XiaoMi-AI文件搜索系统
World File Search System软件质量
CIT 432 - 尼日利亚国立开放大学
学习单元 本课程的学习单元如下： 模块 1 软件的基本概念 单元 1 计算机软件 单元 2 什么是软件工程 单元 3 软件工程的历史 单元 4 软件工程师 单元 5 软件危机 模块 2 软件开发 单元 1 软件开发概述 单元 2 软件开发生命周期模型 单元 3 模块化 单元 4 伪代码 单元 5 编程环境案例工具和 Hipo 图 模块 3 实施和测试 单元 1 实施 单元 2 测试阶段 单元 3 软件质量 单元 4 兼容性 单元 5 验证 模块 4：形式化方法 单元 1：一般信息 单元 2：形式化方法简介 单元 3：形式化方法的方法及其在软件开发中的应用 单元 4：命题 单元 5：谓词 单元 6：集合 单元 7：系列或序列
CIT 432 - 尼日利亚国立开放大学
学习单元 本课程的学习单元如下： 模块 1 软件的基本概念 单元 1 计算机软件 单元 2 什么是软件工程 单元 3 软件工程的历史 单元 4 软件工程师 单元 5 软件危机 模块 2 软件开发 单元 1 软件开发概述 单元 2 软件开发生命周期模型 单元 3 模块化 单元 4 伪代码 单元 5 编程环境案例工具和 Hipo 图 模块 3 实施和测试 单元 1 实施 单元 2 测试阶段 单元 3 软件质量 单元 4 兼容性 单元 5 验证 模块 4：形式化方法 单元 1：一般信息 单元 2：形式化方法简介 单元 3：形式化方法的方法及其在软件开发中的应用 单元 4：命题 单元 5：谓词 单元 6：集合 单元 7：系列或序列
机器学习在软件开发中的作用
摘要： - 在当今迅速发展的技术时代，机器学习在软件开发中的作用变得越来越重要和有影响力。机器学习已彻底改变了软件开发的各个方面，从代码分析和优化到预测和决策。此外，机器学习算法有可能通过自动化重复任务，提高代码质量并减少软件测试和调试所需的时间和精力来显着增强软件开发过程。通过获得大量数据和强大的计算资源，机器学习算法可以分析模式并对软件性能进行准确的预测，识别潜在的错误或安全问题，并帮助改善软件设计和开发过程。此外，机器学习可以通过检测异常并确定软件故障的潜在原因来促进软件维护和调试。尽管在软件开发过程中使用机器学习技术可以大大提高效率，生产率和整体软件质量。
大学科学技术研究技术 - 研究人员...
e mnkandla mnkane@unisa.ac.za当今的世界被千兆字节的数据所淹没，这些数据以各种形式（结构化和非结构化）收集和存储。当今我们现实世界中问题的性质的特征是非常复杂的过程，在这些过程中，数学推理或传统建模只是不足的，因此由于其随机性质，这些过程中存在一些不确定性的结果。软件工程过程属于此类复杂过程。我的研究的主要重点是使用当代技术或环境（例如4IR，IoT，大数据，数据科学，机器学习，机器学习，云计算等）提高软件开发项目软件质量的方法。有兴趣的MSC和PhD，博士后研究员和其他研究合作的学生应考虑提高软件质量的项目。最终，当软件质量提高时；系统的性能会改善，业务和客户满意，安全和保障改善，并且可以改善人类的生活质量。
F-35 发动机质量保证检查
F-35 JPO 不同意评估开放的差异请求，并表示 F135 计划仍在开发中，F-35 JPO 正在努力在系统开发和演示阶段结束时满足或更改要求。F-35 JPO 部分同意我们关于 CSI 的建议，但仍计划与更新的国防部要求保持一致，并与承包商合作，在 2015 年 5 月之前符合国防部要求。对于已交付的发动机，F-35 JPO 将首先确定在将 F135 计划与当前国防部要求保持一致时是否发现重大漏洞，然后再采取适当行动。F-35 JPO 部分同意我们关于风险管理的建议，但承诺确保普惠公司识别、提升、跟踪和管理影响该计划的所有风险。F-35 JPO 不同意我们关于软件质量管理的建议，并指出软件开发达到了正确的产品软件水平，软件开发计划并未过时，并且 F135 推进系统软件经过了适当的测试。F-35 JPO 的评论并未完全解决我们建议的具体内容；因此，需要进一步的评论。
