Filters : "ICMC" "HRUSCHKA, EDUARDO RAUL" Limpar

Filters



Refine with date range


  • Source: Neurocomputing. Unidades: ICMC, EP

    Subjects: APRENDIZADO COMPUTACIONAL, RECONHECIMENTO DE IMAGEM

    Online source accessDOIHow to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
    • ABNT

      COLETTA, Luiz Fernando Sommaggio et al. Combining clustering and active learning for the detection and learning of new image classes. Neurocomputing, v. 358, p. Se 2019, 2019Tradução . . Disponível em: http://dx.doi.org/10.1016/j.neucom.2019.04.070. Acesso em: 04 out. 2022.
    • APA

      Coletta, L. F. S., Ponti, M. A., Hruschka, E. R., Acharya, A., & Ghosh, J. (2019). Combining clustering and active learning for the detection and learning of new image classes. Neurocomputing, 358, Se 2019. doi:10.1016/j.neucom.2019.04.070
    • NLM

      Coletta LFS, Ponti MA, Hruschka ER, Acharya A, Ghosh J. Combining clustering and active learning for the detection and learning of new image classes [Internet]. Neurocomputing. 2019 ; 358 Se 2019.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1016/j.neucom.2019.04.070
    • Vancouver

      Coletta LFS, Ponti MA, Hruschka ER, Acharya A, Ghosh J. Combining clustering and active learning for the detection and learning of new image classes [Internet]. Neurocomputing. 2019 ; 358 Se 2019.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1016/j.neucom.2019.04.070
  • Source: Digital Signal Processing. Unidades: EP, ICMC

    Subjects: ANÁLISE DE SÉRIES TEMPORAIS, MÉTODOS DE DECOMPOSIÇÃO

    Online source accessDOIHow to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
    • ABNT

      DUARTE, Felipe Simões Lage Gomes et al. Decomposing time series into deterministic and stochastic influences: a survey. Digital Signal Processing, v. 95, p. 1-18, 2019Tradução . . Disponível em: http://dx.doi.org/10.1016/j.dsp.2019.102582. Acesso em: 04 out. 2022.
    • APA

      Duarte, F. S. L. G., Rios, R. A., Hruschka, E. R., & Mello, R. F. de. (2019). Decomposing time series into deterministic and stochastic influences: a survey. Digital Signal Processing, 95, 1-18. doi:10.1016/j.dsp.2019.102582
    • NLM

      Duarte FSLG, Rios RA, Hruschka ER, Mello RF de. Decomposing time series into deterministic and stochastic influences: a survey [Internet]. Digital Signal Processing. 2019 ; 95 1-18.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1016/j.dsp.2019.102582
    • Vancouver

      Duarte FSLG, Rios RA, Hruschka ER, Mello RF de. Decomposing time series into deterministic and stochastic influences: a survey [Internet]. Digital Signal Processing. 2019 ; 95 1-18.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1016/j.dsp.2019.102582
  • Source: Proceedings. Conference title: IEEE Congress on Evolutionary Computation - CEC. Unidade: ICMC

    Subjects: APRENDIZADO COMPUTACIONAL, ALGORITMOS GENÉTICOS, COMPUTAÇÃO EVOLUTIVA

    Online source accessDOIHow to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
    • ABNT

      COVÕES, Thiago Ferreira e HRUSCHKA, Eduardo Raul. Classification with multi-modal classes using evolutionary algorithms and constrained clustering. 2018, Anais.. Piscataway: IEEE, 2018. Disponível em: http://dx.doi.org/10.1109/CEC.2018.8477858. Acesso em: 04 out. 2022.
    • APA

      Covões, T. F., & Hruschka, E. R. (2018). Classification with multi-modal classes using evolutionary algorithms and constrained clustering. In Proceedings. Piscataway: IEEE. doi:10.1109/CEC.2018.8477858
    • NLM

      Covões TF, Hruschka ER. Classification with multi-modal classes using evolutionary algorithms and constrained clustering [Internet]. Proceedings. 2018 ;[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1109/CEC.2018.8477858
    • Vancouver

      Covões TF, Hruschka ER. Classification with multi-modal classes using evolutionary algorithms and constrained clustering [Internet]. Proceedings. 2018 ;[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1109/CEC.2018.8477858
  • Source: Proceedings. Conference title: Brazilian Conference on Intelligent Systems - BRACIS. Unidades: EP, ICMC

