Prédiction de défauts logiciel utilisant des techniques d'apprentissage automatique

Bibliographies

[1]: Rathore. S, Kumar. S. (2019). A study on software fault prediction techniques. Artif Intell Rev 51, pp 255-327.

[2]: Challagulla. V. U. B, Bastani. F. B, I-Ling. Y, Paul. R. A. (2005). Empirical assessment of machine learning based software defect prediction techniques. IEEE International Workshop on Object-Oriented Real-Time Dependable Systems, pp. 263-270.

[3]: Shomona. R, Geetha. R. (2017). The International Arab Journal of Information Technology.(Université Anna ).Vol. 14, No. 2.pp.1-7.

[4] : https://fr.wikipedia.org/wiki/Weka (informatique) [Accès le 10 /06/2021]

[5]: https://datasciencetoday.net/index.php/en-us/deep-learning/173-les-reseaux-de-neurones-convolutifs [Accès le 30/05/2021]

[6]: Ruchika. M. (2015). A systematic review of machine learning techniques for software fault prediction. Applied Soft Computing. Vol 27. pp. 504-518.

[7] :		Carla. S. (2016). Monitoring et détection d'anomalie par apprentissage dans les

infrastructures virtualisées. pp.1-175.

[8] : Chaib. R. (2019). Classification multimodale de la maladie de mélanome utilisant les classifieurs CNNs et la représentation de texture LBP. (mémoire Master). Université BADJI MOKHTAR .Annaba.

[9]: Prabha. C. L, Shivakumar. N. (2020). "Software Defect Prediction Using Machine Learning Techniques. 4th International Conference on Trends in Electronics and Informatics (48184), pp. 728-733,

[10]: Amirabbas. M, Mojtaba. V. A, Alireza. K, Pooria. P-T, Hassan. H. (2020). SLDeep: Statement-level software defect prediction using deep-learning model on static code features. Expert Systems with Applications. Vol. 147

[11]: Hammouri. A, Hammad. M, Alnabhan. A, Alsarayrah. F. (2018). Software Bug Prediction using Machine Learning Approach. (IJACSA) International Journal of Advanced Computer Science and Applications, Vol. 9, No. 2.

78

Bibliographies 78

[12]: Tianchi. Z, Xiaobing. S, Xin. X, Bin. L, Xiang. C. (2019). Improving defect prediction with deep forest. Information and Software Technology. Vol 114. Pages 204-216.

[13] : Kulamala. K. V, Kumari. P. A, Chatterjee. D. P. (2021). Software Fault Prediction Using Random Forests. Mohapatra National Institute of Technology, India.

[14] : https://en.wikipedia.org/wiki/AlexNet [Accès le 24/06/2021]

[15] : https://deepsource.io/glossary/ast/ [Accès le 24/06/2021]

[16] : Qiong. L, Ying. W. (2012). Supervised Learning. Encyclopedia of the Sciences of Learning. Springer. PP. 3243-3245. Boston.

[17] : Zemmal. N. (2017/2018). Techniques d'apprentissage pour la sélection d'attributs : Application à la reconnaissance des formes. (Thèse doctorat). Université Badji Mokhtar, Annaba.

[18]: Awad. M, Khanna. R. (2015) Support Vector Machines for Classification. In: Efficient Learning Machines. Apress, Berkeley

[19]: http://cedric.cnam.fr/vertigo/Cours/ml2/coursSVMLineaires.html[Accès le 20/05/2021]

[20]: Crescenzio. G. (2015). Artificial Neural Networks: tutorial. Book. Vol 10.

[21] : https://techvidvan.com/tutorials/artificial-neural-network/[ Accès le 21/05/2021]

[22]: AYHAM. A, MARWA. S. K. (2020). Evaluation of Adaptive random forest algorithm for classification of evolving data stream. (Mémoire Licence). School of Electrical Engineering and Computer Science. Stockholm , suede. [23]: https://www.analyticsvidhya.com/blog/2020/12/lets-open-the-black-box-of-random-forests/ [Accès le 20/05/2021]

[24] : Morissette, Laurence, Chartier, Sylvain. (2013). The k-means clustering technique: General considerations and implementation in Mathematica. Journal, Tutorials in Quantitative Methods for Psychology. vol 9, pp. 15-24.

[25]: Christian. B. (2013). Lecture Notes on k-Means Clustering (I). Technical Report. pp. 1-6

[26] : https://fr.wikipedia.org/wiki/Regroupement_hi%C3%A9rarchique [Accès le 20/05/2021]

[27] : Jean-louis. F. (2002). Algorithme EM : théorie et application au modèle mixte. Journal de la société française de statistique, tome 143, no 3-4 (2002), p. 57-109.

[28] : Algorithme espérance-maximisation -- Wikipédia ( wikipedia.org) [Accès le 02/06/2021]

[29] :Marc-Adélard. T. (1968). Initiation à la recherche dans les sciences humaines. Professeur d'anthropologie, Université Laval, Québec.

[30] : LeCun. Y, Bengio. Y, Hinton. G. (2015). Deep learning. pp. 436-444

[31] : Paillé. P, Mucchielli. A. L'analyse qualitative en sciences humaines et sociales.

[32] : https://www.monde-diplomatique.fr/1958/11/A/58714 [Accès le 14/06/2021]

[33] :Benkhelifa. A. (2018). Les systèmes embarqués dans l'automobile. (Travail de Bachelor réalisé en vue de l'obtention du Bachelor HES). Haute École de Gestion de Genève.

