Аналіз даних в програмній інженерії

Анотація навчальної дисципліни

Метою вивчення дисципліни є формування комплексу знань з аналізу як одновимірних, так і багатовимірних даних у тому числі з розподілами, які не є гаусівськими, та набуття практичних навичок з їх застосування до аналізу даних з програмних метрик для вирішення низки задач програмної інженерії. Для досягнення мети вивчення дисципліни студенти повинні навчитися вирішувати задачі програмної інженерії, що пов’язані з аналізом даних з програмних метрик.

Тематика та види навчальних занять

Для денної форми здобуття освіти

Лекційні заняття
Лекція 1. Вступ у аналіз даних.
Задачі програмної інженерії, які пов’язані з аналізом даних. Основні поняття і визначення. Мета аналізу даних. Етапи аналізу даних. Типи аналізу даних. Описовий аналіз. Пошуковий (розвідувальний) аналіз. Прогнозний аналіз. Аналіз одновимірних та багатовимірних даних. Багатовимірний статистичний аналіз. Початковий аналіз одновимірних даних.
Лекція 2. Характеристики багатовимірних даних.
Початковий аналіз багатовимірних даних. Вектори оцінок статистичних моментів. Вибіркова коваріаційна матриця. Багатовимірний розподіл Гаусу. Довірчий еліпсоїд вибіркових середніх. Довірчий еліпс вибіркових середніх.
Лекція 3. Перевірка відхилення розподілу багатовимірних даних від нормального.
Методи перевірки відхилення розподілу багатовимірних даних від нормального. Багатовимірні асиметрія та ексцес. Перевірка відхилення розподілу багатовимірних даних від нормального за критерієм Мардіа. Приклади перевірки відхилення розподілу багатовимірних даних з програмних метрик від нормального.
Лекція 4. Визначення викидів у багатовимірних даних у разі застосування припущення про їх нормальність.
Квадрат відстані Махаланобіса. Методи визначення викидів у багатовимірних даних у разі застосування припущення про їх нормальність. Еліпс передбачення та його рівняння. Еліпсоїд передбачення та його рівняння. Приклади визначення викидів у багатовимірних даних у разі застосування припущення про їх нормальність.
Лекція 5. Визначення викидів у багатовимірних даних, розподіл яких не є гаусівським.
Припущення, які зазвичай використовуються при визначенні викидів у багатовимірних даних. Методи визначення викидів у багатовимірних даних, розподіл яких не є гаусівським. Визначення викидів у багатовимірних даних, розподіл яких не є гаусівським, на основі нормалізуючих перетворень. Одновимірні взаємо-зворотні нормалізуючі перетворення.
Лекція 6. Багатовимірні взаємо-зворотні нормалізуючі перетворення.
Багатовимірні взаємо-зворотні нормалізуючі перетворення Бокса-Кокса та Джонсона. Методи оцінювання параметрів багатовимірних перетворень Бокса-Кокса та Джонсона. Метод максимальної правдоподібності.
Лекція 7. Визначення викидів у двовимірних даних з програмних метрик, розподіл яких не є гаусівським, за допомогою еліпсу прогнозування.
Еліпс прогнозування для нормалізованих даних. Рівняння еліпсу прогнозування для нормалізованих даних. Застосування еліпсу прогнозування для визначення викидів у двовимірних даних з програмних метрик. Приклади застосування еліпсу прогнозування для визначення викидів у двовимірних даних з програмних метрик.
Лекція 8. Лінійний регресійний аналіз двовимірних даних.
Лінійна регресійна модель. Лінійне регресійне рівняння. Побудова однофакторної лінійної регресійної моделі. Оцінювання параметрів лінійного рівняння регресії. Перевірка якості лінійного рівняння регресії. Коефіцієнт детермінації R2 (the coefficient of determination), середня величина відносної помилки MMRE (Mean Magnitude of Relative Error) і відсоток прогнозованих результатів PRED (Percentage of Prediction). Перевірка на значимість лінійної регресії. T-тест. F-тест. Довірчий інтервал та інтервал прогнозування лінійної регресії. Побудова довірчого інтервалу та інтервалу прогнозування однофакторної лінійної регресії.
Лекція 9. Лінійний регресійний аналіз багатовимірних даних
Побудова багатофакторної лінійної регресійної моделі. Умови, які повинні виконуватися при використанні багатофакторної лінійної регресійної моделі. Проблема мультиколеніарності. Побудова багатофакторної лінійної регресійної моделі. Побудова довірчого інтервалу та інтервалу прогнозування багатофакторної лінійної регресії.
Лекція 10. Використання лінійних регресійних моделей та рівнянь в програмній інженерії.
Лінійні регресійні моделі та рівняння для оцінювання (прогнозування) кількості дефектів в програмних системах. Лінійні регресійні рівняння для оцінювання розміру програмного забезпечення. Лінійні регресійні рівняння для оцінювання зусиль щодо тестування програмного забезпечення.
Лекція 11. Нелінійний регресійний аналіз двовимірних даних
Нелінійна регресійна модель. Нелінійне регресійне рівняння. Методи побудови на основі простого перебору, лінеаризуючих та нормалізуючих перетворень. Побудова однофакторної нелінійної регресійної моделі. Побудова моделі COCOMO. Побудова довірчого інтервалу та інтервалу прогнозування однофакторної нелінійної регресії.
Лекція 12. Використання однофакторних нелінійних регресійних моделей та рівнянь в програмній інженерії.
Однофакторні нелінійні регресійні рівняння для оцінювання (прогнозування) кількості дефектів в програмних системах. Моделі COCOMO та ISBSG. Інші моделі.
Лекція 13. Нелінійний регресійний аналіз багатовимірних даних.
Побудова багатофакторної нелінійної регресійної моделі. Побудова довірчого інтервалу та інтервалу прогнозування багатофакторної нелінійної регресії.
Лекція 14. Побудова нелінійної регресійної моделі у разі наявності викидів у багатовимірних даних.
Багатовимірні викиди та методи їх виявлення. Викиди як точки даних, які не описуються регресійною моделлю. Метод побудови нелінійних регресійних моделей на основі нормалізуючих перетворень та інтервалів передбачення (прогнозування).
Лекція 15. Використання багатофакторних нелінійних регресійних моделей та рівнянь в програмній інженерії.
Багатофакторні нелінійні регресійні рівняння для оцінювання (прогнозування) кількості дефектів в програмних системах. Модель SLIM. Інші моделі.

