Sharing Data and Models in Software Engineering

علم داده برای مهندسی نرم افزار: به اشتراک گذاری داده ها و مدل ها راهنمایی و روش هایی را برای استفاده مجدد از داده ها و مدل ها بین پروژه ها برای تولید نتایج مفید و مرتبط ارائه می دهد. این جلد ویرایش شده با بخش پس‌زمینه درس‌ها و هشدارهای عملی برای دانشمندان مبتدی داده برای مهندسی نرم‌افزار شروع می‌شود و به شناسایی سؤالات مهم مهندسی نرم‌افزار معاصر مرتبط با داده‌ها و مدل‌ها می‌پردازد. بیاموزید که چگونه داده‌های سایر سازمان‌ها را با مشکلات محلی تطبیق دهید، داده‌های خصوصی‌شده را استخراج کنید، اطلاعات جعلی را حذف کنید، نتایج پیچیده را ساده کنید، چگونه مدل‌ها را برای پلتفرم‌های جدید به‌روزرسانی کنید، و موارد دیگر. فصل‌ها نتایج تجربی تا حد زیادی قابل اجرا را که با ترکیبی از تخصص حوزه متمرکز بر پزشک مورد بحث قرار گرفته‌اند، به اشتراک می‌گذارند، همراه با تفسیری که روش‌هایی را که مفیدترین هستند و برای گسترده‌ترین طیف پروژه‌ها قابل استفاده هستند، برجسته می‌کند. هر فصل توسط یک متخصص برجسته نوشته شده است و راه حلی پیشرفته برای مشکل شناسایی شده ای که دانشمندان داده در مهندسی نرم افزار با آن روبرو هستند ارائه می دهد. در سرتاسر، ویراستاران بهترین شیوه‌های جمع‌آوری‌شده از تجربیات خود را با آموزش دانشجویان و متخصصان مهندسی نرم‌افزار برای تسلط بر علم داده‌ها به اشتراک می‌گذارند و روش‌هایی را که مفیدترین و قابل استفاده‌ترین در وسیع‌ترین طیف پروژه‌ها هستند، برجسته می‌کنند.

• تجربه خاص محققان برجسته و تکنیک‌های توسعه‌یافته برای رسیدگی به مشکلات داده‌ها در حوزه مهندسی نرم‌افزار را به اشتراک می‌گذارد
• توضیح می‌دهد که چگونه یک پروژه علم داده برای مهندسی نرم‌افزار را شروع کنیم. همچنین نحوه شناسایی و اجتناب از دام های احتمالی
• طیف گسترده ای از اصول کیفی و کمی مفید را ارائه می دهد که از بسیار ساده تا تحقیقات پیشرفته را شامل می شود
• به چالش های فعلی با داده های مهندسی نرم افزار می پردازد. کمبود داده های محلی، مشکلات دسترسی به دلیل حفظ حریم خصوصی داده ها، افزایش کیفیت داده ها از طریق پاکسازی تکه های جعلی در داده ها

Data Science for Software Engineering: Sharing Data and Models presents guidance and procedures for reusing data and models between projects to produce results that are useful and relevant. Starting with a background section of practical lessons and warnings for beginner data scientists for software engineering, this edited volume proceeds to identify critical questions of contemporary software engineering related to data and models. Learn how to adapt data from other organizations to local problems, mine privatized data, prune spurious information, simplify complex results, how to update models for new platforms, and more. Chapters share largely applicable experimental results discussed with the blend of practitioner focused domain expertise, with commentary that highlights the methods that are most useful, and applicable to the widest range of projects. Each chapter is written by a prominent expert and offers a state-of-the-art solution to an identified problem facing data scientists in software engineering. Throughout, the editors share best practices collected from their experience training software engineering students and practitioners to master data science, and highlight the methods that are most useful, and applicable to the widest range of projects.

• Shares the specific experience of leading researchers and techniques developed to handle data problems in the realm of software engineering
• Explains how to start a project of data science for software engineering as well as how to identify and avoid likely pitfalls
• Provides a wide range of useful qualitative and quantitative principles ranging from very simple to cutting edge research
• Addresses current challenges with software engineering data such as lack of local data, access issues due to data privacy, increasing data quality via cleaning of spurious chunks in data