人工智能在应用程序生命周期管理 (ALM) 中的作用
AI 在 ALM 中的优势 AI 在 ALM 中的集成具有诸多优势： • 提高效率和生产力：AI 可自动执行重复性任务，使开发人员能够专注于软件开发中更复杂、更具创造性的方面。麦肯锡的一项研究发现，AI 技术在软件开发中的利用率从 2018 年的 1.9 翻了一番，达到 2022 年的 3.8。 • 提高质量和可靠性：AI 驱动的工具可以在开发过程的早期检测到错误和潜在问题，从而提高软件质量。早期错误检测和自动代码审查有助于提高应用程序的可靠性。 • 加快上市时间：通过自动化 ALM 流程的各个阶段，AI 有助于缩短开发周期并加快上市时间。这在当今快节奏的商业环境中尤为重要。 • 降低成本：虽然对 AI 技术的初始投资可能很大，但通过提高效率和减少错误带来的长期成本节省将是巨大的。组织报告称，通过缩短开发周期和更好地分配资源可以节省成本。
F-35 发动机质量保证检验
F-35 JPO 不同意评估未决变更请求，并表示 F135 项目仍在开发中，F-35 JPO 正在努力在系统开发和演示阶段结束时满足或更改要求。F-35 JPO 部分同意我们关于 CSI 的建议，但仍计划与更新的国防部要求保持一致，并与承包商合作，在 2015 年 5 月之前与国防部要求保持一致。对于已交付的发动机，F-35 JPO 将首先确定在使 F135 项目与当前国防部要求保持一致时是否发现重大漏洞，然后再采取适当行动。F-35 JPO 部分同意我们关于风险管理的建议，但承诺确保普惠公司识别、提升、跟踪和管理影响项目的所有风险。 F-35 JPO 不同意我们关于软件质量管理的建议，并指出软件开发已达到正确的产品软件水平，软件开发计划并未过时，F135 推进系统软件也经过了适当的测试。F-35 JPO 的评论并未完全解决我们建议的具体内容；因此，需要进一步评论。
Eyal Sadeh-简历
电话：（+972）（0）54-5928784 |住所：以色列拉马特·伊沙伊| Email: sadeh1402@gmail.com _______________________________________________________________________________________________ Professional Experience: Since 2023 Lecturer and Teaching Assistant, The Max Stern Yezreel Valley College.•课程：移动应用程序开发；数据结构和算法2；系统分析和设计；网络技术。自2021年以来，Braude工程学院Karmi'el学院。•课程：计算机科学和C语言简介；面向对象的编程（C ++）;数据库管理系统（SQL）。自2020年以来，Ort Kiryat Bialik学院的软件实用工程，Mahat和技术军事培训（教育部）讲师。•课程（过去和现在）：Java编程和算法； C编程； Python编程；学习技能；数据科学和机器学习简介；数据结构和算法；完整的堆栈Web开发。;网络和信息安全；技术英语。2019-2021软件质量保证（SQA）工程师，Camtek（2019）和Zim（2020-2021）。•负责使用各种工具和技术对大规模信息系统进行最终质量检查测试。•研究了业务和开发文件，并在发布之前亲自签署了产品。•在复杂且严格的国际标准下满足了严格的目标和时间表。•与产品负责人，不同级别的经理以及以色列和国外的客户和合作伙伴合作。2015 - 2018年算法思维发展，Top-Edu。2018 M.A.2018 - 2019年计算机和机器人教师，课外计划，Shifman地区高中。•Microsoft和IDF课程的讲师：“ Hadarim”项目 - 编程和算法思维。2011 - 2017年技术导师，马克斯·斯特恩·耶兹雷尔谷学院。•课程：英语（所有学术级别）；爪哇; sql; Python;计算机简介；办公申请。