    Subjects: MODELOS EM SÉRIES TEMPORAIS, PROCESSOS ESTOCÁSTICOS, PREVISÃO (ANÁLISE DE SÉRIES TEMPORAIS)

    Online source accessDOIHow to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
    • ABNT

      DUARTE, Felipe Simões Lage Gomes et al. Time series decomposition using spring system applied on phase spaces. 2018, Anais.. Piscataway: IEEE, 2018. Disponível em: http://dx.doi.org/10.1109/BRACIS.2018.00093. Acesso em: 04 out. 2022.
    • APA

      Duarte, F. S. L. G., Rios, R. A., Hruschka, E. R., & Mello, R. F. de. (2018). Time series decomposition using spring system applied on phase spaces. In Proceedings. Piscataway: IEEE. doi:10.1109/BRACIS.2018.00093
    • NLM

      Duarte FSLG, Rios RA, Hruschka ER, Mello RF de. Time series decomposition using spring system applied on phase spaces [Internet]. Proceedings. 2018 ;[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1109/BRACIS.2018.00093
    • Vancouver

      Duarte FSLG, Rios RA, Hruschka ER, Mello RF de. Time series decomposition using spring system applied on phase spaces [Internet]. Proceedings. 2018 ;[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1109/BRACIS.2018.00093
  • Source: Expert Systems with Applications. Unidade: ICMC

    Subjects: INTELIGÊNCIA ARTIFICIAL, ALGORITMOS GENÉTICOS

    Online source accessDOIHow to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
    • ABNT

      SILVA, Jonathan de Andrade e HRUSCHKA, Eduardo Raul e GAMA, João. An evolutionary algorithm for clustering data streams with a variable number of clusters. Expert Systems with Applications, v. 67, n. Ja 2017, p. 228-238, 2017Tradução . . Disponível em: http://dx.doi.org/10.1016/j.eswa.2016.09.020. Acesso em: 04 out. 2022.
    • APA

      Silva, J. de A., Hruschka, E. R., & Gama, J. (2017). An evolutionary algorithm for clustering data streams with a variable number of clusters. Expert Systems with Applications, 67( Ja 2017), 228-238. doi:10.1016/j.eswa.2016.09.020
    • NLM

      Silva J de A, Hruschka ER, Gama J. An evolutionary algorithm for clustering data streams with a variable number of clusters [Internet]. Expert Systems with Applications. 2017 ; 67( Ja 2017): 228-238.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1016/j.eswa.2016.09.020
    • Vancouver

      Silva J de A, Hruschka ER, Gama J. An evolutionary algorithm for clustering data streams with a variable number of clusters [Internet]. Expert Systems with Applications. 2017 ; 67( Ja 2017): 228-238.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1016/j.eswa.2016.09.020
  • Source: Neurocomputing. Unidade: ICMC

    Subjects: INTELIGÊNCIA ARTIFICIAL, APRENDIZADO COMPUTACIONAL, HEURÍSTICA

    Online source accessDOIHow to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
    • ABNT

      KANDA, Jorge et al. Meta-learning to select the best meta-heuristic for the Traveling Salesman Problem: a comparison of meta-features. Neurocomputing, v. 205, p. Se 2016, 2016Tradução . . Disponível em: http://dx.doi.org/10.1016/j.neucom.2016.04.027. Acesso em: 04 out. 2022.
    • APA

      Kanda, J., Carvalho, A. C. P. de L. F. de, Hruschka, E. R., Soares, C., & Brazdil, P. (2016). Meta-learning to select the best meta-heuristic for the Traveling Salesman Problem: a comparison of meta-features. Neurocomputing, 205, Se 2016. doi:10.1016/j.neucom.2016.04.027
    • NLM

      Kanda J, Carvalho ACP de LF de, Hruschka ER, Soares C, Brazdil P. Meta-learning to select the best meta-heuristic for the Traveling Salesman Problem: a comparison of meta-features [Internet]. Neurocomputing. 2016 ; 205 Se 2016.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1016/j.neucom.2016.04.027
    • Vancouver

      Kanda J, Carvalho ACP de LF de, Hruschka ER, Soares C, Brazdil P. Meta-learning to select the best meta-heuristic for the Traveling Salesman Problem: a comparison of meta-features [Internet]. Neurocomputing. 2016 ; 205 Se 2016.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1016/j.neucom.2016.04.027
  • Source: ACM Transactions on Autonomous and Adaptive Systems. Unidade: ICMC

    Subjects: INTELIGÊNCIA ARTIFICIAL, RECONHECIMENTO DE PADRÕES, ALGORITMOS

    Online source accessDOIHow to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
    • ABNT

      SILVA, Jonathan de Andrade e HRUSCHKA, Eduardo Raul. A support system for clustering data streams with a variable number of clusters. ACM Transactions on Autonomous and Adaptive Systems, v. 11, n. 2, p. 11:1-11:26, 2016Tradução . . Disponível em: http://dx.doi.org/10.1145/2932704. Acesso em: 04 out. 2022.
    • APA

      Silva, J. de A., & Hruschka, E. R. (2016). A support system for clustering data streams with a variable number of clusters. ACM Transactions on Autonomous and Adaptive Systems, 11( 2), 11:1-11:26. doi:10.1145/2932704
    • NLM

      Silva J de A, Hruschka ER. A support system for clustering data streams with a variable number of clusters [Internet]. ACM Transactions on Autonomous and Adaptive Systems. 2016 ; 11( 2): 11:1-11:26.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1145/2932704
    • Vancouver

      Silva J de A, Hruschka ER. A support system for clustering data streams with a variable number of clusters [Internet]. ACM Transactions on Autonomous and Adaptive Systems. 2016 ; 11( 2): 11:1-11:26.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1145/2932704
  • Source: ACM Computing Surveys. Unidade: ICMC

    Subjects: INTELIGÊNCIA ARTIFICIAL, APRENDIZADO COMPUTACIONAL

    Online source accessDOIHow to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
    • ABNT

      SILVA, Nádia Felix Felipe da e COLETTA, Luiz Fernando Sommaggio e HRUSCHKA, Eduardo Raul. A survey and comparative study of tweet sentiment analysis via semi-supervised learning. ACM Computing Surveys, v. 49, n. Ju 2016, p. 15:1-15:26, 2016Tradução . . Disponível em: http://dx.doi.org/10.1145/2932708. Acesso em: 04 out. 2022.
    • APA

      Silva, N. F. F. da, Coletta, L. F. S., & Hruschka, E. R. (2016). A survey and comparative study of tweet sentiment analysis via semi-supervised learning. ACM Computing Surveys, 49( Ju 2016), 15:1-15:26. doi:10.1145/2932708
    • NLM

      Silva NFF da, Coletta LFS, Hruschka ER. A survey and comparative study of tweet sentiment analysis via semi-supervised learning [Internet]. ACM Computing Surveys. 2016 ; 49( Ju 2016): 15:1-15:26.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1145/2932708
    • Vancouver

      Silva NFF da, Coletta LFS, Hruschka ER. A survey and comparative study of tweet sentiment analysis via semi-supervised learning [Internet]. ACM Computing Surveys. 2016 ; 49( Ju 2016): 15:1-15:26.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1145/2932708
  • Source: Information Sciences. Unidade: ICMC

    Subjects: INTELIGÊNCIA ARTIFICIAL, APRENDIZADO COMPUTACIONAL, MÍDIAS SOCIAIS

    Online source accessDOIHow to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
    • ABNT

      SILVA, Nádia Felix Felipe da et al. Using unsupervised information to improve semi-supervised tweet sentiment classification. Information Sciences, v. 355, p. 348-365, 2016Tradução . . Disponível em: http://dx.doi.org/10.1016/j.ins.2016.02.002. Acesso em: 04 out. 2022.
    • APA

      Silva, N. F. F. da, Coletta, L. F. S., Hruschka, E. R., & Hruschka Junior, E. R. (2016). Using unsupervised information to improve semi-supervised tweet sentiment classification. Information Sciences, 355, 348-365. doi:10.1016/j.ins.2016.02.002
    • NLM

      Silva NFF da, Coletta LFS, Hruschka ER, Hruschka Junior ER. Using unsupervised information to improve semi-supervised tweet sentiment classification [Internet]. Information Sciences. 2016 ; 355 348-365.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1016/j.ins.2016.02.002
    • Vancouver

      Silva NFF da, Coletta LFS, Hruschka ER, Hruschka Junior ER. Using unsupervised information to improve semi-supervised tweet sentiment classification [Internet]. Information Sciences. 2016 ; 355 348-365.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1016/j.ins.2016.02.002
  • Source: Evolutionary Computation. Unidade: ICMC

