Estimativa de demanda potencial de matrículas em ensino superior usando dados públicos e múltiplos modelos de regressão (2014)
- Authors:
- Autor USP: HRUSCHKA, EDUARDO RAUL - ICMC
- Unidade: ICMC
- Subjects: INTELIGÊNCIA ARTIFICIAL; APRENDIZADO COMPUTACIONAL; BANCO DE DADOS
- Language: Português
- Imprenta:
- Publisher: ICMC-USP
- Publisher place: São Carlos
- Date published: 2014
- ISBN: 9788587837271
- Source:
- Título do periódico: Proceedings
- Conference titles: Symposium on Knowledge Discovery, Mining and Learning - KDMiLe
-
ABNT
GUERRA, Pedro Calais e NAKAMURA, Rodrigo Yuji Mizobe e HRUSCHKA, Eduardo Raul. Estimativa de demanda potencial de matrículas em ensino superior usando dados públicos e múltiplos modelos de regressão. 2014, Anais.. São Carlos: ICMC-USP, 2014. Disponível em: http://www2.dc.ufscar.br/~marcela/anaisKDMiLe2014/artigos/SHORT/kdmile2014_Short2.pdf. Acesso em: 19 abr. 2024. -
APA
Guerra, P. C., Nakamura, R. Y. M., & Hruschka, E. R. (2014). Estimativa de demanda potencial de matrículas em ensino superior usando dados públicos e múltiplos modelos de regressão. In Proceedings. São Carlos: ICMC-USP. Recuperado de http://www2.dc.ufscar.br/~marcela/anaisKDMiLe2014/artigos/SHORT/kdmile2014_Short2.pdf -
NLM
Guerra PC, Nakamura RYM, Hruschka ER. Estimativa de demanda potencial de matrículas em ensino superior usando dados públicos e múltiplos modelos de regressão [Internet]. Proceedings. 2014 ;[citado 2024 abr. 19 ] Available from: http://www2.dc.ufscar.br/~marcela/anaisKDMiLe2014/artigos/SHORT/kdmile2014_Short2.pdf -
Vancouver
Guerra PC, Nakamura RYM, Hruschka ER. Estimativa de demanda potencial de matrículas em ensino superior usando dados públicos e múltiplos modelos de regressão [Internet]. Proceedings. 2014 ;[citado 2024 abr. 19 ] Available from: http://www2.dc.ufscar.br/~marcela/anaisKDMiLe2014/artigos/SHORT/kdmile2014_Short2.pdf - An experimental study on the use of nearest neighbor-based imputation algorithms for classification tasks
- Unsupervised learning of Gaussian mixture models: evolutionary create and eliminate for expectation maximization algorithm
- Transfer learning with cluster ensembles
- An Experimental Study on Unsupervised Clustering-Based Feature Selection Methods
- On the influence of imputation in classification: practical issues
- Towards improving cluster-based feature selection with a simplified silhouette filter
- Document clustering for forensic computing: an approach for improving computer inspection
- Document clustering for forensic analysis: an approach for improving computer inspection
- Evolving Gaussian mixture models with splitting and merging mutation operators
- An optimization framework for combining ensembles of classifiers and clusterers with applications to nontransductive semisupervised learning and transfer learning
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
