Derin öğrenme yaklaşmaları ile yazılım proje gereksinimlerinin sınıflandırılması ve başarım sonuçlarının değerlendirilmesi
Başlık çevirisi mevcut değil.
- Tez No: 812392
- Danışmanlar: DR. ÖĞR. ÜYESİ FATİH YÜCALAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Manisa Celal Bayar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yazılım Bilim Dalı
- Sayfa Sayısı: 71
Özet
Günümüzde hızla gelişen teknoloji, yaşamımızın ayrılmaz bir parçası haline gelmiştir. Bu durum yazılım sistemlerine duyulan ihtiyacı artırmaktadır. Birçok alanda kullanılan yazılım sistemlerinin geliştirilmesinde belirli aşamalar vardır. En önemli aşamalardan biri gereksinim analizi aşamasıdır. Bu aşamada, sistemi talep eden paydaşlar gereksinimlerini belirtir. Gereksinim mühendisleri veya proje analistleri gereksinimleri amaç, işlev ve özelliklerine göre temelde işlevsel ve işlevsel olmayan gereksinimler olarak sınıflandırmaktadır. Gereksinimlerin doğru bir şekilde sınıflandırılıp, önceliklendirilmesi, yazılım yaşam döngüsünün diğer aşamalarının sorunsuz ilerlemesini sağlar. Gereksinimlerin doğal dil ile yazılıyor olması, talep sahibinin ihtiyaçlarını tam olarak aktaramaması, analiz yapacak kişilerin ilgili alana yeterince hâkim olmamasıya dagereksinimleri farklı şekilde yorumlamaları gereksinimlerin yanlış sınıflandırılmasına neden olmaktadır. Böyle bir durum yazılım geliştirme sürecine hatalı başlanılmasına yol açmaktadır. Yazılım gereksinim analizinin otomatik olarak yürütülmesi için doğal dil işleme yöntemleri kullanılarak yazılım gereksinimleri sınıflandırılabilir. Bu amaç doğrultusunda üniversite öğrencilerinin geliştirdiği yazılım projeleri içerisinde yer alan gereksinimler toplanarak, bir Türkçe veri seti oluşturulmuştur. Toplanan gereksinimlerin 3000'ini işlevsel, 1600'ü ise işlevsel olmayan gereksinim olmak üzere manuel olarak etiketlenmiştir. %80'ieğitim, %20'si test verisi olarak ayrılan veri seti sırasıyla makine öğrenmesi algoritmaları, derin öğrenme algoritmaları ve transformer modelleri ile eğitilerek performansları test edilmiştir. Makine öğrenimi algoritmalarından Naive Bayes Multinomial, derin öğrenme algoritmalarından CNN ve transformer modellerden de BERTürk'ün en iyi performans sonuçlarını verdiği gözlemlenmiştir. Ele alınan tüm algoritmalar içinde %95 doğruluk değeri ile BERTürk en başarılı algoritma olduğu tespit edilmiştir. Elde edilen sonuçlar yazılım gereksinim sınıflandırmada geliştirilen modellerin kullanılabilirliğini açıklamaktadır.
Özet (Çeviri)
Today, rapidly developing technology has become an integral part of our lives. This situation increases the need for software systems. There are certain stages in the development of software systems used in many fields. One of the most important stages is the requirements analysis stage. At this stage, stakeholders who request the system specify their requirements. Requirements engineers or project analysts basically classify requirements as functional and non-functional requirements according to their purpose, function, and characteristics. Accurately classifying and prioritizing requirements ensures that other phases of the software lifecycle run smoothly. However, the requirements may tend to be misclassified, if the stakeholders requesting the system cannot convey their needs clearly, the analysts do not have enough knowledge of the relevant field, or they interpret the requirements in different ways. Such a situation causes the software development process to be started incorrectly. Software requirements can be classified using natural language processing methods for the classification of software requirements automatically. For this purpose, a Turkish data set was created by collecting the requirements included in the software projects developed by university students. The collected requirements included 3000 manually labelled as functional and 1600 as non-functional requirements. The data set, of which 80% was training and 20% was test data, was trained with machine learning algorithms, deep learning algorithms, and transformer models, respectively, and their performances were tested. It was observed that Naive Bayes Multinomial from machine learning algorithms, CNN from deep learning algorithms, and BERTürk from transformer models gave the best performance results. It was found that BERTürk was the most successful algorithm with 95% accuracy among all the algorithms discussed. The obtained results explain the usability of the models developed in software requirement classification.
Benzer Tezler
- Ön eğitimli dil modellerinin kokan kod sınıflama performansının üçlü kayıp yöntemiyle iyileştirilmesi
Optimizing the code smell classification performance of pretrained language models using the triple loss method
ERTUĞRUL İSLAMOĞLU
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALİ NİZAM
- Manipulation of visually recognized objects using deep learning
Görsel tanınan nesnelerin derin öğrenme kullanarak hareket ettirilmesi
ERTUĞRUL BAYRAKTAR
Doktora
İngilizce
2018
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. PINAR BOYRAZ
- Gsm sektörü için müşteri merkezli bilgi yönetimi değerlendirme modeli tasarımı ve bir uygulama
The design of customer centric knowledge mangement assessment model for gsm ındustry and an aplıcatıon
ATİK KULAKLI
- Current pedagogical tendencies and practices in interpreter training: A study on Turkey
Sözlü çeviri eğitiminde güncel pedagojik eğilimler ve uygulamalar: Türkiye üzerine bir çalışma
ÖZGE BAYRAKTAR ÖZER
Doktora
İngilizce
2022
Eğitim ve ÖğretimAnkara Hacı Bayram Veli ÜniversitesiMütercim Tercümanlık Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞE SELMİN SÖYLEMEZ
- Yüz görüntülerinde derin üretken modeller ile anlamsal görüntü tamamlama
Semantic image completion with deep generative models in facial images
İLKAY ÇINAR
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT KÖKLÜ