    Subjects: COMPUTAÇÃO EVOLUTIVA, ALGORITMOS GENÉTICOS

    Online source accessDOIHow to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
    • ABNT

      COVÕES, Thiago Ferreira e HRUSCHKA, Eduardo Raul e GHOSH, Joydeep. Evolving Gaussian mixture models with splitting and merging mutation operators. Evolutionary Computation, v. 24, n. 2, p. 293-317, 2016Tradução . . Disponível em: http://dx.doi.org/10.1162/EVCO_a_00152. Acesso em: 04 out. 2022.
    • APA

      Covões, T. F., Hruschka, E. R., & Ghosh, J. (2016). Evolving Gaussian mixture models with splitting and merging mutation operators. Evolutionary Computation, 24( 2), 293-317. doi:10.1162/EVCO_a_00152
    • NLM

      Covões TF, Hruschka ER, Ghosh J. Evolving Gaussian mixture models with splitting and merging mutation operators [Internet]. Evolutionary Computation. 2016 ; 24( 2): 293-317.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1162/EVCO_a_00152
    • Vancouver

      Covões TF, Hruschka ER, Ghosh J. Evolving Gaussian mixture models with splitting and merging mutation operators [Internet]. Evolutionary Computation. 2016 ; 24( 2): 293-317.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1162/EVCO_a_00152
  • Source: Integrated Computer-Aided Engineering. Unidade: ICMC

    Subjects: INTELIGÊNCIA ARTIFICIAL, ALGORITMOS

    Online source accessDOIHow to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
    • ABNT

      COLETTA, Luiz Fernando Sommaggio et al. Using metaheuristics to optimize the combination of classifier and cluster ensembles. Integrated Computer-Aided Engineering, v. 22, n. 3, p. 229-242, 2015Tradução . . Disponível em: http://dx.doi.org/10.3233/ICA-150485. Acesso em: 04 out. 2022.
    • APA

      Coletta, L. F. S., Hruschka, E. R., Acharya, A., & Ghosh, J. (2015). Using metaheuristics to optimize the combination of classifier and cluster ensembles. Integrated Computer-Aided Engineering, 22( 3), 229-242. doi:10.3233/ICA-150485
    • NLM

      Coletta LFS, Hruschka ER, Acharya A, Ghosh J. Using metaheuristics to optimize the combination of classifier and cluster ensembles [Internet]. Integrated Computer-Aided Engineering. 2015 ; 22( 3): 229-242.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.3233/ICA-150485
    • Vancouver

      Coletta LFS, Hruschka ER, Acharya A, Ghosh J. Using metaheuristics to optimize the combination of classifier and cluster ensembles [Internet]. Integrated Computer-Aided Engineering. 2015 ; 22( 3): 229-242.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.3233/ICA-150485
  • Source: Knowledge-Based Systems. Unidade: ICMC

    Subjects: INTELIGÊNCIA ARTIFICIAL, APRENDIZADO COMPUTACIONAL, MINERAÇÃO DE DADOS

    Online source accessDOIHow to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
    • ABNT

      PEREIRA, Andre Luiz Vizine e HRUSCHKA, Eduardo Raul. Simultaneous co-clustering and learning to address the cold start problem in recommender systems. Knowledge-Based Systems, v. 82, p. 11-19, 2015Tradução . . Disponível em: http://dx.doi.org/10.1016/j.knosys.2015.02.016. Acesso em: 04 out. 2022.
    • APA

      Pereira, A. L. V., & Hruschka, E. R. (2015). Simultaneous co-clustering and learning to address the cold start problem in recommender systems. Knowledge-Based Systems, 82, 11-19. doi:10.1016/j.knosys.2015.02.016
    • NLM

      Pereira ALV, Hruschka ER. Simultaneous co-clustering and learning to address the cold start problem in recommender systems [Internet]. Knowledge-Based Systems. 2015 ; 82 11-19.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1016/j.knosys.2015.02.016
    • Vancouver

      Pereira ALV, Hruschka ER. Simultaneous co-clustering and learning to address the cold start problem in recommender systems [Internet]. Knowledge-Based Systems. 2015 ; 82 11-19.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1016/j.knosys.2015.02.016
  • Source: Pattern Recognition Letters. Unidade: ICMC

