Defect-Prediction-Modell fuer ein Software-Quality-Reporting
Übersicht
Worum es bei diesem Projekt geht.
Extrahiere 12 Monate Daten aus Git, Jira und SonarQube (anonymisiert, pro Modul). Berechne pro Modul fuer jede Woche: cyclomatic complexity, code churn (Aenderungen pro Woche), number of authors, prior defect count. Trainiere ein einfaches Klassifikations-Modell (logistic regression oder random forest in scikit-learn) auf 9 Monaten und validiere an 3 Monaten. Berichte Precision/Recall/F1. Integriere das Modell in einen woechentlichen Reporting-Job (Airflow). Liefere die Datenpipeline, das Modell-Notebook, die Validierungs-Ergebnisse, das Reporting-Dashboard und ein 1-Seiten-Memo zur QA-Steuerung mit dem neuen Tool.
Das Briefing
Was Du tust und was Du zeigst.
Wie baut man ein Defect-Prediction-Modell aus Repository-Daten so, dass es das QA-Team gezielter steuert und in der woechentlichen Reporting-Routine genutzt wird?
Earning criteria — what you'll demonstrate
- Defect-Prediction-Forschung (Tom Zimmermann, Andreas Zeller) auf reale Daten anwenden
- Software-Metriken als Modell-Features sauber extrahieren
- Klassifikations-Modelle validieren und interpretieren
- Prediction-Tools in die QA-Steuerung einfuehren, statt sie nur als Notebook abzuliefern
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenDatenanalyst:in
Defect-Prediction-Modelle aus Repository-Daten zu bauen ist eine Spezialnische zwischen Engineering und Data Science; wer das mit QA-Integration liefert, hat ein scharfes Profil.
Dieses Projekt schärft
- data-pipeline
- defect-prediction
- software-metrics
Noch eine Sache