Articles de revues sur le sujet « MACHINE LEARNING TOOL »
Créez une référence correcte selon les styles APA, MLA, Chicago, Harvard et plusieurs autres
Consultez les 50 meilleurs articles de revues pour votre recherche sur le sujet « MACHINE LEARNING TOOL ».
À côté de chaque source dans la liste de références il y a un bouton « Ajouter à la bibliographie ». Cliquez sur ce bouton, et nous générerons automatiquement la référence bibliographique pour la source choisie selon votre style de citation préféré : APA, MLA, Harvard, Vancouver, Chicago, etc.
Vous pouvez aussi télécharger le texte intégral de la publication scolaire au format pdf et consulter son résumé en ligne lorsque ces informations sont inclues dans les métadonnées.
Parcourez les articles de revues sur diverses disciplines et organisez correctement votre bibliographie.
E, Prabhakar, Suresh Kumar V.S, Nandagopal S et Dhivyaa C.R. « Mining Better Advertisement Tool for Government Schemes Using Machine Learning ». International Journal of Psychosocial Rehabilitation 23, no 4 (20 décembre 2019) : 1122–35. http://dx.doi.org/10.37200/ijpr/v23i4/pr190439.
Texte intégralMonostori, László. « Learning procedures in machine tool monitoring ». Computers in Industry 7, no 1 (février 1986) : 53–64. http://dx.doi.org/10.1016/0166-3615(86)90009-6.
Texte intégralKokar, Mieczyslaw M., Jerzy Letkowski et Thomas F. Callahan. « Learning to monitor a machine tool ». Journal of Intelligent & ; Robotic Systems 12, no 2 (juin 1995) : 103–25. http://dx.doi.org/10.1007/bf01258381.
Texte intégralGittler, Thomas, Stephan Scholze, Alisa Rupenyan et Konrad Wegener. « Machine Tool Component Health Identification with Unsupervised Learning ». Journal of Manufacturing and Materials Processing 4, no 3 (2 septembre 2020) : 86. http://dx.doi.org/10.3390/jmmp4030086.
Texte intégralBaltruschat, Marcel, et Paul Czodrowski. « Machine learning meets pKa ». F1000Research 9 (13 février 2020) : 113. http://dx.doi.org/10.12688/f1000research.22090.1.
Texte intégralBaltruschat, Marcel, et Paul Czodrowski. « Machine learning meets pKa ». F1000Research 9 (27 avril 2020) : 113. http://dx.doi.org/10.12688/f1000research.22090.2.
Texte intégralFinlay, Janet. « Machine learning : A tool to support usability ? » Applied Artificial Intelligence 11, no 7-8 (octobre 1997) : 633–51. http://dx.doi.org/10.1080/088395197117966.
Texte intégralCaté, Antoine, Lorenzo Perozzi, Erwan Gloaguen et Martin Blouin. « Machine learning as a tool for geologists ». Leading Edge 36, no 3 (mars 2017) : 215–19. http://dx.doi.org/10.1190/tle36030215.1.
Texte intégralWhitehall, B. L., S. C. Y. Lu et R. E. Stepp. « CAQ : A machine learning tool for engineering ». Artificial Intelligence in Engineering 5, no 4 (octobre 1990) : 189–98. http://dx.doi.org/10.1016/0954-1810(90)90020-5.
Texte intégralWang, Zhi‐Lei, Toshio Ogawa et Yoshitaka Adachi. « A Machine Learning Tool for Materials Informatics ». Advanced Theory and Simulations 3, no 1 (18 novembre 2019) : 1900177. http://dx.doi.org/10.1002/adts.201900177.
Texte intégralS, Ganeshkumar, Deepika T et Anandakumar Haldorai. « A Supervised Machine Learning Model for Tool Condition Monitoring in Smart Manufacturing ». Defence Science Journal 72, no 5 (1 novembre 2022) : 712–20. http://dx.doi.org/10.14429/dsj.72.17533.
Texte intégralSchneckenburger, Max, Luis Garcia et Rainer Börret. « Machine learning robot polishing cell ». EPJ Web of Conferences 215 (2019) : 05002. http://dx.doi.org/10.1051/epjconf/201921505002.
