論文の概要: Machine Learning for Software Engineering: A Systematic Mapping

• arxiv url: http://arxiv.org/abs/2005.13299v1
• Date: Wed, 27 May 2020 11:56:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 09:41:56.974187
• Title: Machine Learning for Software Engineering: A Systematic Mapping
• Title（参考訳）: ソフトウェア工学のための機械学習: 体系的マッピング
• Authors: Saad Shafiq, Atif Mashkoor, Christoph Mayr-Dorn, Alexander Egyed
• Abstract要約: ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。 ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。 本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
• 参考スコア（独自算出の注目度）: 73.30245214374027
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Context: The software development industry is rapidly adopting machine learning for transitioning modern day software systems towards highly intelligent and self-learning systems. However, the full potential of machine learning for improving the software engineering life cycle itself is yet to be discovered, i.e., up to what extent machine learning can help reducing the effort/complexity of software engineering and improving the quality of resulting software systems. To date, no comprehensive study exists that explores the current state-of-the-art on the adoption of machine learning across software engineering life cycle stages. Objective: This article addresses the aforementioned problem and aims to present a state-of-the-art on the growing number of uses of machine learning in software engineering. Method: We conduct a systematic mapping study on applications of machine learning to software engineering following the standard guidelines and principles of empirical software engineering. Results: This study introduces a machine learning for software engineering (MLSE) taxonomy classifying the state-of-the-art machine learning techniques according to their applicability to various software engineering life cycle stages. Overall, 227 articles were rigorously selected and analyzed as a result of this study. Conclusion: From the selected articles, we explore a variety of aspects that should be helpful to academics and practitioners alike in understanding the potential of adopting machine learning techniques during software engineering projects.
• Abstract（参考訳）: コンテキスト: ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用しています。 しかし、機械学習がソフトウェア工学のライフサイクルを改善できる可能性がまだ発見されていない、すなわち、機械学習がソフトウェア工学の労力と複雑さを減らし、ソフトウェアシステムの品質を向上させるのにどれだけの程度で役立つかである。 これまでのところ、ソフトウェア工学のライフサイクル段階における機械学習の採用に関する現在の最先端を探求する包括的な研究は存在していない。 目的:本稿では,前述の問題を取り上げ,ソフトウェア工学における機械学習の利用数の増加に関する最新技術を紹介する。 方法: 経験的ソフトウェア工学の標準ガイドラインと原則に従って, 機械学習をソフトウェア工学に適用するための体系的なマッピング研究を行う。 結果:本研究では,各種ソフトウェアエンジニアリングライフサイクル段階に適用性に応じて,最先端の機械学習手法を分類する機械学習・ソフトウェアエンジニアリング(MLSE)の分類を紹介した。 本研究の結果,227項目が厳選され,分析された。 結論: 選択した論文から,ソフトウェア工学プロジェクトにおいて機械学習技術を採用する可能性を理解する上で,学術者や実践者にも有用なさまざまな側面を考察する。

関連論文リスト

• Deep Learning-based Software Engineering: Progress, Challenges, and Opportunities [29.934835831037347]
  ディープラーニングベースのソフトウェアエンジニアリングに関する最初のタスク指向調査を示す。 ディープラーニングのテクニックに大きく影響された、12のソフトウェアエンジニアリングサブ領域をカバーする。
  論文  参考訳（メタデータ） (2024-10-17T00:46:00Z)
• A Systematic Literature Review on the Use of Machine Learning in Software Engineering [0.0]
  本研究は,ソフトウェア工学プロセスに機械学習技術を適用する際の技術の現状を探るため,その目的と研究課題に従って実施された。 レビューでは、ソフトウェア品質保証、ソフトウェア保守、ソフトウェア理解、ソフトウェアドキュメントなど、MLが適用されたソフトウェアエンジニアリングにおける重要な領域を特定している。
  論文  参考訳（メタデータ） (2024-06-19T23:04:27Z)
• Application-Driven Innovation in Machine Learning [56.85396167616353]
  機械学習におけるアプリケーション駆動研究のパラダイムについて述べる。 このアプローチがメソッド駆動の作業と生産的に相乗効果を示す。 このようなメリットにもかかわらず、マシンラーニングにおけるレビュー、採用、教育のプラクティスが、アプリケーション主導のイノベーションを後押しすることが多いことに気付きます。
  論文  参考訳（メタデータ） (2024-03-26T04:59:27Z)
• Charting a Path to Efficient Onboarding: The Role of Software Visualization [49.1574468325115]
  本研究は,ソフトウェアビジュアライゼーションツールを用いたマネージャ,リーダ,開発者の親しみやすさを探求することを目的としている。 本手法は, 質問紙調査と半構造化面接を用いて, 実践者から収集したデータの量的, 質的分析を取り入れた。
  論文  参考訳（メタデータ） (2024-01-17T21:30:45Z)
• Using Machine Learning To Identify Software Weaknesses From Software Requirement Specifications [49.1574468325115]
  本研究は、要求仕様からソフトウェア弱点を特定するための効率的な機械学習アルゴリズムを見つけることに焦点を当てる。 ProMISE_exp. Naive Bayes、サポートベクターマシン(SVM)、決定木、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)アルゴリズムをテストした。
  論文  参考訳（メタデータ） (2023-08-10T13:19:10Z)
• SELM: Software Engineering of Machine Learning Models [0.19116784879310023]
  本稿では,機械学習モデルのソフトウェア工学のためのSELMフレームワークについて述べる。 SELMフレームワークを使うことで、機械学習プロセスの効率を改善し、学習の精度を高めることができる。 この問題は、機械学習に対する学際的アプローチの重要性を強調している。
  論文  参考訳（メタデータ） (2021-03-20T21:43:24Z)
• Machine Learning Model Development from a Software Engineering Perspective: A Systematic Literature Review [0.0]
  データサイエンティストは、しばしば、業界やアカデミーの様々な問題を解決するために機械学習モデルを開発した。 本稿では,ソフトウェア工学の観点からMLモデルの開発において生じる課題と実践について考察する。
  論文  参考訳（メタデータ） (2021-02-15T14:25:13Z)
• Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
  機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。 私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。 当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
  論文  参考訳（メタデータ） (2021-01-11T15:54:48Z)
• Software engineering for artificial intelligence and machine learning software: A systematic literature review [6.681725960709127]
  本研究は,AI/MLシステムの開発において,ソフトウェア工学がどのように応用されてきたかを検討することを目的とする。 プロフェッショナルが直面する主な課題は、テスト、AIソフトウェアの品質、データ管理といった分野だ。
  論文  参考訳（メタデータ） (2020-11-07T11:06:28Z)
• Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology [53.063411515511056]
  本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。 第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。 第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
  論文  参考訳（メタデータ） (2020-03-11T08:25:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。