Academic literature on the topic 'E-boosting'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the lists of relevant articles, books, theses, conference reports, and other scholarly sources on the topic 'E-boosting.'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Journal articles on the topic "E-boosting"
Sangrulkar, Mrs Surekha A. "E-Banking- ICT Plus Banking for Boosting Business." International Journal of Trend in Scientific Research and Development Special Issue, Special Issue-FIIIIPM2019 (March 20, 2019): 98–100. http://dx.doi.org/10.31142/ijtsrd23074.
Full textMéndez, José R., M. Reboiro-Jato, Fernando Díaz, Eduardo Díaz, and Florentino Fdez-Riverola. "Grindstone4Spam: An optimization toolkit for boosting e-mail classification." Journal of Systems and Software 85, no. 12 (December 2012): 2909–20. http://dx.doi.org/10.1016/j.jss.2012.06.027.
Full textHamim, Touria, Faouzia Benabbou, and Nawal Sael. "Student Profile Modeling Using Boosting Algorithms." International Journal of Web-Based Learning and Teaching Technologies 17, no. 5 (September 2022): 1–13. http://dx.doi.org/10.4018/ijwltt.20220901.oa4.
Full textLarkin, Marilynn. "Robert E W Hancock–boosting innate immunity to combat infection." Lancet Infectious Diseases 3, no. 11 (November 2003): 736–39. http://dx.doi.org/10.1016/s1473-3099(03)00799-0.
Full textMonti, Luciano, Gianfrancesco Rizzuti, and Erica Pepe. "E-government and Open Data Boosting Economic Growth: A New Index." Journal of Business and Economics 6, no. 12 (December 20, 2015): 2080–88. http://dx.doi.org/10.15341/jbe(2155-7950)/12.06.2015/009.
Full textAl-Adwan, Ahmad Samed, and Maher Ahmad Al-Horani. "Boosting Customer E-Loyalty: An Extended Scale of Online Service Quality." Information 10, no. 12 (December 3, 2019): 380. http://dx.doi.org/10.3390/info10120380.
Full textHu, Bo, Chunlin Chen, Zhangsong Zhan, Xueying Su, Tiegang Hu, Guangyong Zheng, and Zhiyong Yang. "Progress and recent trends in 48 V hybridisation and e-boosting technology on passenger vehicles – a review." Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering 232, no. 11 (October 24, 2017): 1543–61. http://dx.doi.org/10.1177/0954407017729950.
Full textAl-Qudah, Dana A., Ala' M. Al-Zoubi, Pedro A. Castillo-Valdivieso, and Hossam Faris. "Sentiment Analysis for e-Payment Service Providers Using Evolutionary eXtreme Gradient Boosting." IEEE Access 8 (2020): 189930–44. http://dx.doi.org/10.1109/access.2020.3032216.
Full textChen, Liang, Lei Zhang, Yan Wang, and Zhiping Yu. "A Compact E-Band Power Amplifier With Gain-Boosting and Efficiency Enhancement." IEEE Transactions on Microwave Theory and Techniques 68, no. 11 (November 2020): 4620–30. http://dx.doi.org/10.1109/tmtt.2020.3017728.
Full textVieira, Fábio D., Stanley R. de M. Oliveira, and Samuel R. Paiva. "Metodologia baseada em técnicas de mineração de dados para suporte à certificação de raças de ovinos." Engenharia Agrícola 35, no. 6 (December 2015): 1172–86. http://dx.doi.org/10.1590/1809-4430-eng.agric.v35n6p1172-1186/2015.
Full textDissertations / Theses on the topic "E-boosting"
TEIXEIRA, JÚNIOR Talisman Cláudio de Queiroz. "Classificação fonética utilizando Boosting e SVM." Universidade Federal do Pará, 2006. http://repositorio.ufpa.br/jspui/2011/2533.
