| dc.contributor.author |
Huynh Thai, Hoc
|
|
| dc.date.accessioned |
2023-12-19T09:41:42Z |
|
| dc.date.available |
2023-12-19T09:41:42Z |
|
| dc.date.issued |
2016-09-14 |
|
| dc.identifier |
Elektronický archiv Knihovny UTB |
|
| dc.identifier.isbn |
978-80-7678-221-1 |
cs |
| dc.identifier.uri |
http://hdl.handle.net/10563/52492
|
|
| dc.description.abstract |
Odhad úsilí při vývoji softwaru, resp. odhad pracnosti vývoje softwarových projektů, hraje klíčovou roli v oblasti vývoje softwaru a má velký vliv na plánování projektů a přidělování zdrojů. Předkládaná práce přináší významné pokroky v oblasti odhadu úsilí při vývoji softwaru zavedením inovativních technik jako je tzv. přenosové učení (transfer learning) a analýzy datových souborů, s cílem zvýšit přesnost odhadu úsilí, konkrétně v rámci rozšíření metody funkčních bodů. Kromě toho jsou v předkládané práci zkoumané různé přístupy k identifikaci faktorů analýzy funkčních bodů a relevantních kategoriálních faktorů, které přispívají ke zlepšení odhadu úsilí, včetně vícenásobné lineární regrese, neuronových sítí atd. Prostřednictvím rozsáhlé série experimentů autor práce identifikuje nové faktory ovlivňující odhad úsilí, což vede k přesnějším odhadům ve srovnání se základními modely. Dále je v práci popsaná aplikace technik LIME (Local Interpretable Model-agnostic Explanations) a SHAP (SHapley Additive exPlanations), které umožňují hlubší vhled do černé skříňky predikčních modelů. Provedený výzkum byl zaměřen na hodnocení účinnosti předem natrénovaných modelů a návrh využití metod tzv. hlubokého učení (deep learning) v kombinaci se strategiemi pro vyvažování kategoriálních proměnných s cílem zlepšit odhad úsilí. Výsledky jasně ukazují, že zahrnutí relevantních faktorů a využití hlubokého učení, jakož i technik přenosového učení, výrazně zlepšuje odhad úsilí při vývoji softwaru. Toto zlepšení odhadu úsilí nabízí týmům zabývajícím se vývojem softwaru přesnější prostředky, což v konečném důsledku vede ke zlepšení plánování a řízení projektů. Předkládaná práce celkově přispívá k teoretickým i praktickým aspektům odhadu úsilí tím, že poskytuje nové poznatky a inovativní strategie pro zvýšení přesnosti odhadu úsilí při vývoji softwarových projektů. |
|
| dc.format |
51 |
cs |
| dc.language.iso |
en |
|
| dc.publisher |
Univerzita Tomáše Bati ve Zlíně |
|
| dc.rights |
Bez omezení |
|
| dc.subject |
Odhadování pracnosti vývoje softwarových projektů
|
cs |
| dc.subject |
metoda funkčních bodů
|
cs |
| dc.subject |
regresní modely
|
cs |
| dc.subject |
hluboké učení
|
cs |
| dc.subject |
Software development effort estimation
|
en |
| dc.subject |
function points methods
|
en |
| dc.subject |
regression models
|
en |
| dc.subject |
deep learning
|
en |
| dc.subject |
Ensemble
|
en |
| dc.subject |
deep learning with balancing dataset
|
en |
| dc.subject |
transfer learning
|
en |
| dc.subject |
LIME
|
en |
| dc.subject |
SHAP
|
en |
| dc.title |
Regresní modely pro odhad úsilí softwarového projektu |
|
| dc.title.alternative |
Regression Models for Software Project Effort Estimation |
|
| dc.type |
disertační práce |
cs |
| dc.contributor.referee |
Matušů, Radek |
|
| dc.contributor.referee |
Šeda, Miloš |
|
| dc.contributor.referee |
Trenz, Oldřich |
|
| dc.date.accepted |
2023-12-14 |
|
| dc.description.abstract-translated |
Effort estimation plays a crucial role in the domain of software development, employing an influence on project planning and resource allocation. This thesis advances the field of Software Development Effort Estimation (SDEE) by introducing novel transfer learning and dataset balancing techniques to enhance effort estimation accuracy, focusing on the function point analysis. It explores multiple linear regression, feedforward neural networks, and ensemble methods to identify factors affecting effort estimation. Through a comprehensive series of experiments, this study uncovers new factors that significantly improve effort estimation, resulting in more precise estimates when compared to baseline models. Furthermore, it employs the application of Local Interpretable Model-agnostic Explanations (LIME) and SHapley Additive exPlanations (SHAP) techniques to provide deeper insights into the black-box of predictive models. This research evaluates the effectiveness of pre-trained models and suggests using deep learning methods in combination with strategies for balancing categorical variables to enhance effort estimation. The results indicate that incorporating relevant factors and employing deep learning and transfer learning techniques enhances SDEE. This improvement in effort estimation offers software development teams a more accurate means of estimation, ultimately leading to improved project planning and management. In summary, this thesis contributes to both theory and practice in effort estimation by offering innovative insights and strategies to boost accuracy. |
|
| dc.description.department |
Ústav počítačových a komunikačních systémů |
|
| dc.thesis.degree-discipline |
Engineering Informatics |
cs |
| dc.thesis.degree-discipline |
Engineering Informatics |
en |
| dc.thesis.degree-grantor |
Univerzita Tomáše Bati ve Zlíně. Fakulta aplikované informatiky |
cs |
| dc.thesis.degree-grantor |
Tomas Bata University in Zlín. Faculty of Applied Informatics |
en |
| dc.thesis.degree-name |
Ph.D. |
|
| dc.thesis.degree-program |
Engineering Informatics |
cs |
| dc.thesis.degree-program |
Engineering Informatics |
en |
| dc.identifier.stag |
66240
|
|
| dc.date.submitted |
2023-10-02 |
|
