УДК 004.8:004.41
DOI: 10.36871/ek.up.p.r.2025.11.11.029
Авторы
Элизат Исраиловна Хамзатова,
Иман Исраиловна Хамзатова,
Грозненский государственный нефтяной технический университет имени академика М. Д. Миллионщикова, Грозный, Россия
Аннотация
В статье рассматриваются современные подходы к выявлению потенциальных дефектов в программном коде с использованием методов машинного обучения, которые позволяют существенно повысить качество программных продуктов на ранних этапах жизненного цикла разработки. Показано, что применение интеллектуальных моделей способствует снижению трудозатрат на тестирование, повышению надёжности систем и оптимизации процессов сопровождения. Обсуждаются ключевые алгоритмы, особенности построения предиктивных моделей и перспективы внедрения технологий дефект-прогнозирования в индустриальную практику.
Ключевые слова
машинное обучение, технологическое пространство, программное обеспечение
Список литературы
- Баженов П. И. Машинное обучение в анализе программного обеспечения. М.: Инфра-М, 2021.
- Бойков А. В. Методы интеллектуального анализа данных в инженерии программирования. СПб.: Питер, 2020.
- Громов Е. Н. Предиктивные модели в программной инженерии. Новосибирск: СибАК, 2019.
- Денисов С. А. Машинное обучение и качество программного обеспечения. Екатеринбург: УрФУ, 2021.
- Козлов В. Ю. Анализ метрик программного кода и методы прогнозирования дефектов. М.: Логос, 2018.
- Ларионов Н.С. Нейросетевые подходы к предсказанию дефектов программных систем. Казань: Центр инноваций, 2022.
- Петров А. А. Методы обработки данных для интеллектуального анализа программного кода. СПб.: СПбГУ, 2020.
- Смирнова О. В. Предсказание дефектов в больших программных проектах. М.: Наука, 2021.
- Тарасов И. Н. Глубокое обучение в задачах анализа и классификации программного кода. Томск: ТГУ, 2022.
- Чеботарёв М. В.Статистические методы в инженерии программного обеспечения. М.: Просвещение, 2019.
