Классификация и предсказание пользовательских инцидентов (командный проект) - История изменений

Emitroshin: fixed typo

2017-10-02T15:25:40Z

fixed typo

← Предыдущая версия		Версия от 15:25, 2 октября 2017
Строка 29:		Строка 29:
	Можем взять максимум трёх человек, работа сугубо исследовательская, будем собираться минимум раз в неделю для координации работ и обсуждения идей.		Можем взять максимум трёх человек, работа сугубо исследовательская, будем собираться минимум раз в неделю для координации работ и обсуждения идей.

	=== ~~Компоненеты~~ (Из каких частей состоит проект?) ===		=== Компоненты (Из каких частей состоит проект?) ===


	=== Какие будут использоваться технологии? ===		=== Какие будут использоваться технологии? ===

Emitroshin: reformatted

2017-10-02T15:25:06Z

reformatted

← Предыдущая версия		Версия от 15:25, 2 октября 2017
Строка 9:		Строка 9:

	=== Что это за проект? ===		=== Что это за проект? ===
	Дано:		===== Дано =====
	Система управления инцидентами, bug-tracker с артфеактами разработки и множество проектов в разработке.		Система управления инцидентами, bug-tracker с артфеактами разработки и множество проектов в разработке.

	Хочется:		===== Хочется =====
	Используя методы машинного обучения прогнозировать, какие инциденты могут произойти после выхода новой версии продукта.		Используя методы машинного обучения прогнозировать, какие инциденты могут произойти после выхода новой версии продукта.
	Для анализа доступна ретроспектива инцидентов случившихся и артефакты разрабатываемого проетка (баги, требования и т.д.).		Для анализа доступна ретроспектива инцидентов случившихся и артефакты разрабатываемого проетка (баги, требования и т.д.).
	Классифицировать обращения по содержанию.		Классифицировать обращения по содержанию.

	Зачем:		===== Зачем =====
	Выявление приоритетных векторов проверки во время приёмки выпускаемых продуктов, избежание рисков при выпуске как следствие.		Выявление приоритетных векторов проверки во время приёмки выпускаемых продуктов, избежание рисков при выпуске как следствие.

	Что ожидается на выходе:		===== Что ожидается на выходе =====
	В идеале видится dashboard со сводной информацией. Либо инструмент, позволяющий так или иначе получить набор нужных данных (напр. список рискованных функциональных областей продукта с весами) без представления.		В идеале видится dashboard со сводной информацией. Либо инструмент, позволяющий так или иначе получить набор нужных данных (напр. список рискованных функциональных областей продукта с весами) без представления.

Emitroshin: reformatted

2017-10-02T15:23:44Z

reformatted

← Предыдущая версия		Версия от 15:23, 2 октября 2017
Строка 50:		Строка 50:
	=== Похожие проекты ===		=== Похожие проекты ===
	Whitepapers:		Whitepapers:
	A Discriminative Model Approach for Accurate Duplicate Bug Report Retrieval - Chengnian Sun, David Lo, Xiaoyin Wang, Jing Jiang, Siau-Cheng Khoo.		* A Discriminative Model Approach for Accurate Duplicate Bug Report Retrieval - Chengnian Sun, David Lo, Xiaoyin Wang, Jing Jiang, Siau-Cheng Khoo.
	Automatic bug triage using text categorization - Davor Cubranic, Gail C. Murphy.		* Automatic bug triage using text categorization - Davor Cubranic, Gail C. Murphy.
	Comparing Mining Algorithms for Predicting the Severity of a Reported Bug - Ahmed Lamkanfi, Serge Demeyer, Quinten David Soetens, Tim Verdonckz.		* Comparing Mining Algorithms for Predicting the Severity of a Reported Bug - Ahmed Lamkanfi, Serge Demeyer, Quinten David Soetens, Tim Verdonckz.
	Identifying Security Bug Reports via Text Mining: An Industrial Case Study - Michael Gegick, Pete Rotella, Tao Xie.		* Identifying Security Bug Reports via Text Mining: An Industrial Case Study - Michael Gegick, Pete Rotella, Tao Xie.

	=== Контактная информация ===		=== Контактная информация ===
	evgeny.mitroshin@kaspersky.com		evgeny.mitroshin@kaspersky.com

Emitroshin: reformatted

2017-10-02T15:23:23Z

reformatted

← Предыдущая версия		Версия от 15:23, 2 октября 2017
Строка 44:		Строка 44:

	=== Критерии оценки ===		=== Критерии оценки ===
	4-5: Классификация инцидентов consumer и b2b направлений		* 4-5: Классификация инцидентов consumer и b2b направлений
	6-7: Классификация инцидентов consumer и b2b направлений + прогнозирование проблем в флагманских b2b решениях		* 6-7: Классификация инцидентов consumer и b2b направлений + прогнозирование проблем в флагманских b2b решениях
	8-10: Классификация инцидентов consumer и b2b направлений + прогнозирование проблем в флагманских b2b и b2c решениях. Тематическое моделирование.		* 8-10: Классификация инцидентов consumer и b2b направлений + прогнозирование проблем в флагманских b2b и b2c решениях. Тематическое моделирование.

	=== Похожие проекты ===		=== Похожие проекты ===

Emitroshin: reformatted

2017-10-02T15:23:01Z

reformatted

← Предыдущая версия		Версия от 15:23, 2 октября 2017
Строка 39:		Строка 39:

	=== Темы вводных занятий ===		=== Темы вводных занятий ===
	- Специфика задач отдела Business Quality Control		# Специфика задач отдела Business Quality Control
	- Проекты компании, приоритетные направления для нас		# Проекты компании, приоритетные направления для нас
	- Текущие наработки, проблемы с которыми сталкивались в результатах исследования, что имеем сейчас		# Текущие наработки, проблемы с которыми сталкивались в результатах исследования, что имеем сейчас

	=== Критерии оценки ===		=== Критерии оценки ===

Emitroshin: Новая страница, с помощью формы Новый_командный_проект

2017-10-02T15:17:26Z

Новая страница, с помощью формы Новый_командный_проект

Новая страница

{{Карточка_командного_проекта
|name=Классификация и предсказание пользовательских инцидентов
|company=Kaspersky Lab
|semester=Осень 2017
|course=3
|number_of_students=3
|categorize=yes
}}

=== Что это за проект? ===
Дано:
Система управления инцидентами, bug-tracker с артфеактами разработки и множество проектов в разработке.

Хочется:
Используя методы машинного обучения прогнозировать, какие инциденты могут произойти после выхода новой версии продукта.
Для анализа доступна ретроспектива инцидентов случившихся и артефакты разрабатываемого проетка (баги, требования и т.д.).
Классифицировать обращения по содержанию.

Зачем:
Выявление приоритетных векторов проверки во время приёмки выпускаемых продуктов, избежание рисков при выпуске как следствие.

Что ожидается на выходе:
В идеале видится dashboard со сводной информацией. Либо инструмент, позволяющий так или иначе получить набор нужных данных (напр. список рискованных функциональных областей продукта с весами) без представления.

=== Чему научатся студенты? Что самое интересное в проекте? ===
Применение классических задач регрессии и классификации в контексте реальной бизнес-задачи.

=== Организация работы (Как студенты будут работать в команде?) ===
Можем взять максимум трёх человек, работа сугубо исследовательская, будем собираться минимум раз в неделю для координации работ и обсуждения идей.

=== Компоненеты (Из каких частей состоит проект?) ===

=== Какие будут использоваться технологии? ===
Python, MS SQL Server и Team Foundation Services как источники данных, Atlassian JIRA для ведения задач, RapidMiner (предположительно).

=== Какие начальные требования? ===
Python, желательно Transact-SQL, знание или сильное желание разобраться в методах text mining.

=== Темы вводных занятий ===
- Специфика задач отдела Business Quality Control
- Проекты компании, приоритетные направления для нас
- Текущие наработки, проблемы с которыми сталкивались в результатах исследования, что имеем сейчас

=== Критерии оценки ===
4-5: Классификация инцидентов consumer и b2b направлений
6-7: Классификация инцидентов consumer и b2b направлений + прогнозирование проблем в флагманских b2b решениях
8-10: Классификация инцидентов consumer и b2b направлений + прогнозирование проблем в флагманских b2b и b2c решениях. Тематическое моделирование.

=== Похожие проекты ===
Whitepapers:
A Discriminative Model Approach for Accurate Duplicate Bug Report Retrieval - Chengnian Sun, David Lo, Xiaoyin Wang, Jing Jiang, Siau-Cheng Khoo.
Automatic bug triage using text categorization - Davor Cubranic, Gail C. Murphy.
Comparing Mining Algorithms for Predicting the Severity of a Reported Bug - Ahmed Lamkanfi, Serge Demeyer, Quinten David Soetens, Tim Verdonckz.
Identifying Security Bug Reports via Text Mining: An Industrial Case Study - Michael Gegick, Pete Rotella, Tao Xie.

=== Контактная информация ===
evgeny.mitroshin@kaspersky.com