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: remoção de redundâncias de conjuntos de casos de teste a partir de dados de execução do teste de mutação(UNEB, 2018-07-06) Santos, Eder Pereira dos; Lenz, Alexandre Rafael; Jorge, Eduardo Manuel de Freitas; Massa, Mônica de SouzaUm software evolui ao longo do tempo de vida, essa evolução acontece através da adição de novos requisitos ou realização de manutenções. No sentido de evitar a introdução de defeitos em decorrência de alterações no software é utilizado o Teste de Regressão. A atividade de Teste de Regressão consome um tempo considerável do total do desenvolvimento do software, aumentando o seu custo. Um dos fatores determinantes para o custo são as atividades executadas manualmente. Para contornar esse problema e apoiar a atividade de teste de regressão, muitas metodologias têm sido propostas visando reduzir o tempo despendido na atividade. Muitas dessas metodologias utilizam técnicas de aprendizado de máquina, as quais relacionam as informações coletadas durante a atividade de teste para identificação de casos de teste com comportamentos similares. Essas técnicas comumente permitem a geração de regras que podem ser aplicadas para a redução do conjunto de casos de teste. A redução é capaz de diminuir significativamente o tempo do teste de regressão, pois exclui permanentemente os casos de teste redundantes. O objetivo deste trabalho consiste em aplicar a metodologia proposta no projeto de pesquisa AI+RTesting definida pelo professor Alexandre Rafael Lenz para apoiar a redução do conjunto de casos de teste, a partir da implementação de uma ferramenta que automatize esse processo para programas escritos na linguagem Java em nível de método, ou seja, cobrindo o teste de unidade, com intuito de reduzir o tempo gasto na atividade de teste de regressão. A nova ferramenta integra o teste estrutural apoiado com a ferramenta Jabuti e o teste baseada em erros apoiado pela ferramenta Mujava. Junto com a API WEKA, adicionada a nova ferramenta para gerar os agrupamentos que possibilitam a aplicação de algoritmos de classificação para geração de regras, permitindo classificar as classes de equivalência em ordem de prioridade. Os resultados obtidos com os experimentos realizados na fase de validação demonstraram que o método baseado em PG é capaz de remover redundâncias, mostrando maior eficiência em programas mais simples, como observado quando aplicado no método MDC. Em comparação a programas mais complexos, que é o caso do segundo método testado, os resultados apresentados, demonstram que o método baseado em PG não consegue realizar a remoção de forma eficiente, devido a quantidade elevada de redundâncias encontradas. Para atingir resultados mais precisos, sugere-se a definição de uma metodologia que consiga realizar uma redução mais significativa que a apresentada utilizando a progressão geométrica, assim como a utilização de informações coletadas durante a atividade do teste estrutural devido à complementariedade das técnicas de teste de software.
- ItemAnálise do algoritmo Random Forest na classificação de sintomas das doenças arbovirais(Universidade do Estado da Bahia, 2022-07-01) Santos, Diego dos; Restovic, Maria Ines Valderrama; Suárez, Diego Gervasio Frías; Atta, Antônio Carlos FontesAs mudanças climáticas provocadas pelo aquecimento global aumentam a temperatura do planeta, beneficiando a proliferação dos vírus. Os mosquitos Aedes Aegypti e Aedes Albopictus são os principais transmissores de arbovírus, especificamente dos vírus da dengue (DENV) e vírus da chikungunya (CHIKV). Os pacientes infectados por essas arboviroses apresentam sintomas semelhantes que dificultam o trabalho inicial do diagnóstico médico. A integração da tecnologia na área médica traz uma série de benefícios, desde o atendimento médico até em momentos cirúrgicos. A introdução do aprendizado de máquina vem crescendo em termos de relevância nos últimos anos, graças à quantidade massiva de dados gerados. Vários algoritmos são analisados e comparados para identificar padrões e correlações com dados das arboviroses. O uso do Random Forest (RF) para o entendimento das arboviroses está em fase inicial e não foi utilizado em uma análise conjunta com DENV e CHIKV. De todo modo, os estudos na sua maior parte são executados de forma isolada com DENV. As características do algoritmo RF chamam bastante atenção por resolver problemas comuns dos algoritmos de aprendizado de máquina, com a criação de árvores de decisão que trabalham de forma isolada, mas têm fator decisivo no resultado final do modelo, além do seu processo de aleatoriedade das amostras para gerar as árvores de decisão. Neste estudo foi desenvolvido um modelo classificador com a RF que apresentou comportamento muito sensível em relação ao conjunto de dados, onde os rótulos imprecisos reduziram as métricas de desempenho. Os ajustes realizados inicialmente com o conjunto de dados, demonstraram evolução nas métricas de desempenho. Outras características marcantes foram: o alto consumo de recursos computacionais e o curto tempo de treinamento para obter um modelo. No primeiro momento, o modelo teve uma acurácia de 59%, mas com todos os ajustes realizados durante o desenvolvimento, obteve-se 76% de acurácia no classificador final. Apesar do resultado geral, as métricas de desempenho foram melhores para CHIKV, pois os sintomas característicos foram presentes em muitas amostras de pacientes rotulados por esse arbovírus.
- ItemRedução de conjuntos de casos de teste aplicados ao teste de regressão em programas java utilizando algoritmos de aprendizado de aáquina(UNEB, 2016-06-06) Santos, Rafaela Batista Evangelista; Lenz, Alexandre Rafael; Jorge, Eduardo Manuel de Freitas; Mascarenhas, Ana Patrícia Fontes MagalhãesO teste é uma atividade fundamental para a garantia da qualidade de software. Qualquer modificação realizada no software deve ser testada e, portanto, o teste de regressão é essencial para verificar se as modificações efetuadas não introduziram defeitos nas partes do software que funcionavam corretamente. Muitas metodologias têm sido propostas visando reduzir o tempo dispendido na atividade de teste de regressão, visto que esse tipo de teste é efetuado na fase de manutenção de software que já é muito custosa. Dentre elas, a utilização de Aprendizado de Máquina relacionando as informações coletadas durante a atividade de teste para identificação de casos de teste com comportamentos semelhantes e, geração de regras que podem ser aplicadas para a redução do conjunto de casos de teste. A redução do conjunto de casos de teste pode reduzir significativamente o tempo do teste de regressão, pois exclui permanentemente os casos de teste redundantes. Diante disso, o objetivo desse trabalho é aplicar a metodologia proposta por (LENZ, 2010) para apoiar a redução do conjunto de casos de teste, com intuito de reduzir o tempo gasto na atividade de teste de regressão de métodos implementados na linguagem java. Para tanto, os dados obtidos através da execução do teste estrutural (obtidos através da ferramenta Jabuti) e do teste baseado em erros (obtidos através da ferramenta Mujava) foram agrupados e submetidos a algoritmos de agrupamento (disponíveis na ferramenta Weka) visando encontrar comportamentos semelhantes, e foi aplicado um algoritmo de classificação para geração de regras a serem utilizadas na redução do conjunto de casos de teste. Os resultados dos experimentos manuais conduzidos nessa pesquisa demonstram que é possível reduzir significativamente o tempo gasto no teste de regressão através da identificação de redundâncias no conjunto de casos de teste. No entanto, para obtenção de resultados mais precisos, sugere-se a implementação de uma ferramenta que automatize essa metodologia para a linguagem java.