Практичні заняття
Практичне заняття №1. Початковий аналіз одновимірних даних з метрик програмного забезпечення.
Мета заняття: придбати практичні навички початкового аналізу одновимірних даних з метрик програмного забезпечення.

Практичне заняття №2. Перевірка відхилення розподілу багатовимірних даних з метрик програмного забезпечення від нормального.
Мета заняття: придбати практичні навички перевірки відхилення розподілу багатовимірних даних з метрик програмного забезпечення від нормального.

Практичне заняття №3. Визначення викидів у багатовимірних даних з метрик програмного забезпечення.
Мета заняття: придбати практичні навички визначення викидів у багатовимірних даних з метрик програмного забезпечення, розподіл яких не є гаусівським.

Практичне заняття №4. Побудова лінійного рівняння регресії для оцінювання метрик програмного забезпечення.
Мета заняття: отримати практичні навички побудови лінійного рівняння регресії для оцінювання метрик програмного забезпечення.

Практичне заняття №5. Визначення довірчих інтервалів та інтервалів прогнозування лінійної регресії для оцінювання метрик програмного забезпечення.
Мета заняття: отримати практичні навички визначення довірчих інтервалів та інтервалів прогнозування лінійної регресії для оцінювання метрик програмного забезпечення.

Практичне заняття №6. Побудова нелінійного рівняння регресії для оцінювання метрик програмного забезпечення.
Мета заняття: отримати практичні навички побудови нелінійного рівняння регресії для оцінювання метрик програмного забезпечення.

Практичне заняття №7. Побудова довірчих інтервалів та інтервалів прогнозування нелінійної регресії для оцінювання метрик програмного забезпечення.
Мета заняття: отримати практичні навички визначення довірчих інтервалів та інтервалів прогнозування нелінійної регресії для оцінювання метрик програмного забезпечення.

