大數(shù)據(jù)時代的軟件工程：軟件科學家與數(shù)據(jù)科學家的思維碰撞

Contents?目　　錄
譯者序
本書作者
第1章　簡介 1
1.1　軟件工程的數(shù)據(jù)科學視角 1
1.2　軟件分析與實際應用 4
1.3　歸納式軟件工程的七個原則：我們做的是不同的 7
1.4　軟件工程中對數(shù)據(jù)分析模式的需求 11
1.5　從軟件數(shù)據(jù)到軟件理論：到達的捷徑 14
1.6　為何理論是重要的 17
第2章　成功案例與應用 21
2.1　挖掘應用中的異常 21
2.2　擁抱動態(tài)工件 25
2.3　移動應用商店分析 28
2.4　軟件的自然性 30
2.5　版本發(fā)布就緒的研究進展 34
2.6　如何征服你的在線服務 37
2.7　評價個人生產率 40
2.8　基于堆棧跟蹤的攻擊面檢測 43
2.9　軟件工程數(shù)據(jù)的視覺分析 46
2.10　游戲數(shù)據(jù)分組后效果更佳 49
2.11　實踐中應用數(shù)據(jù)科學的成功故事 52
2.12　從來沒有足夠的時間做所有需要的測試 56
2.13　能源開采的危險：多次衡量，一次比較 59
2.14　大規(guī)模商業(yè)軟件中的錯誤文件定位 63
2.15　定制組件：個性化問題跟蹤的機遇 66
2.16　至關重要的是決策而非數(shù)字：分析設計表 68
2.17　編程語言對代碼質量影響的系統(tǒng)研究 72
2.18　代碼審查不是為了尋找缺陷：即使已建立的工具也需要偶爾進行評估 74
第3章　技術 78
3.1　會談 78
3.2　查找暫存數(shù)據(jù)中的狀態(tài)轉換 83
3.3　卡片分類：從文本到主題 85
3.4　工具！工具！我們需要工具 88
3.5　基于證據(jù)的軟件工程 93
3.6　你需要哪種機器學習方法 96
3.7　首先結構化你的非結構化數(shù)據(jù)！用標簽云概括非結構化數(shù)據(jù)的案例 99
3.8　解析數(shù)據(jù)！準備原始數(shù)據(jù)的實用技巧 105
3.9　自然語言處理不是免費的午餐 109
3.10　聚集經驗證據(jù)進行更可信的決策 112
3.11　如果是軟件工程，它可能是一個貝葉斯因子 117
3.12　隱私和數(shù)據(jù)共享都要有恰如其分的條件 120
3.13　軟件工程可預測模型中的群體智慧 124
3.14　挖掘軟件數(shù)據(jù)時兼顧定量方法和定性方法 128
3.15　為存活而調查設計的過程和為遠航而調查部署的過程 132
第4章　智慧與技巧 138
4.1　記錄一切？ 138
4.2　起源的重要性 140
4.3　從一開始就保持開放 144
4.4　減少洞察時間 147
4.5　獲取成功的五步：如何在組織中部署數(shù)據(jù)科學 150
4.6　發(fā)布過程如何影響軟件分析 153
4.7　安全無價 156
4.8　挖掘錯誤報告中的陷阱 159
4.9　使可視化成為分析過程的一部分 163
4.10　不要忘記開發(fā)者（小心你的假設） 165
4.11　研究的局限性和語境 168
4.12　可執(zhí)行的指標才是更好的指標 171
4.13　可復制的結果更可靠 175
4.14　軟件工程研究的多樣性 178
4.15　一次還不夠：為什么需要重復 181
4.16　不僅僅是數(shù)字：可視化的需求 184
4.17　不要使自己尷尬：小心數(shù)據(jù)中的偏差 187
4.18　操作數(shù)據(jù)丟失、錯誤和脫離語境 193
4.19　數(shù)據(jù)科學在改進和評估過程中演化？ 197
4.20　相關性不是因果關系（不要大叫“找到了！”） 199
4.21　小軟件公司的軟件分析：問題比答案更多 202
4.22　路燈下的軟件分析（《星際迷航》教會我們提出正確問題的重要性） 205
4.23　軟件工程實驗中會出現(xiàn)哪些錯誤 208
4.24　同樣的大小并不適合所有情況 211
4.25　對于好的模型，簡單的解釋更好 212
4.26　白襯衫效應：從失敗的期望中學習 215
4.27　簡單的問題能導致更好的見解 218
4.28　連續(xù)實驗以盡早評估價值 222
4.29　謊言、可惡的謊言和分析：為什么大數(shù)據(jù)需要厚數(shù)據(jù) 225
4.30　整個世界都是你的測試套件 229