Zobrazeno 1 - 10
of 15 086
pro vyhledávání: '"Tiezzi A"'
Autor:
Ludovica Montalti
Publikováno v:
Bibliothecae.it, Vol 13, Iss 1, Pp 322-328 (2024)
Externí odkaz:
https://doaj.org/article/ab86733f074d4a628bdcd01061cd9af7
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Teresa Megale
Publikováno v:
Dante e l'Arte, Vol 9 (2022)
Il saggio ricostruisce la regia di Federico Tiezzi per il secondo allestimento (2021) de Il Purgatorio. La notte lava la mente, su drammaturgia di Mario Luzi. L’analisi dello spettacolo, immerso nella straniante condizione dell’attesa e in una pa
Externí odkaz:
https://doaj.org/article/d9887ba5a3db495b831c5dd09b3c5d0c
Publikováno v:
Il Foro Italiano, 2016 Sep 01. 139(9), 2799/2800-2813/2814.
Externí odkaz:
https://www.jstor.org/stable/44875844
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:
Melacci, Stefano, Betti, Alessandro, Casoni, Michele, Guidi, Tommaso, Tiezzi, Matteo, Gori, Marco
This paper proposes Hamiltonian Learning, a novel unified framework for learning with neural networks "over time", i.e., from a possibly infinite stream of data, in an online manner, without having access to future information. Existing works focus o
Externí odkaz:
http://arxiv.org/abs/2409.12038
Learning with neural networks from a continuous stream of visual information presents several challenges due to the non-i.i.d. nature of the data. However, it also offers novel opportunities to develop representations that are consistent with the inf
Externí odkaz:
http://arxiv.org/abs/2409.11441
Autor:
Fröhlich, Alek, Ramos, Thiago, Cabello, Gustavo, Buzatto, Isabela, Izbicki, Rafael, Tiezzi, Daniel
Correctly assessing the malignancy of breast lesions identified during ultrasound examinations is crucial for effective clinical decision-making. However, the current "golden standard" relies on manual BI-RADS scoring by clinicians, often leading to
Externí odkaz:
http://arxiv.org/abs/2408.15458