Full textApproved for entry into archive by Irvana Coutinho(irvana@ufpa.br) on 2012-03-07T12:40:11Z (GMT) No. of bitstreams: 2 Dissertacao_Talisman_Teixeira_Junior ClassificacaoFoneticaBoosting.pdf: 1955727 bytes, checksum: 2174e57105a6d0135a85cb9c47e05a7a (MD5) license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5)
Made available in DSpace on 2012-03-07T12:40:11Z (GMT). No. of bitstreams: 2 Dissertacao_Talisman_Teixeira_Junior ClassificacaoFoneticaBoosting.pdf: 1955727 bytes, checksum: 2174e57105a6d0135a85cb9c47e05a7a (MD5) license_rdf: 23898 bytes, checksum: e363e809996cf46ada20da1accfcd9c7 (MD5) Previous issue date: 2006
Para compor um sistema de Reconhecimento Automático de Voz, pode ser utilizada uma tarefa chamada Classificação Fonética, onde a partir de uma amostra de voz decide-se qual fonema foi emitido por um interlocutor. Para facilitar a classificação e realçar as características mais marcantes dos fonemas, normalmente, as amostras de voz são pré- processadas através de um fronl-en'L Um fron:-end, geralmente, extrai um conjunto de parâmetros para cada amostra de voz. Após este processamento, estes parâmetros são insendos em um algoritmo classificador que (já devidamente treinado) procurará decidir qual o fonema emitido. Existe uma tendência de que quanto maior a quantidade de parâmetros utilizados no sistema, melhor será a taxa de acertos na classificação. A contrapartida para esta tendência é o maior custo computacional envolvido. A técnica de Seleção de Parâmetros tem como função mostrar quais os parâmetros mais relevantes (ou mais utilizados) em uma tarefa de classificação, possibilitando, assim, descobrir quais os parâmetros redundantes, que trazem pouca (ou nenhuma) contribuição à tarefa de classificação. A proposta deste trabalho é aplicar o classificador SVM à classificação fonética, utilizando a base de dados TIMIT, e descobrir os parâmetros mais relevantes na classificação, aplicando a técnica Boosting de Seleção de Parâmetros.
With the aim of setting up a Automatic Speech Recognition (ASR) system, a task named Phonetic Classification can be used. That task consists in, from a speech sample, deciding which phoneme was pronounced by a speaker. To ease the classification task and to enhance the most marked characteristics of the phonemes, the speech samples are usually pre-processed by a front-end. A front-end, as a general rule, extracts a set of features to each speech sample. After that, these features are inserted in a classification algorithm, that (already properly trained) will try to decide which phoneme was pronounced. There is a rule of thumb which says that the more features the system uses, the smaller the classification error rate will be. The disadvantage to that is the larger computational cost. Feature Selection task aims to show which are the most relevant (or more used) features in a classification task. Therefore, it is possible to discover which are the redundant features, that make little (or no) contribution to the classification task. The aim of this work is to apply SVM classificator in Phonetic Classification task, using TIMIT database, and discover the most relevant features in this classification using Boosting approach to implement Feature Selection.
Rodrigo, Portela Ferreira Marcelo. "Análise discriminante clássica e de núcleo: avaliação e algumas contribuições relativas aos métodos Boosting e Bootstrap." Universidade Federal de Pernambuco, 2007. https://repositorio.ufpe.br/handle/123456789/6288.
Full textCoordenação de Aperfeiçoamento de Pessoal de Nível Superior
Desde que tecnologia da informação tornou-se essencial para muitas atividades da vida moderna e grandes conjuntos de dados surgiram junto com ela, mineração de dados tornou-se uma das mais importantes áreas de pesquisa na ciência estatística. Apesar de existirem muitos campos relacionados a mineração de dados, a tarefa de classificação ainda figura como uma das mais comuns na literatura estatística. Esta dissertação faz uma revisão de dois métodos clássicos de classificação, análise discriminante linear e quadrática, e um método não-paramétrico, a análise discriminante de núcleo. Experimentos de simulação e conjuntos de dados reais são utilizados para avaliar e comparar os três métodos de classificação. Também apresenta algumas contribuições relacionadas aos métodos boosting e bootstrap no contexto de classificação. A primeira contribuição trata-se de uma nova formulação para o método boosting em análise discriminante linear. Os resultados numéricos mostram que esta nova formulação tem desempenho similar à formulação usual. Entretanto, a nova formulação do método boosting é conceitualmente mais adequada. Dois métodos bootstrap para problemas de classificação são introduzidos e avaliados. O primeiro método bootstrap é utilizado para obter uma fronteira de classificação. O conceito de fronteira de classificação pode ser entendido como uma região onde é difícil alocar uma observação para uma das populações existentes. O segundo método bootstrap é um intervalo de confiança para a taxa de erro de classificação. Intervalos de confiança podem ser utilizados para comparar dois ou mais métodos de classificação na estrutura de inferência
Nascimento, Diego Silveira Costa. "Configuração heterogênea de ensembles de classificadores : investigação em bagging, boosting e multiboosting." Universidade de Fortaleza, 2009. http://dspace.unifor.br/handle/tede/83562.
