Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.usfq.edu.ec/handle/23000/14620| Tipo de material: | masterThesis |
| Título : | A Hybrid Model for Enhanced Bug Classification: Leveraging TF-IDF,BERT, and k-NN. |
| Autor : | Marquez Coronel, Diego Alejandro |
| Director de Tesis : | Pineda, Israel, dir. |
| Descriptores : | Software - Mantenimiento - Tesis y disertaciones académicas. |
| Fecha de publicación : | 2-dic-2024 |
| Editorial : | Quito |
| Citación : | Tesis (Magíster en Ciencia de Datos), Universidad San Francisco de Quito, Colegio de Posgrados; Quito, Ecuador, 2024. |
| Páginas : | 17 h. |
| Acceso: | openAccess Atribución-NoComercial-SinDerivadas 3.0 Ecuador |
| Resumen : | La creciente complejidad de los sistemas de software modernos ha generado la necesidad de contar con métodos más eficientes para la clasificación de errores, con el fin de optimizar el mantenimiento y reducir el tiempo de inactividad. Este trabajo presenta un modelo híbrido que combina técnicas tradicionales de recuperación de información, como TF-IDF, con modelos avanzados de aprendizaje profundo, como BERT, integrados mediante un clasificador k-NN... |
| Descripción : | The increasing complexity of modern software systems necessitates more efficient methods for bug classification to streamline maintenance processes and minimize downtime. This study presents a hybrid model that integrates traditional information retrieval techniques, such as TF-IDF, with advanced deep learning approaches, including BERT, combined through a k-NN classifier... |
| URI : | http://repositorio.usfq.edu.ec/handle/23000/14620 |
| Aparece en las colecciones: | Tesis - Maestría en Ciencia de Datos |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| 338851.pdf | Texto completo | 674.49 kB | Adobe PDF |  Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons
