اولویت بندی خودکار عیوب بر اساس عیوب رفع شده در دوره های مختلف پروژه

عنوان اولویت بندی خودکار عیوب بر اساس عیوب رفع شده در دوره های مختلف پروژه
نویسنده گوکچه اوغلو، م.، سوزر، حسن
تاریخ انتشار: 2021-09
محل انتشار - الزویر
موضوع اولویت بندی نقص، مطالعه موردی صنعتی، یادگیری ماشین، اتوماسیون فرآیند، تعمیر و نگهداری نرم افزار
نوع دوره ای
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه: دانشگاه اوزیغین
شناسه دارایی کتابخانه 0164-1212
شماره ثبت 7a70e428-13a8-4e59-922e-5b75b2ee0d71
محل کتابخانه علوم کامپیوتر
تاریخ 2021-09
متن نمونه اولویت بندی نقص عمدتاً یک کار دستی و مستعد خطا در وضعیت فعلی است. ما اثربخشی یک رویکرد خودکار را که از یادگیری ماشینی نظارت شده استفاده می‌کند، ارزیابی کردیم. ما از دو تکنیک جایگزین استفاده کردیم، یعنی یک طبقه‌بندی کننده ساده بیز و یک مدل حافظه کوتاه مدت. ما یک مطالعه موردی صنعتی با یک پروژه واقعی از حوزه الکترونیک مصرفی انجام دادیم. ما بیش از 15000 شماره را جمع آوری کردیم که طی 3 سال جمع آوری شده است. ما توانستیم تا 79.36 درصد به سطح دقت برسیم و 3 مشاهده داشتیم. اولاً، مدل حافظه کوتاه مدت در مقایسه با یک طبقه‌بندی کننده ساده بیز دقت بهتری دارد. دوم، ویژگی های ساختاریافته منجر به دقت بهتر در مقایسه با توضیحات متنی می شود. سوم، دقت با در نظر گرفتن نقص‌های قبلی به‌عنوان بخشی از داده‌های آموزشی بهبود نمی‌یابد. افزایش اندازه داده های آموزشی حتی دقت را در مقایسه با نتایج کاهش می دهد، زمانی که از داده ها فقط در مورد نقص های اخیراً رفع شده استفاده می کنیم.
DOI 10.1016/j.jss.2021.110993
Cilt 179
مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی نسخه های خطی عثمانی
دانشگاه اوزیغین - موتور جستجوی نسخه های خطی عثمانی دانشگاه اوزیغین

اولویت بندی خودکار عیوب بر اساس عیوب رفع شده در دوره های مختلف پروژه

نویسنده گوکچه اوغلو، م.، سوزر، حسن
تاریخ انتشار 2021-09
محل انتشار - الزویر
موضوع اولویت بندی نقص، مطالعه موردی صنعتی، یادگیری ماشین، اتوماسیون فرآیند، تعمیر و نگهداری نرم افزار
نوع دوره ای
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه دانشگاه اوزیغین
شناسه دارایی کتابخانه 0164-1212
شماره ثبت 7a70e428-13a8-4e59-922e-5b75b2ee0d71
محل کتابخانه علوم کامپیوتر
تاریخ 2021-09
متن نمونه اولویت بندی نقص عمدتاً یک کار دستی و مستعد خطا در وضعیت فعلی است. ما اثربخشی یک رویکرد خودکار را که از یادگیری ماشینی نظارت شده استفاده می‌کند، ارزیابی کردیم. ما از دو تکنیک جایگزین استفاده کردیم، یعنی یک طبقه‌بندی کننده ساده بیز و یک مدل حافظه کوتاه مدت. ما یک مطالعه موردی صنعتی با یک پروژه واقعی از حوزه الکترونیک مصرفی انجام دادیم. ما بیش از 15000 شماره را جمع آوری کردیم که طی 3 سال جمع آوری شده است. ما توانستیم تا 79.36 درصد به سطح دقت برسیم و 3 مشاهده داشتیم. اولاً، مدل حافظه کوتاه مدت در مقایسه با یک طبقه‌بندی کننده ساده بیز دقت بهتری دارد. دوم، ویژگی های ساختاریافته منجر به دقت بهتر در مقایسه با توضیحات متنی می شود. سوم، دقت با در نظر گرفتن نقص‌های قبلی به‌عنوان بخشی از داده‌های آموزشی بهبود نمی‌یابد. افزایش اندازه داده های آموزشی حتی دقت را در مقایسه با نتایج کاهش می دهد، زمانی که از داده ها فقط در مورد نقص های اخیراً رفع شده استفاده می کنیم.
DOI 10.1016/j.jss.2021.110993
Cilt 179
دانشگاه اوزیغین - موتور جستجوی نسخه های خطی عثمانی
دانشگاه اوزیغین شما در حال هدایت مجدد هستید...

لطفاً صبر کنید