Yazılım projelerinde maliyet tahmini: Derin öğrenme modellerinin kullanımı ve performans analizi
Cost estimation in software projects: The use of deep learning models and performance analysis
- Tez No: 989688
- Danışmanlar: PROF. DR. TUNÇHAN CURA
- Tez Türü: Doktora
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Sayısal Yöntemler Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yazılım projelerinin başarısı, büyük ölçüde proje süresince yapılan doğru maliyet tahminlerine bağlıdır. Geliştirme sürecinde kaynakların verimli kullanılabilmesi, bütçenin aşılmaması ve hedeflenen kaliteye zamanında ulaşılabilmesi için maliyetin en erken aşamada doğru şekilde öngörülmesi gerekmektedir. Özellikle çevik yazılım geliştirme yaklaşımlarında, maliyet tahmini süreci çoğunlukla hikaye puanları üzerinden, öznel değerlendirmelere dayalı olarak yapılmakta, bu durum tahminlerde tutarsızlık ve hatalara neden olabilmektedir. Bu tez çalışmasında, çevik yazılım projelerinde hikaye puanı temelli maliyet tahminlerinin daha güvenilir hale getirilmesi amacıyla doğal dil işleme (NLP) ve derin öğrenme yöntemleri entegre edilmiştir. Kullanıcı hikayelerinin metin içerikleri temel alınarak geliştirilen sınıflandırma modelleri aracılığıyla, öznelliği azaltan, otomatik bir tahmin süreci oluşturulması hedeflenmiştir. Çalışmada metin temsili için hem frekans tabanlı (TF-IDF) hem de tahmin tabanlı (Word2Vec) yöntemler kullanılmış, sınıflandırma aşamasında ise CNN, BiLSTM ve TCN gibi modern derin öğrenme mimarileri tercih edilmiştir. Ayrıca SVM ve Karar Ağacı gibi geleneksel yöntemler de analiz sürecine dahil edilmiş, sonuçlar karşılaştırmalı olarak değerlendirilmiştir. Hiperparametre optimizasyonu sürecinde Bayesian ve Hyperband tabanlı hibrid bir model kullanılarak, modellerin en iyi performansı verecek parametre kombinasyonları belirlenmiştir. Deneysel sonuçlar, özellikle Word2Vec temsili ile çalışan CNN modelinin, hem doğruluk hem de makro F1 skorlarında diğer modellere kıyasla yüksek başarı sergilediğini göstermektedir. Ayrıca, önerilen tüm derin öğrenme yöntemlerinin, geleneksel makine öğrenmesi yöntemleriyle karşılaştırıldığında daha dengeli ve tutarlı sonuçlar ürettiği gözlemlenmiştir. Bu bağlamda tez çalışması, yazılım maliyet tahmini literatürüne çevik projeler özelinde, metin sınıflandırma temelli, derin öğrenme destekli yenilikçi bir katkı sunmaktadır. Bulgular, hikaye puanı tahmininde insan yargısına dayalı belirsizliklerin azaltılabileceğini ve tahmin süreci için karar desteği sağlayabileceğini ortaya koymaktadır.
Özet (Çeviri)
The success of software projects largely depends on accurate cost estimations made throughout the project lifecycle. In order to use resources efficiently, avoid budget overruns, and achieve the desired quality on time, it is essential to estimate costs accurately at the earliest stages. Particularly in agile software development, the cost estimation process is typically based on story points and relies heavily on subjective expert judgments, which can lead to inconsistencies and errors. This study integrates natural language processing (NLP) and deep learning methods to make story point-based cost estimations in agile software projects more reliable. By leveraging the textual content of user stories, classification models were developed to automate the estimation process and reduce subjectivity. For textual representation, both frequency-based (TF-IDF) and prediction-based (Word2Vec) methods were utilized. In the classification phase, advanced deep learning architectures such as CNN, BiLSTM, and TCN were employed. Additionally, conventional machine learning methods like Support Vector Machines (SVM) and Decision Trees (DT) were also incorporated for comparative evaluation. During the hyperparameter optimization process, a hybrid model based on Bayesian and Hyperband approaches was used to determine the optimal parameter combinations that yield the best performance for the models. Experimental results indicate that the CNN model utilizing the Word2Vec representation achieved higher performance in both accuracy and macro F1-score compared to other models. Furthermore, all proposed deep learning methods were observed to produce more balanced and consistent results when compared to traditional machine learning methods. In this context, the study provides an innovative contribution to the literature on software cost estimation, specifically within agile projects, by introducing a deep learning-supported, text classification-based methodology. The findings demonstrate that the uncertainty caused by human judgment in story point estimation can be significantly reduced, and the proposed method can serve as a reliable decision support mechanism in estimation processes.
Benzer Tezler
- Termal görüntü çözünürlüğünün artırılması için derin öğrenme tabanlı bulut sisteminin geliştirilmesi
Development of cloud system based on deep learning for thermal image resolution enhancement
FATİH MEHMET ŞENALP
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT CEYLAN
- Yazılım projelerinin yönetiminde maliyet tahmini için derin öğrenme tabanlı yeni bir yaklaşım
A deep learning based novel approach for cost estimation in software projects management
SENEM OLGUN
Doktora
Türkçe
2020
Endüstri ve Endüstri Mühendisliğiİstanbul Üniversitesi-CerrahpaşaEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. TARIK KÜÇÜKDENİZ
- Code clone detection with convolutional neural network
Konvolüsyonel sinir ağı ile kod klon tespiti
HARUN DİŞLİ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞE TOSUN
- Kazık taşıma kapasitesinin statik formüller nümerik analiz ve yükleme deneyleri kullanılarak belirlenmesi üzerine bir çalışma
A case study for the calculation of pile bearing capacity with reference to static formulas, numerical analysis and pile load tests
ÖZKAN PULAT
Yüksek Lisans
Türkçe
2024
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. MUSAFFA AYŞEN LAV
- Investigation of the behavior and effects of passive side reinforcement on in-situ retaining structures
Pasif yan takviyenın kast yapı üzerindeki davranış ve etkilerinin incelenmesi
TARIK SOLOMON TESHOME
Doktora
İngilizce
2024
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
Prof. Dr. AYKUT ŞENOL
DR. ÖĞR. ÜYESİ ZEHRA NİL KUTLU