Классификация и предсказание пользовательских инцидентов (командный проект) — различия между версиями
(Новая страница, с помощью формы Новый_командный_проект) |
м (fixed typo) |
||
(не показаны 4 промежуточные версии этого же участника) | |||
Строка 9: | Строка 9: | ||
=== Что это за проект? === | === Что это за проект? === | ||
− | Дано | + | ===== Дано ===== |
Система управления инцидентами, bug-tracker с артфеактами разработки и множество проектов в разработке. | Система управления инцидентами, bug-tracker с артфеактами разработки и множество проектов в разработке. | ||
− | Хочется | + | ===== Хочется ===== |
Используя методы машинного обучения прогнозировать, какие инциденты могут произойти после выхода новой версии продукта. | Используя методы машинного обучения прогнозировать, какие инциденты могут произойти после выхода новой версии продукта. | ||
Для анализа доступна ретроспектива инцидентов случившихся и артефакты разрабатываемого проетка (баги, требования и т.д.). | Для анализа доступна ретроспектива инцидентов случившихся и артефакты разрабатываемого проетка (баги, требования и т.д.). | ||
Классифицировать обращения по содержанию. | Классифицировать обращения по содержанию. | ||
− | Зачем | + | ===== Зачем ===== |
Выявление приоритетных векторов проверки во время приёмки выпускаемых продуктов, избежание рисков при выпуске как следствие. | Выявление приоритетных векторов проверки во время приёмки выпускаемых продуктов, избежание рисков при выпуске как следствие. | ||
− | Что ожидается на выходе | + | ===== Что ожидается на выходе ===== |
В идеале видится dashboard со сводной информацией. Либо инструмент, позволяющий так или иначе получить набор нужных данных (напр. список рискованных функциональных областей продукта с весами) без представления. | В идеале видится dashboard со сводной информацией. Либо инструмент, позволяющий так или иначе получить набор нужных данных (напр. список рискованных функциональных областей продукта с весами) без представления. | ||
Строка 29: | Строка 29: | ||
Можем взять максимум трёх человек, работа сугубо исследовательская, будем собираться минимум раз в неделю для координации работ и обсуждения идей. | Можем взять максимум трёх человек, работа сугубо исследовательская, будем собираться минимум раз в неделю для координации работ и обсуждения идей. | ||
− | === | + | === Компоненты (Из каких частей состоит проект?) === |
− | + | ||
=== Какие будут использоваться технологии? === | === Какие будут использоваться технологии? === | ||
Строка 39: | Строка 38: | ||
=== Темы вводных занятий === | === Темы вводных занятий === | ||
− | + | # Специфика задач отдела Business Quality Control | |
− | + | # Проекты компании, приоритетные направления для нас | |
− | + | # Текущие наработки, проблемы с которыми сталкивались в результатах исследования, что имеем сейчас | |
=== Критерии оценки === | === Критерии оценки === | ||
− | 4-5: Классификация инцидентов consumer и b2b направлений | + | * 4-5: Классификация инцидентов consumer и b2b направлений |
− | 6-7: Классификация инцидентов consumer и b2b направлений + прогнозирование проблем в флагманских b2b решениях | + | * 6-7: Классификация инцидентов consumer и b2b направлений + прогнозирование проблем в флагманских b2b решениях |
− | 8-10: Классификация инцидентов consumer и b2b направлений + прогнозирование проблем в флагманских b2b и b2c решениях. Тематическое моделирование. | + | * 8-10: Классификация инцидентов consumer и b2b направлений + прогнозирование проблем в флагманских b2b и b2c решениях. Тематическое моделирование. |
=== Похожие проекты === | === Похожие проекты === | ||
Whitepapers: | Whitepapers: | ||
− | A Discriminative Model Approach for Accurate Duplicate Bug Report Retrieval - Chengnian Sun, David Lo, Xiaoyin Wang, Jing Jiang, Siau-Cheng Khoo. | + | * A Discriminative Model Approach for Accurate Duplicate Bug Report Retrieval - Chengnian Sun, David Lo, Xiaoyin Wang, Jing Jiang, Siau-Cheng Khoo. |
