Computação forense via agrupamento hierárquico de documentos (2011)
- Authors:
- Autor USP: HRUSCHKA, EDUARDO RAUL - ICMC
- Unidade: ICMC
- DOI: 10.5769/C2011019
- Assunto: INTELIGÊNCIA ARTIFICIAL
- Language: Português
- Imprenta:
- ISBN: 9788565069076
- Source:
- Título do periódico: Proceedings
- Conference titles: International Conference on Forensic Computer Science - ICoFCS
- Este periódico é de assinatura
- Este artigo NÃO é de acesso aberto
- Cor do Acesso Aberto: closed
-
ABNT
NASSIF, Luís Filipe da Cruz e HRUSCHKA, Eduardo Raul. Computação forense via agrupamento hierárquico de documentos. 2011, Anais.. Brasília: ABEAT, 2011. Disponível em: https://doi.org/10.5769/C2011019. Acesso em: 19 set. 2024. -
APA
Nassif, L. F. da C., & Hruschka, E. R. (2011). Computação forense via agrupamento hierárquico de documentos. In Proceedings. Brasília: ABEAT. doi:10.5769/C2011019 -
NLM
Nassif LF da C, Hruschka ER. Computação forense via agrupamento hierárquico de documentos [Internet]. Proceedings. 2011 ;[citado 2024 set. 19 ] Available from: https://doi.org/10.5769/C2011019 -
Vancouver
Nassif LF da C, Hruschka ER. Computação forense via agrupamento hierárquico de documentos [Internet]. Proceedings. 2011 ;[citado 2024 set. 19 ] Available from: https://doi.org/10.5769/C2011019 - An experimental study on the use of nearest neighbor-based imputation algorithms for classification tasks
- Unsupervised learning of Gaussian mixture models: evolutionary create and eliminate for expectation maximization algorithm
- Transfer learning with cluster ensembles
- An Experimental Study on Unsupervised Clustering-Based Feature Selection Methods
- On the influence of imputation in classification: practical issues
- Towards improving cluster-based feature selection with a simplified silhouette filter
- Document clustering for forensic computing: an approach for improving computer inspection
- Document clustering for forensic analysis: an approach for improving computer inspection
- Evolving Gaussian mixture models with splitting and merging mutation operators
- An optimization framework for combining ensembles of classifiers and clusterers with applications to nontransductive semisupervised learning and transfer learning
Informações sobre o DOI: 10.5769/C2011019 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
