Nuolatinio integravimo ir diegimo proceso tobulinimas taikant mašininio mokymosi metodus
Šišakovas, Artūras |
Kalibatienė, Diana | Recenzentas / Rewiewer |
Baigiamojo darbo tikslas - išanalizuoti nuolatinio integravimo ir diegimo proceso duomenis ir juos panaudoti siekiant nuspėti sėkmingą ar nesėkmingą nuolatinio integravimo bei diegimo proceso baigtį. Darba sudaro septynios dalys: įvadas, programinės įrangos kūrimo kokybės užtikrinimo metodų apžvalga, nuolatinio integravimo bei diegimo proceso, technologijų bei problemų apžvalga, mašininio mokymosi metodų apžvalga, siūlomo sprendimo metodo aprašymas, klasifikavimo rezultatų palyginimas tarp skirtingų mašininio mokymosi metodų, išvados. Darbe yra gilinamasi į pastovaus diegimo bei integravimo proceso duomenų ypatybes, atrenkami patys aktualiausi duomenys, suteikiantys vertingos informacijos. Šie duomenys yra panaudojami apmokant mašininio mokymosi modelį kaip įmanoma tiksliau prognozuoti proceso baigtį. Darbo apimtis: 60 p., 27 paveikslėliai, 6 lentelės, 23 bibliografiniai šaltiniai.
The main goal of the master's thesis is the analysis of continuous integration and continuous deployment process data and its use in predicting continuous integration and deployment process outcome. The work consists of seven parts: introduction, review of software development quality assurance methods, continuous integration and deployment and its technology and problems review, machine learning methods review, suggested solution review, comparison of classification results between different machine learning models and results. The work delves into the features of the data of the continuous integration and deployment process, selects the most relevant data that provide valuable information. This data is then used for machine learning models to train them so the prediction accuracy of continuous integration and deployment process is as high as possible. The scope of the master's thesis is 60 pages, 27 figures, 6 tables and 23 references.