هزینه آموزش
۱۸,۰۰۰ تومان

آموزش تخمین تلاش لازم برای توسعه نرم افزارها‎ با متلب

آموزش تخمین تلاش لازم برای توسعه نرم افزارها‎ با متلب

تعداد دانشجو
۱۴۰ نفر
مدت زمان
۳ ساعت و ۲۵ دقیقه
هزینه آموزش
۱۸,۰۰۰ تومان
محتوای این آموزش
۵ بازخورد (مشاهده نظرات)
آموزش تخمین تلاش لازم برای توسعه نرم افزارها‎ با متلب

چکیده

توسعه یک نرم افزار موفق هدف اصلی مهندسی نرم افزار و یک مهندس نرم افزار است. گام های برنامه ریزی و زمانبندی، مهم ترین فاز مدیریت پروژه را تشکیل می دهند. مدیر پروژه باید بتواند در شروع پروژه برآورد دقیقی از زمان (Time)، بودجه (Budget) و نیروی انسانی (Persons) لازم جهت اتمام پروژه داشته باشد. در این فرادرس همه آنچه که در فرایند تخمین تلاش یک پروژه نرم افزاری (Software project effort estimation) نیاز است از ابتدا تا انتها گفته خواهد شد.

مدرس
عمید خطیبی بردسیری

دکترای تخصصی مهندسی کامپیوتر – نرم افزار

دکتر عمید خطیبی بردسیری دارای دکترای تخصصی کامپیوتر – نرم افزار هستند. ایشان در حال حاضر عضو هیات علمی تمام وقت دانشگاه آزاد اسلامی هستند. حوزه پژوهشی مورد علاقه ایشان شامل: داده کاوی، مهندسی و اندازه گیری نرم افزار، رایانش ابری و الگوریتم های هوشمند است.

توضیحات تکمیلی

توسعه یک نرم افزار موفق هدف اصلی مهندسی نرم افزار و یک مهندس نرم افزار است. گام های برنامه ریزی و زمانبندی، مهم ترین فاز مدیریت پروژه را تشکیل می دهند. مدیر پروژه باید بتواند در شروع پروژه برآورد دقیقی از زمان (Time)، بودجه (Budget) و نیروی انسانی (Persons) لازم جهت اتمام پروژه داشته باشد. گزارش های آماری نشان می دهد بیش از 50 درصد پروژه های نرم افزاری با انحراف از زمانبندی و بودجه اولیه مواجه هستند؛ لذا به روش های دقیق ریاضی و جدید برای برآورد میزان تلاش توسعه یک نرم افزار نیاز داریم. به طور کلی علم (Science)، به یک اعتبار، توانایی پیش بینی آینده است و هرچه مطلبی درباره اتفاقات آینده دقیق تر و صادق تر باشد، علمی تر نیز خواهد بود. در این فرادرس همه آنچه که در فرایند تخمین تلاش یک پروژه نرم افزاری (Software project effort estimation) نیاز است از ابتدا تا انتها گفته خواهد شد.

 
اهداف آموزش:
  • آشنایی با مفهوم تلاش، زمان و هزینه توسعه یک نرم افزار
  • شناخت مخازن داده ای و سایت های مهم و مطرح در زمینه تخمین تلاش
  • توضیح کامل روش تخمین مبتنی بر قیاس به عنوان یک روش موفق پیش بینی
  • تشریح مثال های کاربردی و ساده جهت درک بهتر مطالب هر بخش
  • پیاده سازی عملی مباحث و روش ها در نرم افزار متلب

