fa مروری بر مدیریت پروژۀ نرم‌افزار با استفاده از تکنیک یادگیری ماشین تخصصي Special ترجمه شده Translated <div style="text-align: justify;">برنامه‌ریزی و ارزیابی مدیریت پروژه در فعالیت‌های عملکردی از اهمیت بالایی برخوردار است. بدون برنامه‌ای واقعی و منطقی، مدیریت پروژه به‌طور کارآمد، آسان نیست. این مقاله، مروری گسترده و جامع از مقالات مربوط به کاربرد یادگیری ماشین در مدیریت پروژۀ نرم‌افزاری ارائه می‌دهد؛ علاوه‌بر این، مقالۀ حاضر تجزیه‌وتحلیل ادبیات گسترده‌ای از یادگیری ماشین، مدیریت پروژۀ نرم‌افزار و تکنیک‌های سه کتابخانۀ اصلی Web of Science، Science Directs و IEEE Explore را ارائه می‌دهد. 111 مقاله در این سه مخزن به چهار دسته تقسیم می‌شوند؛ دستۀ اول شامل مقالات تحقیقی و نظرسنجی در مورد مدیریت پروژۀ نرم‌افزاری است؛ دستۀ دوم شامل مقالاتی است که مبتنی‌بر روش‌ها و استراتژی‌های یادگیری ماشین هستند که در پروژه‌ها استفاده می‌شوند؛ دستۀ سوم شامل مطالعات مربوط به مراحل و آزمون‌هایی است که پارامترهای مورد استفاده در مدیریت یادگیری ماشین هستند و کلاس‌های نهایی نتایج حاصل از مطالعه، مشارکت مطالعات در تولید و ارتقای پیش‌بینی پروژه‌های یادگیری ماشین هستند. مشارکت ما همچنین دیدگاه جامع‌تری دارد و زمینه‌ای را ارائه می‌دهد که برای کار بالقوه در مدیریت ریسک پروژه مهم است. در نتیجه، ما نشان داده‌ایم که ارزیابی ریسک پروژه توسط یادگیری ماشین در به حداقل رساندن ضرر پروژه موفق‌تر است؛ بنابراین، احتمال موفقیت پروژه را افزایش می‌دهد و راهی جایگزین برای کاهش مؤثر احتمالات شکست پروژه و افزایش نسبت خروجی برای رشد ارائه می‌کند و همچنین تجزیه‌وتحلیل پیش‌بینی خطای نرم‌افزار را براساس دقت تسهیل می‌کند.</div> <div style="text-align: justify;">Project management planning and assessment are of great significance in project performance activities. Without a realistic and logical plan, it isn&rsquo;t easy to handle project management efficiently. This paper presents a wide-ranging comprehensive review of papers on the application of Machine Learning in software project management. Besides, this paper presents an extensive literature analysis of (1) machine learning, (2) software project management, and (3) techniques from three main libraries, Web Science, Science Directs, and IEEE Explore. One-hundred and eleven papers are divided into four categories in these three repositories. The first category contains research and survey papers on software project management. The second category includes papers that are based on machine-learning methods and strategies utilized on projects; the third category encompasses studies on the phases and tests that are the parameters used in machine-learning management and the final classes of the results from the study, contribution of studies in the production, and the promotion of machine-learning project prediction. Our contribution also offers a more comprehensive perspective and a context that would be important for potential work in project risk management. In conclusion, we have shown that project risk assessment by machine learning is more successful in minimizing the loss of the project, thereby increasing the likelihood of the project success, providing an alternative way to efficiently reduce the project failure probabilities, and increasing the output ratio for growth, and it also facilitates analysis on software fault prediction based on accuracy.</div> تکنیک یادگیری ماشین, برآورد پروژۀ نرم‌افزار, برآورد نرم‌افزار, مدیریت پروژۀ نرم‌افزار, ارزیابی ریسک پروژه machine learning technique, software project estimation, software estimation, software project management, project risk assessment 3 69 http://jots.knu.edu.af/browse.php?a_code=A-10-1-13&slc_lang=fa&sid=1 Habibullah Haidari حبیب‌الله حیدری Yes لیسانس علوم کامپیوتر، دانشگاه قم، قم، ایران