Speaker

Ανδρέας Συμεωνίδης

Αναπληρωτής Καθηγητής - Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΑΠΘ

Ο Δρ. Ανδρέας Λ. Συμεωνίδης είναι Αναπληρωτής Καθηγητής στο Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Επικεφαλής των ομάδων Softeng και R4A του τμήματος, καθώς και Υπεύθυνος Έρευνας στην εταιρεία Cyclopt. Τα ερευνητικά του ενδιαφέροντα συμπεριλαμβάνουν, μεταξύ άλλων, διαδικασίες Ανάπτυξης Λογισμικού, Αυτοματοποίηση της διαδικασίας Λογισμικού, Ανάλυση έργων Λογισμικού, Μεσολογισμικό Ρομποτικών και Κυβερνο-φυσικών συστημάτων, καθώς και Εξαγωγή Γνώσης από μεγάλα αποθετήρια δεδομένων. Το έργο του έχει δημοσιευθεί σε περισσότερα από 150 άρθρα, κεφάλαια βιβλίων και πρακτικά συνεδρίων. Είναι συ-συγγραφέας των βιβλίων “Agent Intelligence through Data Mining” (Springer publishing), “Mining Software Engineering Data for Software Reuse” (Springer publishing) και “Practical Machine Learning in R” (Leanpub publishing). Έχει υπάρξει συντονιστής έργου και τεχνικός συντονιστής ευρωπαϊκών έργων και αυτή τη στιγμή συντονίζει περισσότερα από 5 έργα έρευνας και ανάπτυξης. Υπηρετεί σποραδικά ως αξιολογητής ερευνητικών προτάσεων και επιθεωρητής έργων έρευνας και ανάπτυξης, τόσο για την Ευρωπαϊκή Επιτροπή, όσο και για την Ελληνική πολιτεία. Περισσότερες πληροφορίες εδώ

Improving the modern software engineering lifecycle through Software Analytics

Despite the indisputable advances in software engineering methodologies, tools and approaches, software projects fail often and sometimes they fail hard: bad engineering practices, erroneous requirements elicitation, wrong selection of technologies, poor product quality are some of the main reasons. In order to remedy these issues, one has to first identify, then analyze and finally act upon them in a prompt, yet effective manner; and software analytics aspire to complement the software engineering process and improve the final outcome. Software analytics can be applied to a wide spectrum of data related to software development; analysis can be performed during all software engineering phases (analysis, design, implementation, operation) and against various aspects (performance, usability, maintainability, reuse, etc.). It can be performed in an offline or online mode, and can involve developer, operator and/or user perspectives.

This talk will provide an overview of issues that can be addressed through Software analytics in order to improve the software engineering lifecycle. Various Machine learning/Information retrieval approaches will be discussed, focusing on the different software engineering phases and employing different SE-related data available (text, source code, repository (meta)data, user data).