Отрывок: линейном базисе с предварительным шкалированием данных [1]; 2) Метод проекций на латентные структуры – линейная регрессия в пространстве главных компонент задачи с учетом меток [2]; 3) Случайный лес – алгоритм машинного обучения, представляющий собой комитет решающих деревьев, в рамках которого строятся несколько сотен деревьев решений по обучающим бутстреп-выборкам [3]; 4) Градиентный бустинг - метод, идея которого заключается в итеративном построении функции аппроксимации, представляющ...
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.author | Сарманова О. Э. | ru |
dc.contributor.author | Лаптинский К. А. | ru |
dc.contributor.author | Хмелева М. Ю. | ru |
dc.contributor.author | Буриков С. А. | ru |
dc.contributor.author | Доленко С. А. | ru |
dc.contributor.author | Доленко Т. А. | ru |
dc.coverage.spatial | измерение PH | ru |
dc.coverage.spatial | водородный показатель среды | ru |
dc.coverage.spatial | биомедицина | ru |
dc.coverage.spatial | температура водных сред | ru |
dc.coverage.spatial | оптическая спектроскопия | ru |
dc.coverage.spatial | прикладные обратные задачи | ru |
dc.coverage.spatial | методы машинного обучения | ru |
dc.coverage.spatial | флуоресцентная спектроскопия | ru |
dc.coverage.spatial | углеродные наносенсоры | ru |
dc.coverage.spatial | углеродные точки | ru |
dc.creator | Сарманова О. Э., Лаптинский К. А., Хмелева М. Ю., Буриков С. А., Доленко С. А., Доленко Т. А. | ru |
dc.date.issued | 2021 | ru |
dc.identifier | RU\НТБ СГАУ\466232 | ru |
dc.identifier.citation | Углеродные наносенсоры и методы машинного обучения для одновременного измерения pH и температуры водных сред / О. Э. Сарманова, К. А. Лаптинский, М. Ю. Хмелева, С. А. Буриков, С. А. Доленко, Т. А. Доленко // Информационные технологии и нанотехнологии (ИТНТ-2021) : сб. тр. по материалам VII Междунар. конф. и молодеж. шк. (г. Самара, 20-24 сент.) : [в 3 т.] / М-во науки и высш. образования Рос. Федерации, Самар. нац. исслед. ун-т им. С. П. Королева (Самар. ун-т), Ин-т систем обраб. изображений РАН - фил. ФНИЦ "Кристаллография и фотоника РАН. - Самаpа : Изд-во Самар. ун-та, 2021Т. 3: Искусственный интеллект и науки о данных. - 2021. - С. 032332. | ru |
dc.language.iso | rus | ru |
dc.relation.ispartof | Информационные технологии и нанотехнологии (ИТНТ-2021) : сб. тр. по материалам VII Междунар. конф. и молодеж. шк. (г. Самара, 20-24 сент.) : [в 3 т.]. | ru |
dc.source | Информационные технологии и нанотехнологии (ИТНТ-2021). - Т. 3 : Искусственный интеллект и науки о данных | ru |
dc.title | Углеродные наносенсоры и методы машинного обучения для одновременного измерения pH и температуры водных сред | ru |
dc.type | Text | ru |
dc.citation.spage | 032332 | ru |
dc.citation.volume | 3 | ru |
dc.textpart | линейном базисе с предварительным шкалированием данных [1]; 2) Метод проекций на латентные структуры – линейная регрессия в пространстве главных компонент задачи с учетом меток [2]; 3) Случайный лес – алгоритм машинного обучения, представляющий собой комитет решающих деревьев, в рамках которого строятся несколько сотен деревьев решений по обучающим бутстреп-выборкам [3]; 4) Градиентный бустинг - метод, идея которого заключается в итеративном построении функции аппроксимации, представляющ... | - |
Располагается в коллекциях: | Информационные технологии и нанотехнологии |
Файлы этого ресурса:
Файл | Размер | Формат | |
---|---|---|---|
82paper032332.pdf | 242.54 kB | Adobe PDF | Просмотреть/Открыть |
Показать базовое описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.