Techniques émergentes d'estimation de coût

1. 1

2. Plan
1 Introduction
 Algorithme Génétique
 CBR
Conclusion
2 3
4
RNA P M C
2

3. Introduction
Problème de l'estimation de l'effort
nécessaire à leur réalisation.
Différentes techniques d'estimation
des coûts de développement de
logiciels
3

4. LE CONCEPT JOURS HOMMES
homme
Jours
homme
Jours
4

5. TECHNIQUE D'ESTIMATION DES COÛTS
Les modèles paramétriques
Le jugement d’expert
L’estimation par analogie
Price to Win
La méthode descendante
La méthode ascendante
La modèles non paramétriques
5

6. Les modèles non paramétriques
Les arbres
de régression
La programmation
génétique
R N A
6

7. Le cerveau humain
Nombre de neurones dans le cerveau humain
100 000 000 000
Nombre de connexions par neurone
10 000
7

8. Réseaux de neurones artificiels
Un réseau de neurone artificiel est un modèle de
calcul inspiré du fonctionnement des neurones
biologiques. [lire la suite]
R N A
FeedForward
FeedBackward
8

9. Réseaux de neurones artificiels
FeedForward FeedBackward
9

10. PMC - PerceptronMultiCouches
Un modèle des réseaux de neurones FeedForward
(propagation avant) destiné pour les classifications
supervisées [exemple d’un PMC]
Couche
d’entrée
Couche
de sortie
Couche cachée
10

11. RNA - PMC
Taille
Fiabilité
Complexité
Compétence
des analystes
Méthodes de
développement
11

12. Réseaux de neurones artificiels
Le traitement parallèle de l’information
Avantages
Elle n'existe aucune démarche standard
pour le choix des différents paramètres
de la topologie d'un réseau de neurones
Inconvénients
12

13. Programmation génétique
Raisonnement à partir des cas
13

14. Historique:Programmationgénétique
L'idée de l'informatique évolutive a été introduite en 1960 par
I Rechenberg dans ses travaux sur l'évolution de l’études.
Les travaux initiaux sur le sujet remontent cependant aux
expériences de Schank et Abelson en 1977 à l'Université Yale.
14

15. Principe:Programmationgénétique(GP)
• GP est une extension de l'AG, qui supprime la restriction que le
chromosome représentant individuel doit être une chaîne
binaire de longueur fixe.
• traditionnellement représentés dans la mémoire comme des
structures arborescentes . Les arbres peuvent être facilement
évalués de manière récursive.
15

16. Phases dela ProgrammationGénétique
1. Génération aléatoire de la population
2. Évaluation du fitness de chacun des individus de la population
3. Application des opérateurs de croisement, mutation, reproduction sur la population
4. Sélection des individus les mieux adaptés à leur environnement
5. Répéter les étapes 2, 3 et 4 un certain nombre de fois
16

17. Raisonnement àpartirdecas(CBR)
Le raisonnement à partir de cas ‘’RàPC’’ (case basedreasoning
(CBR)) copie ce comportement humain.
Il a la capacité de modéliser l'expérience d'experts dans de
nombreux domaines de la résolution de problèmes, en adaptant
des cas antérieurs qui sont semblables au problème.
17

18. Raisonnement àpartir decas(CBR)
CBR a été formalisé en 4 étapes
1
2
3
Récupérer
Réutiliser
Réviser
Conserver4
18

19. Raisonnement àpartir decas(CBR)
 échappe au nécessité de modéliser le domaine
 possible de voir les cas qui sont récupérés comme similaire
 permet également une adaptation manuelle
Exemple: Estor
Avantages
19

20. Applicationsdes techniqueslogicield‘estimation
Les applications comprennent la comptabilité, la finance, la
santé, la médecine, l'ingénierie la fabrication, le marketing, la
prédiction de faillite, le traitement d'image, la reconnaissance
de l'écriture, la reconnaissance vocale, l'inspection des
produits ainsi la détection de défaut.
20

21. Applicationsdes techniqueslogicield‘estimation
Les réseaux de neurones ont été appliquées avec succès à une variété de
tâches du monde réel dans l'industrie, les entreprises et la science.
Quelques caractéristiques importantes de NNS sont ce qu'ils
présentent les capacités de cartographie, leur capacité à généraliser, le
traitement en parallèle et la tolérance faute.
CBR offre d'énormes avantages sur les autres Estimations de l'effort
techniques.
21

22. Conclusion
22