Predicting software defects with machine learning
Makine öğrenmeyle yazılım hatalarını öngörmek
- Tez No: 844957
- Danışmanlar: DR. ÖĞR. ÜYESİ OĞUZ KARAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 89
Özet
Yazılım kusurları, yazılım sistemlerinin performansı, güvenilirliği ve güvenliği üzerinde zararlı etkiler yaratabilir; bu da bunların tanımlanması ve azaltılmasında etkili tekniklere olan zorunlu ihtiyacın altını çizer. Bu çalışma, yazılım kusurlarını tahmin etmede çeşitli modellerin güvenilirliğini değerlendirmek için Açıklanabilir Yapay Zeka (XAI) ilkeleriyle zenginleştirilmiş kapsamlı bir metodoloji sunmaktadır. JM1 ve CM1 veri kümelerinden yararlanan metodolojimiz, veri dengesizliklerinin düzeltilmesi ve ilgili özelliklerin çıkarılması da dahil olmak üzere önemli veri ön işleme adımlarını kapsar. Daha sonra altı farklı modelin sistematik olarak oluşturulmasına, eğitilmesine ve değerlendirilmesine rehberlik eder. XAI'yi entegre ederek yaklaşımımız yalnızca model şeffaflığını arttırmakla kalmıyor, aynı zamanda tahminlerini etkileyen temel faktörlere de ışık tutuyor. Sonuçların titiz analizi, modellerin araştırma problemini çözmedeki etkinliği konusunda değerli bilgiler sağlar. Sonuç olarak bu araştırma, bulgularının pratik sonuçlarının altını çizerek, bunların yazılım geliştirmede bilinçli karar vermeyle olan ilgisini vurgulamaktadır. Ayrıca, ek özellik seçme tekniklerini araştırmak, topluluk modellerini araştırmak ve model yorumlanabilirliğini daha da geliştirmek gibi gelecekteki araştırma çabalarının önünü açarak yazılım kusur tahmin uygulamalarının sürekli gelişimine katkıda bulunur.
Özet (Çeviri)
Software defects can exert detrimental impacts on the performance, reliability, and security of software systems, underscoring the imperative need for effective techniques in their identification and mitigation. This study introduces a comprehensive methodology, enriched with the principles of Explainable AI (XAI), to assess the dependability of various models in predicting software defects. Leveraging the JM1 and CM1 datasets, our methodology encompasses crucial data pre-processing steps, including the rectification of data imbalances and the extraction of relevant features. Subsequently, it guides the systematic creation, training, and evaluation of six distinct models. By integrating XAI, our approach not only enhances model transparency but also sheds light on the underlying factors influencing their predictions. The meticulous analysis of results furnishes valuable insights into the models' effectiveness in addressing the research problem. In conclusion, this research underscores the practical implications of its findings, emphasizing their relevance for informed decision-making in software development. Furthermore, it paves the way for future research endeavors, such as exploring additional feature selection techniques, investigating ensemble models, and further enhancing model interpretability, contributing to the continual evolution of software defect prediction practices.
Benzer Tezler
- Makine öğrenmesi yöntemleri ile yazılım hata miktarlarının tahmin edilmesi
Predicting software defect quantities with machine learning methods
SELAHATTİN GÜRER
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHaliç ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ELİF ALTINTAŞ KAHRİMAN
- Software defect prediction performance monitoring of deep and machine learning models on NASA promise datasets
NASA promise veri setlerinde derin ve makine öğrenme modellerinin yazılım hata tahmini performansının izlenmesi
ABDULLAH AKRAM SHAKIR AL BAYATI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEFER KURNAZ
- Nesneye yönelik sistemlerde kusurlu sınıfların öngörülmesi için makine öğrenmesi temelli bir yöntem oluşturulması
Creating a machine learning based method for predicting defective classes in object oriented systems
FİKRET AKTAŞ
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FEZA BUZLUCA
- Endüstri 4.0 çerçevesinde kestirimci imalat teknolojileri
Predictive manufacturing technologies in industry 4.0 framework
KADİR TOLGA BAYER
Yüksek Lisans
Türkçe
2019
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. TURGUT GÜLMEZ
- Software defect prediction with a personalization focus and challenges during deployment
Kişiselleştirme odaklı yazılım hata tahmini ve entegrasyon zorlukları
BEYZA EKEN
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞE TOSUN KÜHN