-
1Conference
Subject Terms: МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОПТИМИЗАЦИИ ЭНЕРГОПОТРЕБЛЕНИЯ, ЭЛЕКТРОДУГОВЫЕ ПЕЧИ, ЭЛЕКТРОМЕТАЛЛУРГИЯ
File Description: application/pdf
Access URL: https://elar.urfu.ru/handle/10995/143811
-
2Academic Journal
-
3Academic Journal
Source: Стратегическое планирование и развитие предприятий.
Subject Terms: регионы, инновации, технологии, методы машинного обучения, новизна
-
4Academic Journal
Source: Научно-технический вестник информационных технологий, механики и оптики, Vol 24, Iss 2, Pp 256-266 (2024)
Subject Terms: методы машинного обучения, состязательные атаки, защитные механизмы, информационные системы на базе искусственного интеллекта, состязательное обучение, Information technology, T58.5-58.64
File Description: electronic resource
-
5Academic Journal
Authors: Курышева, Н.И., Померанцев, А.Л., Родионова, О.Е., Шарова, Г.А.
Source: FYODOROV JOURNAL OF OPHTHALMIC SURGERY ; No. 2 (2025): FYODOROV JOURNAL OF OPHTHALMIC SURGERY; 79-87 ; ОФТАЛЬМОХИРУРГИЯ; № 2 (2025): Офтальмохирургия; 79-87 ; 2312-4970 ; 0235-4160
Subject Terms: первичное закрытие угла передней камеры, SS-OCT, оптическая когерентная томография переднего отрезка (AS-OCT), периферическая лазерная иридотомия, методы машинного обучения, PLS-регрессия, primary angle closure, optical coherence tomography the anterior segment (AS-OCT), laser peripheral iridotomy, machine learning, Partial Least Squares regression
File Description: application/pdf
-
6Academic Journal
Authors: A. F. Cheshkova, А. Ф. Чешкова
Source: Vavilov Journal of Genetics and Breeding; Том 29, № 2 (2025); 310-319 ; Вавиловский журнал генетики и селекции; Том 29, № 2 (2025); 310-319 ; 2500-3259 ; 10.18699/vjgb-25-20
Subject Terms: сокращение размерности, fungal diseases of strawberries, machine learning methods, dimensionality reduction, грибные болезни земляники, методы машинного обучения
File Description: application/pdf
Relation: https://vavilov.elpub.ru/jour/article/view/4550/1938; Benos L., Tagarakis A., Dolias G., Berruto R., Kateris D., Bochtis D. Machine learning in agriculture: a comprehensive updated review. Sensors. 2021;21:3758. doi 10.3390/s21113758; Cheshkova A.F. A review of hyperspectral image analysis techniques for plant disease detection and identification. Vavilovskii Zhurnal Genetiki i Selektsii = Vavilov J Genet Breed. 2022;26(2):202-213. doi 10.18699/VJGB-22-25; Cheshkova A.F. Application of machine learning methods for the differentiation of fungal diseases in strawberry based on hyperspectral image analysis. E3S Web Conf. 2023;390:03018. doi 10.1051/e3sconf/202339003018; Cockerton H.M., Li B., Vickerstaff R.J., Eyre C.A., Sargent D.J., Armitage A.D., Marina-Montes C., Garcia-Cruz A., Passey A.J., Simpson D.W., Harrison R.J. Identifying Verticillium dahlia resistance in strawberry through disease screening of multiple populations and image based phenotyping. Front Plant Sci. 2019;10:924. doi 10.3389/fpls.2019.00924; Garrido C., Carbu M., Fernandez-Acero J.F., Gonzalez-Rodriguez V.E., Cantoral J.M., New insights in the study of strawberry fungal pathogens. In: Husaini A.M., Mercado J.A. (Eds) Genomics, Transgenics, Molecular Breeding and Biotechnology of Strawberry. Global Science Books, UK, 2011;24-39; Govorova G.F., Govorov D.N. Fungal Diseases of Garden Strawberries: Breeding for Immunity and Other Methods of Protection. Moscow, 2015 (in Russian); Jiang Q., Wu G., Tian C., Li N., Yang H., Bai Y., Zhang B. Hyperspectral imaging for early identification of strawberry leaves diseases with machine learning and spectral fingerprint features. Infrared Phys Technol. 