Iskanje po katalogu digitalne knjižnice

Opis: V doktorski disertaciji obravnavamo raziskovalni problem avtomatizacije prepoznavanja namenov sprememb programskih rešitev, izvedenih v fazi vzdrževanja. Klasifikacija programskih sprememb glede na vrsto aktivnosti vzdrževanja, ki odraža specifične namene sprememb, omogoča učinkovitejšo analizo in načrtovanje vzdrževanja, podpira delovne procese in naloge razvijalcev ter se pogosto uporablja v raziskavah programskega inženirstva za proučevanje sprememb in evolucije rešitev. S ciljem ugotavljanja raziskovalnih vrzeli smo s sistematičnim pregledom literature proučili obstoječe pristope h klasifikaciji sprememb programskih rešitev glede na vrsto aktivnosti vzdrževanja. Za naslovitev teh vrzeli smo s študijo sistematičnega mapiranja pregledali pristope vektorizacije sprememb programske kode z učenjem predstavitev na podlagi izvorne kode, ki se v obstoječi literaturi uporabljajo za naslavljanje različnih izzivov programskega inženirstva. Na podlagi ugotovitev smo razvili in predlagali novo metodo kontekstno odvisne vektorske predstavitve sprememb programske kode, ki omogoča ekstrakcijo semantičnih značilk sprememb izvorne kode med dvema različicama programske rešitve ob upoštevanju konteksta sprememb. Predlagana metoda predstavi spremembo programske rešitve kot množico podrobnih sorodnih sprememb programske kode, temelječih na predstavitvah zaznanih razlik v izvorni kodi na osnovi žetonov. Za ekstrakcijo semantičnih vložitev sorodnih sprememb metoda uporablja strojno učenje s prenosom znanja iz izbranega prednaučenega jezikovnega modela programske kode iz družine modelov BERT, kot so CodeBERT, UniXcoder in StarEncoder, ki je bil predhodno dodatno prilagojen ciljni nalogi s paradigmama samonadzorovanega in nadzorovanega učenja. Pridobljene vektorske vložitve podrobnih sorodnih sprememb so nato združene v enotno semantično vektorsko predstavitev spremembe programske rešitve. Za klasifikacijo sprememb programskih rešitev glede na vrsto aktivnosti vzdrževanja smo na označeni podatkovni množici izgradili modele strojnega učenja, pri čemer smo za ekstrakcijo značilk uporabili predlagano metodo ter referenčne in obstoječe metode predstavitve sprememb rešitev. Z nadzorovanim eksperimentom, študijo ablacije in primerjalno študijo smo proučili vpliv različnih parametrov predlagane metode predstavitve sprememb na uspešnost klasifikacije, primerjali uspešnost klasifikacije ob uporabi predlagane metode v primerjavi z uporabo referenčnih in obstoječih metod predstavitve sprememb ter ovrednotili uspešnost multimodalnih modelov strojnega učenja, temelječih na nadgradnji obstoječih metod predstavitve sprememb s predlagano metodo z združevanjem modalnosti naravnega jezika in programske kode. Empirične rezultate smo statistično analizirali s pomočjo frekventistične in Bayesove statistike. Izsledki raziskav potrjujejo izhodiščno tezo, da je z uporabo nove metode mogoče izgraditi modele strojnega učenja, ki uspešno klasificirajo spremembe programskih rešitev glede na vrsto aktivnosti vzdrževanja. Osrednje ugotovitve doktorske disertacije so naslednje: vektorske predstavitve sprememb programske kode na osnovi predlagane metode dosegajo primerljivo ali višjo uspešnost pri klasifikaciji v primerjavi s predstavitvami na osnovi referenčnih in obstoječih metod; zmanjšanje dimenzionalnosti kontekstno odvisnih vektorskih predstavitev sprememb omogoča zmanjšanje števila dimenzij brez negativnega vpliva na uspešnost klasifikacije; multimodalni klasifikacijski modeli dosegajo višjo uspešnost klasifikacije v primerjavi z unimodalnimi modeli.
Ključne besede: vzdrževanje programske opreme, spremembe programskih rešitev, rudarjenje repozitorijev programskih rešitev, strojno učenje, klasifikacija, nevronski jezikovni modeli programske kode, vektorske predstavitve, vektorska vložitev
Objavljeno v DKUM: 06.01.2025; Ogledov: 0; Prenosov: 85
Celotno besedilo (5,56 MB)