تحقق یک پروژه موفق (به خصوص در حوزه نرم افزار) وابسته به ارزیابی و پیش بینی صحیح آن در فازهای نخستین است. برآورد دقیق مدیر پروژه از زمان، هزینه و تلاش لازم جهت اتمام کار، یک اصل اساسی است. طبق گزارش گروه استندیش (Standish Group) در سال 2016 فقط حدود 32 درصد از کل پروژه های نرم افزاری موفق (Successful) بوده‌اند، 47 درصد از بودجه و زمان اولیه انحراف (Challenge) داشته و 21 درصد به صورت کلی با شکست (Fail) مواجه شدند. این آمار نشان می دهد جایگاه زمان بندی و برنامه ریزی پروژه های نرم افزاری به هیچ وجه مناسب نیست و نیاز به توجه بیشتر مهندسین نرم افزار دارد. موضوع عنوان شده در حوزه مهندسی نرم افزار، بسیار جدید و کاربردی بوده و طی یک دهه اخیر بیشترین توجه ها را به خود جلب کرده است.

برای تمامی قسمت ها مثال های کاربردی و ملموس آورده شده و کدهای شبیه سازی نیز در نرم افزار متلب (Matlab) پیاده می شوند. در ادامه آموزش به دنبال معرفی کامل فرایند تخمین موفق شامل روش قیاس (Analogy) به عنوان مؤثرترین روش برآورد تلاش، مخازن داده ای (Datasets) مناسب، تکنیک های ارزیابی (Evaluation techniques) و معیارهای کارایی (Performance metrics) هستیم. با توجه به تاکید بر روی کاربردی بودن پژوهش ها، این فرادرس هم از لحاظ محتوا و هم از لحاظ ساختار به صورت کاملاً عملی و ملموس تهیه شده است. در پایان دوره، دانش پذیر به صورت کامل قادر به انجام تخمین تلاش یک پروژه نرم افزاری دلخواه می باشد؛ عبارت "از صفر تا صد" نیز مؤید همین مطلب است و با تأکید بر اینکه فراگیرنده درس نیاز به هیچ دانش زمینه ای خاصی ندارد، ارائه شده است.

 
فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
  • درس یکم: مقدمات و تعاریف
    • بررسی کلی فرایند توسعه یک نرم افزار (Software Development Process)
      • تحلیل (Analysis)
      • طراحی (Design)
      • پیاده سازی (Implement)
      • آزمون (Test)
      • نگهداری (Maintenance)
    • فاز برنامه ریزی و زمان بندی یک پروژه نرم افزاری (Planning and Scheduling)
    • تعریف مسأله، نقش مدیر و مشکلات فنی و دامنه ای
    • اهمیت تخمین تلاش، برآورد هزینه و زمان توسعه نرم افزار (Effort، Cost and Time Estimation)
      • گزارش گروه Standish
    • سوالات و اهداف اصلی
    • کاربرد در قالب ارائه یک مثال ساده
  • درس دوم: روش های کلی برآورد
    • روش های الگوریتمی (Algorithmic Methods)
      • مدل کوکومو (COCOMO)
      • مدل پوتنام (Putnam)
      • مدل Matson
      • مدل SEER-SEM
      • مدل کوکومو 2 (COCOMO 2)
    • روش های غیر الگوریتمی (Non-Algorithmic methods)
      • شبکه های عصبی مصنوعی (Artificial Neural Network)
      • روش قضات خبرگان (Expert Judgment)
    • روش تخمین مبتنی بر قیاس (Analogy Based Estimation)
    • ارائه یک مثال برای هر روش
  • درس سوم: مخازن داده ای تخمین تلاش
    • مخازن داده ای دانشگاهی و رایگان (Academic Datasets)
      • Desharnais
      • COCOMO
      • Maxwell
      • Albrecht
      • NASA
    • مخازن داده ای صنعتی و تجاری (Industrial Datasets)
      • ISBSG
    • نحوه دسترسی به مخازن داده ای
    • پالایش و فیلترینگ مخزن داده (Dataset preparation)
    • ویژگی های مخازن داده ای مختلف
    • نقش صفات عددی و نوعی در فرایند تخمین (Numerical and Categorical Features)
    • ارائه مثال های کاربردی از مخازن مختلف
  • درس چهارم: روش تخمین مبتنی بر قیاس
    • پیشینه روش ABE
    • تعریف و نقش تابع تشابه (Similarity Function)
      • فاصله اقلیدسی (Euclidean Distance)
      • فاصله منهتن (Manhattan Distance)
      • روش گری (Grey Method)
    • کاربرد مفهوم تعداد همسایگی (k-Nearest Neighbor)
    • تعریف و نقش تابع پاسخ (Solution Function)
      • نزدیکترین (Closest)
      • میانه (Median)
      • میانگین (Mean)
      • وزن معکوس (Inverse weight)
    • توسعه و تغییر روش ABE
      • خوشه بندی (Clustering)
      • وزن دهی (Weighting)
      • تعداد همسایه ها
    • پیاده سازی روش ABE در نرم افزار متلب
  • درس پنجم: روش های ارزیابی فرایند تخمین
    • مشهورترین روش های ارزیابی
      • روش ارزیابی متقاطع (Cross Validation)
      • روش ارزیابی تکی (Leave-one-out)
    • مقایسه روش های ارزیابی با یکدیگر
    • تعریف معیارهای کارایی روش تخمین (Performance metrics)
      • خطای نسبی (RE)
      • اندازه خطای نسبی (MRE)
      • میانگین اندازه خطای نسبی (MMRE)
      • نرخ پیش بینی درست (PRED)
      • میانه اندازه خطای نسبی (MdMRE)
      • معیار خطای متوازن شده (BMMRE)
    • اصول مقایسه روش های تخمین تلاش مختلف با یکدیگر
    • آماده سازی مخزن داده
    • اعمال روش ABE جهت برآورد تلاش
    • به کارگیری روش های ارزیابی فرایند تخمین
    • محاسبه معیارهای کارایی و زمان شبیه سازی
    • پیاده سازی و نوشتن کدها در نرم افزار متلب
      • کد پایه روش تخمین مبتنی بر قیاس
      • کد فواصل اقلیدسی و منهتن
      • کد توابع شباهت نزدیکترین، میانه و میانگین
      • کد روش های ارزیابی متقاطع و تکی
      • کد معیارهای کارایی روش
      • کد ترسیم نمودارها
      • کد اندازه گیری زمان شبیه سازی
  • درس ششم: گرافیک و نحوه نمایش نتایج
    • محاسبه میانگین خطای تخمین
    • محاسبه درصد بهبود ایجاد شده
    • ترسیم نمودار جعبه ای خطاها (Boxplots)
    • ترسیم هیستوگرام مخازن داده ای (Datasets Histogram)
    • پیاده سازی در نرم افزار متلب
 
مفید برای رشته های
  • مهندسی کامپیوتر
  • مهندسی فناوری اطلاعات
  • مهندسی صنایع

آنچه در این آموزش خواهید دید:

آموزش ویدئویی مورد تائید فرادرس
فایل برنامه ها و پروژه های اجرا شده
فایل PDF یادداشت‌ های ارائه مدرس

نرم افزارهای مرتبط با آموزش

MATLAB R2015

پیش نیاز

آشنایی کلی با حوزه مهندسی نرم افزار


پیش نمایش‌ها

پیش‌نمایش ۱: مقدمات و تعاریف

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید (دانلود پیش‌نمایش - حجم: ۶ مگابایت -- (کلیک کنید +))

پیش‌نمایش ۲: روش‌ های کلی برآورد

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید (دانلود پیش‌نمایش - حجم: ۸ مگابایت -- (کلیک کنید +))

پیش‌نمایش ۳: مخازن داده‌ ای تخمین تلاش

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید (دانلود پیش‌نمایش - حجم: ۸ مگابایت -- (کلیک کنید +))

پیش‌نمایش ۴: روش تخمین مبتنی بر قیاس (الف)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
پیش‌نمایش ۵: روش تخمین مبتنی بر قیاس (متلب) (ب)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
پیش‌نمایش ۶: روش‌ های ارزیابی فرایند تخمین (الف)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
پیش‌نمایش ۷: روش‌ های ارزیابی فرایند تخمین (ب)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
پیش‌نمایش ۸: گرافیک و نحوه نمایش نتایج
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.