2021;118:103898. doi 10.1016/j.infrared.2021.103898; Kononenko I. Estimating attributes: analysis and extensions of RELIEF. In: Bergadano F., De Raedt L. (Eds) Machine Learning: ECML-94. Lecture Notes in Computer Science. Vol. 784. Berlin: Springer, 1994;171-182. doi 10.1007/3-540-57868-4_57; Liu D., Sun D.W., Zeng X.A. Recent advances in wavelength selection techniques for hyperspectral image processing in the food industry. Food Bioprocess Technol. 2014;7:307-323. doi 10.1007/s11947-013-1193-6; Lu J., Ehsani R., Shi Y., Abdulridha J., de Castro A.I., Xu Y. Field detection of anthracnose crown rot in strawberry using spectroscopy technology. Comput Electron Agric. 2017;135:289-299. doi 10.1016/j.compag.2017.01.017; Luo X., Takahashi T., Kyo K., Zhang S. Wavelength selection in vis/ NIR spectra for detection of bruises on apples by ROC analysis. J Food Eng. 2012;109(3):457-466. doi 10.1016/j.jfoodeng.2011.10.035; Mahlein A.-K., Rumpf T., Welke P., Dehne H.-W., Plümer L., Steiner U., Oerke E.-C. Development of spectral indices for detecting and identifying plant diseases. Remote Sens Environ. 2013;128:21- 30. doi 10.1016/j.rse.2012.09.019; Mahlein A.-K., Kuska M.T., Behmann J., Polder G., Walter A. Hyperspectral sensors and imaging technologies in phytopathology: state of the art. Annu Rev Phytopathol. 2018;56:535-558. doi 10.1146/annurev-phyto-080417-050100; Mahmud M.S., Zaman Q.U., Esau T.J., Chang Y.K., Price G.W., Prithiviraj B. Real-time detection of strawberry powdery mildew disease using a mobile machine vision system. Agronomy. 2020;10:1027. doi 10.3390/agronomy10071027; Maximov L.V., Gurova T.A., Elkin O.V. Development of software and hardware complex for phenotyping of grain crop stress by hyperspectral images. In: Spatial Data Processing for Monitoring of Natural and Anthropogenic Processes (SDM-2023). Novosibirsk, 2023; 289-293. doi 10.25743/sdm.2023.42.73.049 (in Russian); Mehmood T., Liland K.H., Snipen L., Sæbø S. A review of variable selection methods in Partial Least Squares Regression. Chemom Intell Lab Syst. 2012;118:62-69. doi 10.1016/j.chemolab.2012.07.010; Mishra P., Asaari M., Herrero-Langreo A., Lohumi S., Diezma B., Scheunders P. Close range hyperspectral imaging of plants: a review. Biosyst Eng. 2017;164:49-67. doi 10.1016/j.biosystemseng.2017.09.009; Nagaraju M., Chawla P. Systematic review of deep learning techniques in plant disease detection. Int J Syst Assur Eng Manag. 