− | Automatic bug triage using text categorization - Davor Cubranic, Gail C. Murphy. | + | * Automatic bug triage using text categorization - Davor Cubranic, Gail C. Murphy. |
− | Comparing Mining Algorithms for Predicting the Severity of a Reported Bug - Ahmed Lamkanfi, Serge Demeyer, Quinten David Soetens, Tim Verdonckz. | + | * Comparing Mining Algorithms for Predicting the Severity of a Reported Bug - Ahmed Lamkanfi, Serge Demeyer, Quinten David Soetens, Tim Verdonckz. |
− | Identifying Security Bug Reports via Text Mining: An Industrial Case Study - Michael Gegick, Pete Rotella, Tao Xie. | + | * Identifying Security Bug Reports via Text Mining: An Industrial Case Study - Michael Gegick, Pete Rotella, Tao Xie. |
=== Контактная информация === | === Контактная информация === | ||
evgeny.mitroshin@kaspersky.com | evgeny.mitroshin@kaspersky.com |
Текущая версия на 18:25, 2 октября 2017
Компания | Kaspersky Lab |
Учебный семестр | Осень 2017 |
Учебный курс | 3-й курс |
Максимальное количество студентов, выбравших проект: 3 | |
Содержание
|
Что это за проект?
Дано
Система управления инцидентами, bug-tracker с артфеактами разработки и множество проектов в разработке.
Хочется
Используя методы машинного обучения прогнозировать, какие инциденты могут произойти после выхода новой версии продукта. Для анализа доступна ретроспектива инцидентов случившихся и артефакты разрабатываемого проетка (баги, требования и т.д.). Классифицировать обращения по содержанию.
Зачем
Выявление приоритетных векторов проверки во время приёмки выпускаемых продуктов, избежание рисков при выпуске как следствие.
Что ожидается на выходе
В идеале видится dashboard со сводной информацией. Либо инструмент, позволяющий так или иначе получить набор нужных данных (напр. список рискованных функциональных областей продукта с весами) без представления.
Чему научатся студенты? Что самое интересное в проекте?
Применение классических задач регрессии и классификации в контексте реальной бизнес-задачи.
Организация работы (Как студенты будут работать в команде?)
Можем взять максимум трёх человек, работа сугубо исследовательская, будем собираться минимум раз в неделю для координации работ и обсуждения идей.
Компоненты (Из каких частей состоит проект?)
Какие будут использоваться технологии?
Python, MS SQL Server и Team Foundation Services как источники данных, Atlassian JIRA для ведения задач, RapidMiner (предположительно).
Какие начальные требования?
Python, желательно Transact-SQL, знание или сильное желание разобраться в методах text mining.
Темы вводных занятий
- Специфика задач отдела Business Quality Control
- Проекты компании, приоритетные направления для нас
- Текущие наработки, проблемы с которыми сталкивались в результатах исследования, что имеем сейчас
Критерии оценки
- 4-5: Классификация инцидентов consumer и b2b направлений
- 6-7: Классификация инцидентов consumer и b2b направлений + прогнозирование проблем в флагманских b2b решениях
- 8-10: Классификация инцидентов consumer и b2b направлений + прогнозирование проблем в флагманских b2b и b2c решениях. Тематическое моделирование.
Похожие проекты
Whitepapers:
- A Discriminative Model Approach for Accurate Duplicate Bug Report Retrieval - Chengnian Sun, David Lo, Xiaoyin Wang, Jing Jiang, Siau-Cheng Khoo.
- Automatic bug triage using text categorization - Davor Cubranic, Gail C. Murphy.
- Comparing Mining Algorithms for Predicting the Severity of a Reported Bug - Ahmed Lamkanfi, Serge Demeyer, Quinten David Soetens, Tim Verdonckz.
- Identifying Security Bug Reports via Text Mining: An Industrial Case Study - Michael Gegick, Pete Rotella, Tao Xie.
Контактная информация
evgeny.mitroshin@kaspersky.com