Machine Learning for Dynamic Software Analysis: Potentials and Limits / Bennaceur, Amel ; Hähnle, Reiner ; Meinke, Karl  

Público ISBD Ningún comentario para este título. Título : Machine Learning for Dynamic Software Analysis: Potentials and Limits : International Dagstuhl Seminar 16172, Dagstuhl Castle, Germany, April 24-27, 2016, Revised Papers Tipo de documento: documento electrónico Autores: Bennaceur, Amel, ; Hähnle, Reiner, ; Meinke, Karl, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2018 Número de páginas: IX, 257 p. 38 ilustraciones ISBN/ISSN/DL: 978-3-319-96562-8 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Ingeniería de software  Inteligencia artificial  Ciencias de la Computación  Teoría de la Computación Clasificación: 005.1 Resumen: El aprendizaje automático de artefactos de software es un área emergente de interacción entre las comunidades de aprendizaje automático y análisis de software. El aumento de la productividad en la ingeniería de software depende de la creación de nuevas herramientas adaptables y escalables que puedan analizar sistemas de software grandes y en constante cambio. Estos requieren nuevas técnicas de análisis de software basadas en el aprendizaje automático, como las pruebas de software basadas en el aprendizaje, la generación de invariantes o la síntesis de código. El aprendizaje automático es un paradigma poderoso que proporciona enfoques novedosos para automatizar la generación de modelos y otros artefactos de software esenciales. Este volumen tiene su origen en un seminario de Dagstuhl titulado "Aprendizaje automático para el análisis dinámico de software: potenciales y límites" celebrado en abril de 2016. El seminario se centró en fomentar un espíritu de colaboración para compartir conocimientos y ampliar y fortalecer la fertilización cruzada entre las Comunidades de aprendizaje automático y análisis de software. El libro proporciona una descripción general de las técnicas de aprendizaje automático que se pueden utilizar para el análisis de software y presenta aplicaciones de ejemplo de su uso. Además de un capítulo introductorio, el libro está estructurado en tres partes: pruebas y aprendizaje, extensión del aprendizaje de autómatas y enfoques integradores. Nota de contenido: Introduction -- Testing and Learning -- Extensions of Automata Learning -- Integrative Approaches. Tipo de medio : Computadora Summary : Machine learning of software artefacts is an emerging area of interaction between the machine learning and software analysis communities. Increased productivity in software engineering relies on the creation of new adaptive, scalable tools that can analyse large and continuously changing software systems. These require new software analysis techniques based on machine learning, such as learning-based software testing, invariant generation or code synthesis. Machine learning is a powerful paradigm that provides novel approaches to automating the generation of models and other essential software artifacts. This volume originates from a Dagstuhl Seminar entitled "Machine Learning for Dynamic Software Analysis: Potentials and Limits" held in April 2016. The seminar focused on fostering a spirit of collaboration in order to share insights and to expand and strengthen the cross-fertilisation between the machine learning and software analysis communities. The book provides an overview of the machine learning techniques that can be used for software analysis and presents example applications of their use. Besides an introductory chapter, the book is structured into three parts: testing and learning, extension of automata learning, and integrative approaches. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Machine Learning for Dynamic Software Analysis: Potentials and Limits : International Dagstuhl Seminar 16172, Dagstuhl Castle, Germany, April 24-27, 2016, Revised Papers [documento electrónico] / Bennaceur, Amel, ; Hähnle, Reiner, ; Meinke, Karl,  . -  1 ed.  . - [s.l.] : Springer, 2018 . - IX, 257 p. 38 ilustraciones. ISBN : 978-3-319-96562-8 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Ingeniería de software  Inteligencia artificial  Ciencias de la Computación  Teoría de la Computación Clasificación: 005.1 Resumen: El aprendizaje automático de artefactos de software es un área emergente de interacción entre las comunidades de aprendizaje automático y análisis de software. El aumento de la productividad en la ingeniería de software depende de la creación de nuevas herramientas adaptables y escalables que puedan analizar sistemas de software grandes y en constante cambio. Estos requieren nuevas técnicas de análisis de software basadas en el aprendizaje automático, como las pruebas de software basadas en el aprendizaje, la generación de invariantes o la síntesis de código. El aprendizaje automático es un paradigma poderoso que proporciona enfoques novedosos para automatizar la generación de modelos y otros artefactos de software esenciales. Este volumen tiene su origen en un seminario de Dagstuhl titulado "Aprendizaje automático para el análisis dinámico de software: potenciales y límites" celebrado en abril de 2016. El seminario se centró en fomentar un espíritu de colaboración para compartir conocimientos y ampliar y fortalecer la fertilización cruzada entre las Comunidades de aprendizaje automático y análisis de software. El libro proporciona una descripción general de las técnicas de aprendizaje automático que se pueden utilizar para el análisis de software y presenta aplicaciones de ejemplo de su uso. Además de un capítulo introductorio, el libro está estructurado en tres partes: pruebas y aprendizaje, extensión del aprendizaje de autómatas y enfoques integradores. Nota de contenido: Introduction -- Testing and Learning -- Extensions of Automata Learning -- Integrative Approaches. Tipo de medio : Computadora Summary : Machine learning of software artefacts is an emerging area of interaction between the machine learning and software analysis communities. Increased productivity in software engineering relies on the creation of new adaptive, scalable tools that can analyse large and continuously changing software systems. These require new software analysis techniques based on machine learning, such as learning-based software testing, invariant generation or code synthesis. Machine learning is a powerful paradigm that provides novel approaches to automating the generation of models and other essential software artifacts. This volume originates from a Dagstuhl Seminar entitled "Machine Learning for Dynamic Software Analysis: Potentials and Limits" held in April 2016. The seminar focused on fostering a spirit of collaboration in order to share insights and to expand and strengthen the cross-fertilisation between the machine learning and software analysis communities. The book provides an overview of the machine learning techniques that can be used for software analysis and presents example applications of their use. Besides an introductory chapter, the book is structured into three parts: testing and learning, extension of automata learning, and integrative approaches. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

---

1 (1 - 1 / 1) Ver por página : 25 50 100 200