02 сентября 2018
В работе1 с помощью статического анализа кода и технологий машинного обучения проводилась оценка качества фрагментов программного кода (методов классов). Код оценивается как "хорошо написанный" и "плохо написанный".
В работе применены модели машинного обучения: наивный байесовский классификатор, метод k Ближайших Соседей и классификатор дерева решений. Использовалась база работ студентов с комментариями учителя.
Вычислялись следующие метрики:
В Qualiter 3 применяется другой набор метрик и другая модель, точность распознавания получается порядка 90%. Однако валидация систем проводилась по разным базам, т.е. сравнение эффективности требует дополнительных исследований.
Интеграция алгоритма распознавания образа "плохого" кода с SonarQube
07 февраля 2019
Обзор литературы: оценка качества кода с помощью статического анализа и машинного обучения
02 сентября 2018
Оценка необходимости рефакторинга фрагмента кода
04 июля 2018
Обзор инструментов DevOps
13 июня 2018