Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Software cost estimation using neural networks

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F70883521%3A28140%2F23%3A63572978" target="_blank" >RIV/70883521:28140/23:63572978 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://link.springer.com/chapter/10.1007/978-3-031-35311-6_77" target="_blank" >https://link.springer.com/chapter/10.1007/978-3-031-35311-6_77</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/978-3-031-35311-6_77" target="_blank" >10.1007/978-3-031-35311-6_77</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Software cost estimation using neural networks

  • Popis výsledku v původním jazyce

    Software Cost Estimation (SCE) is one of the most vital parts when starting a new software engineering project; it helps with allocating resources, managing risks, making informed decisions, and stands in correlation with the success or the failure of a project. Because Software Cost Estimation (SCE) is prone to human bias, solutions started being researched with the aid of Artificial Intelligence (AI) and Machine Learning (ML). This paper will investigate the importance of Software Cost Estimation (SCE). Further, the existing taxonomies and methodologies regarding using neural networks with Software Cost estimation will be compared (COCOMO, GEHO-ANN, OLCE, and -ANN-NEAT). This will be done using evaluation metrics such as RMSE, MMRE, PRED, MAE, etc. After, further research is proposed on why using Deep Reinforcement Learning (DRL) could be very beneficial for developing Software Cost Prediction Models. This technique combines Deep Learning (DL) and Machine Learning (ML) and can solve complex tasks with many variables and a rapidly developing environment. © 2023, The Author(s), under exclusive license to Springer Nature Switzerland AG.

  • Název v anglickém jazyce

    Software cost estimation using neural networks

  • Popis výsledku anglicky

    Software Cost Estimation (SCE) is one of the most vital parts when starting a new software engineering project; it helps with allocating resources, managing risks, making informed decisions, and stands in correlation with the success or the failure of a project. Because Software Cost Estimation (SCE) is prone to human bias, solutions started being researched with the aid of Artificial Intelligence (AI) and Machine Learning (ML). This paper will investigate the importance of Software Cost Estimation (SCE). Further, the existing taxonomies and methodologies regarding using neural networks with Software Cost estimation will be compared (COCOMO, GEHO-ANN, OLCE, and -ANN-NEAT). This will be done using evaluation metrics such as RMSE, MMRE, PRED, MAE, etc. After, further research is proposed on why using Deep Reinforcement Learning (DRL) could be very beneficial for developing Software Cost Prediction Models. This technique combines Deep Learning (DL) and Machine Learning (ML) and can solve complex tasks with many variables and a rapidly developing environment. © 2023, The Author(s), under exclusive license to Springer Nature Switzerland AG.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

  • Návaznosti

    I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2023

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Lecture Notes in Networks and Systems, Volume 722 LNNS

  • ISBN

    978-3-031-35310-9

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    17

  • Strana od-do

    831-847

  • Název nakladatele

    Springer Science and Business Media Deutschland GmbH

  • Místo vydání

    Berlín

  • Místo konání akce

    Virtual, Online

  • Datum konání akce

    3. 4. 2023

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku