Última alteração: 2018-10-12
Resumo
Este trabalho tem como objetivo a adição de uma extensão à ferramenta XMITS, que é um conversor de diagramas comportamentais UML em sistemas de transição de estados. A extensão visa mostrar onde as inconsistências, apontadas pelo Model Checker utilizado, ocorrem no(s) diagrama (s) que a(s) originou, bem como estimar, por meio de aprendizagem de máquina, a(s) inconsistência(s) encontrada(s) entre o(s) diagrama(s) e o(s) requisito(s). Estas funcionalidades buscam facilitar a verificação de inconsistências entre os diagramas UML e os requisitos do software.
Referências
DA SILVA, J. C. Algoritmos de Aprendizagem de Máquina: qual deles escolher?, 2018. Disponivel em: <https://medium.com/machina-sapiens/algoritmos-de-aprendizagem-de-m%C3%A1quina-qual-deles-escolher-67040ad68737>. Acesso em: 15 agosto 2018.
ERAS, E. R. XMITS: Um Leitor e Conversor de Arquivos XML Para Sistema de Transição de Estados, São José dos Campos, 2014.
FERNANDES, F. UM ARCABOUÇO PARA VERIFICAÇÃO AUTOMÁTICA DE MODELOS UML, 2011.
KLEIN, B. D. Neural Networks with scikit, 2011 - 2018. Disponivel em: <https://www.python-course.eu/neural_networks_with_scikit.php>. Acesso em: 15 agosto 2018.
LEAHY, P. What Is Java?, 2018. Disponivel em: <https://www.thoughtco.com/what-is-java-2034117 >. Acesso em: 23 agosto 2018.
LUKASZEWSKI, A. What Is Python Programming Language?, 2018. Disponivel em: <https://www.thoughtco.com/what-is-python-2813564>. Acesso em: 24 agosto 2018.
MATOS, D. Conceitos Fundamentais de Machine Learning, 2017. Disponivel em: <http://www.cienciaedados.com/conceitos-fundamentais-de-machine-learning/>. Acesso em: 19 julho 2018.
NISHIDA, K. Introduction to Extreme Gradient Boosting, 2017. Disponivel em: <https://blog.exploratory.io/introduction-to-extreme-gradient-boosting-in-exploratory-7bbec554ac7>. Acesso em: 10 agosto 2018.
SANTOS, L. B. R. A Methodology to Apply Formal Verification to UML-Based Software. , São José dos Campos, 2015.