Texte intégralPagadipala srikanth, Pulimamidi sai teja, Borigam Lakshmi prasad et Veduruvada pavan kalyan. « A comprehensive review of machine learning techniques in computer numerical controlled machines ». International Journal of Science and Research Archive 9, no 1 (30 juin 2023) : 627–37. http://dx.doi.org/10.30574/ijsra.2023.9.1.0491.
Texte intégralWu, Q., E. Liu, Y. H. He et X. Tang. « Application Research on Extreme Learning Machine in Rapid Detection of Tool Wear in Machine Tools ». Journal of Physics : Conference Series 2025, no 1 (1 septembre 2021) : 012091. http://dx.doi.org/10.1088/1742-6596/2025/1/012091.
Texte intégralGuile, David. « Machine learning – A new kind of cultural tool ? A “recontextualisation” perspective on machine learning + interprofessional learning ». Learning, Culture and Social Interaction 42 (octobre 2023) : 100738. http://dx.doi.org/10.1016/j.lcsi.2023.100738.
Texte intégralJ., Praveen Gujjar, et Naveen Kumar V. « Google Colaboratory : Tool for Deep Learning and Machine Learning Applications ». Indian Journal of Computer Science 6, no 3-4 (31 août 2021) : 23. http://dx.doi.org/10.17010/ijcs/2021/v6/i3-4/165408.
Texte intégralMahardika, Rizka. « THE USE OF TRANSLATION TOOL IN EFL LEARNING : DO MACHINE TRANSLATION GIVE POSITIVE IMPACT IN LANGUAGE LEARNING ? » Pedagogy : Journal of English Language Teaching 5, no 1 (30 juillet 2017) : 49. http://dx.doi.org/10.32332/pedagogy.v5i1.755.
Texte intégralSchad, Jörg, Rajiv Sambasivan et Christopher Woodward. « Arangopipe, a tool for machine learning meta-data management ». Data Science 4, no 2 (13 octobre 2021) : 85–99. http://dx.doi.org/10.3233/ds-210034.
Texte intégralDouglas, Michael R. « Machine learning as a tool in theoretical science ». Nature Reviews Physics 4, no 3 (14 février 2022) : 145–46. http://dx.doi.org/10.1038/s42254-022-00431-9.
Texte intégralZhao, Weixiang, Abhinav Bhushan, Anthony Santamaria, Melinda Simon et Cristina Davis. « Machine Learning : A Crucial Tool for Sensor Design ». Algorithms 1, no 2 (3 décembre 2008) : 130–52. http://dx.doi.org/10.3390/a1020130.
Texte intégralChandrinos, Spyros K., Georgios Sakkas et Nikos D. Lagaros. « AIRMS : A risk management tool using machine learning ». Expert Systems with Applications 105 (septembre 2018) : 34–48. http://dx.doi.org/10.1016/j.eswa.2018.03.044.
Texte intégralHarvey, Neal, et Reid Porter. « User-driven sampling strategies in image exploitation ». Information Visualization 15, no 1 (13 novembre 2014) : 64–74. http://dx.doi.org/10.1177/1473871614557659.
Texte intégralWaghmode, Prof R. T. « Hard Disk Failure Prediction Using Machine Learning ». International Journal for Research in Applied Science and Engineering Technology 11, no 5 (31 mai 2023) : 4459–64. http://dx.doi.org/10.22214/ijraset.2023.52604.
Texte intégralYan, Wei, Chenxun Lu, Ying Liu, Xumei Zhang et Hua Zhang. « An Energy Data-Driven Approach for Operating Status Recognition of Machine Tools Based on Deep Learning ». Sensors 22, no 17 (1 septembre 2022) : 6628. http://dx.doi.org/10.3390/s22176628.
Texte intégralJany Shabu, S. L., Rohan Loganathan Reddy, V. Maria Anu, L. Mary Gladence et J. Refonaa. « Machine Learning Based Malicious Android Application Detection ». Journal of Computational and Theoretical Nanoscience 17, no 8 (1 août 2020) : 3468–72. http://dx.doi.org/10.1166/jctn.2020.9212.
Texte intégralTyler, Neil. « Machine Learning to Improve Software Quality ». New Electronics 53, no 10 (26 mai 2020) : 8. http://dx.doi.org/10.12968/s0047-9624(22)61253-7.
