Zobrazeno 1 - 10
of 33
pro vyhledávání: '"Evaldo Araújo"'
Autor:
Fernando Lopes Gonçales Jr., Aline Vigani, Neiva Gonçales, Antonio Alci Barone, Evaldo Araújo, Roberto Focaccia, Umbeliana Oliveira, Henrique Sérgio Morais Coelho, Jacqueline Paixao, Renata Perez, Cirley Lobato, Judith Weirich, Heitor Rosa, Andrelina Borges, Ricardo Vila, Maria Lúcia Corrêa-Giannella, Maria Lúcia Gomes Ferraz
Publikováno v:
Brazilian Journal of Infectious Diseases, Vol 10, Iss 5, Pp 311-316
Combination therapy with pegylated interferon and ribavirin is considered the new standard therapy for naïve patients with chronic hepatitis C. We evaluated the efficacy and safety of treatment with weight-based peginterferon alpha-2b (1.5 mg/kg per
Externí odkaz:
https://doaj.org/article/bfd8a3f170814546a43f69e91f868b3d
Publikováno v:
Biblioteca Digital de Teses e Dissertações da USPUniversidade de São PauloUSP.
Num sentido geral, qualquer sistema (natural ou artificial) que incorpore informação contida numa amostragem de dados realiza aprendizagem. Dado um conjunto D de amostras que carrega informação sobre sua fonte geradora, existem diferentes medidas
Publikováno v:
Biblioteca Digital de Teses e Dissertações da USPUniversidade de São PauloUSP.
A aplicação da Mecânica Estatística no estudo de Redes Neurais é baseada no fato que a extração de informação de dados (exemplos) pode ser modelada por um processo de minimização de uma função energia. Técnicas originadas no estudo de s
Relations between the off thermal equilibrium dynamical process of on-line learning and the thermally equilibrated off-line learning are studied for potential gradient descent learning. The approach of Opper to study on-line Bayesian algorithms is ex
Externí odkaz:
http://arxiv.org/abs/cond-mat/0004047
Publikováno v:
Journal of Geographic Information System. 14:29-39
A aplicação da Mecânica Estatística no estudo de Redes Neurais é baseada no fato que a extração de informação de dados (exemplos) pode ser modelada por um processo de minimização de uma função energia. Técnicas originadas no estudo de s
Autor:
Evaldo Araújo de Oliveira, Ronaldo Fumio Hashimoto, Roberto M. Cesar, David Martins, Ulisses Braga-Neto
Publikováno v:
Repositório Institucional da USP (Biblioteca Digital da Produção Intelectual)
Universidade de São Paulo (USP)
instacron:USP
Universidade de São Paulo (USP)
instacron:USP
A set of predictor variables is said to be intrinsically multivariate predictive (IMP) for a target variable if all properly contained subsets of the predictor set are poor predictors of the target but the full set predicts the target with great accu
Publikováno v:
IEEE Transactions on Neural Networks. 21:1015-1020
For many learning tasks the duration of the data collection can be greater than the time scale for changes of the underlying data distribution. The question we ask is how to include the information that data are aging. Ad hoc methods to achieve this
Publikováno v:
BMC Systems Biology, Vol 5, Iss 1, p 61 (2011)
BMC Systems Biology
Repositório Institucional da USP (Biblioteca Digital da Produção Intelectual)
Universidade de São Paulo (USP)
instacron:USP
BMC Systems Biology
Repositório Institucional da USP (Biblioteca Digital da Produção Intelectual)
Universidade de São Paulo (USP)
instacron:USP
Background The inference of gene regulatory networks (GRNs) from large-scale expression profiles is one of the most challenging problems of Systems Biology nowadays. Many techniques and models have been proposed for this task. However, it is not gene
Publikováno v:
Progress in Pattern Recognition, Image Analysis, Computer Vision, and Applications ISBN: 9783642166860
CIARP
CIARP
This work compares two frequently used criterion functions in inference of gene regulatory networks (GRN), one based on Bayesian error and another based on conditional entropy. The network model utilized was the stochastic restricted Boolean network
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_________::3efc2c4c90c0a78ef58159abf3d8dc20
https://doi.org/10.1007/978-3-642-16687-7_23
https://doi.org/10.1007/978-3-642-16687-7_23