Deep learning-based defect prediction for mobile apps
Mobıl uygulamalar için derin öğrenme kullanarak hata tahminlemesi
- Tez No: 717670
- Danışmanlar: DOÇ. DR. AKHAN AKBULUT, PROF. DR. ÇAĞATAY ÇATAL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: İstanbul Kültür Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 62
Özet
Mobil uygulamalar her geçen yıl popülerliğini artırıyor. Ancak, mobil uygulamalar içerisindeki tanınmayan kusurlar olumsuz kullanıcı deneyiminden ötürü işletmeleri etkileyebilmektedir. Bunu önlemek için, uygulama kusurları sürümlerden önce gözden geçirilmelidir. Kusur önleme için en iyi bilinen yöntemler arasında Gözden Geçirme ve İnceleme, Çözüm Yolu, Günlüğe Kaydetme ve Belgeleme ve Kök Neden Analizi ile makine öğrenimini kullanan yenilikçi tahmine dayalı yaklaşımlar yer almaktadır. Bu tahmin modellerinin yararı, hataya açık modüllere etkin bir şekilde daha fazla test kaynağının tahsis edilebilmesidir. Bu çalışma, mobil uygulamalar için bir hata tahmin modeli sunmayı amaçlamaktadır. Bir kusur tahmin modeli geliştirmek için çapraz proje uyguladık ve Yapay Sinir Ağları (ANN), Evrişimsel Sinir Ağları (CNN) ve Uzun-Kısa Süreli Bellek (LSTM) gibi derin öğrenme algoritmalarını kullanarak Android uygulamaları verisetlerine uyguladık. Veri kümelerini dengelemek için SMOTE Aşırı Örnekleme tekniği, performans elde etmek için hassasiyet, geri çağırma, f1-puanı, ROC ve AUC gibi doğruluk ölçütleri kullanılır ve model sonuçları on kat çapraz doğrulama ile değerlendirildi.
Özet (Çeviri)
Mobile applications are increasing their popularity every year. However, unrecognized defects within mobile applications can affect businesses due to negative user experience. To avoid this, defects of applications should be reviewed before releases. The well-known methods for defect prevention include Review and Inspection, Walkthrough, Logging and Documentation, and Root Cause Analysis, as well as employing innovative predictive approaches using machine learning. The benefit of these prediction models is that more testing resources can be allocated to fault-prone modules effectively. This study aims to present a defect prediction model for mobile applications. We applied cross-project and used deep learning algorithms including Artificial Neural Networks (ANN), Convolutional Neural Networks (CNN), and Long-Short Term Memory (LSTM) to develop a defect prediction model and applied it to Android applications datasets. SMOTE Oversampling technique is used to balance datasets, accuracy metrics such as precision, recall, F1-score, ROC, and AUC to achieve performance, and model results are evaluated with tenfold cross-validation.
Benzer Tezler
- Efficient deep learning approaches for signal and image analysis applications
Sinyal ve görüntü analizi uygulamaları için verimli derin öğrenme yaklaşımları
ONUR CAN KOYUN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- Derin öğrenme modelleri kullanarak ses işaretlerinden sahtecilik tespiti
Forgery detection from audio signals using deep learning models
FULYA AKDENİZ
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. YAŞAR BECERİKLİ
- Derin öğrenme ağları kullanılarak doğal ortamda hastalıklı domateslerin belirlenmesi
Detection of diseased tomatoes using deep learning networks in natural field
KÖKSAL KAPUCUOĞLU
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜRVET KIRCI
- Resolving security and low mobility issues in mobile AD-HOC networks
Başlık çevirisi yok
AMMAR ABDULRAHMAN M.SAEED
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEFER KURNAZ
- Yazılı para transferi talimatları üzerinden bilgi çıkarımı
Information extraction from written money transfer orders
BERKE ORAL
Yüksek Lisans
Türkçe
2021
Bankacılıkİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLŞEN ERYİĞİT