
Povećanje složenosti programskih sustava uzrokuje povećanje opsega verifikacijskog djelovanja, a time i troškova razvoja. Programske neispravnosti nejednoliko su raspoređene po programskim sustavima i to na način da se u manjem postotku programa nalazi veći postotak neispravnosti. Ova se disertacija bavi predviđanjem dijelova sustava sa programskim neispravnostima s ciljem pametnog usmjeravanja verifikacijskih strategija. Postupci prikupljanja podataka za potrebe predviđanja programskih neispravnosti nisu u potpunosti normirani i osnovni su uzrok nemogućnosti poopćenja primjene metoda predviđanja. Ostvareni doprinosi su pri tome postupak za prikupljanje podataka utemeljen na industrijskim normama te algoritam za prikupljanje podataka zasnovan na statičkim metrikama programskog koda, s ciljem povećanja prikladnosti podataka za primjenu metoda predviđanja programskih neispravnosti. Drugi problem kojem se posvećuje rad je neujednačenost skupova podataka, što je inherentno svojstvo u ovoj domeni. Ostvareni doprinosi su pri tome metode za utvrđivanje granične razine neujednačenosti za metode strojnog učenja te postupka za odabir prikladnog modela predviđanja programskih neispravnosti na neujednačenim skupovima podataka. Pomoću predloženih postupaka moguće je unaprijed bolje procijeniti neispravne dijelove programskog sustava i time poboljšati verifikacijsku i razvojnu strategiju programskih sustava te unaprijediti planiranje budućih ulaganja u razvoj složenih programskih sustava u evoluciji.
Sažetak (engleski)
The increasing complexity of software systems is extending the verification activities and increasing the development cost. Software defects are unequally distributed within the software system. The majority of defects is situated in the smaller part of the system. This doctoral thesis is investigating the software defect prediction that aims to improve the allocation of verification resources. The software defect prediction data collection procedure is not entirely standardized and this is the major cause of inconsistencies and research bias. The contributions of this thesis are a systematically defined data collection procedure that is based on existing industrial norms and the data collection algorithm based on static code attributes, which aim to enhance the appropriateness of data for software defect prediction. The second problem that is covered in this thesis is the data imbalance problem, an inherent feature in this domain. The contributions of this thesis are a method for establishing the critical level of data imbalance for machine learning algorithms and a method for choosing the most appropriate predictive model with respect to the present level of data imbalance. The proposed procedures enable us to better predict the defective software modules and to improve the verification and the development strategies of complex software systems and to improve the investment planning of the evolving systems.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:619736
Studijski programNaziv: Elektrotehnika i računarstvo
Vrsta studija: sveučilišni
Stupanj studija: poslijediplomski doktorski
Akademski / stručni naziv: Doktor znanosti elektrotehnike i računarstva (dr.sc.)
Vrsta resursaTekst
Opseg171 str. ; 30 cm.
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2019-04-11 13:56:16