Vor Ort
Merkzettel Warenkorb

Gutscheinbedingungen

**Gültig bis 15.06.2026 auf Spiele & Spielzeug online auf thalia.at, in der Thalia App ab einem Mindestbestellwert von 30€ und in allen Thalia Buchhandlungen in Österreich. In den Buchhandlungen nur gültig auf lagernde Ware. Einzelne Artikel können ausgeschlossen sein. Ausgenommen sind preisgebundene Artikel sowie online auf thalia.at und in der Thalia App einzelne Artikel von tonies®. Pro Einkauf einmal einlösbar. Nur gültig gegen Vorlage oder im Onlineshop hinterlegter Bonuscard. Infos zur Einlösung in der Buchhandlung sind auf der Bonuscard-Vorteilspreisseite zu finden. Click & Collect nur bei Onlinevorabzahlung möglich. Keine Einlösung bei Scan & Go-Bezahlung. Keine Barauszahlung. Nicht kombinierbar mit anderen Aktionen und Gutscheinen. Gutschein wird auf max. 500€ Bestellwert angerechnet. Nicht gültig für Geschenkkarten, Versandkosten und Services.
  • Produktbild: Perspectives on Data Science for Software Engineering
  • Produktbild: Perspectives on Data Science for Software Engineering
- 11%

Perspectives on Data Science for Software Engineering POD TITLE

11% sparen

135,99 € UVP 154,30 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

13.07.2016

Verlag

Morgan Kaufmann

Seitenzahl

408

Maße (L/B/H)

23,3/18,9/2,5 cm

Gewicht

846 g

Sprache

Englisch

ISBN

978-0-12-804206-9

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

13.07.2016

Verlag

Morgan Kaufmann

Seitenzahl

408

Maße (L/B/H)

23,3/18,9/2,5 cm

Gewicht

846 g

Sprache

Englisch

ISBN

978-0-12-804206-9

Herstelleradresse

Libri GmbH
Europaallee 1
36244 Bad Hersfeld
DE

Email: gpsr@libri.de

Kundinnen und Kunden meinen

0 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Konto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Die Bewertungen sind nach Format, Anzahl Sterne und Datum sortiert.

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kund*innen durch Ihre Meinung

Kundinnen und Kunden meinen

0 Bewertungen filtern
Die Leseprobe wird geladen.
  • Produktbild: Perspectives on Data Science for Software Engineering
  • Produktbild: Perspectives on Data Science for Software Engineering

  • Introduction

    Perspectives on data science for software engineering

    Software analytics and its application in practice

    Seven principles of inductive software engineering: What we do is different

    The need for data analysis patterns (in software engineering)

    From software data to software theory: The path less traveled

    Why theory matters

    Success Stories/Applications

    Mining apps for anomalies

    Embrace dynamic artifacts

    Mobile app store analytics

    The naturalness of software

    Advances in release readiness

    How to tame your online services

    Measuring individual productivity

    Stack traces reveal attack surfaces

    Visual analytics for software engineering data

    Gameplay data plays nicer when divided into cohorts

    A success story in applying data science in practice

    There's never enough time to do all the testing you want

    The perils of energy mining: measure a bunch, compare just once

    Identifying fault-prone files in large industrial software systems

    A tailored suit: The big opportunity in personalizing issue tracking

    What counts is decisions, not numbers-Toward an analytics design sheet

    A large ecosystem study to understand the effect of programming languages on code quality

    Code reviews are not for finding defects-Even established tools need occasional evaluation

    Techniques

    Interviews

    Look for state transitions in temporal data

    Card-sorting: From text to themes

    Tools! Tools! We need tools!

    Evidence-based software engineering

    Which machine learning method do you need?

    Structure your unstructured data first!: The case of summarizing unstructured data with tag clouds

    Parse that data! Practical tips for preparing your raw data for analysis

    Natural language processing is no free lunch

    Aggregating empirical evidence for more trustworthy decisions

    If it is software engineering, it is (probably) a Bayesian factor

    Becoming Goldilocks: Privacy and data sharing in "just right? conditions

    The wisdom of the crowds in predictive modeling for software engineering

    Combining quantitative and qualitative methods (when mining software data)

    A process for surviving survey design and sailing through survey deployment

    Wisdom

    Log it all?

    Why provenance matters

    Open from the beginning

    Reducing time to insight

    Five steps for success: How to deploy data science in your organizations

    How the release process impacts your software analytics

    Security cannot be measured

    Gotchas from mining bug reports

    Make visualization part of your analysis process

    Don't forget the developers! (and be careful with your assumptions)

    Limitations and context of research

    Actionable metrics are better metrics

    Replicated results are more trustworthy

    Diversity in software engineering research

    Once is not enough: Why we need replication

    Mere numbers aren't enough: A plea for visualization

    Don't embarrass yourself: Beware of bias in your data

    Operational data are missing, incorrect, and decontextualized

    Data science revolution in process improvement and assessment?

    Correlation is not causation (or, when not to scream "Eureka!?)

    Software analytics for small software companies: More questions than answers

    Software analytics under the lamp post (or what star trek teaches us about the importance of asking the right questions)

    What can go wrong in software engineering experiments?

    One size does not fit all

    While models are good, simple explanations are better

    The white-shirt effect: Learning from failed expectations

    Simpler questions can lead to better insights

    Continuously experiment to assess values early on

    Lies, damned lies, and analytics: Why big data needs thick data

    The world is your test suite