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

Orientador: Mario Jino === Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação === Made available in DSpace on 2018-08-15T04:58:41Z (GMT). No. of bitstreams: 1 Silva_DanielGuerreiroe_M.pdf: 2351174 bytes, checksum: 7f8ba90b6462fe7be00711143e36...

Full description

Bibliographic Details
Main Author: Silva, Daniel Guerreiro e, 1983-
Other Authors: UNIVERSIDADE ESTADUAL DE CAMPINAS
Format: Others
Language:Portuguese
Published: [s.n.] 2009
Subjects:
Online Access: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: <http://www.repositorio.unicamp.br/handle/REPOSIP/259609>. Acesso em: 15 ago. 2018.
http://repositorio.unicamp.br/jspui/handle/REPOSIP/259609
id ndltd-IBICT-oai-repositorio.unicamp.br-REPOSIP-259609
record_format oai_dc
collection NDLTD
language Portuguese
format Others
sources NDLTD
topic Software
Variáveis (Matemática)
Aprendizado de máquina
Variáveis latentes
Software
Variables (Mathematics)
Machine learning
Latent variables
spellingShingle Software
Variáveis (Matemática)
Aprendizado de máquina
Variáveis latentes
Software
Variables (Mathematics)
Machine learning
Latent variables
Silva, Daniel Guerreiro e, 1983-
Uso de aprendizado de maquina para estimar esforço de execução de testes funcionais
description Orientador: Mario Jino === Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação === Made available in DSpace on 2018-08-15T04:58:41Z (GMT). No. of bitstreams: 1 Silva_DanielGuerreiroe_M.pdf: 2351174 bytes, checksum: 7f8ba90b6462fe7be00711143e365482 (MD5) Previous issue date: 2009 === Resumo: 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 preditores === Abstract: 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 models === Mestrado === Engenharia de Computação === Mestre em Engenharia Elétrica
author2 UNIVERSIDADE ESTADUAL DE CAMPINAS
author_facet UNIVERSIDADE ESTADUAL DE CAMPINAS
Silva, Daniel Guerreiro e, 1983-
author Silva, Daniel Guerreiro e, 1983-
author_sort Silva, Daniel Guerreiro e, 1983-
title Uso de aprendizado de maquina para estimar esforço de execução de testes funcionais
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
publisher [s.n.]
publishDate 2009
url 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: <http://www.repositorio.unicamp.br/handle/REPOSIP/259609>. Acesso em: 15 ago. 2018.
http://repositorio.unicamp.br/jspui/handle/REPOSIP/259609
work_keys_str_mv AT silvadanielguerreiroe1983 usodeaprendizadodemaquinaparaestimaresforcodeexecucaodetestesfuncionais
AT silvadanielguerreiroe1983 usingmachinelearningtoestimateexecutioneffortoffunctionaltests
_version_ 1718880761005735936
spelling ndltd-IBICT-oai-repositorio.unicamp.br-REPOSIP-2596092019-01-21T21:06:42Z Uso de aprendizado de maquina para estimar esforço de execução de testes funcionais Using machine learning to estimate execution effort of functional tests Silva, Daniel Guerreiro e, 1983- UNIVERSIDADE ESTADUAL DE CAMPINAS Jino, Mario, 1943- Vergilio, Silvia Regina Attux, Romis Ribeiro de Faissol Software Variáveis (Matemática) Aprendizado de máquina Variáveis latentes Software Variables (Mathematics) Machine learning Latent variables Orientador: Mario Jino Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação Made available in DSpace on 2018-08-15T04:58:41Z (GMT). No. of bitstreams: 1 Silva_DanielGuerreiroe_M.pdf: 2351174 bytes, checksum: 7f8ba90b6462fe7be00711143e365482 (MD5) Previous issue date: 2009 Resumo: 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 preditores Abstract: 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 models Mestrado Engenharia de Computação Mestre em Engenharia Elétrica 2009 2018-08-15T04:58:41Z 2018-08-15T04:58:41Z info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/masterThesis 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: <http://www.repositorio.unicamp.br/handle/REPOSIP/259609>. Acesso em: 15 ago. 2018. http://repositorio.unicamp.br/jspui/handle/REPOSIP/259609 por info:eu-repo/semantics/openAccess 113 p. : il. application/pdf [s.n.] Universidade Estadual de Campinas. Faculdade de Engenharia Elétrica e de Computação Programa de Pós-Graduação em Engenharia Elétrica reponame:Repositório Institucional da Unicamp instname:Universidade Estadual de Campinas instacron:UNICAMP