Full textThis work presents a study on the characterization and evaluation of six new heterogeneous committees machines algorithms, which are aimed at solving problems of pattern classification. These algorithms are extensions of models which are already found in the literature and have been successfully applied in different fields of research. Following two approaches, evolutionary and constructive, different machine learning algorithms (inductors) can be used for induction of components of the ensemble to be trained by standard Bagging, Boosting or MultiBoosting on the resampled data, aiming at the increasing of the diversity of the resulting composite model. As a means of automatic configuration of different types of components, we adopt a customized genetic algorithm for the first approach and greedy search for the second approach. For purposes of validation of the proposal, an empirical study has been conducted involving 10 different types of inductors and 18 classification problems taken from the UCI repository. The acuity values obtained by the evolutionary and constructive heterogeneous ensembles are analyzed based on those produced by models of homogeneous ensembles composed of the 10 types of inductors we have utilized, and the majority of the results evidence a gain in performance from both approaches. Keywords: Machine learning, Committee machines, Bagging, Wagging, Boosting, MultiBoosting, Genetic algorithm.
Este trabalho apresenta um estudo quanto à caracterização e avaliação de seis novos algoritmos de comitês de máquinas heterogêneos, sendo estes destinados à resolução de problemas de classificação de padrões. Esses algoritmos são extensões de modelos já encontrados na literatura e que vêm sendo aplicados com sucesso em diferentes domínios de pesquisa. Seguindo duas abordagens, uma evolutiva e outra construtiva, diferentes algoritmos de aprendizado de máquina (indutores) podem ser utilizados para fins de indução dos componentes do ensemble a serem treinados por Bagging, Boosting ou MultiBoosting padrão sobre os dados reamostrados, almejando-se o incremento da diversidade do modelo composto resultante. Como meio de configuração automática dos diferentes tipos de componentes, adota-se um algoritmo genético customizado para a primeira abordagem e uma busca de natureza gulosa para a segunda abordagem. Para fins de validação da proposta, foi conduzido um estudo empírico envolvendo 10 diferentes tipos de indutores e 18 problemas de classificação extraídos do repositório UCI. Os valores de acuidade obtidos via ensembles heterogêneos evolutivos e construtivos são analisados com base naqueles produzidos por modelos de ensembles homogêneos compostos pelos 10 tipos de indutores utilizados, sendo que em grande parte dos casos os resultados evidenciam ganhos de desempenho de ambas as abordagens. Palavras-chave: Aprendizado de máquina, Comitês de máquinas, Bagging, Wagging, Boosting, MultiBoosting, Algoritmo genético.
Rubesam, Alexandre. "Estimação não parametrica aplicada a problemas de classificação via Bagging e Boosting." [s.n.], 2004. http://repositorio.unicamp.br/jspui/handle/REPOSIP/306510.
Full textDissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Computação Cientifica
Made available in DSpace on 2018-08-03T20:17:33Z (GMT). No. of bitstreams: 1 Rubesam_Alexandre_M.pdf: 3561307 bytes, checksum: 136856548e218dc25a0ba4ee178b63a7 (MD5) Previous issue date: 2004
Resumo: Alguns dos métodos mais modernos e bem sucedidos de classificação são bagging, boosting e SVM (Support Vector M achines ). B agging funciona combinando classificadores ajustados em amostras bootstrap dos dados; boosting funciona aplicando-se seqüencialmente um algoritmo de classificação a versões reponderadas do conjunto de dados de treinamento, dando maior peso às observações classificadas erroneamente no passo anterior, e SVM é um método que transforma os dados originais de maneira não linear para um espaço de dimensão maior, e procura um hiperplano separador neste espaço transformado. N este trabalho estudamos os métodos descritos acima, e propusemos dois métodos de classificação, um baseado em regressão não paramétrica por Hsplines (também proposto aqui) e boosting, e outro que é uma modificação de um algoritmo de boosting baseado no algoritmo MARS. Os métodos foram aplicados em dados simulados e em dados reais
Abstract: Some of the most modern and well succeeded classification methods are bagging, boosting and SVM (Support Vector Machines). Bagging combines classifiers fitted to bootstrap samples of the training data; boosting sequentially applies a classification algorithm to reweighted versions of the training data, increasing in each step the weights of the observations that were misclassified in the previous step, and SVM is a method that transforms the data in a nonlinear way to a space of greater dimension than that of the original data, and searches for a separating hyperplane in this transformed space. In this work we have studied the methods described above. We propose two classification methods: one of them is based on a nonparametric regression method via H-splines (also proposed here) and boosting, and the other is a modification of a boosting algorithm, based on the MARS algorithm. The methods were applied to both simulated and real data
Mestrado
Mestre em Estatística
Lopes, Neilson Soares. "Modelos de classificação de risco de crédito para financiamentos imobiliários: regressão logística, análise discriminante, árvores de decisão, bagging e boosting." Universidade Presbiteriana Mackenzie, 2011. http://tede.mackenzie.br/jspui/handle/tede/527.
