Yazılım kodlama tecrübesi tahmini ile kitap öneri sistemi: Stack Overflow deneysel çalışması
Book recommendation system with software coding experience estimation: Stack Overflow experimental study
- Tez No: 945282
- Danışmanlar: DOÇ. DR. MUHAMMED MARUF ÖZTÜRK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 123
Özet
Yazılım soru-cevap platformları, özellikle Stack Overflow, geliştiricilere yazılım sorunları ve kodlama zorluklarına yönelik hızlı çözümler sunarak önemli bir bilgi kaynağı oluşturmaktadır. Bu tezde, yazılımcıların kodlama deneyim seviyelerini tahmin etmek ve bu seviyelere uygun programlama kitapları önermek amacıyla kişiselleştirilmiş bir öneri sistemi geliştirilmiştir. Sistemin başarımını artırmak için hiperparametre optimizasyonuna yönelik özgün bir yöntem önerilmiş ve çeşitli makine öğrenmesi algoritmaları üzerinde uygulanarak değerlendirilmiştir. Geliştirilen sistem; Destek Vektör Makineleri (SVM), Gradyan Artırmalı Karar Ağaçları (GBM), Rastgele Orman, Budanmış Küme Toplulukları (EPS) ve İkili İlişkilendirme Topluluğu (EBR) gibi algoritmalarla test edilmiştir. Hiperparametre optimizasyon sürecinde klasik yöntemler (Izgara Arama, Rastgele Arama, Bayes Optimizasyonu, Nelder-Mead) ile alternatif yaklaşımlar (AutoFT, DEoptim, mlrMBO, TuRBO) karşılaştırmalı olarak analiz edilmiştir. Önerilen yöntem, doğruluk oranını %15'e kadar artırmış, bellek tüketimini %20 oranında azaltmış ve işlem süresini dengelemiştir. En başarılı modeller yaklaşık %70 doğruluk oranına ulaşmıştır. Ayrıca, hiperparametre optimizasyonunu daha kullanıcı dostu hâle getirmek amacıyla HyperR adlı web tabanlı bir araç geliştirilmiştir. Stack Overflow verileriyle eğitilen modeller aracılığıyla kullanıcıların sorduğu sorulardan programlama dili ve deneyim düzeyi tahmin edilmekte; buna göre uygun kitaplar önerilmekte ve kullanıcılar ilgili algoritmaları seçerek hiperparametreleri görsel arayüz üzerinden yapılandırabilmektedir. Böylece, hem uzmanlar hem de teknik bilgisi sınırlı kullanıcılar için erişilebilir ve etkileşimli bir optimizasyon ortamı sunulmaktadır.
Özet (Çeviri)
Software question-and-answer platforms, especially Stack Overflow, serve as a valuable source of information by providing developers with quick solutions to software problems and coding challenges. In this thesis, a personalized recommendation system has been developed to predict programmers' coding experience levels and recommend programming books suited to their proficiency. To enhance the system's performance, a novel hyperparameter optimization method has been proposed and applied across various machine learning algorithms. The developed system was tested using algorithms such as Support Vector Machines (SVM), Gradient Boosting Machines (GBM), Random Forest, Ensembles of Pruned Sets (EPS), and Ensembles of Binary Relevance (EBR). In the hyperparameter optimization process, classical methods (Grid Search, Random Search, Bayesian Optimization, Nelder-Mead) and alternative approaches (AutoFT, DEoptim, mlrMBO, TuRBO) were comparatively analyzed. The proposed method improved accuracy by up to 15%, reduced memory usage by 20%, and maintained balanced processing time. The best-performing models achieved an accuracy of approximately 70%. Additionally, to make hyperparameter optimization more user-friendly, a web-based tool called HyperR has been developed. Using models trained on Stack Overflow data, the system predicts the programming language and experience level from user-submitted questions; based on these predictions, it recommends suitable books and allows users to configure hyperparameters through a visual interface by selecting relevant algorithms. Thus, it offers an accessible and interactive optimization environment for both expert users and those with limited technical knowledge.
Benzer Tezler
- 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
- Contextual and time-based developer metrics in software defect prediction
Yazılım hata tahminlerinde içerik ve zamana göre değişen geliştirici metriklerinin kullanımı
SELDAĞ KİNİ ÖZCAN
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞE TOSUN
- Türkiye telekomünikasyon sektörü senaryoları
Turkey telecommunication market scenarios
BAHADIR KARALAR
Yüksek Lisans
Türkçe
2002
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiMühendislik Yönetimi Ana Bilim Dalı
DOÇ. DR. ALPASLAN FIĞLALI
- Co-expression Pairs and Modules (CoEX-PM): A Shiny application and an example case study on chromogranins
Ko-ekspresyon çiftleri ve modülleri (CoEX-PM): Bir Shiny aplikasyonu ve kromograninler üzerinde bir örnek olay incelemesi
TUĞBERK KAYA
Yüksek Lisans
İngilizce
2018
Biyoistatistikİhsan Doğramacı Bilkent ÜniversitesiNörobilim Ana Bilim Dalı
DOÇ. ÖZLEN KONU KARAKAYALI
- Evaluation of cognitive performance of seafarers in heavy weather conditions using cognitive test software application
Gemi adamlarının bilişsel performanslarının bilişsel test yazılımı kullanarak ağır hava koşullarında değerlendirmesi
MESUT CAN KÖSEOĞLU
Yüksek Lisans
İngilizce
2018
Denizcilikİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
PROF. DR. LEYLA TAVACIOĞLU