Optimalizace odhadu úsilí vývoje softwaru zlepšením analýzy funkčních bodů

DSpace Repository

Language: English čeština 

Optimalizace odhadu úsilí vývoje softwaru zlepšením analýzy funkčních bodů

Show simple item record

dc.contributor.author Vo Van, Hai
dc.date.accessioned 2023-01-04T10:14:11Z
dc.date.available 2023-01-04T10:14:11Z
dc.date.issued 2016-09-14
dc.identifier Elektronický archiv Knihovny UTB
dc.identifier.isbn 978-80-7678-129-0 cs
dc.identifier.uri http://hdl.handle.net/10563/52404
dc.description.abstract Předkládaná disertační práce představuje novou metodu odhadu vývojového úsilí softwaru pomocí technik strojového učení. Hlavní myšlenkou práce bylo představit nový systém vah, které se využívají v metodě Function Points Analysis pro kalibrování odhadu rozsahu softwaru. Dále byl navržen nový optimalizační rámec pro výpočet výsledků odhadu úsilí. Pro realizaci tohoto návrhu bylo nezbytné provést výběr vhodného algoritmu strojového učení a zkoumat vliv rozsahu dat na přesnost odhadu. Ukázalo se, že shlukování dat má velký vliv na přesnost výsledků odhadů. Z toho důvodu byly provedeny experimenty na vyhodnocení nejvhodnějšího shlukování. Výsledky získané v této disertační práci byly hodnoceny podle několika hodnotících kritérií a dosáhly mnohem lepšího výsledku než původní metoda FPA nebo další srovnávané metody.
dc.format 42 cs
dc.language.iso en
dc.publisher Univerzita Tomáše Bati ve Zlíně
dc.rights Bez omezení
dc.subject odhad úsilí vývoje softwaru cs
dc.subject analýza funkčních bodů cs
dc.subject váhy funkční složitosti cs
dc.subject kategoriální proměnné cs
dc.subject klastrování dat cs
dc.subject strojové učení cs
dc.subject software effort estimation en
dc.subject function point analysis en
dc.subject calibration complexity weight en
dc.subject categorical variables en
dc.subject data clustering en
dc.subject machine learning en
dc.title Optimalizace odhadu úsilí vývoje softwaru zlepšením analýzy funkčních bodů
dc.title.alternative Optimisation of Software Effort Estimation by Improving Functional Points Analysis
dc.type disertační práce cs
dc.contributor.referee Chramcov, Bronislav
dc.contributor.referee Šeda, Miloš
dc.contributor.referee Trenz, Oldřich
dc.date.accepted 2022-11-16
dc.description.abstract-translated The doctoral thesis proposes a new method of software effort estimation using machine learning techniques. The main idea of the work was to present a new weighting system of calibration complexity applied in the Function Points Analysis (FPA) method and to propose an optimization framework for the calculation of effort estimation results. The selection of a suitable machine learning algorithm is necessary for the implementation of this proposal. In addition, other attributes were investigated. Data clustering has been shown to have a large effect on the accuracy of estimation results. For that reason, experiments were made to find the most suitable clustering mechanism. The results obtained in this dissertation were evaluated according to unbiased evaluation criteria and achieved a much better result than the original FPA method and other compared methods.
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 63109
dc.date.submitted 2022-10-03


Files in this item

Files Size Format View Description
vo van_2022_teze.pdf 2.767Mb PDF View/Open
vo van_2022_dp.pdf 3.670Mb PDF View/Open None
vo van_2022_op.pdf 1.298Mb PDF View/Open None
vo van_2022_vp.pdf 28.58Kb PDF View/Open None

This item appears in the following Collection(s)

Show simple item record

Find fulltext

Search DSpace


Browse

My Account