Full textFundo Mackenzie de Pesquisa
This study applied the techniques of traditional parametric discriminant analysis and logistic regression analysis of credit real estate financing transactions where borrowers may or may not have a payroll loan transaction. It was the hit rate compared these methods with the non-parametric techniques based on classification trees, and the methods of meta-learning bagging and boosting that combine classifiers for improved accuracy in the algorithms.In a context of high housing deficit, especially in Brazil, the financing of real estate can still be very encouraged. The impacts of sustainable growth in the mortgage not only bring economic benefits and social. The house is, for most individuals, the largest source of expenditure and the most valuable asset that will have during her lifetime.At the end of the study concluded that the computational techniques of decision trees are more effective for the prediction of payers (94.2% correct), followed by bagging (80.7%) and boosting (or arcing , 75.2%). For the prediction of bad debtors in mortgages, the techniques of logistic regression and discriminant analysis showed the worst results (74.6% and 70.7%, respectively). For the good payers, the decision tree also showed the best predictive power (75.8%), followed by discriminant analysis (75.3%) and boosting (72.9%). For the good paying mortgages, bagging and logistic regression showed the worst results (72.1% and 71.7%, respectively). Logistic regression shows that for a borrower with payroll loans, the chance to be a bad credit is 2.19 higher than if the borrower does not have such type of loan.The presence of credit between the payroll operations of mortgage borrowers also has relevance in the discriminant analysis.
Neste estudo foram aplicadas as técnicas paramétricas tradicionais de análise discriminante e regressão logística para análise de crédito de operações de financiamento imobiliário. Foi comparada a taxa de acertos destes métodos com as técnicas não-paramétricas baseadas em árvores de classificação, além dos métodos de meta-aprendizagem BAGGING e BOOSTING, que combinam classificadores para obter uma melhor precisão nos algoritmos.Em um contexto de alto déficit de moradias, em especial no caso brasileiro, o financiamento de imóveis ainda pode ser bastante fomentado. Os impactos de um crescimento sustentável no crédito imobiliário trazem benefícios não só econômicos como sociais. A moradia é, para grande parte dos indivíduos, a maior fonte de despesas e o ativo mais valioso que terão durante sua vida. Ao final do estudo, concluiu-se que as técnicas computacionais de árvores de decisão se mostram mais efetivas para a predição de maus pagadores (94,2% de acerto), seguida do BAGGING (80,7%) e do BOOSTING (ou ARCING, 75,2%). Para a predição de maus pagadores em financiamentos imobiliários, as técnicas de regressão logística e análise discriminante apresentaram os piores resultados (74,6% e 70,7%, respectivamente). Para os bons pagadores, a árvore de decisão também apresentou o melhor poder preditivo (75,8%), seguida da análise discriminante (75,3%) e do BOOSTING (72,9%). Para os bons pagadores de financiamentos imobiliários, BAGGING e regressão logística apresentaram os piores resultados (72,1% e 71,7%, respectivamente).A regressão logística mostra que, para um tomador com crédito consignado, a chance se ser um mau pagador é 2,19 maior do que se este tomador não tivesse tal modalidade de empréstimo. A presença de crédito consignado entre as operações dos tomadores de financiamento imobiliário também apresenta relevância na análise discriminante.
Mayrink, Victor Teixeira de Melo. "Avaliação do algoritmo Gradient Boosting em aplicações de previsão de carga elétrica a curto prazo." Universidade Federal de Juiz de Fora (UFJF), 2016. https://repositorio.ufjf.br/jspui/handle/ufjf/3563.
Full textApproved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-03-07T15:06:57Z (GMT) No. of bitstreams: 1 victorteixeirademelomayrink.pdf: 2587774 bytes, checksum: 1319cc37a15480796050b618b4d7e5f7 (MD5)
Made available in DSpace on 2017-03-07T15:06:57Z (GMT). No. of bitstreams: 1 victorteixeirademelomayrink.pdf: 2587774 bytes, checksum: 1319cc37a15480796050b618b4d7e5f7 (MD5) Previous issue date: 2016-08-31
FAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas Gerais
O armazenamento de energia elétrica em larga escala ainda não é viável devido a restrições técnicas e econômicas. Portanto, toda energia consumida deve ser produzida instantaneamente; não é possível armazenar o excesso de produção, ou tampouco cobrir eventuais faltas de oferta com estoques de segurança, mesmo que por um curto período de tempo. Consequentemente, um dos principais desafios do planejamento energético consiste em realizar previsões acuradas para as demandas futuras. Neste trabalho, apresentamos um modelo de previsão para o consumo de energia elétrica a curto prazo. A metodologia utilizada compreende a construção de um comitê de previsão, por meio da aplicação do algoritmo Gradient Boosting em combinação com modelos de árvores de decisão e a técnica de amortecimento exponencial. Esta estratégia compreende um método de aprendizado supervisionado que ajusta o modelo de previsão com base em dados históricos do consumo de energia, das temperaturas registradas e de variáveis de calendário. Os modelos propostos foram testados em duas bases de dados distintas e demonstraram um ótimo desempenho quando comparados com resultados publicados em outros trabalhos recentes.
