Predicting and interpreting oxide glass properties by machine learning using large datasets (2021)
- Authors:
- USP affiliated authors: CARVALHO, ANDRÉ CARLOS PONCE DE LEON FERREIRA DE - ICMC ; MASTELINI, SAULO MARTIELLO - ICMC ; BOTARI, TIAGO - ICMC ; ALCOBAÇA NETO, EDESIO PINTO DE SOUZA - ICMC
- Unidade: ICMC
- DOI: 10.1016/j.ceramint.2021.05.105
- Subjects: APRENDIZADO COMPUTACIONAL; ALGORITMOS ÚTEIS E ESPECÍFICOS; PROPRIEDADES DOS MATERIAIS; VIDRO
- Keywords: Oxide glasses; Property prediction; Hyperparameter tuning
- Agências de fomento:
- Language: Inglês
- Imprenta:
- Publisher place: Kidlington
- Date published: 2021
- Source:
- Título: Ceramics International
- ISSN: 0272-8842
- Volume/Número/Paginação/Ano: v. 47, n. 17, p. 23958-23972, Sep. 2021
- Status:
- Artigo possui versão em acesso aberto em repositório (Green Open Access)
- Versão do Documento:
- Versão submetida (Pré-print)
- Acessar versão aberta:
-
ABNT
CASSAR, Daniel Roberto et al. Predicting and interpreting oxide glass properties by machine learning using large datasets. Ceramics International, v. 47, n. 17, p. Se 2021, 2021Tradução . . Disponível em: https://doi.org/10.1016/j.ceramint.2021.05.105. Acesso em: 01 abr. 2026. -
APA
Cassar, D. R., Mastelini, S. M., Botari, T., Alcobaça, E., Carvalho, A. C. P. de L. F. de, & Zanotto, E. D. (2021). Predicting and interpreting oxide glass properties by machine learning using large datasets. Ceramics International, 47( 17), Se 2021. doi:10.1016/j.ceramint.2021.05.105 -
NLM
Cassar DR, Mastelini SM, Botari T, Alcobaça E, Carvalho ACP de LF de, Zanotto ED. Predicting and interpreting oxide glass properties by machine learning using large datasets [Internet]. Ceramics International. 2021 ; 47( 17): Se 2021.[citado 2026 abr. 01 ] Available from: https://doi.org/10.1016/j.ceramint.2021.05.105 -
Vancouver
Cassar DR, Mastelini SM, Botari T, Alcobaça E, Carvalho ACP de LF de, Zanotto ED. Predicting and interpreting oxide glass properties by machine learning using large datasets [Internet]. Ceramics International. 2021 ; 47( 17): Se 2021.[citado 2026 abr. 01 ] Available from: https://doi.org/10.1016/j.ceramint.2021.05.105 - Machine learning unveils composition-property relationships in chalcogenide glasses
- Explainable machine learning algorithms for predicting glass transition temperatures
- Local interpretation methods to machine learning using the domain of the feature space
- A literature review on automated machine learning
- Lessons learned from the NeurIPS 2021 MetaDL challenge: backbone fine-tuning without episodic meta-learning dominates for few-shot learning image classification
- Boosting meta-learning with simulated data complexity measures
- A meta-learning approach for selecting image segmentation algorithm
- Online local boosting: improving performance in online decision trees
- Efficient online tree, rule-based and distance-based algorithms
- Efficient online tree, rule-based, and distance-based algorithms
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
3032587.pdf |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
