Spelling suggestions: "subject:"propensão"" "subject:"propensity""
1 |
Detecção de módulos de software propensos a falhas através de técnicas de aprendizagem de máquinaBEZERRA, Miguel Eugênio Ramalho 31 January 2008 (has links)
Made available in DSpace on 2014-06-12T15:52:09Z (GMT). No. of bitstreams: 1
license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5)
Previous issue date: 2008 / O sucesso de um software depende diretamente de sua qualidade. Tradicionalmente, métodos
formais e de inspeção manual de código são usados para assegurá-la. Tais métodos, geralmente,
possuem um custo elevado e demandam bastante tempo. Dessa forma, as atividades de
teste devem ser planejadas cuidadosamente para evitar o desperdício de recursos. Atualmente,
as organizações estão buscando maneiras rápidas e baratas de detectar defeitos em softwares.
Porém, mesmo com todos os avanços dos últimos anos, o desenvolvimento de software ainda
é uma atividade que depende intensivamente do esforço e do conhecimento humano. Muitos
pesquisadores e organizações estão interessados em criar um mecanismo capaz de prever
automaticamente defeitos em softwares. Nos últimos anos, técnicas de aprendizagem de máquina
vêm sendo utilizadas em diversas pesquisas com esse objetivo. Este trabalho investiga e
apresenta um estudo da viabilidade da aplicação de métodos de aprendizagem de máquina na
detecção de módulos de software propensos a falhas. Classificadores como redes neurais artificiais
e técnicas de aprendizagem baseada em instâncias (instance-based learning) serão usadas
nessa tarefa, tendo como fonte de informação as métricas de software retiradas do repositório
do Metrics Data Program (MDP) da NASA. Também será apresentado um conjunto de melhorias,
propostas durante este trabalho, para alguns desses classificadores. Como a detecção de
módulos defeituosos é um problema sensível a custo, este trabalho também propõe um mecanismo
capaz de medir analiticamente o custo de cada decisão tomada pelos classificadores
|
Page generated in 0.0646 seconds