[34] : https://www.hydrauliquesimple.com/quelle-est-la-definition-du-secteur-industriel/ [Accès le 15/06/2021]

79

Bibliographies 79

[35] : Chaib. R. (2019). Classification multimodale de la maladie de mélanome utilisant les classifieurs CNNs et la représentation de texture LBP.(mémoire Master).Université Badji mokhtar .Annaba

[36] : Osama. A. Q, Mohammed .A, Mamdouh. A. (2020). The Influence of Deep Learning Algorithms Factors in Software Fault Prediction. IEEE, pp 1-16.

[37]: Boukada. Y, Bemmoussat. M. H . (2018). Mise au point d'une application de reconnaissance vocale. (Mémoire Master). Université abou beker bekaid. Tlemcen.

[38] : Asma. O. (2012). Segmentation et classification dans les images de documents numérisés. Autre [cs.OH]. INSA de Lyon. Français.

[39] : Tannier. X. (2006). Traitement automatique du langage naturel pour l'extraction et la recherche d'informations. Ecole Nationale Supérieure des Mines de Saint-Etienne. France .

[40] : Keunyoung. P, Doo-Hyun. K. (2018). Accelerating Image Classification using Feature Map Similarity in Convolutional Neural Networks. Applied Sciences. Konkuk University. Seoul. Korea.

[41] : Pan, Cong, Lu, Minyan. X, Biao. Gao, Houleng. (2019). "An Improved CNN Model for Within-Project Software Defect Prediction" Appl. Sci. 9, no. 10: 2138.

[42]: Wenbo .Z, Yan .M, Yizhong .Z, Michal. B, Jose. R. (2018). Deep Learning Based Soft Sensor and Its Application on a Pyrolysis Reactor for Compositions Predictions of Gas Phase Components. ScienceDirect. Vol 44. Pages 2245-2250.

[43] : https://www.researchgate.net/figure/Architecture-classique-dun-reseau-de-neurones-convolutif-Une-image-est-fournie-en_fig5_330995099 [Accès le 30/05/2021]

[44] : Jianxin. W, Lamda. G. (2017). Introduction to Convolutional Neural Networks. Nanjing University, China.

[45] : Découvrez les différentes couches d'un CNN - Classez et segmentez des données visuelles - OpenClassrooms [Accès le 18/06/2021]

[46] : Focus : Le Réseau de Neurones Convolutifs - Pensée Artificielle ( penseeartificielle.fr) [Accès le 18/05/2021]

[47] : Hidenori. I, Takio. K. (2017]. Improvement of learning for CNN with ReLU activation by sparse regularization. Conférence Paper. Pp 1-9.

[48] : https://www.kaggle.com/kanncaa1/convolutional-neural-network-cnn-tutorial?select=train.csv [Accès le 03/06/2021]

[49] : https://towardsdatascience.com/the-most-intuitive-and-easiest-guide-for-convolutional-neural-network-3607be47480 [Accès le 04/06/2021]

[50] : https://fr.wikipedia.org/wiki/R%C3%A9seau neuronal convolutif [Accès le
13/06/2021]

[51]: http://promise.site.uottawa.ca/SERepository/datasets-page.html [Accès le 14/06/2021]

[52] : Ozturk. M, Zengin. A. (2016). New findings on the use of static code attributes for defect prediction.

[53]: https://fr.wikipedia.org/wiki/Heat map [Accès le 14/06/2021]

80

Bibliographies 80

[54] : Lei. Q, Xuesong. L, Qasim. U, Ping. G. (2020). Deep learning based software defect prediction. Neurocomputing. Vol 385, pp 100-110.

[55]: Al Qasem. O, Akour. M. (2019). Software Fault Prediction Using Deep Learning Algorithms. International Journal of Open Source Software and Processes (IJOSSP), Vol 10(4), pp. 1-19

[56]: Osama. A. Q, Mohammed .A, Mamdouh. A. (2020). The Influence of Deep Learning Algorithms Factors in Software Fault Prediction. IEEE, PP 1-16.

[57] : https://fr.bitdegree.org/tutos/bibliotheque-python/#heading-13 [Accès le 18/06/2021]

[58] : https://www.infoworld.com/article/3278008/what-is-tensorflow-the-machine-learning-library-explained.html [Accès le 18/06/2021]

[59] : https://www.ionos.fr/digitalguide/web-marketing/search-engine-marketing/quest-ce-que-keras/ [Accès le 18/06/2021]

[60] : https://informatique-python.readthedocs.io/fr/latest/Cours/science.html [Accès le
18/06/2021]

[61] : https://fr.wikipedia.org/wiki/Pandas [Accès le 18/06/2021]

[62] : https://he-arc.github.io/livre-python/matplotlib/index.html [Accès le 18/06/2021]

[63] : https://datascientest.com/seaborn [Accès le 18/06/2021]

[64]: https://research.google.com/colaboratory/faq.html#:~:text=Colaboratory%2C%20or%20 %E2%80%9CColab%E2%80%9D%20for,learning%2C%20data%20analysis%20and%20edu cation. [Accès le 18/06/2021]

[65]: https://www.rdocumentation.org/packages/DMwR/versions/0.4.1/topics/SMOTE [Accès le 18/06/2021]

[66]: https://www.guru99.com/confusion-matrix-machine-learning-example.html [Accès le 18/06/2021]

[67]: Moudache. S. (2018). Prédiction du risque logiciel, une approche basée sur la probabilité et l'impact des fautes : évaluation. (Mémoire). Université du Québec. Québec