The storage of electrical energy is still not feasible on a large scale due to technical and economic issues. Therefore, all energy to be consumed must be produced instantly; it is not possible to store the production leftover, or either to cover any supply shortages with safety stocks, even for a short period of time. Thus, one of the main challenges of energy planning consists in computing accurate forecasts for the future demand. In this paper, we present a model for short-term load forecasting. The methodology consists in composing a prediction comitee by applying the Gradient Boosting algorithm in combination with decision tree models and the exponential smoothing technique. This strategy comprises a supervised learning method that adjusts the forecasting model based on historical energy consumption data, the recorded temperatures and calendar variables. The proposed models were tested in two di erent datasets and showed a good performance when compared with results published in recent papers.
Sousa, Ithalo Coelho de. "Predição genômica da resistência à ferrugem alaranjada em café arábica via algoritmos de aprendizagem de máquina." Universidade Federal de Viçosa, 2018. http://www.locus.ufv.br/handle/123456789/20584.
Full textMade available in DSpace on 2018-07-11T12:09:39Z (GMT). No. of bitstreams: 1 textocompleto.pdf: 925551 bytes, checksum: 6e6a52bb70c4e45081687d495922f845 (MD5) Previous issue date: 2018-02-26
Coordenação de Aperfeiçoamento de Pessoal de Nível Superior
A seleção genômica (SG) foi proposta como uma forma de aumentar a eficiência e acelerar o melhoramento genético. A SG enfatiza a predição simultânea dos efeitos genéticos de milhares de marcadores dispersos em todo o genoma de um organismo. Algumas metodologias estatísticas têm sido utilizadas em SG para a predição do mérito genético, como por exemplo a Ridge Regression Best Linear Unbiased Prediction (RR- BLUP), Bayesian Lasso (BLASSO). Porém tais metodologias exigem algumas pressuposições a respeito dos dados tais como normalidade da distribuição dos valores fenotípicos. Além disto, a presença de fatores complicadores tais como epistasia e dominância atrapalham a utilização destes modelos, uma vez que exigem que tais efeitos sejam estabelecidos à priori pelo pesquisador. Visando contornar a não normalidade dos valores fenotípicos a literatura sugere o uso dos modelos lineares generalizados sob o enfoque bayesiano (BGLR). Outra alternativa são os modelos baseados em aprendizagem de máquina (AM), representados por metodologias tais como Redes Neurais (RNA), Árvores de Decisão (AD) e seus possíveis refinamentos (Bagging, Random Forest e Boosting) as quais podem incorporar a epistasia e a dominância no modelo além de não exigirem pressuposições quanto ao modelo e a distribuição dos valores fenotípicos. Diante disso, o objetivo deste trabalho foi utilizar AD e seus refinamentos Bagging, Random Forest e Boosting para predição da resistência a ferrugem alaranjada no café arábica. Além disso, AD e seus refinamentos foram utilizadas para identificar a importância dos marcadores relacionados a característica de interesse. Os resultados foram comparados com aqueles provenientes do GBLASSO (Lasso Bayesiano Generalizado) e RNA. Foram utilizados dados da resistência a ferrugem do café de 245 plantas derivadas do cruzamento do Híbrido de Timor e do Catuaí Amarelo, genotipados para 137 marcadores. A AD e seus refinamentos obtiveram resultados satisfatórios, visto que apresentaram valores iguais ou inferiores de Taxa de Erro Aparente comparados com aqueles obtidos pelo GBLASSO e RNA. Ademais, os refinamentos da AD demonstraram ser capazes de identificar marcadores importantes para característica de interesse, visto que dentre os 10 marcadores mais importantes analisados em cada metodologia, 3-4 marcadores estavam próximos a QTL’s relacionados a resistência a doença listados na literatura. Por fim, a AD e seus refinamentos mostraram um melhor desempenho em relação ao GBLASSO e a RNA quanto ao custo computacional.
