@inproceedings{GracioliVK16,
  author    = {Carlos Gracioli and
               Jos{\'e} Viterbo and
               Marcos Kalinowski},
  title     = {Um Levantamento do Uso de T{\'e}cnicas de Aprendizado de M{\'a}quina na Estimativa de Esfor{\c{c}}o de Software},
  abstract  = {A estimativa de esfor{\c{c}}o {\'e} uma pr{\'a}tica essencial no processo de desenvolvimento de software, sendo necess{\'a}ria para que o prazo e os custos do projeto sejam previstos antecipadamente e o projeto n{\~a}o fracasse. Este artigo apresenta os resultados de um levantamento que identificou 10 artigos que estudam o uso de t{\'e}cnicas de aprendizado de m{\'a}quina nas estimativas de esfor{\c{c}}o, para definir quais permitem alcan{\c{c}}ar boas aproxima{\c{c}}ões em rela{\c{c}}{\~a}o ao esfor{\c{c}}o real. Diversas t{\'e}cnicas foram pesquisadas e as mais utilizadas foram as supervisionadas de regress{\~a}o. As particularidades dos estudos dificultam a compara{\c{c}}{\~a}o dos resultados, mas as redes neurais e bayesianas obtiveram bons resultados nas avalia{\c{c}}ões analisadas, ou seja, uma menor taxa de erros nas estimativas. A vari{\'a}vel de entrada mais relevante para as diferentes t{\'e}cnicas, como esperado, {\'e} o tamanho estimado do projeto.},
  booktitle = {{Workpedia} 2016},
  pages     = {1-10},
  year      = {2016},
  urlAuthor_version       = {http://www.inf.puc-rio.br/~kalinowski/publications/GracioliVK16.pdf},
  doi       = {},
}

{"_id":"5wBdacAg46ysJwyaj","bibbaseid":"gracioli-viterbo-kalinowski-umlevantamentodousodetcnicasdeaprendizadodemquinanaestimativadeesforodesoftware-2016","downloads":1,"creationDate":"2017-09-06T19:49:24.565Z","title":"Um Levantamento do Uso de Técnicas de Aprendizado de Máquina na Estimativa de Esforço de Software","author_short":["Gracioli, C.","Viterbo, J.","Kalinowski, M."],"year":2016,"bibtype":"inproceedings","biburl":"https://bibbase.org/network/files/KuRSiZJF8A6EZiujE","bibdata":{"bibtype":"inproceedings","type":"inproceedings","author":[{"firstnames":["Carlos"],"propositions":[],"lastnames":["Gracioli"],"suffixes":[]},{"firstnames":["José"],"propositions":[],"lastnames":["Viterbo"],"suffixes":[]},{"firstnames":["Marcos"],"propositions":[],"lastnames":["Kalinowski"],"suffixes":[]}],"title":"Um Levantamento do Uso de Técnicas de Aprendizado de Máquina na Estimativa de Esforço de Software","abstract":"A estimativa de esforço é uma prática essencial no processo de desenvolvimento de software, sendo necessária para que o prazo e os custos do projeto sejam previstos antecipadamente e o projeto não fracasse. Este artigo apresenta os resultados de um levantamento que identificou 10 artigos que estudam o uso de técnicas de aprendizado de máquina nas estimativas de esforço, para definir quais permitem alcançar boas aproximações em relação ao esforço real. Diversas técnicas foram pesquisadas e as mais utilizadas foram as supervisionadas de regressão. As particularidades dos estudos dificultam a comparação dos resultados, mas as redes neurais e bayesianas obtiveram bons resultados nas avaliações analisadas, ou seja, uma menor taxa de erros nas estimativas. A variável de entrada mais relevante para as diferentes técnicas, como esperado, é o tamanho estimado do projeto.","booktitle":"Workpedia 2016","pages":"1-10","year":"2016","urlauthor_version":"http://www.inf.puc-rio.br/~kalinowski/publications/GracioliVK16.pdf","doi":"","bibtex":"@inproceedings{GracioliVK16,\r\n author = {Carlos Gracioli and\r\n Jos{\\'e} Viterbo and\r\n Marcos Kalinowski},\r\n title = {Um Levantamento do Uso de T{\\'e}cnicas de Aprendizado de M{\\'a}quina na Estimativa de Esfor{\\c{c}}o de Software},\r\n abstract = {A estimativa de esfor{\\c{c}}o {\\'e} uma pr{\\'a}tica essencial no processo de desenvolvimento de software, sendo necess{\\'a}ria para que o prazo e os custos do projeto sejam previstos antecipadamente e o projeto n{\\~a}o fracasse. Este artigo apresenta os resultados de um levantamento que identificou 10 artigos que estudam o uso de t{\\'e}cnicas de aprendizado de m{\\'a}quina nas estimativas de esfor{\\c{c}}o, para definir quais permitem alcan{\\c{c}}ar boas aproxima{\\c{c}}ões em rela{\\c{c}}{\\~a}o ao esfor{\\c{c}}o real. Diversas t{\\'e}cnicas foram pesquisadas e as mais utilizadas foram as supervisionadas de regress{\\~a}o. As particularidades dos estudos dificultam a compara{\\c{c}}{\\~a}o dos resultados, mas as redes neurais e bayesianas obtiveram bons resultados nas avalia{\\c{c}}ões analisadas, ou seja, uma menor taxa de erros nas estimativas. A vari{\\'a}vel de entrada mais relevante para as diferentes t{\\'e}cnicas, como esperado, {\\'e} o tamanho estimado do projeto.},\r\n booktitle = {{Workpedia} 2016},\r\n pages = {1-10},\r\n year = {2016},\r\n urlAuthor_version = {http://www.inf.puc-rio.br/~kalinowski/publications/GracioliVK16.pdf},\r\n doi = {},\r\n}\r\n\r\n","author_short":["Gracioli, C.","Viterbo, J.","Kalinowski, M."],"key":"GracioliVK16","id":"GracioliVK16","bibbaseid":"gracioli-viterbo-kalinowski-umlevantamentodousodetcnicasdeaprendizadodemquinanaestimativadeesforodesoftware-2016","role":"author","urls":{"Author version":"http://www.inf.puc-rio.br/~kalinowski/publications/GracioliVK16.pdf"},"metadata":{"authorlinks":{"kalinowski, m":"https://www-di.inf.puc-rio.br/~kalinowski/publications.html"}},"downloads":1},"search_terms":["levantamento","uso","cnicas","aprendizado","quina","estimativa","esfor","software","gracioli","viterbo","kalinowski"],"keywords":[],"authorIDs":["2QsG9mfJnwX6MTuoJ"],"dataSources":["JhEx5LqjNuowkDTYw","FPdHx2YNMWt6KHbaS","oL8GbjE74fizfjkxY","Wbj3iHa4hGsGjEGJE","q7rgFjFgwoTSGkm3G","aKfxcyv7C9p9ytdpG","9pAzChfPy53GguqQk","B8Jierr7smZsGa7Jb","tvqztEQv84agmtPEB","FGDKYBjH9upApdKoL","56kphca3KPjtFZJC6","JxJm4GfaRAd3NEw2w","iSfhee4nHcHz4F2WQ"]}