2020;11(3): 547-560. doi 10.1007/s13198-020-00972-1; Savitzky A., Golay M.J.E. Smoothing and differentiation of data by simplified least squares procedures. Anal Chem. 1964;36(8):1627-1639; Singh A., Ganapathysubramanian B., Singh A.K., Sarkar S. Machine learning for high-throughput stress phenotyping in plants. Trends Plant Sci. 2016;21(2):110-124. doi 10.1016/j.tplants.2015.10.015; Sun W., Du Q. Hyperspectral band selection: a review. IEEE Geosci Remote Sens Mag. 2019;7(2):118-139. doi 10.1109/MGRS.2019.2911100; Urbanowicz R.J., Meeker M., Cava W., Olson R.S., Moore J.H. Relief-based feature selection: introduction and review. J Biomed Inf. 2018;85:189-203. doi 10.1016/j.jbi.2018.07.014; Vidal M., Amigo J.M. Pre-processing of hyperspectral images. Essential steps before image analysis. Chemom Intell Lab. 2012;117:138- 148. doi 10.1016/j.chemolab.2012.05.009; Wu G., Fang Y., Jiang Q., Cui M., Li N., Ou Y., Diao Z., Zhang B. Early identification of strawberry leaves disease utilizing hyperspectral imaging combing with spectral features, multiple vegetation indices and textural features. Comput Electron Agric. 2023;204:107553. doi 10.1016/j.compag.2022.107553; Yang G., Liu J., Zhao C., Li Z., Huang Y., Yu H., Xu B., Yang X., Zhu D., Zhang X., Zhang R., Feng H., Zhao X., Li Z., Li H., Yang H. Unmanned aerial vehicle remote sensing for field-based crop phenotyping: current status and perspectives. Front Plant Sci. 2017;8: 1111. doi 10.3389/fpls.2017.01111; Zheng C., Abd-Elrahman A., Whitaker V. Remote sensing and machine learning in crop phenotyping and management, with an emphasis on applications in strawberry farming. Remote Sens. 2021;13:531. doi 10.3390/rs13030531; https://vavilov.elpub.ru/jour/article/view/4550
-
7Academic Journal
Authors: T. Yu. Zengina, G. G. Osadchaya, V. V. Baranov, Т. Ю. Зенгина, Г. Г. Осадчая, В. В. Баранов
Contributors: The study was carried out within the framework of the State Assignment of the Faculty of Geography of Lomonosov Moscow State University no. 121051100162-6., Исследование выполнено в рамках темы НИР по Государственному заданию географического факультета МГУ имени М.В. Ломоносова №121051100162-6 и Программы развития Междисциплинарной научно-образовательной школы МГУ имени М.В. Ломоносова “Будущее планеты и глобальные изменения окружающей среды”.
Source: Izvestiya Rossiiskoi Akademii Nauk. Seriya Geograficheskaya; Том 88, № 3 (2024): Специальный выпуск: Геоэкологические последствия климатических изменений: основные проблемы и возможности адаптации; 306-320 ; Известия Российской академии наук. Серия географическая; Том 88, № 3 (2024): Специальный выпуск: Геоэкологические последствия климатических изменений: основные проблемы и возможности адаптации; 306-320 ; 2658-6975 ; 2587-5566
Subject Terms: нефтяные и газоконденсатные месторождения, thermokarst landscapes, climate changes, predictive modeling, ensemble methods of machine learning, oil and gas condensate fields, озерные термокарстовые ландшафты, климатические изменения, прогнозное моделирование, ансамблевые методы машинного обучения
File Description: application/pdf
Relation: https://izvestia.igras.ru/jour/article/view/2779/1848; Викторов А.С., Капралова В.Н., Архипова М.В. Моделирование развития морфологической структуры эрозионно-термокарстовых равнин с использованием материалов дистанционных съемок // Исследование земли из космоса. 2019. № 2. С. 55–64.; Гречищев С.Е., Чистотинов Л.В., Шур Ю.Л. Криогенные физико-геологические процессы и их прогноз. М.: Недра, 1980. 383 с.; Достовалов В.Н., Кудрявцев В.А. Общее мерзлотоведение: Учеб. М.: Изд-во Моск. ун-та, 1967. 403 с.; Зенгина Т.Ю., Осадчая Г.Г., Парада Н.