راهنمای تهیه آموزش ها

آیا می دانید که تهیه یک آموزش از فرادرس و شروع یادگیری چقدر ساده است؟

راهنمایی بیشتر ( +)

در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟
  • با شماره تلفن واحد مخاطبین ۵۷۹۱۶۰۰۰ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
  • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه


اطلاعات تکمیلی

نام آموزش آموزش تخمین تلاش لازم برای توسعه نرم افزارها‎ با متلب
ناشر فرادرس
شناسه اثر ۸–۱۲۴۵۲–۰۶۳۰۸۷ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
کد آموزش FVSFT96051
مدت زمان ۳ ساعت و ۲۵ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی     (کیفیت HD - مورد تایید فنی فرادرس)
حجم دانلود ۲۱۳ مگابایت     (کیفیت ویدئو HD‌ با فشرده سازی انحصاری فرادرس)


نظرات

تا کنون ۱۴۰ نفر از این آموزش استفاده کرده اند و ۵ نظر ثبت شده است.
شیما
شیما

در سطح اولیه خوب بود. توضیحات تئوری رو به صورت کامل در برداشت ولی در خصوص توضیحات عملی یکم متفاوت بود.

محمدحسین
محمدحسین

برای من خیلی بدرد بخور بود چون در کوتاه ترین زمان به چیزی که می خواستم رسیدم و عالی بود. به نظر من اگر یک مقدار شیوه تدریس و فن بیان جذابیت داشت بهتر می بود چون تن صدا یکنواخت بود و یکم شنونده خسته میشد.

امیر
امیر

آموزش خوب بود و سرفصل ها هم کاملا مطابق با محتوا بود البته این عنوان و آموزش همه جا نیست و گسترش نداره و طبعا آموزش کم و کاستی هایی داره و کامل نیست.

سید مصطفی
سید مصطفی

برای بنده که در این خصوص قبلا آشنایی دقیق و کاملی نداشتم، مطالب بسیار جامع انتخاب و بسیار شیوا بیان شده بود. تمامی مطالب مرتبط با موضوع انتخاب گردیده بود به همراه مواردی که برای فهم موضوع به آنها نیاز بود.
قاعدتا نه فقط در این آموزش بلکه در سایر آموزش هایی هم که فرد آشنایی قبلی داشته است ممکنه مطلب جدیدی پیدا نکند، یعنی یادگیری قبلی خود وی ممکن است تقریبا کامل بوده باشد. در بیان یک موضوع و سرفصل ، جزئیات معرفی موضوع و روش ها و الگوریتم های پایه آن معرفی می شود و رویکردهای پژوهشی در آن حوزه و تاکیدی به ارائه دقیق و جزئی نتایج تحقیقات و پژوهش های بعدی درآن موضوع نیست و درصورت وقوع این امر باید نام جدیدی برای آن آموزش گذاشته شود.
دقیقا طبق فرمایش استاد گرامی بصورت 0 تا 100 موضوع معرفی شده بود و همچنین دوستانی که کتب اصلی و یا ترجمه مرتبط با درس مهندسی نرم افزار ، سنجش و ارزیابی نرم افزار و مدیریت پروژه را خوانده اند نیز قطعا پی به این موضوع خواهند برد که نکات بسیار سخت و دیر فهم این مباحث را استاد محترم چگونه به سادگی و شیوایی بیان نموده اند. بخصوص به همراه کاربرد و تعریف تمامی اصطلاحات، استفاده صحیح از اشاره گر ماوس و شکل و جدول های جذاب، خلاصه و واضح.
با سپاس فراوان از تمامی کادر محترم فرادرس که زمینه آموختن بسیاری از مطالب را که بعضا حالت خودخوان دشواری دارند یا به هردلیلی دسترسی به کلاس های مربوطه برای فرد مقدور نیست را فراهم نموده اند.

