@MASTERSTHESIS{ 2016:871323356,
 	title = {Recomendação de algoritmos de aprendizado de máquina para predição de falhas de software por meio de meta-aprendizado},
 	year = {2016},
 	url = "http://tede2.pucrs.br/tede2/handle/tede/8312",
 	abstract = "A predição de falhas de software é uma parte significativa da garantia de qualidade do software e é normalmente utilizada para detectar módulos propensos a falhar baseados em dados coletados após o processo de desenvolvimento do projeto. Diversas técnicas de aprendizado de máquina têm sido propostas para geração de modelos preditivos a partir da coleta dos dados, porém nenhuma se tornou a solução padrão devido as especificidades de cada projeto. Por isso, a hipótese levantada por este trabalho é que recomendar algoritmos de aprendizado de máquina para cada projeto é mais importante e útil do que o desenvolvimento de um único algoritmo de aprendizado de máquina a ser utilizado em qualquer projeto. Para alcançar este objetivo, propõe-se nesta dissertação um framework para recomendar algoritmos de aprendizado de máquina capaz de identificar automaticamente o algoritmo mais adequado para aquele projeto específico. A solução, chamada FMA-PFS, faz uso da técnica de meta-aprendizado, a fim de aprender o melhor algoritmo para um projeto em particular. Os resultados mostram que o framework FMA-PFS recomenda tanto o melhor algoritmo, quanto o melhor ranking de algoritmos no contexto de predição de falhas de software.",
 	publisher = {Pontifícia Universidade Católica do Rio Grande do Sul},
 	scholl = {Programa de Pós-Graduação em Ciência da Computação},
 	note = {Escola Politécnica}
}