Genomic selection (GS) has been proposed as a way to increase efficiency and accelerate genetic improvement. GS emphasizes the simultaneous prediction of the genetic effects of thousands of scattered markers throughout an organism's genome. Some statistical methodologies have been used in GS for the prediction of genetic merit, such as Ridge Regression Best Linear Unbiased Prediction (RR-BLUP), Bayesian Lasso (BLASSO). However such methodologies require some assumptions about the data such as normality of the distribution of phenotypic values. In addition, the presence of complicating factors such as epistasis and dominance hinder the use of these models, since they require that such effects be established a priori by the researcher. In order to avoid the non-normality of phenotypic values, the literature suggests the use of Bayesian Generalized Linear Regression (BGLR). Another alternative is the models based on machine learning, represented by methodologies such as Artificial Neural Networks (ANN), Decision Trees (DT) and their possible refinements such as Bagging, Random Forest and Boosting, which can incorporate epistasis and dominance in the model, besides not requiring assumptions about the model and the distribution of phenotypic values. The aim of this work was to use DT and its refinements Bagging, Random Forest and Boosting for prediction of resistance to orange rust in arabica coffee. In addition, DT and its refinements were used to identify the importance of markers related to the characteristic of interest. The results were compared with those from GBLASSO (Generalized Bayesian Lasso) and ANN. Data from the coffee rust resistance of 245 plants derived from the hybrid of the Timor Hybrid and the Yellow Catuaí, genotyped for 137 markers were used. The DT and its refinements obtained satisfactory results, since they presented equal or inferior values of Apparent Error Rate compared to those obtained by GBLASSO and RNA. In addition, DT refinements seem to be able to identify important markers for characteristic of interest, since among the 10 most important markers analyzed in each methodology, 3-4 markers were close to QTLs related to resistance to disease listed in the literature. Finally, the Decision Tree and its refinements showed a better performance in relation to the GBLASSO and RNA regarding computational cost.
Ippoliti, Pierpaola. "Ricerca dell'emissione alle alte energie da parte delle radio galassie fri e frii." Master's thesis, Alma Mater Studiorum - Università di Bologna, 2014. http://amslaurea.unibo.it/6575/.
Full textTeixeira, Filipe. "Boosting compression-based classifiers for authorship attribution." Master's thesis, Universidade de Aveiro, 2016. http://hdl.handle.net/10773/18375.
Full textAtribuição de autoria é o ato de atribuir um autor a documento anónimo. Apesar de esta tarefa ser tradicionalmente feita por especialistas, muitos novos métodos foram apresentados desde o aparecimento de computadores, em meados do século XX, alguns deles recorrendo a compressores para encontrar padrões recorrentes nos dados. Neste trabalho vamos apresentar os resultados que podem ser alcançados ao utilizar mais do que um compressor, utilizando um meta-algoritmo conhecido como Boosting.
Authorship attribution is the task of assigning an author to an anonymous document. Although the task was traditionally performed by expert linguists, many new techniques have been suggested since the appearance of computers, in the middle of the XX century, some of them using compressors to find repeating patterns in the data. This work will present the results that can be achieved by a collaboration of more than one compressor using a meta-algorithm known as Boosting.
Le?es, Neto Ant?nio do Nascimento. "Classifica??o com algoritmo AdaBoost.M1 : o mito do limiar de erro de treinamento." Pontif?cia Universidade Cat?lica do Rio Grande do Sul, 2017. http://tede2.pucrs.br/tede2/handle/tede/7854.
Full textApproved for entry into archive by Caroline Xavier (caroline.xavier@pucrs.br) on 2018-02-22T16:34:51Z (GMT) No. of bitstreams: 1 Ant?nio_do_Nascimento_Le?es_ Neto_Dis.pdf: 1049012 bytes, checksum: 293046d3be865048cd37706b38494e1a (MD5)
Made available in DSpace on 2018-02-22T16:40:19Z (GMT). No. of bitstreams: 1 Ant?nio_do_Nascimento_Le?es_ Neto_Dis.pdf: 1049012 bytes, checksum: 293046d3be865048cd37706b38494e1a (MD5) Previous issue date: 2017-11-20
The accelerated growth of data repositories, in the different areas of activity, opens space for research in the area of data mining, in particular, with the methods of classification and combination of classifiers. The Boosting method is one of them, which combines the results of several classifiers in order to obtain better results. The main purpose of this dissertation is the experimentation of alternatives to increase the effectiveness and performance of the algorithm AdaBoost.M1, which is the implementation often employed by the Boosting method. An empirical study was perfered taking into account stochastic aspects trying to shed some light on an obscure internal parameter, in which algorithm creators and other researchers assumed that the training error threshold should be correlated with the number of classes in the target data set and logically, most data sets should use a value of 0.5. In this paper, we present an empirical evidence that this is not a fact, but probably a myth originated by the mistaken application of the theoretical assumption of the joint effect. To achieve this goal, adaptations were proposed for the algorithm, focusing on finding a better suggestion to define this threshold in a general case.