    Subjects: INTELIGÊNCIA ARTIFICIAL, MINERAÇÃO DE DADOS

    Online source accessDOIHow to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
    • ABNT

      CORRÊA, Geraldo N et al. Interactive textual feature selection for consensus clustering. Pattern Recognition Letters, v. 52, n. ja 2015, p. 25-31, 2015Tradução . . Disponível em: http://dx.doi.org/10.1016/j.patrec.2014.09.008. Acesso em: 04 out. 2022.
    • APA

      Corrêa, G. N., Marcacini, R. M., Hruschka, E. R., & Rezende, S. O. (2015). Interactive textual feature selection for consensus clustering. Pattern Recognition Letters, 52( ja 2015), 25-31. doi:10.1016/j.patrec.2014.09.008
    • NLM

      Corrêa GN, Marcacini RM, Hruschka ER, Rezende SO. Interactive textual feature selection for consensus clustering [Internet]. Pattern Recognition Letters. 2015 ; 52( ja 2015): 25-31.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1016/j.patrec.2014.09.008
    • Vancouver

      Corrêa GN, Marcacini RM, Hruschka ER, Rezende SO. Interactive textual feature selection for consensus clustering [Internet]. Pattern Recognition Letters. 2015 ; 52( ja 2015): 25-31.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1016/j.patrec.2014.09.008
  • Source: International Journal of Bio-Inspired Computation. Unidade: ICMC

    Subjects: INTELIGÊNCIA ARTIFICIAL, ALGORITMOS

    Online source accessDOIHow to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
    • ABNT

      COLETTA, Luiz Fernando Sommaggio et al. A differential evolution algorithm to optimise the combination of classifier and cluster ensembles. International Journal of Bio-Inspired Computation, v. 7, n. 2, p. 111-124, 2015Tradução . . Disponível em: http://dx.doi.org/10.1504/IJBIC.2015.069288. Acesso em: 04 out. 2022.
    • APA

      Coletta, L. F. S., Hruschka, E. R., Acharya, A., & Ghosh, J. (2015). A differential evolution algorithm to optimise the combination of classifier and cluster ensembles. International Journal of Bio-Inspired Computation, 7( 2), 111-124. doi:10.1504/IJBIC.2015.069288
    • NLM

      Coletta LFS, Hruschka ER, Acharya A, Ghosh J. A differential evolution algorithm to optimise the combination of classifier and cluster ensembles [Internet]. International Journal of Bio-Inspired Computation. 2015 ; 7( 2): 111-124.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1504/IJBIC.2015.069288
    • Vancouver

      Coletta LFS, Hruschka ER, Acharya A, Ghosh J. A differential evolution algorithm to optimise the combination of classifier and cluster ensembles [Internet]. International Journal of Bio-Inspired Computation. 2015 ; 7( 2): 111-124.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1504/IJBIC.2015.069288
  • Source: Talking about computing and genomic (TACG) : modelos e métodos computacionais em bioinformática. Unidade: ICMC

    Subjects: INTELIGÊNCIA ARTIFICIAL, MINERAÇÃO DE DADOS, MELHORAMENTO GENÉTICO ANIMAL, PECUÁRIA

    How to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
    • ABNT

      GONZAGA, André et al. Mineração de dados para identificar atributos genéticos associados à características de interesse econômico à pecuária. Talking about computing and genomic (TACG) : modelos e métodos computacionais em bioinformática. Tradução . Brasília: Embrapa, 2014. . . Acesso em: 04 out. 2022.
    • APA

      Gonzaga, A., Mudadu, M. de A., Higa, R. H., & Hruschka, E. R. (2014). Mineração de dados para identificar atributos genéticos associados à características de interesse econômico à pecuária. In Talking about computing and genomic (TACG) : modelos e métodos computacionais em bioinformática. Brasília: Embrapa.
    • NLM

      Gonzaga A, Mudadu M de A, Higa RH, Hruschka ER. Mineração de dados para identificar atributos genéticos associados à características de interesse econômico à pecuária. In: Talking about computing and genomic (TACG) : modelos e métodos computacionais em bioinformática. Brasília: Embrapa; 2014. [citado 2022 out. 04 ]
    • Vancouver

