Machine Learning für modell-getriebenes Debugging
Wann und Wo
Semesterprojekt: Dienstag, 11-15 Uhr, RUD 25, 4.113
Wer
Dozent: Marc Carwehl / Prof. Lars Grunske / Dr. Thomas Vogel / Alexander Schultheiß
Beschreibung und Aufbau der Lehrveranstaltung
Ziel des Projektes ist es, dass die Teilnehmenden neuartige Methoden und Techniken der automatisierten Fehlererkennung und -behebung kennenlernen und optimieren.
Unter Anleitung der Lehrenden werden industrierelevante Diagnosemöglichkeiten (Decision Trees, First-Order-Logics, Rule-Induction) angewendet um Programmfehler zu beheben und dabei die Effektivitiät der Ansätze bewertet. Hierzu werden insbesondere Grundlagen im wissenschaftlichen Arbeiten vermittelt, die für Abschlussarbeiten dringend relevant sind.
Gemeinsam mit den Lehrenden entwickelte Ideen sollen von den Teilnehmenden unter Anleitung implementiert und umgesetzt werden. Implenentationen erfolgen in Python.
Weitere relevante Themen sind u.a.:
- automatisierte Inputgeneriung Fuzzing, Grammar-Based Fuzzing
- Machine Learning Ansätze: Decision Trees, Gradient Boosting Trees
- Explainable Machine Learning / Explainable AI, z.B. Shap Values