نیما
نیما

با سلام
آموزش بسیار عالی و کاربردی بود
با زبان ساده مفاهیم پیچیده حوزه تخمین آموزش داده شده است
کدهای پیوست نیز بسیار مفید بودند
با سپاس فراوان

تنها کاربران ثبت نامی در آموزش امکان درج کامنت را دارند

برچسب‌ها: Academic Datasets | Albrecht | Algorithmic Methods | Analogy Based Estimation | Analysis | Artificial Neural Network | BMMRE | Box Plots | Categorical Features | Closest | Clustering | COCOMO | COCOMO 2 | Cost Estimation | Cross-Validation | Dataset preparation | Datasets | Datasets Histogram | Desharnais | Design | Effort Estimation | Euclidean distance | Evaluation techniques | Expert Judgment | Fuzzy Approaches | Grey Method | Implement | Industrial Datasets | Inverse Weight | ISBSG | k-nearest neighbors algorithm | Leave-One-Out | Maintenance | Manhattan distance | Maxwell | MdMRE | MMRE | MRE | NASA | Neuro-fuzzy | Non-Algorithmic Methods | Numerical Features | Performance metrics | Planning and Scheduling | PRED | project based Software Development | Putnam | RE | Similarity Function | Software Development | Software Project Effort Estimation | Solution Function | TEST | Time Estimation | UCP | Weighting | آزمون پروژه | ارزیابی فرایند تخمین | اندازه خطای نسبی | اهمیت تخمین تلاش | برآورد زمان توسعه نرم افزار | برآورد هزینه توسعه نرم افزار | پالایش مخزن داده | پیاده سازی پروژه | پیاده سازی در نرم افزار متلب | پیاده سازی روش ABE | تابع پاسخ | تابع تشابه | تحلیل پروژه | ترسیم هیستوگرام مخازن داده ای | تعریف مسئله | تغییر روش ABE | توسعه ABE | توسعه نرم افزار | خطای نسبی | خوشه بندی | دسترسی به مخازن داده ای | روش ABE | روش ارزیابی تکی | روش ارزیابی متقاطع | روش تخمین مبتنی بر قیاس | روش قضات خبرگان برآورد | روش گری | روش نرو فازی برآورد | روش های الگوریتمی برآورد | روش های برآورد | روش های غیر الگوریتمی برآورد | روش های فازی برآورد | شبکه های عصبی مصنوعی | طراحی پروژه | فاز برنامه ریزی پروژه | فاز زمان بندی پروژه | فاصله اقلیدسی | فاصله منهتن | فرایند تخمین | فیلترینگ مخزن داده | کاربرد مفهوم تعداد همسایگی | کد اندازه گیری زمان شبیه سازی | کد پایه روش تخمین مبتنی بر قیاس | کد ترسیم نمودار | کد توابع شباهت نزدیکترین | کد توابع میانگین | کد توابع میانه | کد توابع وزن معکوس | کد روش های ارزیابی تکی | کد روش های ارزیابی متقاطع | کد فواصل اقلیدسی | کد فواصل گری | کد فواصل منهتن | کد معیارهای کارایی روش | گرافیک و نحوه نمایش نتایج | مخازن داده ای تجاری | مخازن داده ای تخمین تلاش | مخازن داده ای دانشگاهی | مخازن داده ای رایگان | مخازن داده ای صنعتی | مخزن داده | مدل Matson | مدل SEER-SEM | مدل پوتنام | مدل کوکومو | مدل کوکومو 2 | معیار خطای متوازن شده | معیارهای روش تخمین | میانگین اندازه خطای نسبی | میانگین خطای تخمین | میانه اندازه خطای نسبی | نرخ پیش بینی درست | نگهداری | نمودار جعبه ای خطاها | وزن دهی | وزن معکوس