Zobrazeno 1 - 10
of 409
pro vyhledávání: '"G.M. Khan"'
Autor:
G.M. Khan, Paudel Badri, Thapa Parbati, Duwal Anita, Adhikari Atul, Paudel Deepak, Regmi Dipendra, Barakoti Himal, Gwachha Kabita, Koju Nirmala
Publikováno v:
Asian Journal of Pharmaceutical Sciences, Vol 11, Iss 1, Pp 81-82 (2016)
Externí odkaz:
https://doaj.org/article/77bde2d83c464073ba763abc5f55a9ae
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Mohammad G.M. Khan, Karuna G. Reddy
Publikováno v:
Australian & New Zealand Journal of Statistics. 62:383-405
Summary This R package determines optimal stratification of univariate populations under stratified sampling designs using a parametric-based method. It determines the optimum strata boundaries (OSB), optimum sample sizes (OSS) and multiple other qua
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
Communications in Statistics - Theory and Methods. 49:6121-6128
This article presents a problem of determining optimum cluster size and sampling units in multivariate surveys. When a cluster sampling design is to be used and more than one characteristic is unde...
Publikováno v:
Advances in Computer, Communication and Computational Sciences ISBN: 9789811544088
We propose a classification model with various machine learning algorithms to adequately recognise malware files and clean (not malware-affected) files with an objective to minimise the number of false positives. Malware anomaly detection systems are
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_________::39e810fa2bdfd68198dd37587e111a4c
https://doi.org/10.1007/978-981-15-4409-5_3
https://doi.org/10.1007/978-981-15-4409-5_3