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
This item appears in the following Collection(s)
Show simple item record
Search DSpace
Browse
-
All of DSpace
-
This Collection
My Account