Browsing by Author "Tark, Kaarel"
Now showing 1 - 3 of 3
Results Per Page
Sort Options
Item Avatud lähtekoodiga tarkvaraprojektide Dokumentatsiooni Kättesaadavuse mudeli optimiseerimine(Tartu Ülikool, 2011) Tark, Kaarel; Matulevičius, Raimundas; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Arvutiteaduse instituutAvatud lähtekoodiga tarkvara (inglise keeles – Open Source Software) on üks uusimaid trende tänapäeva tarkvaraarenduses. Nagu nimigi ütleb, on avatud lähtekoodiga tarkvara kood avalik, ning võimaldab seega kõigil huvilistel osaleda tarkvaraarenduse protsessis. Tänasel päeval põhinevad paljud infosüsteemid rohkemal või vähemal määral avatud koodiga tarkvaral. Tarkvara tootmine sel viisil on odav võrreldes traditsioonilise tarkvaraarendusega kuna projektis osalejad edendavad tarkvara tavaliselt oma enda huvist ja vabast tahtest. Kuna avatud lähtekoodiga tarkvara projektides osalejad on erineva taustaga ja oskustasemega, on ka projektide kvaliteet kõikuv. Tagamaks kvaliteetset lõpptoodet on oluline hinnata jooksvalt arendamise käigus projekti hetkeseisu, et teada kuidas parandada või säilitada toote kvaliteeti. Projekti kvaliteedi hindamisel võib lähtuda mitmetest eri aspektidest: tarkvara koodi kvaliteedist, toote kvaliteedist või toote dokumentatsiooni kvaliteedist. Käesolevas bakalaureusetöös oleme keskendunud avatud lähtekoodiga projektide dokumentatsiooni kvaliteedile ja kvaliteedi hindamisele. Selleks, et adekvaatselt hinnata tarkvara projekti dokumentatsiooni kvaliteeti, on vajalik vastavate meetodite olemasolu. Hetkel on olemas vaid mõned meetodid hindamaks avatud lähtekoodiga tarkvaraprojekti kvaliteeti, kuid nende peamiseks puuduseks on kindlate mõõtmiskriteeriumite puudumine. Käesoleva töö eesmärgiks on välja töötada dokumentatsiooni kvaliteedihindamise mudel hindamaks avatud lähtekoodiga tarkvara. Uue mudeli aluseks on eelnevalt väljatöötatud dokumentatsiooni kvaliteedihindamise mudel (Dokumentatsiooni Kättesaadavuse mudel, inglise keeles Documentation Availability (DA) model). See mudel põhineb erinevate tootearenduses eksisteerivate huvigruppide - toote omandaja, toote kasutaja, toote arendaja, arenduse finantseerija – vajadustest dokumentatsiooni järele. Antud mudel ei ole loodud spetsiaalselt avatud lähtekoodiga tarkvara hindamiseks vaid baseerub üldistel IEEE tarkvaraarenduse standarditel. Seetõttu ei kata DA mudel täielikult avatud lähtekoodiga tarkvaraprojektide vajadusi. Antud töös analüüsisime ja optimiseerisime dokumentatsiooni kvaliteedi hindamise mudelit (DA mudel) lähtudes varasemalt läbi viidud uuringu andmete analüüsist, ja avatud lähtekoodiga tarkvara dokumentatsiooni uurimisest. DA mudeli adapteerimisel kasutuseks avatud lähtekoodiga tarkvara dokumentatsiooni kvaliteedi hindamiseks (1) elimineerisime mudelist dokumentatsiooni sisutiheduse kirjed, mis ei ole avatud koodiga tarkvara puhul kasutusel (2) lisasime mudelisse relevantsed kirjed, näiteks “Koodi kompileerimine”, “Arendusvahendid” ja dokumendi tüübid, näiteks ”Wiki” (3) iga kirje osatähtsuse määramiseks ühe dokumendi tüübi lõikes lisasime dokumentatsiooni sisutiheduse kirjetele kaalud. Muudatuste tulemina valmis uus spetsiaalselt avatud lähtekoodiga tarkvara dokumentatsiooni kvaliteedihindamise mudel. Mudeli valideerimiseks hindasime 14 avatud lähtekoodiga tarkvaral põhinevat äriprotsesside analüüsi ja tarkvara modelleerimise projekti dokumentatsiooni. Tulemused näitavad, et uus mudel sobib avatud lähtekoodiga tarkvara dokumentatsiooni hindamiseks ning võimaldab hinnata projektide kvaliteeti täpsemalt kui töö aluseks võetud DA mudel.Item Disentanglement of features in variational autoencoders(Tartu Ülikool, 2022) Tark, Kaarel; Kull, Meelis, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituutMachine learning models, especially neural networks, have shown excellent performance in classifying different images. The features these models learn are often complex and hard to interpret. Learning disentangled features from images is a way to tackle explainability and create features with semantic meaning. A learned feature is disentangled if it represents only a single property of an object. For example, if we had an image of a chair, we would assume that one feature changes its size, but nothing else. Another feature changes the chair leg shape and nothing else. Beta variational autoencoders (β-VAE) have shown promising performance in learning disentangled features from images without supervision. If there is enough data, the model can learn the features without needing large amounts of labelled data. After learning features, we can use a smaller amount of labelled data to train an additional model on top of the learned features (few-shot learning). The experiments of β-VAE architectures have been with simple images with known generative factors. Usually, all generative factors are independent, and the architecture assumes that there is a small number of them. Recently a new dataset has been published where some features are dependent (Boxhead dataset). The experiments with existing architectures showed relatively poor performance on β-VAE based architectures to capture those features. Based on exploratory analysis of β-VAE architecture based models, we propose a new architecture to improve the result. For evaluation, we introduce new metrics in addition to the commonly used ones. Our results showed no substantial performance difference between our proposed and β-VAE architectures. Based on the results of the main experiments, we conduct additional exploratory experiments on a dataset where the object does not rotate.Item Dünaamiline rollipõhine ligipääsu kontroll XML dokumentidele(Tartu Ülikool, 2013) Tark, Kaarel; Matulevičius, Raimundas; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Arvutiteaduse instituutTänapäeval hoitakse enamus dokumente elektroonsetel andmekandjatel. Samaaegselt kasvab andmete maht ja vajadus nende kiireks transportimiseks. Dokumendid võivad sisaldada salajast või infot, mis valede osapoolte käes võib olla ohtlik või tähendada äririske, mis tekitab vajadust dokumentide sisu kaitsta. Peamiselt käsitletakse dokumenti kui tervikut – kuulutatakse terve dokument näiteks salastatuks. Selline lähenemisviis ei ole alati põhjendatud ja osaliselt võib dokumendi sisu siiski olla avalik: näiteks anonüümsete uuringute tegemiseks. Rollipõhine ligipääsu kontroll (inglise keeles – Role Based Access Control) on meetod defineerimaks kasutajate õiguseid infosüsteemis vastavalt neile omistatud rollidele. Turvameetmete defineerimine ja realiseerimine on aeganõudev töö, mida tihti tehakse paralleelselt või pärast rakenduse loogika realiseerimist. Lahenduseks probleemile pakume rollipõhist ligipääsukontrolli dünaamiliselt defineeritavatele dokumentidel. Kuna dokumendid võivad olla oma mahult suured, siis defineerime õigused dokumendi struktuuri tasandil (XML Schema). Kontrolli ja dokumendi vormi modelleerimiseks kasutame SecureUML notatsiooni, mis on UML’i laiendus. Antud mudelist genereerime SQL koodi, mida andmebaasis jooksutades saame muudatused viia mudelist serveri rakendusse. Server vastutab antud privileegide ja dokumendi struktuuri kaitstud osade eest ja annab välja ainult antud rollile lubatud infot. Antud töö raames teostatud uuring näitas, et on võimalik modelleerida nii vorm kui õigused nii, et ligipääsupiiranguid omavad andmed on kaitstud. Kuvatavate andmete muutmisel ja lisamisel ei rikuta olemasoleva dokumendi terviklikkust ja andmed säilivad.