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
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
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: 10 fev. 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 fev. 10 ] 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 fev. 10 ] 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
- 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
- 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
- Online extra trees regressor
Informações sobre o DOI: 10.1016/j.ceramint.2021.05.105 (Fonte: oaDOI API)
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
