Yapay zeka ile yazılım efor tahmini

Basit Öğe Kaydı
dc.contributor.advisorBarışçı, Necaattin
dc.contributor.authorŞeref, Berna
dc.date.accessioned2021-01-16T19:12:47Z
dc.date.available2021-01-16T19:12:47Z
dc.date.issued2015
dc.departmentKKÜ, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı
dc.description.abstractYazılım efor tahmini şirketler ve müşteriler için büyük bir önem arz etmektedir. Eforun alçak ya da yüksek tahmin edilmesi hem şirketleri hem de müşterileri olumsuz yönde etkilemektedir. Bu çalışmada yazılım efor tahmini Çok Katmalı Algılayıcı Sinir Ağları ve Genetik Çok Katmanlı Algılayıcı Sinir Ağları kullanılarak tahmin edilmiştir. Veri seti olarak Desharnais veri seti kullanılmıştır. Her iki model için de 71 projeden oluşan aynı eğitim seti seçilmiştir. Çok Katmalı Algılayıcı Sinir Ağları modeli için, 71 projenin 8'i onaylama ve test için kullanılmıştır. Geriye kalan projeler ise sistemi eğitmek için kullanılmıştır. Genetik Çok Katmanlı Algılayıcı Sinir Ağları modeli için, 71 projenin 10'u çapraz doğrulama, 3'ü ise sistemi test etmek için kullanılmıştır. Eğitim setinde bulunmayan 10 farklı projenin efor değerleri tahmin edilmiştir. Daha sonra, Çok Katmalı Algılayıcı Sinir Ağları ve Genetik Çok Katmanlı Algılayıcı Sinir Ağları modellerinin tahmin performansları Ortalama Bağıl Hata ve Pred(25) performans değerlendirme kriterleri kullanılarak karşılaştırılmıştır. Sonuç olarak Genetik Çok Katmanlı Algılayıcı Sinir Ağları 'nın tahmin performansını geliştirdiği gözlenmiştir.en_US
dc.description.abstractSoftware effort estimation has a big importance for companies and customers. Overestimating or underestimating of effort affects both of them in a negative way. In this study, software effort estimation was predicted by using Multi Layer Perceptron Neural Networks and Genetic Multi Layer Perceptron Neural Networks. As a dataset, Desharnais dataset was used. For both of these neural networks, the same 71 projects were chosen with the aim of training the system. For Multi Layer Perceptron Neural Networks model, 8 of 71 projects were used for validation and test the system. The other projects were used in order to train the system. For Genetic Multi Layer Perceptron Neural Networks, 10 of 71 projects are used for cross validation and 3 of the 71 projects are used for testing the system. The rest of the projects in the training set was used to train the system. Efforts of 10 different projects which are not in the trainig set were predicted. Then, prediction performance of Multi Layer Perceptron Neural Networks and Genetic Multi Layer Perceptron Neural Networks models were compared by using Mean Magnitude of Relative Error and Pred(25) performance evaluation criterions. As a result, it was observed that prediction performance was improved when Genetic Multi Layer Perceptron Neural Networks were used.en_US
dc.identifier.endpage71en_US
dc.identifier.startpage1en_US
dc.identifier.urihttps://hdl.handle.net/20.500.12587/17044
dc.identifier.yoktezid418472
dc.language.isotr
dc.publisherKırıkkale Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectBilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolen_US
dc.subjectComputer Engineering and Computer Science and Controlen_US
dc.subjectEkonomik büyümeen_US
dc.subjectEconomic growth ; Emisyonen_US
dc.subjectEmission ; Enerjien_US
dc.subjectEnergy ; Enerji tüketimien_US
dc.subjectEnergy consumption ; Granger Nedensellik Testien_US
dc.subjectGranger Causality Test ; Karbondioksit salınımıen_US
dc.subjectCarbondioxide emissionen_US
dc.titleYapay zeka ile yazılım efor tahminien_US
dc.title.alternativeSoftware effort estimation by using artificial intelligenceen_US
dc.typeMaster Thesisen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
418472.pdf
Boyut:
1.28 MB
Biçim:
Adobe Portable Document Format
Açıklama:
Tam Metin/Fulltext
İndir

Koleksiyon

Fen Bilimleri Enstitüsü Tez Koleksiyonu