دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Suresh Chandra Satapathy, Ajay Kumar Jena, Jagannath Singh, Saurabh Bilgaiyan سری: ISBN (شابک) : 9783030380069, 3030380068 ناشر: Springer Nature سال نشر: 2020 تعداد صفحات: 0 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 8 مگابایت
در صورت تبدیل فایل کتاب Automated Software Engineering: A Deep Learning-Based Approach به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب مهندسی نرم افزار خودکار: رویکرد مبتنی بر یادگیری عمیق نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب در مورد مسائل مختلف باز در مهندسی نرم افزار، مانند کارایی تکنیک های تست خودکار، پیش بینی برای برآورد هزینه، پردازش داده ها و تولید کد خودکار بحث می کند. بسیاری از تکنیک های سنتی برای رسیدگی به این مشکلات موجود است. اما، با تغییرات سریع در توسعه نرم افزار، اغلب ثابت می شود که منسوخ شده اند یا قادر به مدیریت پیچیدگی نرم افزار نیستند. از این رو، بسیاری از روشهای استفاده شده قبلاً برای حل مشکلاتی که اکنون در توسعه نرمافزار به وجود میآیند، کافی نیستند. این کتاب تعدادی از مشکلات منحصربهفرد و راهحلهای مؤثر را برجسته میکند که نشاندهنده پیشرفتهای روز در مهندسی نرمافزار است. یادگیری عمیق آخرین تکنیک محاسباتی است و اکنون در زمینه های مختلف مهندسی نرم افزار محبوبیت پیدا کرده است. این کتاب به بررسی روندها و آزمایشهای جدیدی میپردازد که راهحلهای امیدوارکنندهای را برای چالشهای فعلی در مهندسی نرمافزار ارائه کردهاند. به این ترتیب، یک راهنمای مرجع ارزشمند برای مخاطبان گسترده ای از جمله تحلیلگران سیستم، مهندسین نرم افزار، محققان، دانشجویان فارغ التحصیل و اساتیدی که در زمینه آموزش مهندسی نرم افزار مشغول هستند، ارائه می دهد.
This book discusses various open issues in software engineering, such as the efficiency of automated testing techniques, predictions for cost estimation, data processing, and automatic code generation. Many traditional techniques are available for addressing these problems. But, with the rapid changes in software development, they often prove to be outdated or incapable of handling the software’s complexity. Hence, many previously used methods are proving insufficient to solve the problems now arising in software development. The book highlights a number of unique problems and effective solutions that reflect the state-of-the-art in software engineering. Deep learning is the latest computing technique, and is now gaining popularity in various fields of software engineering. This book explores new trends and experiments that have yielded promising solutions to current challenges in software engineering. As such, it offers a valuable reference guide for a broad audience including systems analysts, software engineers, researchers, graduate students and professors engaged in teaching software engineering.
Preface Acknowledgements Contents 1 Selection of Significant Metrics for Improving the Performance of Change-Proneness Modules 1.1 Introduction 1.2 Experiment Dataset 1.3 Framework for Software Metrics Validation 1.4 Classification Techniques 1.5 Experimental Setup 1.6 Analysis of Results 1.6.1 Artificial Neural Network (ANN) Model 1.6.2 Ensembles of Classification Models 1.6.3 Comparison of Results 1.7 Conclusion References 2 Effort Estimation of Web Based Applications Using ERD, Use Case Point Method and Machine Learning 2.1 Introduction 2.2 Literature Review 2.3 Overview of the Chapter 2.3.1 Problem Statement 2.3.2 Data Set Used 2.4 Proposed Work with Estimating the Size 2.4.1 DSPBERD Metric 2.4.2 UCPt Method 2.5 Effort Estimation of the Web-Based Application 2.6 Effort Estimation Using Machine Learning 2.6.1 Data Set Used for Training Purposes 2.6.2 Support Vector Machine (SVM) 2.6.3 Nearest Neighbour Algorithm 2.7 Conclusion and Future Work References 3 Usage of Machine Learning in Software Testing 3.1 Introduction 3.2 Background: Software Vulnerability Analysis and Discovery 3.2.1 Definition 3.2.2 Completeness, Soundness and Undecidable 3.2.3 Conventional Approaches 3.2.4 Categorizing Previous Work 3.3 Vulnerability Prediction Based on Software Metrics 3.4 Anomaly Detection Approaches 3.5 Vulnerable Code Pattern Recognition 3.6 System and Method for Automated Software Testing Based on Machine Learning 3.6.1 System for Automated Software Testing 3.6.2 Method for Automated Software Testing 3.7 Summary of the Techniques 3.8 Conclusion References 4 Test Scenarios Generation Using Combined Object-Oriented Models 4.1 Introduction 4.2 Basic Terminology 4.2.1 Test Scenarios 4.2.2 Sequence Diagram 4.2.3 State Machine Diagram 4.2.4 Test Coverage Criteria 4.2.5 Bio Inspired Meta-heuristic Algorithm for Object-Oriented Testing 4.3 Literature Survey 4.4 Proposed Model 4.4.1 Construction of the Sequence and State-Machine Diagram of System 4.4.2 Generate Individual Graphs of the Sequence and State-Machine Diagram 4.4.3 Generate Combined Intermediate Graph Named as State-Sequence Intermediate Graph 4.4.4 Generate the Test Scenarios SSIG 4.5 Implementation and Result Analysis 4.5.1 Generate the Test Scenarios SSIG 4.5.2 Construction of Combined State-Sequence Intermediate Graph (SSIG) 4.5.3 Generation of Test Scenarios 4.5.4 Observed Test Cases 4.5.5 Analysis of Result 4.6 Conclusion References 5 A Novel Approach of Software Fault Prediction Using Deep Learning Technique 5.1 Introduction 5.2 Related Work 5.3 Basic Concepts 5.3.1 Deep Learning 5.3.2 Basic Deep Learning Terminologies 5.3.3 Deep Learning Models 5.4 Fault Localization Using CNN 5.4.1 Framework Overview 5.4.2 Experimental Setup and Example Program 5.4.3 Procedure of Fault Localization Using CNN 5.5 Conclusion and Future Work References 6 Feature-Based Semi-supervised Learning to Detect Malware from Android 6.1 Introduction 6.2 Related Work 6.2.1 Research Questions 6.3 Data Set Description 6.4 Feature Sub-set Selection Approaches 6.4.1 Consistency Sub-set Evaluation Approach 6.4.2 Filtered Sub-set Evaluation 6.4.3 Rough Set Analysis Approach 6.4.4 Feature Sub-set Selection Approach Based on Correlation 6.5 Machine Learning Classifiers 6.6 Proposed Detection Framework 6.7 Evaluation of Parameters 6.8 Experimental Setup 6.9 Outcomes of the Experiment 6.9.1 Feature Sub-set Selection Approaches 6.9.2 Machine Learning Classifier 6.9.3 Comparison of Outcomes 6.9.4 Evaluation of Proposed Framework Using Proposed Detection Framework 6.9.5 Experimental Finding 6.9.6 Conclusion References