Texte intégralSu, Moting, Zongyi Zhang, Ye Zhu, Donglan Zha et Wenying Wen. « Data Driven Natural Gas Spot Price Prediction Models Using Machine Learning Methods ». Energies 12, no 9 (3 mai 2019) : 1680. http://dx.doi.org/10.3390/en12091680.
Texte intégralYousif, Thanaa Hasan, Nahla Ali Tomah et Marwa Jaleel Mohsin. « Machine learning-based diagnosis of eye-diseases ». Indonesian Journal of Electrical Engineering and Computer Science 32, no 2 (1 novembre 2023) : 787. http://dx.doi.org/10.11591/ijeecs.v32.i2.pp787-795.
Texte intégralWei, Chen Lung, Hsin Yu Cheng, Chi Yuang Yu et Yung Chou Kao. « Development of a Virtual Milling Machining Center Simulation System with Switchable Modular Components ». Applied Mechanics and Materials 479-480 (décembre 2013) : 343–47. http://dx.doi.org/10.4028/www.scientific.net/amm.479-480.343.
Texte intégralZarouq Eshkanti, Mohammed A. El, et S. C. Ng. « Backdoor Detection Using Machine Learning ». Journal of Engineering & ; Technological Advances 2, no 1 (2017) : 2–13. http://dx.doi.org/10.35934/segi.v2i1.2.
Texte intégralChiu, Yu-Cheng, Po-Hsun Wang et Yuh-Chung Hu. « The Thermal Error Estimation of the Machine Tool Spindle Based on Machine Learning ». Machines 9, no 9 (30 août 2021) : 184. http://dx.doi.org/10.3390/machines9090184.
Texte intégralMohammadi, Yousef, Mohammad Saeb, Alexander Penlidis, Esmaiel Jabbari, Florian J. Stadler, Philippe Zinck et Krzysztof Matyjaszewski. « Intelligent Machine Learning : Tailor-Making Macromolecules ». Polymers 11, no 4 (1 avril 2019) : 579. http://dx.doi.org/10.3390/polym11040579.
Texte intégralKoteluk, Oliwia, Adrian Wartecki, Sylwia Mazurek, Iga Kołodziejczak et Andrzej Mackiewicz. « How Do Machines Learn ? Artificial Intelligence as a New Era in Medicine ». Journal of Personalized Medicine 11, no 1 (7 janvier 2021) : 32. http://dx.doi.org/10.3390/jpm11010032.
Texte intégralKoteluk, Oliwia, Adrian Wartecki, Sylwia Mazurek, Iga Kołodziejczak et Andrzej Mackiewicz. « How Do Machines Learn ? Artificial Intelligence as a New Era in Medicine ». Journal of Personalized Medicine 11, no 1 (7 janvier 2021) : 32. http://dx.doi.org/10.3390/jpm11010032.
Texte intégralvan de Lande, Lara S., Athanasios Papaioannou et David J. Dunaway. « Geometric morphometrics aided by machine learning in craniofacial surgery ». Journal of Orthodontics 46, no 1_suppl (8 avril 2019) : 81–83. http://dx.doi.org/10.1177/1465312519840030.
Texte intégralDekermanjian, Jonathan, Wladimir Labeikovsky, Debashis Ghosh et Katerina Kechris. « MSCAT : A Machine Learning Assisted Catalog of Metabolomics Software Tools ». Metabolites 11, no 10 (2 octobre 2021) : 678. http://dx.doi.org/10.3390/metabo11100678.
Texte intégralWoo, Myung, Brooke Alhanti, Sam Lusk, Felicia Dunston, Stephen Blackwelder, Kay S. Lytle, Benjamin A. Goldstein et Armando Bedoya. « Evaluation of ML-Based Clinical Decision Support Tool to Replace an Existing Tool in an Academic Health System : Lessons Learned ». Journal of Personalized Medicine 10, no 3 (27 août 2020) : 104. http://dx.doi.org/10.3390/jpm10030104.
Texte intégralSobha Rani, Naguri, et Naguri Divya Sruthi. « Automatic Portrait Image Cropping using Machine Learning Models ». International Journal of Scientific Methods in Engineering and Management 01, no 01 (2023) : 73–86. http://dx.doi.org/10.58599/ijsmem.2023.1107.