Opis: V sodobni dobi digitalizacije in razvoja programske opreme je kakovost kode ključnega pomena za zagotavljanje stabilnosti, učinkovitosti in varnosti informacijskih sistemov. Diplomsko delo je namenjeno analizi in primerjavi orodij za zaznavanje pomanjkljive programske kode. V njem je predstavljeno, kaj sploh pomanjkljiva programska koda je in kakšne tipe poznamo. Predstavimo tudi orodja za zaznavanje pomanjkljive programske kode in jih analiziramo.Med analizo različnih orodij smo opazili, da ima vsako orodje svoje prednosti in omejitve. Čeprav večina omogoča zaznavanje različnih vrst pomanjkljivosti in prilagajanje pravil, smo opazili razlike v učinkovitosti in uporabniški izkušnji. Izbira pravega orodja je ključnega pomena za izboljšanje kakovosti in vzdržljivosti programske opreme.
Ključne besede: Kakovost kode, pomanjkljiva programska koda, tipi pomanjkljive programske kode, orodja, učinkovitost, uporabniška izkušnja
Objavljeno v DKUM: 03.06.2024; Ogledov: 154; Prenosov: 31
Celotno besedilo (2,64 MB)

Opis: V magistrski nalogi smo izdelali ogrodje podatkovne baze s pomočjo programskega orodja JetBrains MPS ter uporabo funkcionalnosti Generator in pristopom Model2Model. Naloge smo se lotili sistematično, najprej smo se dobro seznanili s projekcijskima urejevalnikoma tabel in diagramov, ter natančno preučili njuno uporabnost. Predstavili smo tudi način ustvarjanja in uporabe Standalone IDE. Praktični del naloge smo si zastavili kot načrtovanje in implementiranje ogordja podatkovne baze za kreiranje procedure SQL s pomočjo tabel ter kreiranje skripte SQL s pomočjo dinamičnega urejevalnika diagramov.
Ključne besede: JetBrains, MPS, podatkovna baza, SQL, generator programske kode
Objavljeno v DKUM: 12.07.2023; Ogledov: 1267; Prenosov: 84
Celotno besedilo (2,95 MB)

Opis: Učbenik Aplikacije računalniški algoritmov je namenjen študentom prve stopnje študijskega programa računalništvo in informacijske tehnologije s ciljem, spoznati algoritme, ki jih uporabniki pri svojem delu pogosto uporabljajo. Z implementacijo teh algoritmov bodo študentje pri prepotrebno rutino za za vstop v umetnost programiranja univerzalnega stroja, to je računalnika. Učbenik prinaša naslednje vsebine: urejanje podatkov v linearnem času, iskanje vzorcev v nizih, iskanje minimalne razdalje urejanja, preproste šifrirnike, metode brezizgubnega stiskanja podatkov, metode transformacije nizov, priponska polja in priponska drevesa ter algoritme v rastrskem prostoru (verižne kode in krivulje polnjenja prostora).
Ključne besede: urejanje podatkov v linearnem času, iskanje vzorcev v nizih, iskanje minimalne razdalje urejanja, brezizgubno stiskanje podatkov, transformacije nizov, priponska polja in priponska drevesa, verižne kode, krivulje polnjenja prostora
Objavljeno v DKUM: 21.06.2023; Ogledov: 736; Prenosov: 153
Celotno besedilo (3,01 MB)
Gradivo ima več datotek! Več...

Opis: Z napredkom umetne inteligence (UI) postajajo pomočniki za dopolnjevanje kode vse bolj napredni in zmogljivi. V sklopu tega dela smo izvedli sistematičen pregled literature na UI temelječih pomočnikov za dopolnjevanje kode, jih opredelili, predstavili njihovo delovanje in trenutne trende, primerjali glavne funkcionalnosti posameznih pomočnikov ter izpostavili izboljšave, ki jih uporaba UI prinaša. Predstavili smo njihov doprinos k času razvoja ter kakovosti kode. Izvedli smo eksperiment za preverjanje uporabnosti konkretnega pomočnika (Tabnine) pri pisanju kode, uporabniško izkušnjo ter ali bi ga udeleženci priporočili tudi ostalim. Udeleženci so pomočnika ocenili kot zgolj zadovoljivo uporabnega, ocena uporabniške izkušnje je bila v povprečju nevtralna. Večina udeležencev bi pomočnika uporabljala tudi v prihodnje, najverjetneje pa ga ne bi posebej priporočili ostalim. Čeprav razlike zaradi majhnega vzorca niso bile signifikantne, so izkušeni v primerjavi z neizkušenimi pri programiranju, uporabi Jave in ogrodja SpringBoot, pomočnika ocenjevali bolj pozitivno, medtem ko so poznavalci pomočnikov le-tega ocenjevali manj pozitivno od nepoznavalcev.
Ključne besede: umetna inteligenca, izvorna koda, dopolnjevanje kode
Objavljeno v DKUM: 14.06.2022; Ogledov: 883; Prenosov: 186
Celotno besedilo (1,60 MB)