Для заочної форми здобуття освіти

Лекційні заняття
Лекція 1. Вступ у аналіз даних.
Задачі програмної інженерії, які пов’язані з аналізом даних. Основні поняття і визначення. Мета аналізу даних. Етапи аналізу даних. Типи аналізу даних. Описовий аналіз. Пошуковий (розвідувальний) аналіз. Прогнозний аналіз. Аналіз одновимірних та багатовимірних даних. Багатовимірний статистичний аналіз. Початковий аналіз одновимірних даних.
Лекція 2. Нелінійний регресійний аналіз двовимірних даних
Нелінійна регресійна модель. Нелінійне регресійне рівняння. Методи побудови на основі простого перебору, лінеаризуючих та нормалізуючих перетворень. Побудова однофакторної нелінійної регресійної моделі. Побудова моделі COCOMO. Побудова довірчого інтервалу та інтервалу прогнозування однофакторної нелінійної регресії.

Практичні заняття
Практичне заняття №1. Визначення викидів у багатовимірних даних з метрик програмного забезпечення.
Мета заняття: придбати практичні навички визначення викидів у багатовимірних даних з метрик програмного забезпечення, розподіл яких не є гаусівським.

Консультації здійснюються впродовж семестру згідно встановленого розкладу.

 Індивідуальна робота

Для денної форми здобуття освіти

Не передбачено

Для заочної форми здобуття освіти

Виконання контрольної роботи.

 Форми контрольних заходів та оцінювання результатів навчання

Для денної форми здобуття освіти

Оцінювання результатів навчання з дисципліни здійснюється за накопичувальною системою, яка дає можливість здобувачеві протягом семестру отримати максимально 100 балів.

Система оцінювання рівня навчальних досягнень ґрунтується на принципах ЄКТС та є накопичувальною. Дисципліна поділяється на два семестрові модулі. Здобувачі протягом семестру готуються до лекційних та лабораторних занять, виконують 2 модульні контрольні роботи та 7 практичних робіт.
Модульні контрольні роботи №1, №2 виконуються у письмовій формі. Максимальна оцінка за бездоганне виконання становить 52 бали.
Модульна робота складається з теоретичної частини (у формі тестових запитань) та практичної частини. Максимальна оцінка за правильне виконання теоретичної частини становить 14 балів, та за правильне виконання практичної частини становить 12 балів.
Завдання вважається розв’язаним, якщо отримана правильна відповідь, послідовно наведено рішення, виконано всі необхідні рисунки.
Кожний модуль оцінюється у максимально можливі 50 балів:

Модуль 1
Практичні заняття. Оцінка за виконання – 24 бали. Термін надання – 2, 4, 6 тиждень.
Модульна контрольна робота 1 – 26 балів (8 тиждень). Перескладання можливе протягом 9–11 тижнів за розкладом консультацій.

Модуль 2
Практичні заняття. Оцінка за виконання – 24 бали. Термін надання – 8, 10, 12, 14 тиждень.
Модульна контрольна робота 2 – 26 балів (15 тиждень).

Максимальна оцінка за повний обсяг виконаних навчальних елементів дисципліни – 100 балів.
Підсумковим контролем з дисципліни є залік за результатами виконаних практичних робіт та модульних контрольних робіт.

Для заочної форми здобуття освіти

Оцінювання результатів навчання з дисципліни здійснюється за накопичувальною системою, яка дає можливість здобувачеві протягом семестру отримати максимально 100 балів.
Практичне заняття. Оцінка за виконання – 8 балів.
Контрольна робота. Оцінка за виконання – 92 бали. Робота містить 2 теоретичних питання (кожне 22 бали), 2 практичних завдання (кожне 24 бали).

 Політика освітнього процесу та умови допуску до підсумкового контролю

Активна участь в практичних заняттях, дотримання графіків здачі контрольних та лабораторних завдань, самостійна робота здобувача при підготовці до всіх видів аудиторних занять, присутність на консультаціях. Здобувачі зобов’язані дотримуватись принципів академічної доброчесності при виконанні модульних контрольних робіт, поточних контрольних та лабораторних завдань, складання заліку.
Робота, яка виконана після встановлених викладачем термінів, не приймається.
Відсутність здобувача на контрольній роботі відповідає оцінці «0».
Під час всіх видів аудиторних занять здійснювати телефонні дзвінки забороняється.
Заборонено використання будь-яких підручників, посібників, конспектів лекцій, шпаргалок під час проходження модульних та підсумкового контролів.