Divulgação - Defesa Nº 234
Aluno: Halcyon Davys Pereira de Carvalho
Título: "Extreme Learning Machine aplicado à Estimação de Esforço em Projetos de Software".
Orientadora: Roberta Andrade de Araújo Fagundes
Examinador Externo : George Gomes Cabral - (UFRPE)
Examinador Interno : João Fausto Lorenzato de Oliveira (PPGEC)
Data-hora: 28/Maio/2021 (9:00h)
Local: Formato Remoto (http://meet.google.com/dwr-sroc-ant)
Resumo:
O processo de gerenciamento de projetos é utilizado na área de Engenharia de Software para apoiar os gerentes de projetos. Um dos processos essenciais em Engenharia de Software é conduzir uma estimativa precisa e confiável do esforço necessário para concluir o projeto. Os objetivos desta dissertação: i) identificar técnicas de aprendizado de máquina e conjuntos de dados usados em estudos de estimativa de esforço de desenvolvimento de software; ii) identificar os atributos que influenciam a estimativa de esforço de software; e iii) aplicar o modelo Extreme Learning Machine - ELM para estimativa de esforço e compará-lo com os modelos da literatura. Foram aplicadas cinco técnicas de Machine Learning, incluindo: K-Nearest Neighbors (kNNs), Linear Regression (LR), Support Vector Regression (SVR), Multi Layer Perceptron (MLP) e Extreme Learning Machine (ELM), aos conjuntos de dados Desharnais, Cocomo e dados disponível em Pillai (\citeyear{pillai2014}) para prever esforço de projetos de software. Os modelos foram comparados através das métricas, \textit{Mean Absolute Error-MAE}, \textit{Mean Square Error-MSE}, \textit{Root Mean Square Error-RMSE} e testes estatísticos. As principais conclusões deste estudo foram: i) seleção de atributos importantes e necessários para a estimativa do esforço e; ii) os resultados indicaram que o modelo ELM apresenta o menor erro de previsão em relação aos modelos da literatura para estimativa de esforço de projeto de software produzindo uma estimativa de esforço de software mais precisa, com menor tempo de estimação e possuindo uma boa capacidade de generalização. Desta forma, o uso de técnicas de Aprendizado de Máquina no processo de estimativa de esforço pode aumentar as chances de sucesso na precisão das estimativas de tempo e custos do projeto.
O Programa