      Gonzaga A, Mudadu M de A, Higa RH, Hruschka ER. Mineração de dados para identificar atributos genéticos associados à características de interesse econômico à pecuária. In: Talking about computing and genomic (TACG) : modelos e métodos computacionais em bioinformática. Brasília: Embrapa; 2014. [citado 2022 out. 04 ]
  • Source: Proceedings. Conference title: International Conference on Pattern Recognition - ICPR. Unidade: ICMC

    Subjects: INTELIGÊNCIA ARTIFICIAL, MINERAÇÃO DE DADOS, APRENDIZADO COMPUTACIONAL

    Online source accessDOIHow to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
    • ABNT

      MARCACINI, Ricardo M et al. Privileged information for hierarchical document clustering: a metric learning approach. 2014, Anais.. Los Alamitos: Conference Publishing Services, 2014. Disponível em: http://dx.doi.org/10.1109/ICPR.2014.625. Acesso em: 04 out. 2022.
    • APA

      Marcacini, R. M., Domingues, M. A., Hruschka, E. R., & Rezende, S. O. (2014). Privileged information for hierarchical document clustering: a metric learning approach. In Proceedings. Los Alamitos: Conference Publishing Services. doi:10.1109/ICPR.2014.625
    • NLM

      Marcacini RM, Domingues MA, Hruschka ER, Rezende SO. Privileged information for hierarchical document clustering: a metric learning approach [Internet]. Proceedings. 2014 ;[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1109/ICPR.2014.625
    • Vancouver

      Marcacini RM, Domingues MA, Hruschka ER, Rezende SO. Privileged information for hierarchical document clustering: a metric learning approach [Internet]. Proceedings. 2014 ;[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1109/ICPR.2014.625
  • Source: Proceedings. Conference title: International Workshop on Semantic Evaluation - SemEval. Unidade: ICMC

    Subjects: INTELIGÊNCIA ARTIFICIAL, WEB SEMÂNTICA, MÍDIAS SOCIAIS

    Online source accessHow to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
    • ABNT

      SILVA, Nádia Felix Felipe da e HRUSCHKA, Eduardo Raul e HRUSCHKA JUNIOR, Estevam Rafael. Biocom_Usp: tweet sentiment analysis with adaptive boosting ensemble. 2014, Anais.. Stroudsburg: ACL, 2014. Disponível em: http://www.aclweb.org/anthology/S/S14/S14-2017.pdf. Acesso em: 04 out. 2022.
    • APA

      Silva, N. F. F. da, Hruschka, E. R., & Hruschka Junior, E. R. (2014). Biocom_Usp: tweet sentiment analysis with adaptive boosting ensemble. In Proceedings. Stroudsburg: ACL. Recuperado de http://www.aclweb.org/anthology/S/S14/S14-2017.pdf
    • NLM

      Silva NFF da, Hruschka ER, Hruschka Junior ER. Biocom_Usp: tweet sentiment analysis with adaptive boosting ensemble [Internet]. Proceedings. 2014 ;[citado 2022 out. 04 ] Available from: http://www.aclweb.org/anthology/S/S14/S14-2017.pdf
    • Vancouver

      Silva NFF da, Hruschka ER, Hruschka Junior ER. Biocom_Usp: tweet sentiment analysis with adaptive boosting ensemble [Internet]. Proceedings. 2014 ;[citado 2022 out. 04 ] Available from: http://www.aclweb.org/anthology/S/S14/S14-2017.pdf
  • Source: Proceedings. Conference title: Symposium on Knowledge Discovery, Mining and Learning - KDMiLe. Unidade: ICMC

    Subjects: INTELIGÊNCIA ARTIFICIAL, APRENDIZADO COMPUTACIONAL, BANCO DE DADOS

    Online source accessHow to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
    • ABNT

      GUERRA, Pedro Calais e NAKAMURA, Rodrigo Yuji Mizobe e HRUSCHKA, Eduardo Raul. Estimativa de demanda potencial de matrículas em ensino superior usando dados públicos e múltiplos modelos de regressão. 2014, Anais.. São Carlos: ICMC-USP, 2014. Disponível em: http://www2.dc.ufscar.br/~marcela/anaisKDMiLe2014/artigos/SHORT/kdmile2014_Short2.pdf. Acesso em: 04 out. 2022.
    • APA

      Guerra, P. C., Nakamura, R. Y. M., & Hruschka, E. R. (2014). Estimativa de demanda potencial de matrículas em ensino superior usando dados públicos e múltiplos modelos de regressão. In Proceedings. São Carlos: ICMC-USP. Recuperado de http://www2.dc.ufscar.br/~marcela/anaisKDMiLe2014/artigos/SHORT/kdmile2014_Short2.pdf
    • NLM

