تقدير تكلفة البرمجيات باستخدام تقنيات التعلم الآلي
DOI:
https://doi.org/10.65405/.v10i37.686الكلمات المفتاحية:
تقدير تكلفة البرمجيات، التعلم الآلي، الغابة العشوائية، الشبكات العصبية، الانحدار، ناسا 93، أهمية الخصائصالملخص
يُعدّ التقدير الدقيق لتكلفة البرمجيات (SCE) أمرًا بالغ الأهمية لإدارة المشاريع بفعالية، إذ يُمكّن أصحاب المصلحة من تخصيص الموارد بكفاءة، وإدارة الجداول الزمنية، وتخفيف المخاطر المالية. غالبًا ما تُواجه النماذج البارامترية التقليدية، مثل نموذج التكلفة البنّاءة (COCOMO)، صعوبة في استيعاب العلاقات المعقدة وغير الخطية والتفاعلات المعقدة المتأصلة في مشاريع تطوير البرمجيات الحديثة. يُعالج هذا البحث هذا القيد من خلال تطبيق مجموعة من تقنيات التعلم الآلي المتقدمة (ML) -بما في ذلك الانحدار الخطي، وأشجار القرار، والغابات العشوائية، وانحدار متجه الدعم SVR))، والشبكات العصبية الاصطناعية ((ANN-على مجموعة بيانات NASA93 المعروفة على نطاق واسع.
تُفصّل الدراسة بدقة سير العمل بأكمله، بما في ذلك المعالجة المسبقة للبيانات، والتحليل الشامل للميزات، والتقييم الدقيق للنموذج، والتصور الدقيق للنتائج. تُظهر نتائجنا بشكلٍ قاطع أن أساليب التجميع، وخاصةً الغابة العشوائية، وهياكل الشبكات العصبية، تتفوق بشكلٍ كبير على أساليب التقدير التقليدية من حيث الدقة والموثوقية والقدرة التنبؤية. لا تُفصّل هذه الورقة المعالجة المسبقة، وتحليل الميزات، وتقييم النماذج، ونمذجة سير العمل، والتصور بشكلٍ كامل. تُظهر النتائج أن الغابة العشوائية والشبكات العصبية الاصطناعية تتفوقان بشكلٍ كبير على الأساليب التقليدية من حيث الدقة والموثوقية. لا تُسلّط هذه الورقة الضوء على الأداء المتفوق لنماذج التعلم الآلي فحسب، بل تُقدّم أيضًا تحليلًا مُعمّقًا لآلياتها الأساسية، مما يُسهم في فهمٍ أوضح لإمكانية تطبيقها وتأثيرها في مجال تقدير تكلفة البرمجيات.
التنزيلات
المراجع
Boehm, B. W. (1981). Software engineering economics. Prentice-Hall.
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Li, H., Luo, Z., Li, Y., Wu, H., & Li, X. (2018). A hybrid model for software cost estimation using machine learning techniques. Information and Software Technology, 101, 1–12.
Menzies, T., Spinellis, D., Zimmermann, T., & Bird, C. (2007). The promise repository of empirical software engineering data. Empirical Software Engineering, 12(4), 365–371.
Shepperd, M., Menzies, T., Bird, C., & Zimmermann, T. (2012). Data mining for software engineering. IEEE Transactions on Software Engineering, 38(6), 1108–1119.
Gao, Q., Luo, Z., & Huang, J. (2019). Deep learning for software cost estimation. Information and Software Technology, 111, 1–12.
Shamim, M. M. I., et al. (2025). Advancement of artificial intelligence in cost estimation for project management success: A systematic review of machine learning, deep learning, regression, and hybrid models. MDPI. https://www.mdpi.com/2673-3951/6/2/35
Ranković, N. (2024). Recent advances in artificial intelligence in cost estimation in project management. Springer. https://link.springer.com/book/10.1007/978-3-031-76572-8
Singh, S. (2023). Software cost estimation: A literature review and current trends. IEEE Xplore. https://ieeexplore.ieee.org/document/10176495/
Uc-Cetina, V. (2023). Recent advances in software effort estimation using machine learning. arci. https://arxiv.org/pdf/2303.03482
Draz, M. M. (2024). Software cost estimation prediction using a convolutional neural network and particle swarm optimization. PMC. https://pmc.ncbi.nlm.nih.gov/articles/PMC11161658/
Hammann, D. (2024). Big data and machine learning in cost estimation. ScienceDirect. https://www.sciencedirect.com/science/article/abs/pii/S0925527323003699
Sadikoglu, E. (2025). Review of machine learning and artificial intelligence use for cost estimation in construction projects. ResearchGate. https://www.researchgate.net/publication/395122691_Review_of_Machine_Learning_and_Artificial_Intelligence_Use_for_Cost_Estimation_in_Construction_Projects
التنزيلات
منشور
إصدار
القسم
الرخصة
هذا العمل مرخص بموجب Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