Н. Биосферные функции криолитозоны Тимано-Печорской нефтегазоносной провинции в условиях промыш-ленного освоения // Вестн. Рос. ун-та дружбы народов. Сер. Экология и безопасность жизнедеятельности. Изд-во Российского университета дружбы народов. 2011. № 3. С. 32–38.; Капралова В.Н., Викторов А.С. Количественные закономерности изменения размеров термокарстовых озер и оценка рисков // Сергеевские чтения. М.: ГЕОС, 2013. Вып. 15. С. 437–442.; Качурин С.П. Термокарст на территории СССР. М., 1961. 291 с.; Кирикова Н.С., Осадчая Г.Г. К вопросу о вероятности развития термокарста в Тимано-Печорской провинции // Инженерно-геологическое изучение термокарстовых процессов и методы управления ими при строительстве и эксплуатации сооружений (ИГК-98). СПб.: ВНИИГ им. Б.Е. Веденеева, 1998. С. 32–35.; Кравцова В.И. Распространение термокарстовых озер в России в пределах зоны современной мерзлоты // Вестн. Моск. ун-та. Сер. 5. География. 2009. № 3. С. 33–42.; Малкова Г.В., Садуртдинов М.Р., Скворцов А.Г. и др. Температурный режим верхних горизонтов пород в нарушенных и ненарушенных криогенных ландшафтах европейского севера: матер. V конф. геокриологов России. Ч. 6: Динамическая геокриология. Москва, 14–17 июня 2016 г. Сумы: Университетская книга, 2016. С. 63–69.; Маслов А.Д., Осадчая Г.Г., Тумель Н.В., Шполянская Н.А. Основы геокриологии: Учеб. пособие. Ухта: Институт управления, информации и бизнеса, 2005. 176 с.; Общее мерзлотоведение / под ред. П.И. Мельникова, Н.И. Толстихина. Новосибирск: Наука, Сибирское отд., 1974. 302 с.; Осадчая Г.Г. Торфяники криолитозоны европейского северо-востока: зональные особенности развития // Современные исследования трансформации криосферы и вопросы геотехнической безопасности сооружений в Арктике / под ред. В.П. Мельникова и М.Р. Садуртдинова. Салехард, 2021. С. 327–330.; Осадчая Г.Г., Зенгина Т.Ю. Возможности сбалансированного использования биосферного и ресурсного потенциала Большеземельской тундры // Криосфера Земли. 2012. Т. XVI. № 2. С. 43–51.; Осадчая Г.Г., Пижанкова Е.И. Мерзлотно-ландшафтные условия Большеземельской тундры и их картографирование на основе использования дистанционных данных // Криосфера Земли. 2023. Т. XXVII. № 6. С. 12–26.; Осадчая Г.Г., Тумель Н.В., Королева А.М. Морфологическая структура криогенных ландшафтов Большеземельской тундры // Криосфера Земли. 2016. Т. XХ. № 3. С. 14–23.; Осадчая Г.Г., Тумель Н.В., Зенгина Т.Ю., Лаптева Е.М. Обзорная геокриологическая карта Большеземельской тундры (Республика Коми и Ненецкий автономный округ) М-б 1 : 1000000 // В рамках проекта ПРООН/ГЭФ/ЕС “Укрепление системы особо охраняемых природных территорий Республики Коми в целях сохранения биоразнообразия первичных лесов в районе верховьев р. Печора”, 2015. C. 1–112.; Полищук В.Ю., Полищук Ю.М. Геоимитационное моделирование полей термокарстовых озер в зонах мерзлоты. Ханты-Мансийск: УИП ЮГУ, 2013. 129 с.; Природные опасности России. Геокриологические опасности. М.: Изд-во фирма “Крук”, 2000. 315 с.; Тумель Н.В., Зотова Л.И. Геоэкология криолитозоны: Учеб. пособие. М.: Географический фак-тет МГУ, 2014. 244 с.; Фельдман Г.М. Термокарст и вечная мерзлота. Новосибирск: Наука, 1984. 261 с.; Хабибуллин И.Л., Лобастова С.А., Хусаинова З.Р., Солдаткин М.В., Бураншина А.Р. Моделирование процесса термокарста // Вестн. Башкирского унта. 2007. № 1. С. 21–24.; Шполянская Н.А., Осадчая Г.Г., Малкова Г.В. Современные изменения климата и реакция криолитозоны (на примере Западной Сибири и Европейского севера России) // Географическая среда и живые системы. 2022. № 1. С. 6–29. https://doi.org/10.18384/2712-7621-2022-1-6-30; Шур Ю.Л. Верхний горизонт толщи мерзлых пород и термокарст. Новосибирск: Наука. Сиб. отд., 1988. 213 с.; Brown J., Ferrians O.J., Hegginbottom J.A., Melnikov E.S. Circum-Arctic map of permafrost and ground-ice conditions. Map CP-45. In CircumPacific Map Series. Washington: U.S. Geological Survey, 1997. https://doi.org/110.3133/cp45; Fick S.E., Hijmans R.J. WorldClim 2: new 1-km spatial resolution climate surfaces for global land areas // Int. J. Climatol. 2017. Vol. 37. P. 4302–4315. https://doi.org/10.1002/joc.5086; Guisan A., Thuiller W., Zimmermann N. The Biomod2 Modeling Package Examples. In Habitat Suitability and Distribution Models: With Applications in R // Ecology, Biodiversity and Conservation. P. 357–400. Cambridge: Cambridge Univ. Press, 2017. https://doi.org/10.1017/9781139028271.027; Huang L., Liu L., Jiang L., Zhang T. Automatic Mapping of Thermokarst Landforms from Remote Sensing Images Using Deep Learning: A Case Study in the Northeastern Tibetian Plateau // Remote Sens. 2018. Vol. 10. 2067 p. https://doi.org/10.3390/rs1012206; Kuncheva L., Whitaker C. Measures of diversity in classifier ensembles // Machine Learning. 2003. Vol. 51. P. 181–207. https://doi.org/10.1023/A:1022859003006; Malkova G., Drozdov D., Vasiliev A., et al. Spatial and Temporal Variability of Permafrost in the Western Part of the Russian Arctic // Energies. 2022. Vol. 15. 2311 p. https://doi.org/10.3390/en15072311; Nitze I., Cooley S.W., Duguay C.R., Jones B.M., Grosse G. The catastrophic thermokarst lake drainage events of 2018 in northwestern Alaska: fast-forward into the future // The Cryosphere. 2020. Vol. 14. P. 4279–4297. https://doi.org/10.5194/tc-14-4279-2020; Olefeldt D., Goswami S., Grosse G., Hayes D.J., Hugelius G., Kuhry P., Sannel B., Schuur E.A.G., Turetsky M.R. Arctic Circumpolar Distribution and Soil Carbon of Thermokarst Landscapes. 2015. https://doi.org/10.3334/ORNLDAAC/1332; Opitz D., Maclin R. Popular ensemble methods: An empirical study // J. of Artificial Intelligence Res. 1999. Vol. 11. P. 169–198. https://doi.org/10.1613/jair.614; Popova A.A., Rivkin F.M., Ivanova N.V. Map of EngineeringGeocryological Zoning of European North-East, Scale 1 : 1000000 / 2nd European Conference on Permafrost. Potsdam, 2005. P. 190–191.; Shpolianskaya N. Permafrost dynamics and Global Climate Change // Biodiversity and Ecosystem Insecurity. A Planet in Peril. London–Washington, DC: Earthscan, 2011. P. 130–140.; Thuiller W., Lafourcade B., Engler R., Araujo M.B. BIOMOD-a platform for ensemble forecasting of species distributions // Ecography. 2009. Vol. 32. P. 369–373. https://doi.org/1111/j.1600-0587.2008.05742.x; Thuiller W., Georges D., Engler R. biomod2: Ensemble platform for species distribution modelling, 2014.; Wood S.N. Fast stable restricted maximum likelihood and marginal likelihood estimation of semiparametric generalized linear models // J. R. Stat. Soc. B. 2011. Vol. 73. P. 3–36. https://doi.org/10.1111/j.1467-9868.2010.00749.x; Yin G., Luo J., Niu F., et al. Machine learning-based thermokarst landslide susceptibility modeling across the permafrost region on the Qinghai-Tibet Plateau // Landslides. 