EIN UMFASSENDER ANSATZ ZUR ENTWICKLUNG INTELLIGENTER SYSTEME
Versandkostenfrei!
Versandfertig in 6-10 Tagen
61,90 €
inkl. MwSt.
PAYBACK Punkte
0 °P sammeln!
Die Entwicklung eines intelligenten Softwaresystems für die Vorhersage von Softwarefehlern (SDP) ist eine wichtige Herausforderung im Bereich der Softwaretechnik unter Verwendung von Algorithmen des maschinellen Lernens, da Klassenungleichgewichtsprobleme Schwierigkeiten bei der Klassifizierung von fehlerhaften und nicht fehlerhaften Modulen verursachen. Das unausgewogene Lernen befasst sich mit diesem Problem und wird auch von Forschern verwendet, aber leider mit uneinheitlichen Ergebnissen. Aus diesem Grund haben wir ein umfassendes Experiment zur Entwicklung eines intelligenten Softwaresys...
Die Entwicklung eines intelligenten Softwaresystems für die Vorhersage von Softwarefehlern (SDP) ist eine wichtige Herausforderung im Bereich der Softwaretechnik unter Verwendung von Algorithmen des maschinellen Lernens, da Klassenungleichgewichtsprobleme Schwierigkeiten bei der Klassifizierung von fehlerhaften und nicht fehlerhaften Modulen verursachen. Das unausgewogene Lernen befasst sich mit diesem Problem und wird auch von Forschern verwendet, aber leider mit uneinheitlichen Ergebnissen. Aus diesem Grund haben wir ein umfassendes Experiment zur Entwicklung eines intelligenten Softwaresystems durchgeführt, bei dem die Auswirkungen des unausgewogenen Lernens auf die Metrik des unausgewogenen Datensatzes, die Art des Klassifizierers, die Eingabemetrik und die Methode des unausgewogenen Lernens untersucht wurden. Die Hauptanforderung bei der Entwicklung eines intelligenten Softwaresystems für die Vorhersage von Softwarefehlern besteht in der Verwendung von Methoden und Frameworks, die es Softwareingenieuren ermöglichen, sich auf Entwicklungsaktivitäten in Bezug auf fehleranfälligen Code zu konzentrieren und dadurch die Softwarequalität zu verbessern und Ressourcen besser zu nutzen. Viele Datensätze, Methoden und Rahmenwerke zur Vorhersage von Softwarefehlern sind komplex, so dass ein umfassendes Bild der Forschung zur Vorhersage von Fehlern in der Entwicklungsphase fehlt.
Andere Kunden interessierten sich für
