Explainable machine learning algorithms for predicting glass transition temperatures (2020)
- Authors:
- USP affiliated authors: CARVALHO, ANDRÉ CARLOS PONCE DE LEON FERREIRA DE - ICMC ; ALCOBAÇA NETO, EDESIO PINTO DE SOUZA - ICMC ; MASTELINI, SAULO MARTIELLO - ICMC ; BOTARI, TIAGO - ICMC ; PIMENTEL, BRUNO ALMEIDA - ICMC
- Unidade: ICMC
- DOI: 10.1016/j.actamat.2020.01.047
- Subjects: APRENDIZADO COMPUTACIONAL; ALGORITMOS ÚTEIS E ESPECÍFICOS; VIDRO
- Agências de fomento:
- Language: Inglês
- Imprenta:
- Publisher place: Kidlington
- Date published: 2020
- Source:
- Título: Acta Materialia
- ISSN: 1359-6454
- Volume/Número/Paginação/Ano: v. 188, p. 92-100, Apr. 2020
- Este periódico é de assinatura
- Este artigo NÃO é de acesso aberto
- Cor do Acesso Aberto: closed
-
ABNT
ALCOBAÇA, Edesio et al. Explainable machine learning algorithms for predicting glass transition temperatures. Acta Materialia, v. 188, p. 92-100, 2020Tradução . . Disponível em: https://doi.org/10.1016/j.actamat.2020.01.047. Acesso em: 28 dez. 2025. -
APA
Alcobaça, E., Mastelini, S. M., Botari, T., Pimentel, B. A., Cassar, D. R., Carvalho, A. C. P. de L. F. de, & Zanotto, E. D. (2020). Explainable machine learning algorithms for predicting glass transition temperatures. Acta Materialia, 188, 92-100. doi:10.1016/j.actamat.2020.01.047 -
NLM
Alcobaça E, Mastelini SM, Botari T, Pimentel BA, Cassar DR, Carvalho ACP de LF de, Zanotto ED. Explainable machine learning algorithms for predicting glass transition temperatures [Internet]. Acta Materialia. 2020 ; 188 92-100.[citado 2025 dez. 28 ] Available from: https://doi.org/10.1016/j.actamat.2020.01.047 -
Vancouver
Alcobaça E, Mastelini SM, Botari T, Pimentel BA, Cassar DR, Carvalho ACP de LF de, Zanotto ED. Explainable machine learning algorithms for predicting glass transition temperatures [Internet]. Acta Materialia. 2020 ; 188 92-100.[citado 2025 dez. 28 ] Available from: https://doi.org/10.1016/j.actamat.2020.01.047 - Machine learning unveils composition-property relationships in chalcogenide glasses
- Predicting and interpreting oxide glass properties by machine learning using large datasets
- Unsupervised meta-learning for clustering algorithm recommendation
- A meta-learning approach for recommending the number of clusters for clustering algorithms
- Lessons learned from the NeurIPS 2021 MetaDL challenge: backbone fine-tuning without episodic meta-learning dominates for few-shot learning image classification
- A literature review on automated machine learning
- Local interpretation methods to machine learning using the domain of the feature space
- Fast and lightweight binary and multi-branch Hoeffding tree regressors
- Boosting meta-learning with simulated data complexity measures
- A meta-learning approach for selecting image segmentation algorithm
Informações sobre o DOI: 10.1016/j.actamat.2020.01.047 (Fonte: oaDOI API)
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
2987745.pdf |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