      Guerra PC, Nakamura RYM, Hruschka ER. Estimativa de demanda potencial de matrículas em ensino superior usando dados públicos e múltiplos modelos de regressão [Internet]. Proceedings. 2014 ;[citado 2022 out. 04 ] Available from: http://www2.dc.ufscar.br/~marcela/anaisKDMiLe2014/artigos/SHORT/kdmile2014_Short2.pdf
    • Vancouver

      Guerra PC, Nakamura RYM, Hruschka ER. Estimativa de demanda potencial de matrículas em ensino superior usando dados públicos e múltiplos modelos de regressão [Internet]. Proceedings. 2014 ;[citado 2022 out. 04 ] Available from: http://www2.dc.ufscar.br/~marcela/anaisKDMiLe2014/artigos/SHORT/kdmile2014_Short2.pdf
  • Source: Proceedings. Conference title: Brazilian Conference on Intelligent Systems - BRACIS. Unidade: ICMC

    Subjects: INTELIGÊNCIA ARTIFICIAL, RECONHECIMENTO DE PADRÕES, WEB SEMÂNTICA, MÍDIAS SOCIAIS

    Online source accessDOIHow to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
    • ABNT

      COLETTA, Luiz Fernando Sommaggio et al. Combining classification and clustering for tweet sentiment analysis. 2014, Anais.. Los Alamitos: Conference Publishing Services, 2014. Disponível em: http://dx.doi.org/10.1109/BRACIS.2014.46. Acesso em: 04 out. 2022.
    • APA

      Coletta, L. F. S., Silva, N. F. F. da, Hruschka, E. R., & Hruschka Junior, E. R. (2014). Combining classification and clustering for tweet sentiment analysis. In Proceedings. Los Alamitos: Conference Publishing Services. doi:10.1109/BRACIS.2014.46
    • NLM

      Coletta LFS, Silva NFF da, Hruschka ER, Hruschka Junior ER. Combining classification and clustering for tweet sentiment analysis [Internet]. Proceedings. 2014 ;[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1109/BRACIS.2014.46
    • Vancouver

      Coletta LFS, Silva NFF da, Hruschka ER, Hruschka Junior ER. Combining classification and clustering for tweet sentiment analysis [Internet]. Proceedings. 2014 ;[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1109/BRACIS.2014.46
  • Source: ACM Transactions on Knowledge Discovery from Data. Unidade: ICMC

    Subjects: INTELIGÊNCIA ARTIFICIAL, RECONHECIMENTO DE PADRÕES, ALGORITMOS, VISÃO COMPUTACIONAL

    Online source accessDOIHow to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
    • ABNT

      ACHARYA, Ayan et al. An optimization framework for combining ensembles of classifiers and clusterers with applications to nontransductive semisupervised learning and transfer learning. ACM Transactions on Knowledge Discovery from Data, v. 9, n. 1, p. 1:1-1:35, 2014Tradução . . Disponível em: http://dx.doi.org/10.1145/2601435. Acesso em: 04 out. 2022.
    • APA

      Acharya, A., Hruschka, E. R., Ghosh, J., & Acharyya, S. (2014). An optimization framework for combining ensembles of classifiers and clusterers with applications to nontransductive semisupervised learning and transfer learning. ACM Transactions on Knowledge Discovery from Data, 9( 1), 1:1-1:35. doi:10.1145/2601435
    • NLM

      Acharya A, Hruschka ER, Ghosh J, Acharyya S. An optimization framework for combining ensembles of classifiers and clusterers with applications to nontransductive semisupervised learning and transfer learning [Internet]. ACM Transactions on Knowledge Discovery from Data. 2014 ; 9( 1): 1:1-1:35.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1145/2601435
    • Vancouver

      Acharya A, Hruschka ER, Ghosh J, Acharyya S. An optimization framework for combining ensembles of classifiers and clusterers with applications to nontransductive semisupervised learning and transfer learning [Internet]. ACM Transactions on Knowledge Discovery from Data. 2014 ; 9( 1): 1:1-1:35.[citado 2022 out. 04 ] Available from: http://dx.doi.org/10.1145/2601435

Digital Library of Intellectual Production of Universidade de São Paulo     2012 - 2022