2021. Vol. 18. P. 2639–2649. https://doi.org/10.1007/s10346-021-01669-7; Zengina T., Baranov V., Kirillov S., Slipenchuk M. Using Ensemble Machine Learning Methods for Regional Forecasting of Geocryological Manifestations (on the Example of the European North-East of Russia). In: Information Technologies and Intelligent Decision Making Systems. Second International Conference, ITIDMS2022, Virtual Event, December 12–14, 2022, Revised Selected Papers / A. Gibadullin (Ed.). Cham: Springer, 2023. https://doi.org/10.1007/978-3-031-31353-0_10; Ziehn T., Chamberlain M., Lenton A., Law R., Bodman R., Dix M., Mackallah Ch., Druken K., Ridzwan S.M. CSIRO ACCESS-ESM1.5 model output prepared for CMIP6 C4MIP // Earth System Grid Federation. 2019. https://doi.org/10.22033/ESGF/CMIP6.2286; https://izvestia.igras.ru/jour/article/view/2779
-
8Academic Journal
Subject Terms: обработка естественного языка, оценка эмоциональной окраски текста, эмоциональная окраска текста, метод опорных векторов (SVM), логистическая регрессия, методы машинного обучения, наивный байесовский классификатор
File Description: application/pdf
Access URL: https://elib.belstu.by/handle/123456789/68089
-
9Academic Journal
Source: Информационные и математические технологии в науке и управлении. :15-26
Subject Terms: метод случайного поиска, задача регрессии, задача классификации, дерево решений, метод Trust-region, статистические методы, многомерная оптимизация, число обусловленности, методы машинного обучения
-
10Academic Journal
Source: Экономика и предпринимательство. :1324-1328
Subject Terms: факторный анализ, Granger test for causality, системный анализ, correlation analysis, machine learning methods, factor analysis, system analysis, корреляционный анализ, тест Грэнджера на причинность, методы машинного обучения
-
11Academic Journal
Authors: Ольга Николаевна Половикова, Анастасия Станиславовна Маничева, Вячеслав Вячеславович Ширяев
Source: Известия Алтайского государственного университета, Iss 1(135), Pp 126-131 (2024)
Subject Terms: генетические мутации, методы машинного обучения, классификация, кодирование текста, токенизация, векторизация, метрики качества обучения, логарифмическая функция потерь, подбор гиперпараметров модели, Physics, QC1-999, History (General), D1-2009
File Description: electronic resource
-
12Academic Journal
Source: Экономика и предпринимательство. :1217-1223
Subject Terms: системный анализ, нечеткая когнитивная карта, динамическая тематическая модель, модель Doc2Vec для векторного представления выражений, тест Грэнджера на причинность, когнитивное моделирование, методы машинного обучения
-
13Academic Journal
Contributors: Корчевская, Е. А., науч. рук.
Subject Terms: языки программирования, диагностика заболеваний, сердечно-сосудистые заболевания, методы машинного обучения, электрокардиограмма, медицина, программное обеспечение, Python
File Description: application/pdf
Access URL: https://rep.vsu.by/handle/123456789/43194
-
14Book
Contributors: Сысков, А. М.
