view in publisher's site

Predictive Analysis of Manpower Requirements in Scrum Projects Using Regression Techniques

Flexible iterative development life cycle, adaptive nature and fast delivery has given Agile an upper edge as compared to all other software development frameworks. In the current industry scenario agile methods are gaining popularity, owing to its people centric approach, hence organizations are adopting agile development methodologies at a large scale. Agile projects work in self-organizing small collaborative teams. Team size varies according to the project requirement however, agile development focus on smaller team size. Supervised machine learning is applied in this study to provide optimum prediction model. All the available regression models in Matlab R2019b are used to predict number of team members required for an agile project. Iterations from five different open source projects are considered for this study. The results after training all the variants of each regression model, namely Linear Regression models, Support Vector Machine models, Tree models, Ensemble models and Gaussian Process Regression models are compared using Root Mean Square Error (RMSE) score and R-squared values. On the basis of evaluative and comprehensive analysis, the most significant model to predict manpower requirement for an agile project has been chosen.

تحلیل پیشگویانه الزامات نیروی انسانی در پروژه‌های اسکرام با استفاده از تکنیک‌های رگرسیون

چرخه حیات توسعه مکرر انعطاف‌پذیر، ماهیت سازگار و تحویل سریع، در مقایسه با سایر چارچوب‌های توسعه نرم‌افزار، به چابک لبه بالایی داده‌است. در سناریوی صنعتی فعلی، روش‌های چابک به دلیل رویکرد مردم محور خود در حال کسب محبوبیت هستند، از این رو سازمان‌ها در مقیاس بزرگ از روش‌های توسعه چابک استفاده می‌کنند. پروژه‌های چابک در تیم‌های مشارکتی کوچک خود سازماندهی کار می‌کنند. با این حال، اندازه تیم بسته به نیاز پروژه متفاوت است، و تمرکز توسعه چابک روی اندازه تیم کوچک‌تر است. یادگیری ماشین با نظارت در این مطالعه برای ارائه مدل پیش‌بینی بهینه به کار گرفته شده‌است. تمام مدل‌های رگرسیون موجود در Matlab R۲۰۱۹b برای پیش‌بینی تعداد اعضای تیم مورد نیاز برای یک پروژه چابک استفاده می‌شوند. تکرار از پنج پروژه مختلف باز شدن مجدد باز شدن مجدد باز شدن مجدد برای این مطالعه در نظر گرفته شده‌است. نتایج پس از آموزش تمامی متغیرهای هر مدل رگرسیون، یعنی مدل‌های رگرسیون خطی، مدل‌های ماشین بردار پشتیبان، مدل‌های درختی، مدل‌های ورودی و مدل‌های رگرسیون فرآیند گاوسی با استفاده از نمره خطای ریشه میانگین مربعات (RMSE)و مقادیر مجذور R مقایسه می‌شوند. براساس تجزیه و تحلیل ارزیابی و جامع، مهم‌ترین مدل برای پیش‌بینی نیاز نیروی انسانی برای یک پروژه چابک انتخاب شده‌است.
ترجمه شده با

سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.