Bacharelado em Sistemas de Informação - DCET1
URI Permanente para esta coleção
Navegar
Navegando Bacharelado em Sistemas de Informação - DCET1 por Palavras-chave "Aprendizado de Máquina"
Agora exibindo 1 - 3 de 3
Resultados por página
Opções de Ordenação
- ItemAI+RTESTING: um método para remoção de redundâncias de conjuntos de casos de teste integrando as ferramentas jabuti, mujava e weka(UNEB, 2018-07-06) Souza, Ana Cecília Santos; Lenz, Alexandre Rafael; Massa, Mônica de SouzaA execução do teste de regressão é imprescindível para garantir que adições e alterações realizadas em um software não introduzam erros em funcionalidades já existentes. Consequentemente, o teste de regressão é uma atividade dispendiosa e executada com frequência. Em vista disso, metodologias foram propostas para reduzir o esforço empregado na execução dessa técnica de teste, dentre essas metodologias encontra-se a redução de casos de testes. A redução consiste na remoção permanente de casos de testes redundantes do conjunto casos de testes original. Com intuito de auxiliar na identificação desses casos de teste redundantes, podem ser aplicados algoritmos de aprendizado de máquina. Através dos quais é possível associar as informações obtidas durante a atividade de teste para detectar comportamentos análogos. Assim sendo, o objetivo desse trabalho foi a análise, implementação e validação de um método automatizado para remoção de redundâncias em um conjunto de casos de teste que tem por finalidade a redução do esforço dispendido pelo testador durante a execução do teste de regressão em métodos implementados na linguagem Java. A automação consistiu em coletar as informações da atividade de teste fornecidas pela integração das ferramentas de teste Jabuti e Mujava. Subsequentemente, esse dados foram submetidos aos algoritmos de agrupamento e classificação disponíveis no pacote de software Weka. Com a obtenção das classes de equivalências que foram geradas através das regras de classificação, foi aplicado o cálculo da Progressão Aritmética (PA) para selecionar os casos dos teste que devem ser removidos do conjunto de teste a ser reexecutado. Após a realização dos experimentos de validação, foi possível concluir através dos resultados obtidos que o método automático conseguiu remover as redundâncias atingindo o mesmo valor dos critérios estruturais e escore de mutação do conjunto de casos de teste original.
- ItemAI+RTESTING_um método de seleção e de priorização para apoiar o teste de regressão utilizando aprendizado de máquina(Universidade do Estado da Bahia, 2017-07-07) Cristo, Thamires Asenate Botelho de; Lenz, Alexandre Rafael; Jorge, Eduardo Manuel de Freitas; Souza, Mônica Massa deO teste de regressão é fundamental para testar alterações efetuadas durante a fase de manutenção do software e verificar se estas não introduziram defeitos em partes que antes funcionavam corretamente. Devido ao custo e ao tempo despendido para esta atividade, metodologias têm sido propostas para reduzir os esforços e aumentar a eficácia de sua execução. As técnicas de Aprendizado de Máquina podem ser utilizadas para associar as informações coletadas na atividade de teste para identificar casos de teste que possuam comportamentos semelhantes e gerar regras de classificação que podem ser aplicadas para seleção e priorização de casos de teste. A seleção e a priorização de casos de teste podem reduzir significativamente o tempo do teste de regressão e aumentar a probabilidade de detectar erros mais rapidamente. Diante disso, este trabalho tem como objetivo implementar um método de seleção e de priorização, com o propósito de reduzir o tempo gasto na atividade de teste de regressão de métodos implementados na linguagem Java, garantindo a cobertura dos critérios de teste. As ferramentas Jabuti (teste estrutural) e Mujava (teste baseado em erros) foram integradas para que os dados de execução sejam agrupados e submetidos a algoritmos de agrupamento, acionados a partir da API da ferramenta Weka integrada ao projeto com o propósito de encontrar comportamentos semelhantes entre os casos de teste e posteriormente aplicar um algoritmo de classificação, a fim de gerar regras a serem utilizadas na seleção e priorização do conjunto de casos de teste. Os resultados obtidos com os experimentos realizados na fase de validação demonstram que mesmo selecionando apenas 60% dos casos de teste do conjunto original, a redução na cobertura dos critérios de teste permaneceu elevada. No entanto, para obtenção de resultados mais precisos, sugere-se a integração ao processo automatizado da metodologia, a reexecução dos novos conjuntos de casos de teste obtidos no processo de validação
- ItemMineração de dados para análise quantitativa de chutes a gol em um ambiente de simulação de futebol de robôs em duas dimensões(Universidade do Estado da Bahia, 2014-07-29) Silva, Bruno Vinicius; Simões, Marco Antônio Costa; Suárez, Diego Gervasio Frías; Souza, Josemar Rodrigues deEste trabalho demonstra que é possível classificar automaticamente eventos complexos ocorridos durante jogos de futebol de robôs da Liga de Futebol Simulado Robocup 2D. Utilizando a metodologia CRISP-DM foi realizado um processo completo de Descoberta de Conhecimento em Bases de Dados sobre os logs das partidas. O objetivo desse processo foi extrair conhecimento acerca de chutes a gol, o que está relacionado a algumas das métricas mais importantes no futebol para analisar o desempenho de uma equipe e também com os eventos com a pior classificação automatizada reportada na literatura (ABREU et al., 2011). Utilizando uma análise pós-simulação, offline, baseada em técnicas clássicas de mineração de dados, foi criado um classificador que melhorou em 13,99% o baseline existente. Esse trabalho é um bom indicativo da viabilidade de desenvolver uma ferramenta de análise de desempenho completa, que capte as diversas métricas utilizadas no futebol real também no ambiente de futebol de robôs simulado, o que significaria uma importante evolução nos métodos de teste e experimentação utilizados atualmente.