Subject Terms: ОБРАБОТКА СИГНАЛОВ ЭЭГ ДЛЯ ИМК, ИНТЕРФЕЙСЫ МОЗГ-КОМПЬЮТЕР, МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ИМК, ШАБЛОНЫ ПРОЕКТИРОВАНИЯ ИМК, УЧЕБНЫЕ ПОСОБИЯ, МУЛЬТИМОДАЛЬНЫЕ ИМК, ИМК
File Description: application/pdf
Access URL: http://elar.urfu.ru/handle/10995/124881
-
15Academic Journal
Authors: Asadullaev, Rustam, Sitnikova, Maria, Sletov, Alexander, Sitnikov, Andrey, Malykh, Sergey, Асадуллаев, Рустам Г., Ситникова, Мария А., Слетов, Александр А., Ситников, Андрей В., Малых, Сергей Б.
Source: Russian Psychological Journal; Vol. 21 No. 1 (2024); 67-86 ; Российский психологический журнал; Том 21 № 1 (2024); 67-86 ; 2411-5789 ; 1812-1853 ; 10.21702/w59f0g27
Subject Terms: Функциональная БИК-спектроскопия, нейрофизиологические данные, методы машинного обучения, нейронные сети глубокого обучения, сверточные нейронные сети, рекуррентные нейронные сети, functional near-infrared spectroscopy, neurophysiological data, machine learning methods, deep learning neural networks, convolutional neural networks, recurrent neural networks
File Description: application/pdf
Relation: https://rpj.ru.com/index.php/rpj/article/view/1612/1819; https://rpj.ru.com/index.php/rpj/article/view/1612/1820; https://rpj.ru.com/index.php/rpj/article/view/1612
-
16Academic Journal
Subject Terms: методы вложений, вложение входных данных, задачи машинного обучения, машинное обучение, методы машинного обучения
File Description: application/pdf
Access URL: https://elib.belstu.by/handle/123456789/59519
-
17Academic Journal
Source: Экономика и управление: научно-практический журнал. :152-157
Subject Terms: logistic regression, k-means method, 8. Economic growth, HR analytics, machine learning methods, HR-аналитика, логистическая регрессия, методы машинного обучения, метод k-средних
-
18
-
19Academic Journal
Authors: O. M. Nazarkina, I. V. Moskalev, L. A. Khvorova, O. S. Krotova
Source: Izvestiya of Altai State University; No 1(111) (2020): Izvestiya of Altai State University; 99-104
Известия Алтайского государственного университета; № 1(111) (2020): Известия Алтайского государственного университета; 99-104Subject Terms: pulmonological diseases in children, интеллектуальная обработка медицинских данных, 4. Education, methods of machine learning, 02 engineering and technology, методы интеллектуальной диагностики, 01 natural sciences, методы машинного обучения, intellectual processing of medical data, 0201 civil engineering, 3. Good health, linguistic analysis of texts, 0103 physical sciences, лингвистический анализ текстов, 0202 electrical engineering, electronic engineering, information engineering, пульмонологические заболевания у детей, methods of intellectual diagnostics
File Description: application/pdf
-
20Dissertation/ Thesis
Authors: Kirin, E.
Contributors: Агбозо, Э., Медведев, М. А, Agbozo, E., Medvedev, M. A., УрФУ. Институт радиоэлектроники и информационных технологий-РТФ, Базовая кафедра «Аналитика больших данных и методы видеоанализа»
Subject Terms: СЕТЕВАЯ АНОМАЛИЯ, СТАТИСТИЧЕСКИЕ МЕТОДЫ, STATISTICAL METHODS, МАГИСТЕРСКАЯ ДИССЕРТАЦИЯ, MASTER'S THESIS, СИСТЕМЫ ОБНАРУЖЕНИЯ ВТОРЖЕНИЙ, INTRUSION DETECTION SYSTEMS, MACHINE LEARNING METHODS, NETWORK ANOMALY, МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ
File Description: application/pdf
Access URL: http://elar.urfu.ru/handle/10995/140618