Computer Engineering / Bilgisayar Mühendisliği
Permanent URI for this collectionhttps://hdl.handle.net/11147/10
Browse
Search Results
Conference Object Citation - WoS: 4Citation - Scopus: 9Isbsg Veri Seti Kullanılarak Yazılım Efor Kestirimi: Çoklu Durum Çalışmaları(IEEE, 2021) Ünlü, Hüseyin; Yalçın, Ali Görkem; Öztürk, Dilek; Akkaya, Güliz; Kalecik, Mert; Ekici, Nazım Umut; Orhan, Oğuzhan; Çiftçi, Okan; Yumlu, Selen; Demirörs, OnurEfor kestirimi yazılım projelerinin planlanmasında temel aktivitelerden biridir. Objektif, tekrarlanabilir efor kestirimleri genelde iki ana girdiye ihtiyaç duyar: yazılım büyüklüğü ve efor verisi. Yazılımın büyüklüğü fonksiyonel büyüklük olarak ölçüldüğünde projenin gereksinimlerinin tanımlı olmasından sonra her aşamasında ölçülebilir. Ancak, organizasyonlarda geçmiş projelere ait efor verisine her zaman ulaşmak mümkün olamamaktadır. Bu durumda yeni projeler için geçmiş verilerden yola çıkarak efor kestirim modelleri oluşturmak güç olabilir. Uluslararası Yazılım Kıyaslama Standartları Grubu (International Software Benchmarking Standards Group – ISBSG) veri seti dünya çapında birçok organizasyon tarafından sağlanan yazılım büyüklüğü ve efor bilgisi içeren çok sayıda proje bilgisi içerir. Bu veri seti organizasyonlarda efor kestirimi için kullanılabilir. Bu çalışmada, ISBSG veri setinin sektördeki organizasyonlara ait projelerin efor kestiriminde yararlı olup olmadığını araştırmak amacıyla lisansüstü öğrencileri ile çoklu durum çalışması yapılmıştır. Öğrenciler, çalıştıkları organizasyona ait bir projeyi öncelikle COSMIC İşlevsel Büyüklük Ölçüm yöntemi ile ölçmüş, sonrasında da ISBSG veri setini kullanarak efor kestirim modeli oluşturmuş ve projenin efor tahminini gerçekleştirmiştir. Çalışma sonuçları, efor verisi bulunamayan durumlarda ISBSG kullanarak tutarlı bir efor kestirim modelini oluşturmanın mümkün olduğunu göstermektedir.Conference Object Citation - WoS: 1Artist Recommendation Based on Association Rule Mining and Community Detection(SCITEPRESS, 2021) Çiftçi, Okan; Tenekeci, Samet; Ülgentürk, CerenRecent advances in the web have greatly increased the accessibility of music streaming platforms and the amount of consumable audio content. This has made automated recommendation systems a necessity for listeners and streaming platforms alike. Therefore, a wide variety of predictive models have been designed to identify related artists and music collections. In this paper, we proposed a graph-based approach that utilizes association rules extracted from Spotify playlists. We constructed several artist networks and identified related artist clusters using Louvain and Label Propagation community detection algorithms. We analyzed internal and external cluster agreements based on different validation criteria. As a result, we achieved up to 99.38% internal and 90.53% external agreements between our models and Spotify's related artist lists. These results show that integrating association rule mining concepts with graph databases can be a novel and effective way to design an artist recommendation system.