Zobrazeno 1 - 10
of 36
pro vyhledávání: '"Lorenzo, Maria M."'
An interpretable semi-supervised classifier using two different strategies for amended self-labeling
In the context of some machine learning applications, obtaining data instances is a relatively easy process but labeling them could become quite expensive or tedious. Such scenarios lead to datasets with few labeled instances and a larger number of u
Externí odkaz:
http://arxiv.org/abs/2001.09502
Publikováno v:
In Current Opinion in Virology October 2020 44:183-190
Autor:
Matía, Alejandro1 (AUTHOR), Lorenzo, Maria M.1 (AUTHOR), Romero-Estremera, Yolimar C.1 (AUTHOR), Sánchez-Puig, Juana M.1 (AUTHOR), Zaballos, Angel2 (AUTHOR), Blasco, Rafael1 (AUTHOR) blasco@inia.csic.es
Publikováno v:
PLoS Pathogens. 12/27/2022, Vol. 18 Issue 12, p1-30. 30p.
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.
Publikováno v:
Vrije Universiteit Brussel
Pure TUe
Pure TUe
Semi-supervised Classification (SSC) is becoming an attractive research filed due to the emergence of real-world problems on which the number of unlabeled examples exceeds the labeled ones. The natural complexity of this kind of problems rices up whe
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=dedup_wf_001::2f64708a8d07fc1f6dd8c5b2d7cd84cc
https://biblio.vub.ac.be/vubir/training-set-edition-using-rough-set-theory-for-semisupervised-classification(e57d181d-2af8-46c8-9fe9-d9bf39cc574b).html
https://biblio.vub.ac.be/vubir/training-set-edition-using-rough-set-theory-for-semisupervised-classification(e57d181d-2af8-46c8-9fe9-d9bf39cc574b).html
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.