Детальная информация

Данная работа посвящена генерации кода с помощью статистики и рекуррентных нейронных сетей: Задачи, которые решались в ходе работы: 1. Поиск исходных данных и их предобработка. 2. Генерация метода по названию переменной на основе статистики. 3. Генерация метода по названию переменной на основе статистики с кластеризацией данных. 4. Генерация сигнатуры метода по названию переменной на основе seq2seq архитектуры. 5. Сравнительный анализ реализованных моделей. 6. Интеграция генерации кода в среду разработки DataSpell. Вычисления и анализ проводился с помощью бесплатной интерактивной облачной среды Google Colab для работы с кодом на языке Python. Обучение нейронных сетей осуществлено с использованием фреймворка машинного обучения PyTorch для языка Python с открытым исходным кодом. Программный модуль был реализован на языке Java и интегрирован в среду разработки DataSpell.

This work is devoted to the to code generation using statistics and recurrent neural networks. Tasks that were solved during the work: 1. Search for initial data and their preprocessing. 2. Method generation by variable name based on statistics. 3. Method generation by variable name based on statistics with data clustering. 4. Method signature generation by variable name based on seq2seq architecture. 5. Comparative analysis of implemented models. 6. Integrating code generation into the DataSpell development environment. Calculations and analysis were carried out using the free interactive cloud environment Google Colab for working with Python code. Neural networks were trained using the PyTorch machine learning framework for the open source Python language. The software module was implemented in Java and integrated into the DataSpell development environment.

• Генерация фрагмента кода на основе названия переменной в интерактивном блокноте Jupyter Notebook
  • Генерация фрагмента кода на основе названия переменной в интерактивном блокноте Jupyter Notebook
    • Введение
    • 1. Обзор литературы
    • 2. Анализ данных
    • 3. Решение на основе статической модели
    • 4. Нейронная сеть
    • 5. Сравнительный анализ
    • 6. Интеграция программного модуля
    • Заключение
    • Список использованных источников
• Численное обращение треугольных чисел в задаче обработки изотопных данных
• Численное обращение треугольных чисел в задаче обработки изотопных данных
• Численное обращение треугольных чисел в задаче обработки изотопных данных
• Генерация фрагмента кода на основе названия переменной в интерактивном блокноте Jupyter Notebook
  • Генерация фрагмента кода на основе названия переменной в интерактивном блокноте Jupyter Notebook
    • Введение
    • 1. Обзор литературы
    • 2. Анализ данных
    • 3. Решение на основе статической модели
    • 4. Нейронная сеть
    • 5. Сравнительный анализ
    • 6. Интеграция программного модуля
    • Заключение
    • Список использованных источников