Zeitschriftenartikel zum Thema „Machine Learning Informé“
Geben Sie eine Quelle nach APA, MLA, Chicago, Harvard und anderen Zitierweisen an
Machen Sie sich mit Top-50 Zeitschriftenartikel für die Forschung zum Thema "Machine Learning Informé" bekannt.
Neben jedem Werk im Literaturverzeichnis ist die Option "Zur Bibliographie hinzufügen" verfügbar. Nutzen Sie sie, wird Ihre bibliographische Angabe des gewählten Werkes nach der nötigen Zitierweise (APA, MLA, Harvard, Chicago, Vancouver usw.) automatisch gestaltet.
Sie können auch den vollen Text der wissenschaftlichen Publikation im PDF-Format herunterladen und eine Online-Annotation der Arbeit lesen, wenn die relevanten Parameter in den Metadaten verfügbar sind.
Sehen Sie die Zeitschriftenartikel für verschiedene Spezialgebieten durch und erstellen Sie Ihre Bibliographie auf korrekte Weise.
Shoureshi, R., D. Swedes und R. Evans. „Learning Control for Autonomous Machines“. Robotica 9, Nr. 2 (April 1991): 165–70. http://dx.doi.org/10.1017/s0263574700010201.
Der volle Inhalt der QuellePateras, Joseph, Pratip Rana und Preetam Ghosh. „A Taxonomic Survey of Physics-Informed Machine Learning“. Applied Sciences 13, Nr. 12 (07.06.2023): 6892. http://dx.doi.org/10.3390/app13126892.
Der volle Inhalt der QuelleMinasny, Budiman, Toshiyuki Bandai, Teamrat A. Ghezzehei, Yin-Chung Huang, Yuxin Ma, Alex B. McBratney, Wartini Ng et al. „Soil Science-Informed Machine Learning“. Geoderma 452 (Dezember 2024): 117094. http://dx.doi.org/10.1016/j.geoderma.2024.117094.
Der volle Inhalt der QuelleXypakis, Emmanouil, Valeria deTurris, Fabrizio Gala, Giancarlo Ruocco und Marco Leonetti. „Physics-informed machine learning for microscopy“. EPJ Web of Conferences 266 (2022): 04007. http://dx.doi.org/10.1051/epjconf/202226604007.
Der volle Inhalt der QuelleZhao, Hefei, Yinglun Zhan, Joshua Nduwamungu, Yuzhen Zhou, Changmou Xu und Zheng Xu. „Machine learning-driven Raman spectroscopy for rapidly detecting type, adulteration, and oxidation of edible oils“. INFORM International News on Fats, Oils, and Related Materials 31, Nr. 4 (01.04.2020): 12–15. http://dx.doi.org/10.21748/inform.04.2020.12.
Der volle Inhalt der QuelleSerre, Thomas. „Deep Learning: The Good, the Bad, and the Ugly“. Annual Review of Vision Science 5, Nr. 1 (15.09.2019): 399–426. http://dx.doi.org/10.1146/annurev-vision-091718-014951.
Der volle Inhalt der QuelleArundel, Samantha T., Gaurav Sinha, Wenwen Li, David P. Martin, Kevin G. McKeehan und Philip T. Thiem. „Historical maps inform landform cognition in machine learning“. Abstracts of the ICA 6 (11.08.2023): 1–2. http://dx.doi.org/10.5194/ica-abs-6-10-2023.
Der volle Inhalt der QuelleKarimpouli, Sadegh, und Pejman Tahmasebi. „Physics informed machine learning: Seismic wave equation“. Geoscience Frontiers 11, Nr. 6 (November 2020): 1993–2001. http://dx.doi.org/10.1016/j.gsf.2020.07.007.
Der volle Inhalt der QuelleZhang, Xi. „Application of Machine Learning in Stock Price Analysis“. Highlights in Science, Engineering and Technology 107 (15.08.2024): 143–49. http://dx.doi.org/10.54097/tjhsx998.
Der volle Inhalt der QuelleLiu, Yang, Ruo Jia, Jieping Ye und Xiaobo Qu. „How machine learning informs ride-hailing services: A survey“. Communications in Transportation Research 2 (Dezember 2022): 100075. http://dx.doi.org/10.1016/j.commtr.2022.100075.
Der volle Inhalt der QuelleSchwartz, Oscar. „Competing Visions for AI“. Digital Culture & Society 4, Nr. 1 (01.03.2018): 87–106. http://dx.doi.org/10.14361/dcs-2018-0107.
