論文の概要: Offshore Software Maintenance Outsourcing Predicting Clients Proposal using Supervised Learning

• arxiv url: http://arxiv.org/abs/2103.01223v1
• Date: Mon, 1 Mar 2021 15:52:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-04 03:09:50.403875
• Title: Offshore Software Maintenance Outsourcing Predicting Clients Proposal using Supervised Learning
• Title（参考訳）: 教師付き学習を用いたクライアント提案予測のオフショアソフトウェアメンテナンスアウトソーシング
• Authors: Atif Ikram, Masita Abdul Jalil, Amir Bin Ngah, Ahmad Salman Khan, Tahir Iqbal
• Abstract要約: オフショアソフトウェアメンテナンスのアウトソーシングクライアントは、コスト削減、時間の節約、品質向上といったメリットを享受できる。 複数のクライアント間で適切な提案を選択することは、OSMOベンダーにとって重要な問題である。 本稿では、OSMOベンダーがOSMOクライアントの提案を評価または予測するために使用できる効果的な機械学習技術を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In software engineering, software maintenance is the process of correction, updating, and improvement of software products after handed over to the customer. Through offshore software maintenance outsourcing clients can get advantages like reduce cost, save time, and improve quality. In most cases, the OSMO vendor generates considerable revenue. However, the selection of an appropriate proposal among multiple clients is one of the critical problems for OSMO vendors. The purpose of this paper is to suggest an effective machine learning technique that can be used by OSMO vendors to assess or predict the OSMO client proposal. The dataset is generated through a survey of OSMO vendors working in a developing country. The results showed that supervised learning-based classifiers like Na\"ive Bayesian, SMO, Logistics apprehended 69.75, 81.81, and 87.27 percent testing accuracy respectively. This study concludes that supervised learning is the most suitable technique to predict the OSMO client's proposal.
• Abstract（参考訳）: ソフトウェアエンジニアリングにおいて、ソフトウェアメンテナンスとは、顧客に引き渡された後のソフトウェア製品の修正、更新、改善のプロセスである。 オフショアソフトウェアメンテナンスのアウトソーシングを通じて、クライアントはコスト削減、時間の節約、品質向上といったメリットを得ることができる。 ほとんどの場合、OSMOベンダーはかなりの収益を生み出します。 しかし、複数のクライアント間で適切な提案を選択することは、OSMOベンダーにとって重要な問題である。 本研究の目的は、OSMOベンダーがOSMOクライアントの提案を評価または予測するために使用できる効果的な機械学習手法を提案することである。 データセットは、発展途上国で働くOSMOベンダーの調査によって生成される。 その結果、na\"ive bayesian, smo, logistics rehended 69.75, 81.81, 87.27パーセントのテスト精度が向上した。 本研究は、教師あり学習がOSMOクライアントの提案を予測する最も適した手法であると結論付けている。

関連論文リスト

• Lingma SWE-GPT: An Open Development-Process-Centric Language Model for Automated Software Improvement [62.94719119451089]
  Lingma SWE-GPTシリーズは、現実世界のコード提出活動から学び、シミュレーションする。 Lingma SWE-GPT 72BはGitHubの30.20%の問題を解決する。
  論文  参考訳（メタデータ） (2024-11-01T14:27:16Z)
• Efficient and Deployable Knowledge Infusion for Open-World Recommendations via Large Language Models [53.547190001324665]
  大規模言語モデル(LLM)からユーザとアイテムに関する2種類の外部知識を取得するためのREKIを提案する。 個別の知識抽出と個別の知識抽出を,異なるシナリオのスケールに合わせて開発し,オフラインのリソース消費を効果的に削減する。 実験によると、REKIは最先端のベースラインより優れており、多くの推奨アルゴリズムやタスクと互換性がある。
  論文  参考訳（メタデータ） (2024-08-20T03:45:24Z)
• The Good, the Bad, and the Ugly: Predicting Highly Change-Prone Source Code Methods at Their Inception [0.0]
  将来のメンテナンスの負担を軽減するための主要な戦略は、変更の起こりやすいコードコンポーネントの早期予測と識別である。 49の著名なオープンソースJavaプロジェクトから,74,051のソースコードメソッドを分析した。 その結果,約80%の変化が20%の手法に集中していることが判明した。
  論文  参考訳（メタデータ） (2024-08-11T06:20:48Z)
• E-Commerce Product Recommendation System based on ML Algorithms [0.0]
  このプロジェクトの目的は、eコマースプラットホームがユーザとコミュニケーションする方法を変えることだ。 私たちは、最先端の機械学習技術を使用して、製品レコメンデーションをカスタマイズできるモデルを作成しました。
  論文  参考訳（メタデータ） (2024-07-15T01:30:49Z)
• 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)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• A Hybrid Statistical-Machine Learning Approach for Analysing Online Customer Behavior: An Empirical Study [2.126171264016785]
  我々は、中国最大のオンライン小売店であるJDにおいて、特定の商品カテゴリーに対する454,897人のオンライン顧客行動を分析するハイブリッド解釈モデルを開発した。 以上の結果から,顧客の製品選択が約束される納期に無関心であることが分かるが,この要因は顧客の注文量に大きな影響を及ぼす。 特定のディスカウントアプローチがより効果的である製品クラスを特定し、異なるディスカウントツールの使用を改善するためのレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2022-12-01T19:37:29Z)
• CPFair: Personalized Consumer and Producer Fairness Re-ranking for Recommender Systems [5.145741425164946]
  本稿では,消費者側と生産側の両方から公平性制約をシームレスに統合する最適化に基づく再ランク付け手法を提案する。 提案手法は, 消費者と生産者の公正性を両立させ, 全体的な推奨品質を低下させることなく向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-04-17T20:38:02Z)
• Enhancing User' s Income Estimation with Super-App Alternative Data [59.60094442546867]
  これは、これらの代替データソースのパフォーマンスと、業界に受け入れられた局の収入推定器のパフォーマンスを比較します。 本論文は、金融機関がリスクプロファイルの構築に代替データを導入しようとする動機を示すものである。
  論文  参考訳（メタデータ） (2021-04-12T21:34:44Z)
• Budgeted Online Selection of Candidate IoT Clients to Participate in Federated Learning [33.742677763076]
  フェデレートラーニング(FL)は、モデルパラメータがクライアントデータの代わりに交換されるアーキテクチャである。 FLは、コミュニケーションラウンドを通じてクライアントと通信することで、グローバルモデルをトレーニングする。 最適な候補クライアントとIoTクライアントアラームアプリケーションを見つけるために,オンラインステートフルFLを提案する。
  論文  参考訳（メタデータ） (2020-11-16T06:32:31Z)
• MARS-Gym: A Gym framework to model, train, and evaluate Recommender Systems for Marketplaces [51.123916699062384]
  MARS-Gymは、市場におけるレコメンデーションのための強化学習エージェントの構築と評価を行うオープンソースフレームワークである。 本稿では,Trivagoマーケットプレースデータセットにおいて,さまざまなベースラインエージェントの実装とメトリクス駆動による分析を行う。 学術研究と生産システムとのギャップを埋め、新しいアルゴリズムやアプリケーションの設計を容易にしたいと考えている。
  論文  参考訳（メタデータ） (2020-09-30T16:39:31Z)

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。