Kursplan för Empirisk programvaruteknik

Mjukvaruföretag måste ständigt förbättra sig för att bli snabbare, bättre och mer effektiv. Kursen syftar till att lära sig  vetenskapliga metoder, särskilt experiment och statistik, för datainsamling, t.ex. som underlag för analys och beslutsstöd i förbättringsinitiativ i mjukvaruorganisationer. Kursen förbereder studenterna för examensarbete och förbättrar elevens förmåga att bedriva forskarstudier.

• Kunskaper och förståelse:
• Beskriva, förstå och tillämpa empiri inom programvaruteknik
  
• Beskriva, förstå och delvis tillämpa principerna bakom fallstudier/experiment/enkätstudier.
• Beskriva och förstå de underliggande principerna för meta-analytiska studier
• Förklara vikten av forskningsetik.
• Känna till och definiera "code of ethics" gällande forskning inom programvaruteknik.
• Redogöra för och förklara vikten av validitetshot och hur man kan kontrollera dessa typer av hot.
• Beskriva och förklara koncepten sannolikhetsrymd, (inkl. betingad sannolikhet), stokastiska variabler, väntvärden, och stokastiska processer, samt känna till flertal konkreta exampel på dessa koncept
• Beskriva Markov chain Monte Carlo metoder så som Metropolis
  
• Beskriva och förklara Hamiltonian Monte Carlo
  
• Beskriva och förklara multicollinarity, post-treatment bias, collider bias, confounding
  
• Beskriva och förklara sätt att undvika overfitting.

• Färdigheter och förmågor:

• Utvärdera lämpligheten av, och använda, analysmetoder på data
  
• Analysera deskriptiv statistik och definiera lämpliga analysmetoder.
  
• Använda och förklara "code of ethics" för programvaruteknisk forskning. 
• Designa statistiska modeller matematiskt och implementera dessa i ett programspråk.
  
• Använda sig av konceptet stokastiska processer, dvs Bernoulli, Binomial, Gaussian, och Poisson, med spridningsinslag. 
• Använda sig av ordnade kategoriska utfall (ordered-logit) och prediktorer
  
• Utvärdera lämpligheten, från ett ontologiskt och epistemologiskt perspektiv, av olika distributioner
  
• Använda sig av och utvärdera directed acyclic graphs för att argumentera för kausalitet

• Värderingsförmåga och förhållningssätt:
• Ange och diskutera verktyg för dataanalys och, i synnerhet, bedöma verktygens resultat.
  
• Bedöma lämpligheten i olika empiriska metoder och deras tillämpbarhet i att lösa olika och disparata programvarutekniska problemställningar.
  
• Ifrågasätta och bedöma vanliga etiska frågeställningar inom programvarutekniskforskning. 
• Utvärdera diagnostik från Hamiltonian Monte Carlo och kvadratisk approximering genom att använda koncept from informationsteori, dvs informationsentropi, WAIC och PSIS-LOO.
  
• Bedöma en posteriori sannolikhetsdistribution för prediktering utanför urval och för posteriori prediktionskontroller.