Der volle Inhalt der QuelleWang, Yingxu, Yousheng Tian und Kendal Hu. „Semantic Manipulations and Formal Ontology for Machine Learning based on Concept Algebra“. International Journal of Cognitive Informatics and Natural Intelligence 5, Nr. 3 (Juli 2011): 1–29. http://dx.doi.org/10.4018/ijcini.2011070101.
Der volle Inhalt der QuellePandey, Mrs Arjoo. „Machine Learning“. International Journal for Research in Applied Science and Engineering Technology 11, Nr. 8 (31.08.2023): 864–69. http://dx.doi.org/10.22214/ijraset.2023.55224.
Der volle Inhalt der QuelleHancock, Kristy. „Machine-learning Recommender Systems Can Inform Collection Development Decisions“. Evidence Based Library and Information Practice 19, Nr. 2 (14.06.2024): 133–35. http://dx.doi.org/10.18438/eblip30521.
Der volle Inhalt der QuelleBerk, Richard, und Jordan Hyatt. „Machine Learning Forecasts of Risk to Inform Sentencing Decisions“. Federal Sentencing Reporter 27, Nr. 4 (01.04.2015): 222–28. http://dx.doi.org/10.1525/fsr.2015.27.4.222.
Der volle Inhalt der QuelleSedej, Owen, Eric Mbonimpa, Trevor Sleight und Jeremy Slagley. „Artificial Neural Networks and Gradient Boosted Machines Used for Regression to Evaluate Gasification Processes: A Review“. Journal of Energy and Power Technology 4, Nr. 3 (18.02.2022): 1. http://dx.doi.org/10.21926/jept.2203027.
Der volle Inhalt der QuelleMasamah, Ulfa, und Dadan Sumardani. „Utilization of The Thrasher and Rice Mill Machines in Composition Function Learning: A Hypothetical Learning Trajectory Design“. Hipotenusa : Journal of Mathematical Society 3, Nr. 2 (28.12.2021): 144–57. http://dx.doi.org/10.18326/hipotenusa.v3i2.5994.
Der volle Inhalt der QuellePazzani, Michael, Severine Soltani, Robert Kaufman, Samson Qian und Albert Hsiao. „Expert-Informed, User-Centric Explanations for Machine Learning“. Proceedings of the AAAI Conference on Artificial Intelligence 36, Nr. 11 (28.06.2022): 12280–86. http://dx.doi.org/10.1609/aaai.v36i11.21491.
Der volle Inhalt der QuelleGao, Kaifu, Dong Chen, Alfred J. Robison und Guo-Wei Wei. „Proteome-Informed Machine Learning Studies of Cocaine Addiction“. Journal of Physical Chemistry Letters 12, Nr. 45 (09.11.2021): 11122–34. http://dx.doi.org/10.1021/acs.jpclett.1c03133.
Der volle Inhalt der QuelleBarmparis, G. D., und G. P. Tsironis. „Discovering nonlinear resonances through physics-informed machine learning“. Journal of the Optical Society of America B 38, Nr. 9 (02.08.2021): C120. http://dx.doi.org/10.1364/josab.430206.
Der volle Inhalt der QuellePilania, G., K. J. McClellan, C. R. Stanek und B. P. Uberuaga. „Physics-informed machine learning for inorganic scintillator discovery“. Journal of Chemical Physics 148, Nr. 24 (28.06.2018): 241729. http://dx.doi.org/10.1063/1.5025819.
Der volle Inhalt der QuelleBai, Tao, und Pejman Tahmasebi. „Accelerating geostatistical modeling using geostatistics-informed machine Learning“. Computers & Geosciences 146 (Januar 2021): 104663. http://dx.doi.org/10.1016/j.cageo.2020.104663.
Der volle Inhalt der QuelleLagomarsino-Oneto, Daniele, Giacomo Meanti, Nicolò Pagliana, Alessandro Verri, Andrea Mazzino, Lorenzo Rosasco und Agnese Seminara. „Physics informed machine learning for wind speed prediction“. Energy 268 (April 2023): 126628. http://dx.doi.org/10.1016/j.energy.2023.126628.
Der volle Inhalt der QuelleTóth, Máté, Adam Brown, Elizabeth Cross, Timothy Rogers und Neil D. Sims. „Resource-efficient machining through physics-informed machine learning“. Procedia CIRP 117 (2023): 347–52. http://dx.doi.org/10.1016/j.procir.2023.03.059.
Der volle Inhalt der QuelleKapoor, Taniya, Hongrui Wang, Alfredo Núñez und Rolf Dollevoet. „Physics-informed machine learning for moving load problems“. Journal of Physics: Conference Series 2647, Nr. 15 (01.06.2024): 152003. http://dx.doi.org/10.1088/1742-6596/2647/15/152003.
Der volle Inhalt der QuelleBehtash, Mohammad, Sourav Das, Sina Navidi, Abhishek Sarkar, Pranav Shrotriya und Chao Hu. „Physics-Informed Machine Learning for Battery Capacity Forecasting“. ECS Meeting Abstracts MA2024-01, Nr. 2 (09.08.2024): 210. http://dx.doi.org/10.1149/ma2024-012210mtgabs.
Der volle Inhalt der QuelleCele, Nomfundo, Alain Kibangou und Walter Musakwa. „Machine Learning Analysis of Informal Minibus Taxi Driving“. ITM Web of Conferences 69 (2024): 03003. https://doi.org/10.1051/itmconf/20246903003.
Der volle Inhalt der QuelleThete, Prof Sharda, Siddheshwar Midgule, Nikesh Konde und Suraj Kale. „Malware Detection Using Machine Learning and Deep Learning“. International Journal for Research in Applied Science and Engineering Technology 10, Nr. 11 (30.11.2022): 1942–45. http://dx.doi.org/10.22214/ijraset.2022.47682.
Der volle Inhalt der QuelleMidgule, Siddheshwar. „Malware Detection Using Machine Learning and Deep Learning“. International Journal for Research in Applied Science and Engineering Technology 11, Nr. 5 (31.05.2023): 4755–58. http://dx.doi.org/10.22214/ijraset.2023.52704.
Der volle Inhalt der QuelleLympany, Shane V., Matthew F. Calton, Mylan R. Cook, Kent L. Gee und Mark K. Transtrum. „Mapping ambient sound levels using physics-informed machine learning“. Journal of the Acoustical Society of America 152, Nr. 4 (Oktober 2022): A48—A49. http://dx.doi.org/10.1121/10.0015498.
Der volle Inhalt der QuelleChen, James Ming, Mira Zovko, Nika Šimurina und Vatroslav Zovko. „Fear in a Handful of Dust: The Epidemiological, Environmental, and Economic Drivers of Death by PM2.5 Pollution“. International Journal of Environmental Research and Public Health 18, Nr. 16 (17.08.2021): 8688. http://dx.doi.org/10.3390/ijerph18168688.
Der volle Inhalt der QuelleShah, Chirag Vinalbhai. „Transforming Retail: The Impact of AI and Machine Learning on Big Data Analytics“. Global Research and Development Journals 8, Nr. 8 (01.08.2023): 1–8. http://dx.doi.org/10.70179/grdjev09i100010.
Der volle Inhalt der QuelleRavi, Aravind. „Optimizing Retail Operations: The Role of Machine Learning and Big Data in Data Science“. Global Research and Development Journals 9, Nr. 6 (05.06.2024): 1–10. http://dx.doi.org/10.70179/grdjev09i100015.
Der volle Inhalt der QuelleK., Mrs Tejaswi. „Unmasking DeepFakes Using Machine Learning“. INTERANTIONAL JOURNAL OF SCIENTIFIC RESEARCH IN ENGINEERING AND MANAGEMENT 08, Nr. 03 (30.03.2024): 1–5. http://dx.doi.org/10.55041/ijsrem29808.
Der volle Inhalt der QuelleSiontis, Konstantinos C., Xiaoxi Yao, James P. Pirruccello, Anthony A. Philippakis und Peter A. Noseworthy. „How Will Machine Learning Inform the Clinical Care of Atrial Fibrillation?“ Circulation Research 127, Nr. 1 (19.06.2020): 155–69. http://dx.doi.org/10.1161/circresaha.120.316401.
Der volle Inhalt der QuelleLee, Jonghwan. „Physics-informed machine learning model for bias temperature instability“. AIP Advances 11, Nr. 2 (01.02.2021): 025111. http://dx.doi.org/10.1063/5.0040100.
Der volle Inhalt der QuelleMondal, B., T. Mukherjee und T. DebRoy. „Crack free metal printing using physics informed machine learning“. Acta Materialia 226 (März 2022): 117612. http://dx.doi.org/10.1016/j.actamat.2021.117612.