学术教育：2023 Ph.D.学生，信息学（计算机科学），SWU。2020教学证书，计算机科学，以色列开放大学。，信息和知识管理（与论文），海法大学。 2015 B.Sc. ，管理信息系统，Max Stern Yezreel Valley College。 专业课程：2024年，“教学中的AI整合”，耶斯雷尔河谷学院教学中心。 2021“讲师的综合教学技能课程”，ORT网络。 2019年软件测试自动化课程（QA自动化工程师），“ QA专家”技术学院。 2019 OCAJP证书（Java软件开发），Oracle。 2015 ISTQB证书 - 软件质量证书，Sela技术学院。 语言：希伯来语 - 母语者。 英语 - 全面的专业水平（C2）。 （包括教学级英语），信息和知识管理（与论文），海法大学。2015 B.Sc. ，管理信息系统，Max Stern Yezreel Valley College。 专业课程：2024年，“教学中的AI整合”，耶斯雷尔河谷学院教学中心。 2021“讲师的综合教学技能课程”，ORT网络。 2019年软件测试自动化课程（QA自动化工程师），“ QA专家”技术学院。 2019 OCAJP证书（Java软件开发），Oracle。 2015 ISTQB证书 - 软件质量证书，Sela技术学院。 语言：希伯来语 - 母语者。 英语 - 全面的专业水平（C2）。 （包括教学级英语）2015 B.Sc.，管理信息系统，Max Stern Yezreel Valley College。专业课程：2024年，“教学中的AI整合”，耶斯雷尔河谷学院教学中心。2021“讲师的综合教学技能课程”，ORT网络。2019年软件测试自动化课程（QA自动化工程师），“ QA专家”技术学院。2019 OCAJP证书（Java软件开发），Oracle。2015 ISTQB证书 - 软件质量证书，Sela技术学院。语言：希伯来语 - 母语者。英语 - 全面的专业水平（C2）。（包括教学级英语）
软件工程的可信协同人工智能：愿景和路线图
摘要 — 几十年来，许多软件工程研究一直致力于设计自动化解决方案，以提高开发人员的生产力和提升软件质量。过去二十年，为软件工程任务量身定制的智能解决方案的开发出现了前所未有的激增。这一势头建立了软件工程人工智能 (AI4SE) 领域，该领域迅速成为软件工程领域最活跃和最受欢迎的领域之一。这篇关于软件工程未来 (FoSE) 的论文涵盖了几个焦点。它以 AI4SE 的简洁介绍和历史开始。此后，它强调了 AI4SE 固有的核心挑战，特别强调了实现值得信赖和协同的 AI4SE 的必要性。接下来，本文描绘了如果克服 AI4SE 的主要挑战，可能实现的飞跃的愿景，并提出了向软件工程 2.0 过渡的设想。然后制定了两个战略路线图：一个以实现值得信赖的 AI4SE 为中心，另一个以促进协同 AI4SE 为中心。虽然本文可能不是结论性指南，但其目的是促进进一步的进步。最终的愿望是将 AI4SE 定位为重新定义软件工程视野的关键，推动我们走向软件工程 2.0。
深度卷积神经网络模型，用于消除不良代码异味
代码异味是指源代码中任何违反设计原则或实现的症状或异常。及早发现不良代码异味可以提高软件质量。如今，几种人工神经网络 (ANN) 模型已用于软件工程的不同主题：软件缺陷预测、软件漏洞检测和代码克隆检测。使用 ANN 模型时，无需了解数据来源，但需要大量训练集。数据不平衡是人工智能技术在检测代码异味方面面临的主要挑战。为了克服这些挑战，本研究的目标是基于一组 Java 项目，提出具有合成少数过采样技术 (SMOTE) 的深度卷积神经网络 (D-CNN) 模型来检测不良代码异味。我们考虑了四个代码异味数据集，即 God 类、数据类、特征嫉妒和长方法，并根据不同的性能指标对结果进行了比较。实验结果表明，所提出的具有过采样技术的模型可以为代码异味检测提供更好的性能，并且当使用更多数据集训练模型时，预测结果可以进一步改善。此外，更多的时期和隐藏层有助于提高模型的准确性。