Agrupamento de documentos aplicado à computação forense: uma abordagem para aperfeiçoar análises periciais de computadores (2011)
- Autores:
- Autor USP: HRUSCHKA, EDUARDO RAUL - ICMC
- Unidade: ICMC
- Assunto: INTELIGÊNCIA ARTIFICIAL
- Idioma: Português
- Imprenta:
- Editora: SBIC
- Local: Rio de Janeiro
- Data de publicação: 2011
- Fonte:
- Título do periódico: Anais
- Nome do evento: Congresso Brasileiro de Inteligência Computacional - CBIC
-
ABNT
NASSIF, Luís Filipe da Cruz e HRUSCHKA, Eduardo Raul. Agrupamento de documentos aplicado à computação forense: uma abordagem para aperfeiçoar análises periciais de computadores. 2011, Anais.. Rio de Janeiro: SBIC, 2011. . Acesso em: 19 set. 2024. -
APA
Nassif, L. F. da C., & Hruschka, E. R. (2011). Agrupamento de documentos aplicado à computação forense: uma abordagem para aperfeiçoar análises periciais de computadores. In Anais. Rio de Janeiro: SBIC. -
NLM
Nassif LF da C, Hruschka ER. Agrupamento de documentos aplicado à computação forense: uma abordagem para aperfeiçoar análises periciais de computadores. Anais. 2011 ;[citado 2024 set. 19 ] -
Vancouver
Nassif LF da C, Hruschka ER. Agrupamento de documentos aplicado à computação forense: uma abordagem para aperfeiçoar análises periciais de computadores. Anais. 2011 ;[citado 2024 set. 19 ] - 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
Como citar
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
