How have high-impact scientific studies designing their experiments on mixed data clustering? A systematic map to guide better choices (2021)
- Authors:
- USP affiliated authors: NAGANO, MARCELO SEIDO - EESC ; FRÓES, NÁDIA JUNQUEIRA MARTARELLI - EESC
- Unidade: EESC
- Sigla do Departamento: SEP
- DOI: 10.1016/j.mlwa.2021.100056
- Subjects: PESQUISA CIENTÍFICA; REVISÃO SISTEMÁTICA
- Agências de fomento:
- Language: Inglês
- Imprenta:
- Publisher: Elsevier BV
- Publisher place: Amsterdam
- Date published: 2021
- Source:
- Título: Machine Learning with Applications
- ISSN: 2666-8270
- Volume/Número/Paginação/Ano: v. 5, 100056, Sep. 2021
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by
-
ABNT
MARTARELLI, Nádia Junqueira e NAGANO, Marcelo Seido. How have high-impact scientific studies designing their experiments on mixed data clustering? A systematic map to guide better choices. Machine Learning with Applications, v. 5, p. Se 2021, 2021Tradução . . Disponível em: https://doi.org/10.1016/j.mlwa.2021.100056. Acesso em: 11 nov. 2024. -
APA
Martarelli, N. J., & Nagano, M. S. (2021). How have high-impact scientific studies designing their experiments on mixed data clustering? A systematic map to guide better choices. Machine Learning with Applications, 5, Se 2021. doi:10.1016/j.mlwa.2021.100056 -
NLM
Martarelli NJ, Nagano MS. How have high-impact scientific studies designing their experiments on mixed data clustering? A systematic map to guide better choices [Internet]. Machine Learning with Applications. 2021 ; 5 Se 2021.[citado 2024 nov. 11 ] Available from: https://doi.org/10.1016/j.mlwa.2021.100056 -
Vancouver
Martarelli NJ, Nagano MS. How have high-impact scientific studies designing their experiments on mixed data clustering? A systematic map to guide better choices [Internet]. Machine Learning with Applications. 2021 ; 5 Se 2021.[citado 2024 nov. 11 ] Available from: https://doi.org/10.1016/j.mlwa.2021.100056 - Uma abordagem construtiva do algoritmo genético para a seleção de atributos no agrupamento de dados
- Socioeconomic class Of brazilian cities for health, education and employment & income IFDM: a clustering data analysis
- High-performing heuristics to minimize flowtime in no-idle permutation flowshop
- Contributions to the mixed data clustering problem: from a conceptual codification and classification proposal to the usage of optimization methods
- Seleção de atributos em agrupamento de dados utilizando algoritmos evolutivos
- Avaliação do métodos heurísticos para o problema no-wait flowshop com tempos de setup independentes
- Aplicação de sistemas dinâmicos na previsão de custos da produção
- An evolutionary clustering search for the no-wait flow shop problem with sequence dependent setup times
- O ergonomista, membro da equipe de projeto: percepções sobre a ótica das competências e tipologias de conhecimento
- Identifying critical factors in knowledge creation: a comparative study in technology-based companies
Informações sobre o DOI: 10.1016/j.mlwa.2021.100056 (Fonte: oaDOI API)
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
1-s2.0-S2666827021000268-... | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