O crescimento acelerado dos reposit?rios de dados, nas diversas ?reas de atua??o, abre espa?o para pesquisas na ?rea da minera??o de dados, em espec?fico, com os m?todos de classifica??o e de combina??o de classificadores. O Boosting ? um desses m?todos, e combina os resultados de diversos classificadores com intuito de obter melhores resultados. O prop?sito central desta disserta??o ? responder a quest?o de pesquisa com a experimenta??o de alternativas para aumentar a efic?cia e o desempenho do algoritmo AdaBoost.M1 que ? a implementa??o frequentemente empregada pelo Boosting. Foi feito um estudo emp?rico levando em considera??o aspectos estoc?sticos tentando lan?ar alguma luz sobre um par?metro interno obscuro em que criadores do algoritmo e outros pesquisadores assumiram que o limiar de erro de treinamento deve ser correlacionado com o n?mero de classes no conjunto de dados de destino e, logicamente, a maioria dos conjuntos de dados deve usar um valor de 0.5. Neste trabalho, apresentamos evid?ncias emp?ricas de que isso n?o ? um fato, mas provavelmente um mito originado pela aplica??o da primeira defini??o do algoritmo. Para alcan?ar esse objetivo, foram propostas adapta??es para o algoritmo, focando em encontrar uma sugest?o melhor para definir esse limiar em um caso geral.
Books on the topic "E-boosting"
Young, Bill. Boosting cereal exports through a more equitable grain trade, market driven and aided by e-commerce. Market Harborough: Nuffield Farming Scholarships Trust, 2003.
Find full textTartaglia, Andrea, Roberto Bolici, and Matteo Gambaro, eds. La ricerca tra innovazione, creatività e progetto / Research among Innovation, Creativity and Design. Florence: Firenze University Press, 2012. http://dx.doi.org/10.36253/978-88-6655-160-7.
Full textOrganisation for economic co-operation and development. Oecd Employment Outlook 2006: Boosting Jobs and Incomes (O E C D Employment Outlook). Organization for Economic Cooperation & Devel, 2006.
Find full textHow to Win Sales & Influence Spiders: Boosting Your Business & Buzz on the Web (Voices That Matter). New Riders Press, 2007.
Find full textBook chapters on the topic "E-boosting"
Sousa, Cristóvão, Mariana Carvalho, and Carla Pereira. "Boosting E-Auditing Process Through E-Files Semantic Enrichment." In Advances in Intelligent Systems and Computing, 449–58. Cham: Springer International Publishing, 2021. http://dx.doi.org/10.1007/978-3-030-72651-5_43.
Full textValle-Cruz, David, and Rodrigo Sandoval-Almazan. "Boosting E-Participation." In Optimizing E-Participation Initiatives Through Social Media, 103–25. IGI Global, 2018. http://dx.doi.org/10.4018/978-1-5225-5326-7.ch005.
Full textChung, Ik Jae. "Toward E-Government Sustainability." In Handbook of Research on Strategies for Local E-Government Adoption and Implementation, 773–93. IGI Global, 2009. http://dx.doi.org/10.4018/978-1-60566-282-4.ch041.
Full textKowsalya, Mariyappan, Mohan Prasanna Rajeshkumar, Thangavel Velmurugan, Kattakgounder Govindaraj Sudha, and Saheb Ali. "Role of Vitamin E in Boosting the Immunity from Neonates to Elderly." In Vitamin E in Health and Disease - Interactions, Diseases and Health Aspects [Working Title]. IntechOpen, 2021. http://dx.doi.org/10.5772/intechopen.98553.
Full textMuñoz, Laura Alcaide, and Raquel Garde Sánchez. "Implementation of E-Government and Reforms in Public Administrations in Crisis Periods." In Public Affairs and Administration, 2028–45. IGI Global, 2015. http://dx.doi.org/10.4018/978-1-4666-8358-7.ch104.
Full textMusso, Fabio, and Roxana Adam. "Retailing 4.0 and Technology-Driven Innovation." In Handbook of Research on Retailing Techniques for Optimal Consumer Engagement and Experiences, 338–54. IGI Global, 2020. http://dx.doi.org/10.4018/978-1-7998-1412-2.ch015.
Full textVrshek-Schallhorn, Suzanne, Bradley M. Avery, and Vaibhav Sapuram. "Gene–environment interactions in humans across multiple units of analyses." In Genes, brain, and emotions, 18–31. Oxford University Press, 2019. http://dx.doi.org/10.1093/oso/9780198793014.003.0003.
