Ir para acessibilidade
inicio do conteúdo

Banca de DEFESA: WELDSON AMARAL CORREA

2020-10-19 10:38:16.091

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: WELDSON AMARAL CORREA
DATA: 29/10/2020
HORA: 09:30
LOCAL: Vídeoconferência (meet.google.com/krv-qhbq-byw)
TÍTULO: Aplicando Aprendizado de Máquina para estimativa de esforço no desenvolvimento de software
PALAVRAS-CHAVES: Estimativa de esforço. Aprendizado de Máquina. Aprendizado de Máquina Automatizado. Esforço de desenvolvimento de software.
PÁGINAS: 62
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
RESUMO: Estimativas em projetos software visam auxiliar profissionais na previsão de valores mais adequados para o desenvolvimento de software, impactando na qualidade do planejamento e execução das atividades do processo de software. Todavia, as organizações de software possuem dificuldades em realizar estimativas que representem uma aproximação mais adequada do esforço necessário para execução das atividades do projeto de software. Apesar da literatura apresentar técnicas para estimar o esforço, esta atividade continua não sendo trivial. Nos últimos anos, técnicas baseadas em algoritmos de Aprendizado de Máquina (AM) têm recebido destaque para auxiliar na resolução deste problema. Através de técnicas de AM, pode-se utilizar bases de dados de projetos já executados (datasets) para auxiliar em estimativas mais precisas. Entretanto as estimativas geradas pelas técnicas de AM, dependem do dataset em que são aplicadas. Esta pesquisa tem objetivo de apresentar uma metodologia de estimativa de esforço usando algoritmo de aprendizado de máquina automatizado para ser capaz de generalizar as estimativas para diversos datasets. Para avaliar a metodologia proposta, foram conduzidos testes com 10 datasets e quatro métricas: Mean Absolute Error, Median Magnitude Relative Error, Mean Magnitude Relative Error e Percentage Relative Error Deviation. Os resultados demonstram que a metodologia proposta é consistente para estimativa de esforço em relação às métricas analisadas, indicando que a metodologia é promissora e consegue generalizar os resultados para múltiplos datasets.
MEMBROS DA BANCA:
Presidente - 1930277 - DAVI VIANA DOS SANTOS
Interno - 2582240 - GERALDO BRAZ JUNIOR
Interno - 1423656 - LUIS JORGE ENRIQUE RIVERO CABREJOS
Externo à Instituição - VALDEMAR VICENTE GRACIANO NETO - UFG

fim do conteúdo