Texte intégralFertig, Alexander, Lukas Grau, Marius Altmannsberger et Matthias Weigold. « TOOL CONDITION MONITORING AND TOOL DEFECT DETECTION FOR END MILLS BASED ON HIGH-FREQUENCY MACHINE TOOL DATA ». MM Science Journal 2021, no 5 (3 novembre 2021) : 5160–66. http://dx.doi.org/10.17973/mmsj.2021_11_2021174.
Texte intégralMamledesai, Harshavardhan, Mario A. Soriano et Rafiq Ahmad. « A Qualitative Tool Condition Monitoring Framework Using Convolution Neural Network and Transfer Learning ». Applied Sciences 10, no 20 (19 octobre 2020) : 7298. http://dx.doi.org/10.3390/app10207298.
Texte intégralAsif, Muhammad, Hang Shen, Chunlin Zhou, Yuandong Guo, Yibo Yuan, Pu Shao, Lan Xie et Muhammad Shoaib Bhutta. « Recent Trends, Developments, and Emerging Technologies towards Sustainable Intelligent Machining : A Critical Review, Perspectives and Future Directions ». Sustainability 15, no 10 (19 mai 2023) : 8298. http://dx.doi.org/10.3390/su15108298.
Texte intégralShin, Seung-Jun, Young-Min Kim et Prita Meilanitasari. « A Holonic-Based Self-Learning Mechanism for Energy-Predictive Planning in Machining Processes ». Processes 7, no 10 (14 octobre 2019) : 739. http://dx.doi.org/10.3390/pr7100739.
Texte intégralHanuschkin, Alexander, Jürgen Schorr, Christian Krüger et Steven Peters. « Machine Learning as an Analysis Tool in Engine Research ». ATZelectronics worldwide 16, no 1-2 (janvier 2021) : 44–47. http://dx.doi.org/10.1007/s38314-020-0574-7.
Texte intégralKUTSENOGIY, P. K., V. K. KALICHKIN, A. L. PAKUL et S. P. KUTSENOGIY. « MACHINE LEARNING AS A TOOL FOR CROP YIELD FORECAST ». Rossiiskaia selskokhoziaistvennaia nauka, no 1 (2021) : 72–75. http://dx.doi.org/10.31857/s2500262721010178.
Texte intégralMU, Dianfang, Xianli LIU, Caixu YUE, Qiang LIU, Zhengyan BAI, Steven Y. LIANG et Yunpeng DING. « On-line tool wear monitoring based on machine learning ». Journal of Advanced Manufacturing Science and Technology 1, no 2 (2021) : 2021002. http://dx.doi.org/10.51393/j.jamst.2021002.
Texte intégralAnderson, Don D. « Machine Translation As a Tool in Second Language Learning ». CALICO Journal 13, no 1 (14 janvier 2013) : 68–97. http://dx.doi.org/10.1558/cj.v13i1.68-97.
Texte intégralZhou, Bo, Tongtong Tian, Jibin Zhao et Dianhai Liu. « Tool-path continuity determination based on machine learning method ». International Journal of Advanced Manufacturing Technology 119, no 1-2 (1 novembre 2021) : 403–20. http://dx.doi.org/10.1007/s00170-021-08156-2.
Texte intégralCockshott, Anne. « Reservoir computing, a machine learning tool for robust forecasting ». Scilight 2021, no 51 (17 décembre 2021) : 511107. http://dx.doi.org/10.1063/10.0009049.
Texte intégralKutsenogiy, P. K., V. K. Kalichkin, A. L. Pakul et S. P. Kutsenogiy. « Machine Learning as a Tool for Crop Yield Prediction ». Russian Agricultural Sciences 47, no 2 (mars 2021) : 188–92. http://dx.doi.org/10.3103/s1068367421020117.
Texte intégralSAKUMA, Taishi, Kotaro YAMADA, Toshiki HIROGAKI, Eiichi AOYAMA et Hiroyuki KODAMA. « Data mining from tool catalog introducing machine learning method ». Proceedings of The Manufacturing & ; Machine Tool Conference 2018.12 (2018) : A20. http://dx.doi.org/10.1299/jsmemmt.2018.12.a20.
Texte intégral