Full textSantos Kucharski, Marcus Vinicius, Isaac Woungang, and Moses Nyongwa. "A Pliant-Based Software Tool for Courseware Development." In Software Applications, 1404–24. IGI Global, 2009. http://dx.doi.org/10.4018/978-1-60566-060-8.ch081.
Full textSen, Saikat, and Raja Chakraborty. "Food in Health Preservation and Promotion." In Food Science and Nutrition, 392–426. IGI Global, 2018. http://dx.doi.org/10.4018/978-1-5225-5207-9.ch017.
Full textSen, Saikat, and Raja Chakraborty. "Food in Health Preservation and Promotion." In Advances in Environmental Engineering and Green Technologies, 265–300. IGI Global, 2017. http://dx.doi.org/10.4018/978-1-5225-0591-4.ch013.
Full textConference papers on the topic "E-boosting"
Kotsiuba, Igor, Artem Velvkzhanin, Yury Yanovich, Iuna Skarga Bandurova, Yuriy Dyachenko, and Viacheslav Zhygulin. "Decentralized e-Health Architecture for Boosting Healthcare Analytics." In 2018 Second World Conference on Smart Trends in Systems, Security and Sustainability (WorldS4). IEEE, 2018. http://dx.doi.org/10.1109/worlds4.2018.8611621.
Full textAhmed, Waleed K., and Ali H. Al Marzouqi. "Boosting students' proficiency in thermodynamics via e-learning." In 2015 International Conference on Industrial Engineering and Operations Management (IEOM). IEEE, 2015. http://dx.doi.org/10.1109/ieom.2015.7093778.
Full textHasan, Raza, Salman Mahmood, Mohammad Sohail Hayat, and Syed Imran Ali. "Role of financial institutions in boosting e-banking in Pakistan." In 2015 2nd World Symposium on Web Applications and Networking (WSWAN). IEEE, 2015. http://dx.doi.org/10.1109/wswan.2015.7210355.
Full textDias Júnior, Domingos A., Luana B. da Cruz, João O. B. Diniz, Geraldo Braz Júnior, and Aristófanes C. Silva. "Classificação automática de glóbulos brancos usando descritores de forma e textura e eXtreme Gradient Boosting." In Simpósio Brasileiro de Computação Aplicada à Saúde. Sociedade Brasileira de Computação - SBC, 2021. http://dx.doi.org/10.5753/sbcas.2021.16056.
Full textKucina Softic, Sandra, and Jadranka Lasić Lazić. "THE E-LEARNING AWARD AS A WAY FOR BOOSTING TEACHERS’ MOTIVATION FOR E-LEARNING IMPLEMENTATION." In 10th annual International Conference of Education, Research and Innovation. IATED, 2017. http://dx.doi.org/10.21125/iceri.2017.0694.
Full textKosasi, Sandy, Vedyanto, and I. Dewa Ayu Eka Yuliani. "Boosting E-Service Quality through IT Service Management of Online Stores." In 2019 6th International Conference on Electrical Engineering, Computer Science and Informatics (EECSI). IEEE, 2019. http://dx.doi.org/10.23919/eecsi48112.2019.8976950.
Full textHuijing, Jiao, Yang Xuefeng, Pang Wenxue, Guo Longwei, Fu Linfeng, Shi Yongbo, and Wu ping. "Practical Exploration of Rural E-commerce Boosting Rural Revitalization Based on 4C Model." In 2021 2nd International Conference on E-Commerce and Internet Technology (ECIT). IEEE, 2021. http://dx.doi.org/10.1109/ecit52743.2021.00023.
Full textSouza, Vanessa C. O., Erick T. A. Silva, Rafael M. D., and Melise M. V. Paula. "Análise de diferentes técnicas de pré-processamento em algoritmos de Aprendizado de Máquina na detecção de SQL Injection." In Seminário Integrado de Software e Hardware. Sociedade Brasileira de Computação - SBC, 2021. http://dx.doi.org/10.5753/semish.2021.15830.
Full textYan, Zhang-Fa, Yu-Lin Shen, Wei-Jun Liu, Jie-Min Long, and Qingyang Wei. "An E-Commerce Coupon Target Population Positioning Model Based on Random Forest and eXtreme Gradient Boosting." In 2018 11th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI). IEEE, 2018. http://dx.doi.org/10.1109/cisp-bmei.2018.8633247.
Full textShu, Yiyang, Huizhen Jenny Qian, and Xun Luo. "17.4 A 18.6-to-40.1GHz 201.7dBc/Hz FoMT Multi-Core Oscillator Using E-M Mixed-Coupling Resonance Boosting." In 2020 IEEE International Solid- State Circuits Conference - (ISSCC). IEEE, 2020. http://dx.doi.org/10.1109/isscc19947.2020.9063100.
Full text