Uso de aprendizado de maquina para estimar esforço de execução de testes funcionais

Detalhes bibliográficos
Autor(a) principal: Silva, Daniel Guerreiro e, 1983-
Data de Publicação: 2009
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/1611292
Resumo: Orientador: Mario Jino
id UNICAMP-30_f1b88734c5a618f7dc1bc953d08f5928
oai_identifier_str oai::476876
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Uso de aprendizado de maquina para estimar esforço de execução de testes funcionaisUsing machine learning to estimate execution effort of functional testsSoftwareVariáveis (Matemática)Aprendizado de máquinaVariáveis latentesSoftwareVariables (Mathematics)Machine learningLatent variablesOrientador: Mario JinoDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de ComputaçãoResumo: O planejamento das atividades de teste tem papel essencial para qualquer equipe independente de testes que realize testes de diferentes sistemas de software, desenvolvidos por diferentes equipes de desenvolvimento. Dado que o esforço empreendido no processo de testes pode chegar até a metade do esforço total de desenvolvimento de um sistema, estimar adequadamente o esforço de testes pode evitar custos desnecessários e contribuir para a boa qualidade dos produtos. Para superar este desafio, ferramentas de aprendizado de máquina têm sido usadas em pesquisa para estimar esforço e para solucionar outros problemas de engenharia de software, principalmente porque eles constituem uma classe de problemas complexos com muitas limitações à sua solução por abordagens matemáticas clássicas. Este trabalho estuda a aplicação das ferramentas de aprendizado de máquina - redes neurais artificiais e máquinas de vetor de suporte - e de ferramentas de seleção de variáveis na solução do problema de estimar esforço de execução de testes funcionais. Um estudo do processo de execução de testes é desenvolvido e são conduzidos experimentos em duas bases de dados reais com o objetivo de propor uma metodologia adequada para abordar sistematicamente o problema, tanto em termos de qualidade de resultados como em praticidade de uso. As principais contribuições deste trabalho são: a proposta de realizar a seleção de variáveis para a síntese da base de dados; a adoção de um modelo de rede neural treinada por uma função custo assimétrica; e um estudo comparativo de desempenho dos modelos preditoresAbstract: Planning and scheduling of testing activities play a key role for any independent test team that performs tests for different software systems, produced by different development teams. Since the effort that is applied in the test process can amount to up to half of the total effort of software development, adequate estimation of test effort can prevent unnecessary costs and improve the quality of delivered products. To overcome this challenge, machine learning tools have been used in research to estimate effort and to solve other software engineering problems, mainly because they constitute a class of complex problems with many limitations to their solution by classical mathematical approaches. This work studies the application of machine learning tools - artificial neural networks and support vector machines - and variable selection tools to solve the problem of estimating the execution effort of functional tests. An analysis of the test execution process is done and experiments are performed with two real databases aimed at proposing a suitable methodology to systematically tackle this problem, considering both the quality of results and ease of application. The main contributions of this work are: the proposal of applying variable selection for database synthesis; the adoption of an artificial neural network trained with an asymmetric cost function; and a comparative study of performance with the predictive modelsMestradoEngenharia de ComputaçãoMestre em Engenharia Elétrica[s.n.]Jino, Mario, 1943-Vergilio, Silvia ReginaAttux, Romis Ribeiro de FaissolUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de ComputaçãoPrograma de Pós-Graduação em Engenharia ElétricaUNIVERSIDADE ESTADUAL DE CAMPINASSilva, Daniel Guerreiro e, 1983-2009info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf113 p. : il.https://hdl.handle.net/20.500.12733/1611292SILVA, Daniel Guerreiro e. Uso de aprendizado de maquina para estimar esforço de execução de testes funcionais. 2009. 113 p. Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1611292. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/476876porreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2017-02-18T05:46:35Zoai::476876Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2017-02-18T05:46:35Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Uso de aprendizado de maquina para estimar esforço de execução de testes funcionais
Using machine learning to estimate execution effort of functional tests
title Uso de aprendizado de maquina para estimar esforço de execução de testes funcionais
spellingShingle Uso de aprendizado de maquina para estimar esforço de execução de testes funcionais
Silva, Daniel Guerreiro e, 1983-
Software
Variáveis (Matemática)
Aprendizado de máquina
Variáveis latentes
Software
Variables (Mathematics)
Machine learning
Latent variables
title_short Uso de aprendizado de maquina para estimar esforço de execução de testes funcionais
title_full Uso de aprendizado de maquina para estimar esforço de execução de testes funcionais
title_fullStr Uso de aprendizado de maquina para estimar esforço de execução de testes funcionais
title_full_unstemmed Uso de aprendizado de maquina para estimar esforço de execução de testes funcionais
title_sort Uso de aprendizado de maquina para estimar esforço de execução de testes funcionais
author Silva, Daniel Guerreiro e, 1983-
author_facet Silva, Daniel Guerreiro e, 1983-
author_role author
dc.contributor.none.fl_str_mv Jino, Mario, 1943-
Vergilio, Silvia Regina
Attux, Romis Ribeiro de Faissol
Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação
Programa de Pós-Graduação em Engenharia Elétrica
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Silva, Daniel Guerreiro e, 1983-
dc.subject.por.fl_str_mv Software
Variáveis (Matemática)
Aprendizado de máquina
Variáveis latentes
Software
Variables (Mathematics)
Machine learning
Latent variables
topic Software
Variáveis (Matemática)
Aprendizado de máquina
Variáveis latentes
Software
Variables (Mathematics)
Machine learning
Latent variables
description Orientador: Mario Jino
publishDate 2009
dc.date.none.fl_str_mv 2009
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/1611292
SILVA, Daniel Guerreiro e. Uso de aprendizado de maquina para estimar esforço de execução de testes funcionais. 2009. 113 p. Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1611292. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/1611292
identifier_str_mv SILVA, Daniel Guerreiro e. Uso de aprendizado de maquina para estimar esforço de execução de testes funcionais. 2009. 113 p. Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1611292. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/476876
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
113 p. : il.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189023624724480

Registros relacionados