Der volle Inhalt der QuelleHowland, Michael F., und John O. Dabiri. „Wind Farm Modeling with Interpretable Physics-Informed Machine Learning“. Energies 12, Nr. 14 (16.07.2019): 2716. http://dx.doi.org/10.3390/en12142716.
Der volle Inhalt der QuelleTartakovsky, A. M., D. A. Barajas-Solano und Q. He. „Physics-informed machine learning with conditional Karhunen-Loève expansions“. Journal of Computational Physics 426 (Februar 2021): 109904. http://dx.doi.org/10.1016/j.jcp.2020.109904.
Der volle Inhalt der QuelleHsu, Abigail, Baolian Cheng und Paul A. Bradley. „Analysis of NIF scaling using physics informed machine learning“. Physics of Plasmas 27, Nr. 1 (Januar 2020): 012703. http://dx.doi.org/10.1063/1.5130585.
Der volle Inhalt der QuelleKarpov, Platon I., Chengkun Huang, Iskandar Sitdikov, Chris L. Fryer, Stan Woosley und Ghanshyam Pilania. „Physics-informed Machine Learning for Modeling Turbulence in Supernovae“. Astrophysical Journal 940, Nr. 1 (01.11.2022): 26. http://dx.doi.org/10.3847/1538-4357/ac88cc.
Der volle Inhalt der QuelleLang, Xiao, Da Wu und Wengang Mao. „Physics-informed machine learning models for ship speed prediction“. Expert Systems with Applications 238 (März 2024): 121877. http://dx.doi.org/10.1016/j.eswa.2023.121877.
Der volle Inhalt der QuelleUganya, G., I. Bremnavas, K. V. Prashanth, M. Rajkumar, R. V. S. Lalitha und Charanjeet Singh. „Empowering autonomous indoor navigation with informed machine learning techniques“. Computers and Electrical Engineering 111 (Oktober 2023): 108918. http://dx.doi.org/10.1016/j.compeleceng.2023.108918.
Der volle Inhalt der QuellePiccialli, Francesco, Maizar Raissi, Felipe A. C. Viana, Giancarlo Fortino, Huimin Lu und Amir Hussain. „Guest Editorial: Special Issue on Physics-Informed Machine Learning“. IEEE Transactions on Artificial Intelligence 5, Nr. 3 (März 2024): 964–66. http://dx.doi.org/10.1109/tai.2023.3342563.
Der volle Inhalt der QuelleKapoor, Taniya, Abhishek Chandra, Daniel M. Tartakovsky, Hongrui Wang, Alfredo Nunez und Rolf Dollevoet. „Neural Oscillators for Generalization of Physics-Informed Machine Learning“. Proceedings of the AAAI Conference on Artificial Intelligence 38, Nr. 12 (24.03.2024): 13059–67. http://dx.doi.org/10.1609/aaai.v38i12.29204.
Der volle Inhalt der QuelleMarian, Max, und Stephan Tremmel. „Physics-Informed Machine Learning—An Emerging Trend in Tribology“. Lubricants 11, Nr. 11 (30.10.2023): 463. http://dx.doi.org/10.3390/lubricants11110463.
Der volle Inhalt der QuelleLiu, Hao-Xuan, Hai-Le Yan, Ying Zhao, Nan Jia, Shuai Tang, Daoyong Cong, Bo Yang et al. „Machine learning informed tetragonal ratio c/a of martensite“. Computational Materials Science 233 (Januar 2024): 112735. http://dx.doi.org/10.1016/j.commatsci.2023.112735.
Der volle Inhalt der Quellevon Bloh, Malte, David Lobell und Senthold Asseng. „Knowledge informed hybrid machine learning in agricultural yield prediction“. Computers and Electronics in Agriculture 227 (Dezember 2024): 109606. http://dx.doi.org/10.1016/j.compag.2024.109606.
Der volle Inhalt der QuelleCheraghlou, Shayan, Praneeth Sadda, George O. Agogo und Michael Girardi. „A machine‐learning modified CART algorithm informs Merkel cell carcinoma prognosis“. Australasian Journal of Dermatology 62, Nr. 3 (24.05.2021): 323–30. http://dx.doi.org/10.1111/ajd.13624.
Der volle Inhalt der QuelleGao, Junbo. „Applications of machine learning in quantitative trading“. Applied and Computational Engineering 82, Nr. 1 (08.11.2024): 124–29. http://dx.doi.org/10.54254/2755-2721/82/20240984.
Der volle Inhalt der Quelle